青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。

青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。

青藏高原地区的湖泊对当地环境、生态、人文的影响巨大，从遥感高分影像上准确、迅速提取大型湖泊是开展相关研究的重要基础。遥感影像的湖泊提取方法已从传统人工目视解译向自动化发展，但NDWI等常用水体提取技术在应用于不同地域对象时精度不一，特别在提取高原大型湖泊时精度仍有待提高。针对这一问题，设计了一种Res-Unet相结合的水体提取深度学习神经网络，选取青藏高原地区的Landsat高分影像作为训练数据，利用训练所得模型对青藏高原的色林错湖进行提取并分析其20年内的面积变化情况。结果表明：1)基于Res-Unet的神经网络提取湖泊面积的mIoU为0.927 9,Kappa系数为0.925 2,远高于NDWI的提取精度，适用于色林错湖面积提取；2)2000—2020年，该湖泊总面积增长了468.70 km2,与青藏高原北部的各拉丹东冰川消融带来的径流补给增加存在联系。

青藏高原地区的湖泊对当地环境、生态、人文的影响巨大，从遥感高分影像上准确、迅速提取大型湖泊是开展相关研究的重要基础。遥感影像的湖泊提取方法已从传统人工目视解译向自动化发展，但NDWI等常用水体提取技术在应用于不同地域对象时精度不一，特别在提取高原大型湖泊时精度仍有待提高。针对这一问题，设计了一种Res-Unet相结合的水体提取深度学习神经网络，选取青藏高原地区的Landsat高分影像作为训练数据，利用训练所得模型对青藏高原的色林错湖进行提取并分析其20年内的面积变化情况。结果表明：1)基于Res-Unet的神经网络提取湖泊面积的mIoU为0.927 9,Kappa系数为0.925 2,远高于NDWI的提取精度，适用于色林错湖面积提取；2)2000—2020年，该湖泊总面积增长了468.70 km2,与青藏高原北部的各拉丹东冰川消融带来的径流补给增加存在联系。