呂茜雯 周浩瀾 鐘家民

摘 要：洪水淹沒范圍的提取精度是城市內(nèi)澇監(jiān)測的關(guān)鍵問題之一。洪水一般發(fā)生在陰雨天氣，利用光學遙感影像存在大量云層阻擋，無法有效監(jiān)測洪水淹沒區(qū)域，而星載合成孔徑雷達（SAR）可以穿透云層，獲得類似光學的高分辨率雷達圖像，可全天候觀測。基于哨兵1號數(shù)據(jù)，對武漢市武昌區(qū)災前影像采用基于監(jiān)督分類和非監(jiān)督分類共5種方法對水體進行了提取。結(jié)果表明：支持向量機法的提取精度最高;利用該方法對災后影像進行提取，對災前災后影像進行差值運算，得到城市洪水的淹沒范圍。利用雷達影像進行洪水監(jiān)測對抗洪救災和改進城市洪水模型具有重要意義。

關(guān)鍵詞：遙感;城市洪水;提取

中圖分類號 P237;P407 文獻標識碼 A 文章編號 1007-7731（2021）06-0124-03

洪水是全球最常見和最廣泛的自然災害之一，能造成巨大的經(jīng)濟損失和人員傷亡，因此洪水事件監(jiān)測至關(guān)重要。合成孔徑雷達（SAR）傳感器能夠穿透通常在洪水時出現(xiàn)的云，并且能夠在夜間和白天成像，是洪水檢測的首選。合成孔徑雷達（SAR）傳感器因其全天候的檢測能力而經(jīng)常用于成像洪水，現(xiàn)已具有足夠的分辨率來成像城市洪水。從圖像中提取的洪水范圍，可用于洪水救濟管理和改進城市洪水淹沒建模。2020年6月30日武漢市遭遇暴雨和特大暴雨，部分沿河地勢低洼地區(qū)受淹較為嚴重。為此，筆者選取武漢市武昌區(qū)作為研究區(qū)域，采用哨兵1號數(shù)據(jù)對該區(qū)域暴雨前后的洪水淹沒范圍進行了監(jiān)測分析。

1 材料與方法

1.1 研究區(qū)概況 武漢市位于江漢平原東部、長江中下游，除少數(shù)山丘和湖泊外，地面標高多在20～24m，部分地區(qū)地勢低于長江多年平均洪水位23.87m。武漢市城區(qū)雨水主要通過排澇泵站抽排到長江，每年梅雨季節(jié)降水集中，易發(fā)生洪澇災害。

1.2 數(shù)據(jù)預處理 選用sentinel-1A雷達數(shù)據(jù)，選用Level-1地距影像（GRD，Ground Range Detected），成像方式為干涉寬幅（IW，Interferometric Wide swath），極化方式為VV和VH。選用2020年6月19日的數(shù)據(jù)作為淹沒前水體，2020年7月1日的數(shù)據(jù)作為大暴雨后的影像。Sentinel-1衛(wèi)星的數(shù)據(jù)預處理在SNAP軟件上完成。對數(shù)據(jù)分別執(zhí)行軌道校正、熱噪聲去除、輻射定標、多視、相干斑濾波、地形校正、分貝化處理。其中濾波的選擇，對比多種濾波方法處理效果發(fā)現(xiàn)采用Refined Lee濾波處理效果較為出色。ENVI軟件進行后處理，打開分貝化處理后的數(shù)據(jù)，目視對比VV模式和VH模式下的影像，可以看出VH模式水體特征比較強，采用這個模式進行水體信息提取（圖1）。通過2期影像的對比可以看出很多區(qū)域已經(jīng)被洪水淹沒。

1.3 研究方法

1.3.1 閾值分割法 使用閾值法提取水體主要是利用水體在SAR圖像上后向散射系數(shù)小的原理，對SAR圖像進行密度分割，經(jīng)過目視對比得到合適的分割閾值，再將分割結(jié)果保存為分類結(jié)果文件，對分類結(jié)果進行后處理，人機交互刪除誤提圖斑，最終得到水體信息的過程。本研究對于水體閾值的確定通過選擇樣本ROI的方法進行計算。分析水體訓練樣本及整副影像的灰度統(tǒng)計直方圖，經(jīng)反復實驗比對選取18.456作為閾值分割點，將SAR圖像二值化，提取出研究區(qū)的水體。

1.3.2 面向?qū)ο?基于規(guī)則的面向?qū)ο筇崛≈饕腔谶吘壉O(jiān)測的多尺度分割。由于不同地物的遙感影像光譜、形狀、紋理特征不同，因此對于不同層次的目標需要進行不同尺度的分割。該方法主要通過設(shè)置不同的規(guī)則，通過目視對比不同分割尺度的效果，選取最佳分割閾值，將具有類似特征的鄰近像元組成1個對象，新建規(guī)則，對影像進行分割。本研究使用基于規(guī)則的面向?qū)ο蟮姆椒?，對單極化 SAR 數(shù)據(jù)（也可用水體指數(shù)圖像）進行對象分割、設(shè)置規(guī)則提取水體，將未分貝的VV模式、未分貝的VH模式、分貝后的VH模式進行波段組合，其中分貝后的VH作為第2波段，選取40.5和91.2 2個閾值尺度以很好地區(qū)分水體和非水體。新建規(guī)則，閾值分割區(qū)間選取第2波段（分貝化后的VH模式），在規(guī)則中用歸一化指數(shù)，閾值分割點仍然選18.456。

1.3.3 SDWI雙極化水體指數(shù) SDWI雙極化水體指數(shù)的基本原理為基于VV和VH后向散射系數(shù)，進行波段運算，以此擴大水體與其他地物間的差異。用于提取水體的指數(shù)模型如式（1）所示。分析水體訓練樣本及整副影像的灰度統(tǒng)計直方圖，經(jīng)反復實驗比對選取13.74作為閾值分割點，提取出研究區(qū)的水體。

[SDWI=ln（10×VV×VH）-8] （1）

1.3.4 支持向量機 支持向量機是一種淺層機器學習方法，利用其統(tǒng)計學的特點緩解機器學習中函數(shù)擬合、高維模式識別以及非線性等情況。由于其統(tǒng)計學上的特點適用于維數(shù)方面的問題，對于分類和回歸分析具有一定優(yōu)勢，因此常用于遙感影像的分類。原理是根據(jù)先驗知識選取合適的訓練樣本，然后根據(jù)訓練樣本X以及相對應(yīng)的類別Y計算二次優(yōu)化，再進行優(yōu)化操作得到支持向量，將分類函數(shù)進行求解運算，最后計算待分類樣本，得到分類樣本結(jié)果。計算公式如式（2）、（3）所示。支持向量機法通過模糊加權(quán)對樣本進行訓練，分類設(shè)定水體和非水體2種類別，選擇訓練樣本計算水體和非水體的分離指數(shù)為1.99，分離效果較好。

[Wa=lj=1αi-12li=1lj=1yiyjαikxi×xj] （2）

×[fx=sgnli=1yiαkixi×x+b] （3）

1.3.5 神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)模型是有監(jiān)督學習形式，在圖像識別中表現(xiàn)優(yōu)異。通過對尺度分割后的像元進行特征篩選，選擇合適的樣本傳遞給CNN，對樣本進行卷積、池化等操作，最終由最后一層BP網(wǎng)絡(luò)接收修正作為全連接層參數(shù)回傳，以達到全網(wǎng)絡(luò)的參數(shù)精準性。選擇訓練樣本的分離指數(shù)為1.99，分類效果較好，進行反復迭代訓練，從而獲得分類結(jié)果。

2 結(jié)果與分析

2.1 水體信息提取效果 圖2為研究區(qū)基于Otsu閾值分割（圖2a）、面向?qū)ο蠓ǎ▓D2b）、SDWI雙極化水體指數(shù)（圖2c）、支持向量機（圖2d）、神經(jīng)網(wǎng)絡(luò)（圖2e）的水體提取結(jié)果，深紫色部分為水體。圖2f為原始影像未分貝的VV模式、未分貝的VH模式、分貝后的VH模式3個波段進行的波段組合，其中分貝后的VH作為第2波段。

2.2 提取精度 比較不同方法的提取結(jié)果，以人工目視解譯的方法選擇ROI為驗證樣本，計算不同方法的混淆矩陣，分析不同方法提取的精度，得到的精度指標如表1所示。由表1可知，針對SAR影像的5種水體提取方法的總體分類精度均在96%以上，Kappa系數(shù)均在0.95以上，提取效果較精確。提取精度最高的是支持向量機法，總體精度達到99.7606%，Kappa系數(shù)為0.9952，神經(jīng)網(wǎng)絡(luò)法精度與其十分接近，表明監(jiān)督分類精度高于非監(jiān)督分類;閾值分割法，提取方法簡單，能夠快速區(qū)分水體和非水體，提取精度較高;面向?qū)ο蠓ň容^閾值分割法更高，表明閾值多尺度的選擇有利于提高分類精度;SDWI雙極化水體指數(shù)法提取精度較低，總體分類精度為96.2829%，表明SDWI法具有一定的局限性，對于城市建筑物密集區(qū)域水體的提取效果不如閾值分割。

2.3 洪水淹沒范圍 按照上述方法對武漢市武昌區(qū)洪水進行提取，將災前和災后水體信息進行疊加分析，綠色代表災前水體，紅色代表淹沒范圍（圖3）。由圖3可知，武漢市境內(nèi)部分區(qū)域被淹沒，根據(jù)淹沒區(qū)域可作城市洪澇的風險評估。利用波段計算器將DN值進行設(shè)計，根據(jù)疊加分析結(jié)果統(tǒng)計出共有非水體、共有水體和淹沒范圍，統(tǒng)計計算得出武昌區(qū)災前水體區(qū)域總面積為30856741.34m2，災后水體區(qū)域總面積為31527392.72m2，武昌區(qū)總淹沒面積為670651m2。

3 結(jié)論

研究結(jié)果表明：對于城市建筑物密集區(qū)域，監(jiān)督分類較非監(jiān)督分類提取精度更高，細節(jié)提取較為完整;哨兵1號數(shù)據(jù)能夠有效用于城市洪水監(jiān)測，對于地表水體信息具有較好的探測能力，且回訪周期短，操作簡單高效;哨兵1號能夠有效監(jiān)測城市區(qū)域淹沒范圍，有利于洪澇災害的風險評估，對改進城市洪水模型意義重大。

參考文獻

[1]賈詩超，薛東劍，李成繞，等.基于Sentinel-1數(shù)據(jù)的水體信息提取方法研究[J].人民長江，2019，50（02）：213-217.

[2]王露.面向?qū)ο蟮母叻直媛蔬b感影像多尺度分割參數(shù)及分類研究[D].長沙：中南大學，2014：82.

[3]趙爽.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D].北京：中國地質(zhì)大學，2015.

[4]黃萍，許小華，李德龍.基于Sentinel-1衛(wèi)星數(shù)據(jù)快速提取鄱陽湖水體面積[J].水資源研究，2018，7（5）：483-491.

（責編：徐世紅）