基于衛(wèi)星觀測(cè)的洪災(zāi)快速監(jiān)測(cè)與評(píng)估平臺(tái)實(shí)現(xiàn)

張?chǎng)┾?，戴梓萱，丁聿銘，?杰，2

(1.華中師范大學(xué) 城市與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079；2.華中師范大學(xué) 地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

0 引言

洪澇災(zāi)害具有突發(fā)性強(qiáng)、發(fā)生頻繁、危害性大和季節(jié)性強(qiáng)等特點(diǎn),是對(duì)人類(lèi)生命和財(cái)產(chǎn)威脅最大的一種自然災(zāi)害。因此,對(duì)洪災(zāi)的監(jiān)測(cè)與預(yù)警是開(kāi)展洪災(zāi)應(yīng)急響應(yīng)的重要保障。專(zhuān)家學(xué)者們主要關(guān)注應(yīng)用遙感數(shù)據(jù)獲取洪澇信息,采用氣象模型、水文模型等構(gòu)建洪澇監(jiān)測(cè)預(yù)警系統(tǒng)[1]。發(fā)達(dá)國(guó)家洪澇災(zāi)害監(jiān)測(cè)系統(tǒng)的研究相對(duì)較為成熟,許多國(guó)家都建立了完善的洪澇監(jiān)測(cè)體系,其中一些系統(tǒng)已經(jīng)應(yīng)用于實(shí)際的洪澇預(yù)警和救災(zāi)工作。例如美國(guó)國(guó)家海洋和大氣管理局(NOAA)的全球洪水監(jiān)測(cè)系統(tǒng)(Global Flood Monitoring System, GFMS)、歐洲氣象衛(wèi)星應(yīng)用組織(EUMETSAT)的洪水響應(yīng)計(jì)劃、亞洲防災(zāi)減災(zāi)中心基于Hydrafloods開(kāi)源程序包,在湄公河流域?qū)崿F(xiàn)對(duì)洪水的近實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。這些系統(tǒng)都利用了先進(jìn)的遙感、氣象和水文等技術(shù)手段,結(jié)合實(shí)時(shí)的觀測(cè)數(shù)據(jù)和數(shù)值模型,為區(qū)域乃至全球范圍內(nèi)的洪澇監(jiān)測(cè)和預(yù)報(bào)提供了重要的支持和服務(wù)。國(guó)內(nèi)近年來(lái)也在洪災(zāi)快速監(jiān)測(cè)領(lǐng)域取得了較大進(jìn)展,但由于數(shù)據(jù)共享不暢和數(shù)據(jù)質(zhì)量不佳等原因,在實(shí)際應(yīng)用中部分地區(qū)的洪澇災(zāi)害監(jiān)測(cè)數(shù)據(jù)不足,難以滿(mǎn)足實(shí)際需求。加之目前國(guó)家尚未建立面向公眾服務(wù)的洪水監(jiān)測(cè)與預(yù)警系統(tǒng),導(dǎo)致公眾對(duì)區(qū)域洪水的發(fā)生發(fā)展態(tài)勢(shì)缺乏足夠的了解。

相比于地面監(jiān)測(cè)、氣象預(yù)報(bào)等傳統(tǒng)監(jiān)測(cè)手段,衛(wèi)星遙感技術(shù)在大范圍洪災(zāi)快速監(jiān)測(cè)與評(píng)估應(yīng)用中具備巨大潛力[2]。衛(wèi)星遙感數(shù)據(jù)覆蓋面廣,可以在全球范圍內(nèi)實(shí)現(xiàn)對(duì)重大自然災(zāi)害及其影響宏觀、動(dòng)態(tài)、快速準(zhǔn)確地監(jiān)測(cè)和評(píng)估。實(shí)時(shí)性高,可快速獲取數(shù)據(jù)并進(jìn)行處理,發(fā)布監(jiān)測(cè)結(jié)果,使相關(guān)部門(mén)在短時(shí)間內(nèi)獲得大量洪澇災(zāi)害信息。成本低,不直接接近災(zāi)區(qū),避免了一定的風(fēng)險(xiǎn)和損失。常見(jiàn)的基于衛(wèi)星傳感器得到的光學(xué)數(shù)據(jù)、雷達(dá)數(shù)據(jù)和地球重力場(chǎng)數(shù)據(jù)等都能從不同側(cè)面對(duì)洪水進(jìn)行監(jiān)測(cè)與評(píng)估。光學(xué)遙感影像光譜分辨率和時(shí)空分辨率較高,主要通過(guò)結(jié)合多光譜信息來(lái)獲取地表水信息[3],對(duì)洪澇淹沒(méi)范圍的邊緣提取具有一定優(yōu)勢(shì)。雷達(dá)遙感影像利用微波輻射原理[4],通過(guò)水體反射和散射的信號(hào)同其他地物的巨大差異,提供地表高分辨率水體覆蓋范圍產(chǎn)品。熱紅外衛(wèi)星通過(guò)紅外輻射來(lái)監(jiān)測(cè)地表水體的溫度變化,可以較為準(zhǔn)確地判斷水體位置[5]和洪災(zāi)范圍。重力衛(wèi)星數(shù)據(jù)通過(guò)重力場(chǎng)測(cè)量來(lái)追蹤水體運(yùn)動(dòng)常用于地下水儲(chǔ)量監(jiān)測(cè)[6],比如GRACE衛(wèi)星,但其空間分辨率相對(duì)較低,一般為數(shù)百千米,難以對(duì)洪澇災(zāi)害的具體范圍進(jìn)行細(xì)致的監(jiān)測(cè)和預(yù)測(cè)。

目前大多數(shù)快速提取陸地表面水體的工作基于光學(xué)衛(wèi)星影像和雷達(dá)影像展開(kāi)。光學(xué)影像對(duì)天氣條件非常敏感,當(dāng)出現(xiàn)云霧等天氣現(xiàn)象時(shí),影像的質(zhì)量和解譯精度會(huì)受到較大程度的影響。大部分洪災(zāi)是由于持續(xù)時(shí)間較長(zhǎng)的強(qiáng)降雨造成(除由于自然災(zāi)害、工程事故等導(dǎo)致的突發(fā)性洪災(zāi)和冰洪災(zāi)等),特別是在季風(fēng)驅(qū)動(dòng)的環(huán)境中,暴雨往往伴隨著云層的厚積廣布,故光學(xué)衛(wèi)星影像經(jīng)常面臨云層遮擋的問(wèn)題[7],難以獲取災(zāi)害時(shí)刻下墊面信息。此外,夜間往往是洪災(zāi)發(fā)生和發(fā)展的關(guān)鍵時(shí)期,但光學(xué)影像需要光線(xiàn)成像,因此無(wú)法在夜間進(jìn)行準(zhǔn)確的觀測(cè)。合成孔徑雷達(dá)(Synthetic Aperture Rader,SAR)數(shù)據(jù)不受云霧、降水和光線(xiàn)的影響,能夠?qū)Φ乇磉M(jìn)行全天候的觀測(cè)[8]。但雷達(dá)波在與地表相互作用時(shí)會(huì)受到地形影響,產(chǎn)生復(fù)雜的干擾[9]。雷達(dá)信號(hào)在回波過(guò)程中會(huì)與地面上的微小物體(如地面粗糙度、建筑物和樹(shù)木等)相互作用,這些微小物體會(huì)散射信號(hào)產(chǎn)生干擾,使得原本應(yīng)是同一種類(lèi)型的區(qū)域(如水體)出現(xiàn)了灰度值不同的局部明暗區(qū)域,形成散斑,因此需要進(jìn)行大量的數(shù)據(jù)預(yù)處理。目前主流用于監(jiān)測(cè)洪災(zāi)的數(shù)據(jù)集各有優(yōu)劣,不同數(shù)據(jù)集有不同的應(yīng)用特性。對(duì)洪災(zāi)進(jìn)行高精度、近實(shí)時(shí)的快速監(jiān)測(cè)評(píng)估,不僅要根據(jù)具體的應(yīng)用場(chǎng)景選擇合適的衛(wèi)星數(shù)據(jù),還要融合多源衛(wèi)星數(shù)據(jù)綜合分析。在生態(tài)梯度更大的范圍內(nèi)考慮數(shù)據(jù)融合方法,充分結(jié)合光學(xué)和雷達(dá)數(shù)據(jù)的優(yōu)點(diǎn)。在小范圍內(nèi),雷達(dá)數(shù)據(jù)更適合在陰天有效、及時(shí)地監(jiān)測(cè)水域范圍;而光學(xué)數(shù)據(jù)適合在云量較小的條件下監(jiān)測(cè)水庫(kù)和小范圍水體的狀況[10]。在連續(xù)降雨情境下,2種數(shù)據(jù)都可與歷史同時(shí)期平均水域范圍進(jìn)行比較分析。歷史水體數(shù)據(jù)使用歐洲空間局和聯(lián)合國(guó)糧農(nóng)組織等多個(gè)國(guó)際機(jī)構(gòu)和組織基于多源衛(wèi)星數(shù)據(jù)聯(lián)合開(kāi)發(fā)的Global Surface Water 1984—2021高分辨率歷史全球地表水?dāng)?shù)據(jù)集(JRC數(shù)據(jù)集)[11]。

在洪澇淹沒(méi)范圍提取時(shí),一般將洪災(zāi)發(fā)生后的影像稱(chēng)為災(zāi)后數(shù)據(jù),發(fā)生災(zāi)害前的影像稱(chēng)為災(zāi)前數(shù)據(jù)。災(zāi)后數(shù)據(jù)一般情況為近實(shí)時(shí)遙感數(shù)據(jù)提取出的水域范圍,災(zāi)前數(shù)據(jù)可以是災(zāi)害發(fā)生前的近期水域范圍,也可以是該區(qū)域JRC數(shù)據(jù)集中歷史同期平均水域覆蓋范圍。通過(guò)對(duì)災(zāi)后數(shù)據(jù)與災(zāi)前數(shù)據(jù)水體范圍的比較,可識(shí)別出潛在的洪水淹沒(méi)區(qū)。故洪澇監(jiān)測(cè)的核心任務(wù)是水體范圍的準(zhǔn)確識(shí)別。使用遙感數(shù)據(jù)提取水體時(shí)的一般步驟為:獲取數(shù)據(jù)、數(shù)據(jù)預(yù)處理、計(jì)算水體指數(shù)、設(shè)置閾值、進(jìn)行像元分類(lèi)、進(jìn)行影像后處理。

完成淹沒(méi)范圍提取后,對(duì)洪災(zāi)造成的損失進(jìn)行評(píng)估是一個(gè)相對(duì)復(fù)雜的過(guò)程[12],需要考慮損失范圍、值守財(cái)產(chǎn)、經(jīng)濟(jì)影響、環(huán)境影響和社會(huì)影響等各個(gè)方面的因素,且各因素之間緊密相關(guān)。在具體的評(píng)估過(guò)程中需要根據(jù)不同地區(qū)、不同場(chǎng)景來(lái)確定評(píng)估因素的權(quán)重和價(jià)值[13]。目前洪災(zāi)的災(zāi)情評(píng)估模型及方法主要包括:灰色聚類(lèi)分析模型、熵權(quán)-灰色關(guān)聯(lián)度分析和模糊評(píng)價(jià)模型等[14]。以上模型大多適用于洪災(zāi)發(fā)生后收集一定信息再進(jìn)行評(píng)估,實(shí)現(xiàn)對(duì)洪災(zāi)影響范圍的快速評(píng)估可將洪水淹沒(méi)范圍與淹沒(méi)區(qū)人口密度、社會(huì)經(jīng)濟(jì)等數(shù)據(jù)疊合進(jìn)行空間統(tǒng)計(jì)。

基于以上分析,本文旨在利用開(kāi)源工具包開(kāi)發(fā)一個(gè)基于Web的洪災(zāi)快速監(jiān)測(cè)與災(zāi)情初步評(píng)估系統(tǒng),實(shí)現(xiàn)洪災(zāi)信息的分發(fā)和共享,為普通民眾和國(guó)家政府各級(jí)部門(mén)開(kāi)展洪災(zāi)管理與應(yīng)對(duì)提供決策依據(jù)。

1 數(shù)據(jù)與方法

1.1 洪澇災(zāi)害快速監(jiān)測(cè)

實(shí)現(xiàn)洪水的快速監(jiān)測(cè)依賴(lài)于水體提取方法的自動(dòng)化,從而可避免耗時(shí)耗力的手動(dòng)圖像解譯。在由NASA和USAID聯(lián)合資助的SERVIR-Mekong項(xiàng)目框架下,楊百翰大學(xué)(BYU)Markert等[15]開(kāi)發(fā)了Hydrologic Remote Sensing Analysis for Floods (Hydrafloods) 開(kāi)源Python應(yīng)用程序包用于融合多源衛(wèi)星觀測(cè)數(shù)據(jù)開(kāi)展近實(shí)時(shí)洪水監(jiān)測(cè)。該程序包基于Google Earth Engine(GEE)和Google Cloud Platform(GCP)構(gòu)建,利用谷歌云計(jì)算對(duì)遙感數(shù)據(jù)進(jìn)行大規(guī)模計(jì)算并處理[16],近實(shí)時(shí)提取高精度地表水體覆蓋范圍,還可以融合多個(gè)遙感數(shù)據(jù)集來(lái)提供每日地表水圖[15],實(shí)現(xiàn)對(duì)地表水的每日監(jiān)測(cè)。為了方便用戶(hù)使用高基于云計(jì)算的地表水提取算法,項(xiàng)目開(kāi)發(fā)人員在GEE的Python API(Application Programming Interface)的基礎(chǔ)上提供了更高一級(jí)API以減少代碼重復(fù)。本系統(tǒng)基于該程序包的API實(shí)現(xiàn)區(qū)域洪水淹沒(méi)范圍提取。接入系統(tǒng)的部分API如表 1 所示。

表1 Hydrafloods程序包主要API參考Tab.1 Main API reference for Hydrafloods package

1.1.1 衛(wèi)星觀測(cè)數(shù)據(jù)描述

在衛(wèi)星觀測(cè)數(shù)據(jù)集模塊,系統(tǒng)接入常用于提取水體的6類(lèi)公開(kāi)數(shù)據(jù)集:Landsat7、Landsat8、Sentinel-1、Sentinel-2、MODIS、VIIRS。在Python環(huán)境中連接Earth Engine服務(wù),即可從GEE平臺(tái)調(diào)用以上數(shù)據(jù)集。在調(diào)用每一個(gè)數(shù)據(jù)集時(shí)程序還可加入質(zhì)量評(píng)估的方法,用以屏蔽質(zhì)量差的像素。

受衛(wèi)星重訪(fǎng)周期限制,實(shí)現(xiàn)高分辨率每日監(jiān)測(cè)較為困難,對(duì)于已接入衛(wèi)星數(shù)據(jù)空缺期觀測(cè)數(shù)據(jù),系統(tǒng)接入每日地表水融合功能(Daily Surface Water Fusion Process,DSWFP)接口。該功能實(shí)現(xiàn)主要包括3個(gè)步驟:數(shù)據(jù)融合、預(yù)測(cè)地表水的長(zhǎng)期趨勢(shì)和用短期趨勢(shì)完善地表水的估計(jì)[7]。整個(gè)處理過(guò)程分為三部分:輸出雷達(dá)-光學(xué)數(shù)據(jù)融合樣本、利用諧波分析輸出長(zhǎng)期地表水動(dòng)態(tài)和預(yù)測(cè)每日地表水范圍。

1.1.2 淹沒(méi)范圍提取方法

淹沒(méi)范圍提取基于GEE Python接口實(shí)現(xiàn)。在獲取了經(jīng)過(guò)質(zhì)量控制的衛(wèi)星數(shù)據(jù)后,調(diào)用Hydrafloods程序包提供的API對(duì)數(shù)據(jù)進(jìn)行校正、計(jì)算水體指數(shù)、對(duì)水體指數(shù)設(shè)置閾值,將圖像二值化分割為水體和非水體區(qū)域。比較洪災(zāi)發(fā)生前后的水體范圍得到研究區(qū)淹沒(méi)范圍?？偟膩?lái)說(shuō),淹沒(méi)范圍的提取分為2個(gè)主要過(guò)程:提取單時(shí)相水域范圍與提取災(zāi)后淹沒(méi)范圍。

在提取水體時(shí),在程序中將圖像處理方法應(yīng)用到所選數(shù)據(jù)集中,對(duì)選擇的數(shù)據(jù)集進(jìn)行相應(yīng)的矯正處理,再選擇水體指數(shù)和水體指數(shù)的閾值分割方法可快速得到水體范圍。提取水體流程如圖1所示。

圖1 提取水體一般流程Fig.1 General flowchart of extraction of water body

一般情況下,輻射校正、大氣校正2種數(shù)據(jù)矯正在數(shù)據(jù)集發(fā)布時(shí)已經(jīng)進(jìn)行,選取數(shù)據(jù)集后,如果為光學(xué)數(shù)據(jù)則使用照明矯正函數(shù)進(jìn)行數(shù)據(jù)預(yù)處理,該函數(shù)基于太陽(yáng)和視角幾何對(duì)光學(xué)圖像應(yīng)用地形校正,專(zhuān)門(mén)用于處理來(lái)自L(fǎng)andsat8和Sentinel-2 傳感器的圖像。與光學(xué)影像預(yù)處理步驟不同的是,雷達(dá)數(shù)據(jù)中的斑點(diǎn)通常會(huì)降低圖像分割和分類(lèi)的準(zhǔn)確性,因此應(yīng)用散斑過(guò)濾器是常見(jiàn)的預(yù)處理步驟。在Hydroflood 程序包實(shí)現(xiàn)了gamma_map、lee_sigma、refined_lee等斑點(diǎn)過(guò)濾算法以消除噪聲影響[17]。數(shù)據(jù)預(yù)處理后,選用合適的水體指數(shù)和參數(shù)進(jìn)行計(jì)算以便更容易識(shí)別和提取水體。接著對(duì)水體指數(shù)進(jìn)行閾值分割,Hydroflood 程序包中接入的常用的閾值分割算法有Edge Otsu算法,可以自動(dòng)選擇適當(dāng)?shù)拈撝颠M(jìn)行閾值分割進(jìn)一步提取水體[18]。水體指數(shù)和閾值分割方法的選取影響水體提取的精度,需要根據(jù)具體的應(yīng)用場(chǎng)景和數(shù)據(jù)特點(diǎn)來(lái)調(diào)整,以獲得最佳的水體提取效果。最后返回水體指數(shù)圖像和水體掩膜圖像的影像數(shù)據(jù),進(jìn)行后續(xù)分析和處理。

提取洪災(zāi)發(fā)生后淹沒(méi)范圍的基本思路為洪災(zāi)發(fā)生前后水體變化的對(duì)比,有3種實(shí)現(xiàn)方式。第1種方法是洪災(zāi)近期多時(shí)相比較。為災(zāi)前災(zāi)后數(shù)據(jù)選擇合適的衛(wèi)星數(shù)據(jù)集,定義災(zāi)前災(zāi)后數(shù)據(jù)時(shí)間應(yīng)最大程度同災(zāi)害發(fā)生前后時(shí)間接近。分別提取災(zāi)前災(zāi)后的水體范圍,得到結(jié)果為二值化柵格數(shù)據(jù),非水區(qū)域?yàn)?,水域?yàn)?。將災(zāi)后柵格數(shù)據(jù)減去災(zāi)前數(shù)據(jù)進(jìn)行數(shù)組計(jì)算,即為所求淹沒(méi)區(qū)。第2種方法是將災(zāi)后水體范圍同歷史同期平均水域范圍比較。調(diào)用Hydrafloods包中extract_flood方法,使用JRC數(shù)據(jù)集中的過(guò)去5年季度性出現(xiàn)頻次大于75%的水域范圍作為災(zāi)前數(shù)據(jù),選擇災(zāi)害發(fā)生時(shí)近實(shí)時(shí)衛(wèi)星數(shù)據(jù)作為災(zāi)后數(shù)據(jù),將災(zāi)前災(zāi)后數(shù)據(jù)作差得到淹沒(méi)范圍。第3種方法需要獲取不同時(shí)期2幅SAR圖像,調(diào)用Hydrafloods包中l(wèi)ar_change_detection函數(shù)使用對(duì)數(shù)幅值比(Log Amplitude Ratio,LAR)變化檢測(cè)方法提取淹沒(méi)范圍[19]。以上3種方法均在Python環(huán)境下實(shí)現(xiàn)。

1.2 災(zāi)害損失評(píng)估模型

1.2.1 評(píng)價(jià)指標(biāo)

洪災(zāi)往往對(duì)農(nóng)田、居民地和道路帶來(lái)直接影響,本系統(tǒng)洪災(zāi)損失快速評(píng)估主要從四方面展開(kāi):人員傷亡、經(jīng)濟(jì)損失、生態(tài)破壞以及災(zāi)害救援損失。人員傷亡考慮受災(zāi)人口密度,經(jīng)濟(jì)損失數(shù)據(jù)通過(guò)統(tǒng)計(jì)分析受災(zāi)區(qū)域GDP反映。生態(tài)損失考慮農(nóng)田、居民地受災(zāi)面積受洪災(zāi)影響較大的土地類(lèi)型,救援損失統(tǒng)計(jì)受到洪災(zāi)影響的路網(wǎng)數(shù)據(jù)。系統(tǒng)擬用洪災(zāi)影響因子及數(shù)據(jù)來(lái)源如表2所示。

淹沒(méi)面積數(shù)據(jù)來(lái)源于獲取淹沒(méi)范圍后的統(tǒng)計(jì)數(shù)據(jù)。人口密度數(shù)據(jù)來(lái)源于World Pop,該數(shù)據(jù)集是目前精度最高、最可靠的長(zhǎng)時(shí)間序列數(shù)據(jù),數(shù)據(jù)單位為人/公頃,即一個(gè)柵格點(diǎn)代表1 hm2的人口數(shù)。農(nóng)田數(shù)據(jù)、居民地?cái)?shù)據(jù)來(lái)源于數(shù)據(jù)中國(guó)科學(xué)院地理科學(xué)與資源研究所二級(jí)分類(lèi)數(shù)據(jù)。農(nóng)田包括耕地、園地、林地和牧草地等。路網(wǎng)數(shù)據(jù)來(lái)源于高德地圖網(wǎng)站,最小道路等級(jí)為最易受洪災(zāi)破壞的鄉(xiāng)道,數(shù)據(jù)來(lái)源準(zhǔn)確可靠。

1.2.2 模型描述

將人口密度、農(nóng)田、居民地、GDP和路網(wǎng)數(shù)據(jù)存入PostgreSQL數(shù)據(jù)庫(kù)方便后續(xù)數(shù)據(jù)更新和對(duì)洪災(zāi)情況的快速監(jiān)測(cè)與評(píng)估。在Python程序中使用GDAL(Geospatial Data Abstraction Library)開(kāi)源地理信息系統(tǒng)庫(kù)將淹沒(méi)范圍與各項(xiàng)指標(biāo)進(jìn)行空間統(tǒng)計(jì)分析。評(píng)估模型框架如圖2所示,使用Python中的psycopg2庫(kù)連接到數(shù)據(jù)庫(kù),分別讀取人口密度、土地分類(lèi)、GDP等柵格信息和道路數(shù)據(jù);使用GDAL庫(kù)讀取淹沒(méi)范圍數(shù)據(jù),計(jì)算淹沒(méi)范圍的像素坐標(biāo)后讀取在淹沒(méi)范圍內(nèi)的人口密度、農(nóng)田等柵格數(shù)據(jù)的像素值,統(tǒng)計(jì)像素值的總和。對(duì)于矢量數(shù)據(jù)道路,連接到PostgreSQL數(shù)據(jù)庫(kù)并創(chuàng)建游標(biāo),查詢(xún)道路數(shù)據(jù)表并篩選出與水體范圍相交的道路,輸出道路名稱(chēng),關(guān)閉游標(biāo)和數(shù)據(jù)庫(kù)連接。即可完成對(duì)洪災(zāi)影響范圍的初步評(píng)估。

圖2 損失評(píng)估模型Fig.2 Loss assessment model

2 平臺(tái)實(shí)現(xiàn)

2.1 WebGIS概念及系統(tǒng)架構(gòu)

WebGIS是一種可以通過(guò)Web瀏覽器訪(fǎng)問(wèn)的地理信息系統(tǒng),它可以提供地圖顯示、數(shù)據(jù)查詢(xún)、空間分析和數(shù)據(jù)共享等功能,使用戶(hù)可以在Web平臺(tái)上獲取、分析和共享地理空間數(shù)據(jù)和信息。

本系統(tǒng)整體采用分層結(jié)構(gòu)建立,系統(tǒng)架構(gòu)如圖 3所示,分為應(yīng)用客戶(hù)端UI層、服務(wù)層(Web服務(wù)與GIS服務(wù))和數(shù)據(jù)庫(kù)層[20]?？偟膩?lái)說(shuō),前端采用Vue框架結(jié)合Leaflet等前端組件實(shí)現(xiàn),服務(wù)器端采用Python環(huán)境下Flask作為Web應(yīng)用框架,GIS服務(wù)器使用GeoServer,所有GIS數(shù)據(jù)通過(guò)GeoServer渲染后以WMS標(biāo)準(zhǔn)格式提供給客戶(hù)端訪(fǎng)問(wèn)。主要功能實(shí)現(xiàn)依賴(lài)于Hydrafloods、Wxee、GeoServer-rest等使用Python語(yǔ)言編寫(xiě)的開(kāi)源程序包。Wxee程序包實(shí)現(xiàn)了將谷歌云平臺(tái)處理結(jié)果快速簡(jiǎn)單地下載至本地文件夾。GeoServer-rest程序包實(shí)現(xiàn)在網(wǎng)頁(yè)后端創(chuàng)建、更新和刪除GeoServer工作空間、圖層和樣式文件方法。平臺(tái)數(shù)據(jù)庫(kù)使用PostgreSQL+Postgis存儲(chǔ)用于快速評(píng)估洪災(zāi)的基礎(chǔ)地理信息,包括柵格數(shù)據(jù)(人口密度、農(nóng)田、建筑用地、GDP)和矢量路網(wǎng)數(shù)據(jù)。開(kāi)發(fā)工具使用VScode。

2.2 系統(tǒng)功能

系統(tǒng)界面如圖4所示。界面主要部分為地圖數(shù)據(jù)以及洪澇數(shù)據(jù)的可視化展示,底圖數(shù)據(jù)來(lái)自于“天地圖”。左側(cè)工具條通過(guò)Leaflet組件實(shí)現(xiàn)研究區(qū)標(biāo)注、選取。左下角為“全球地表水變化”不同圖層對(duì)應(yīng)的圖例。右側(cè)面板提供系統(tǒng)主要功能,包括不同衛(wèi)星數(shù)據(jù)間的比對(duì)功能,水體范圍提取、淹沒(méi)范圍提取、對(duì)研究區(qū)淹沒(méi)情況進(jìn)行受災(zāi)評(píng)估、歷史水體數(shù)據(jù)重現(xiàn)等功能。

系統(tǒng)主要提供洪災(zāi)監(jiān)測(cè)和洪災(zāi)損失評(píng)估兩大功能,工作流程如圖5所示。

圖5 系統(tǒng)主要功能實(shí)現(xiàn)流程Fig.5 Flowchart of system main function realization

2.2.1 洪災(zāi)監(jiān)測(cè)

平臺(tái)提供多種數(shù)據(jù)集選擇以適應(yīng)不同的地理環(huán)境,選定數(shù)據(jù)集后,使用工具欄中的矩形框工具框選研究范圍,在時(shí)間欄選擇查詢(xún)時(shí)間。為了提高程序的魯棒性,當(dāng)用戶(hù)選擇的起始時(shí)間內(nèi)沒(méi)有衛(wèi)星影像生成時(shí),系統(tǒng)將返回提示信息建議用戶(hù)重新選擇有數(shù)據(jù)生成的數(shù)據(jù)集或使用每日地表水影像來(lái)進(jìn)行后續(xù)分析。

前端提供2個(gè)數(shù)據(jù)集選擇接口,在獲取淹沒(méi)范圍時(shí),如果用戶(hù)同時(shí)選擇數(shù)據(jù)集1、2,默認(rèn)數(shù)據(jù)集1為災(zāi)前數(shù)據(jù),數(shù)據(jù)集2為災(zāi)后數(shù)據(jù),分別為2個(gè)數(shù)據(jù)集指定起始時(shí)間后,得到2個(gè)時(shí)期水體范圍進(jìn)行求差運(yùn)算后得到淹沒(méi)范圍。當(dāng)用戶(hù)只選擇數(shù)據(jù)集1進(jìn)行淹沒(méi)范圍提取時(shí),默認(rèn)災(zāi)前數(shù)據(jù)為同期歷史水體數(shù)據(jù)。如果數(shù)據(jù)集1、2同時(shí)選擇Sentinel-1數(shù)據(jù),則使用數(shù)幅值比變化檢測(cè)方法提取淹沒(méi)范圍。

當(dāng)后端接收到前端獲取淹沒(méi)范圍的指令后,系統(tǒng)啟動(dòng)谷歌云計(jì)算服務(wù),依賴(lài)Hydraflood水文分析包進(jìn)行淹沒(méi)范圍的提取,實(shí)現(xiàn)大規(guī)模計(jì)算和高質(zhì)量輸出。使用Wxee函數(shù)將云平臺(tái)處理結(jié)果下載到本地,在平臺(tái)后端經(jīng)過(guò)數(shù)組運(yùn)算后得到淹沒(méi)面積。淹沒(méi)影像通過(guò)GeoServer-rest API實(shí)現(xiàn)在GeoServer渲染后自動(dòng)發(fā)布[21],以WMS標(biāo)準(zhǔn)格式供前端訪(fǎng)問(wèn)。

2.2.2 損失評(píng)估

損失評(píng)估功能基于淹沒(méi)范圍提取成功后使用。點(diǎn)擊頁(yè)面評(píng)估損失功能,將得到受災(zāi)人口密度、受淹農(nóng)田面積、災(zāi)區(qū)居民地面積、災(zāi)區(qū)年GDP和受影響道路。當(dāng)后端連接數(shù)據(jù)庫(kù)后,基于GDAL統(tǒng)計(jì)出各項(xiàng)柵格數(shù)據(jù)在淹沒(méi)范圍的像素值總和,將統(tǒng)計(jì)信息轉(zhuǎn)換為JSON格式返回前端,道路數(shù)據(jù)在查詢(xún)后同樣將結(jié)果轉(zhuǎn)換為JSON格式返回到前端。右側(cè)面板基于E-charts柱狀圖實(shí)現(xiàn),使用GDAL分別統(tǒng)計(jì)淹沒(méi)面積、災(zāi)前水域面積和災(zāi)后水域面積,將結(jié)果以JSON格式傳入前端,更直觀地展示水體淹沒(méi)情況。

3 應(yīng)用實(shí)例

2021年8月12日03:00開(kāi)始,柳林鎮(zhèn)突發(fā)強(qiáng)降雨,降雨總量大、來(lái)雨急,降雨時(shí)間集中發(fā)生在凌晨。據(jù)氣象部門(mén)統(tǒng)計(jì),當(dāng)?shù)?2 h累計(jì)降水量達(dá)503 mm,連續(xù)2 h降水量超過(guò)100 mm,均達(dá)到了有氣象記錄以來(lái)的歷史極值。罕見(jiàn)的暴雨給柳林鎮(zhèn)帶來(lái)重創(chuàng)。

由于強(qiáng)降雨于夜間爆發(fā),災(zāi)后數(shù)據(jù)考慮使用不受光照和云層影響的Sentinel-1數(shù)據(jù)集。根據(jù)衛(wèi)星過(guò)境情況,2021年8月13日Sentinel-1衛(wèi)星過(guò)境,使用Sentinel-1為觀測(cè)數(shù)據(jù),同月6號(hào),Landsat 8衛(wèi)星過(guò)境,災(zāi)前數(shù)據(jù)使用Landsat 8衛(wèi)星數(shù)據(jù)。對(duì)災(zāi)前、災(zāi)后數(shù)據(jù)分別使用 “獲取水域范圍”功能,結(jié)果如圖 6所示。圖6(a)為災(zāi)害發(fā)生前2021年8月6日Landsat 8衛(wèi)星數(shù)據(jù),圖6(b)為8月13日Sentinel-1觀測(cè)數(shù)據(jù),提取到的水域范圍為藍(lán)色。可以明顯看出,災(zāi)害發(fā)生后衛(wèi)星觀測(cè)到的水域范圍增大,且增加水域集中在柳林鎮(zhèn)北部。

(a)災(zāi)前范圍

使用系統(tǒng)“獲取淹沒(méi)范圍”功能直接得到受淹區(qū)。根據(jù)衛(wèi)星圖像得出柳林鎮(zhèn)三面環(huán)山,處于丘陵地區(qū)低洼地帶,有必要對(duì)衛(wèi)星數(shù)據(jù)應(yīng)用坡度矯正函數(shù)提高準(zhǔn)確性。等待約1 min后,頁(yè)面會(huì)顯示淹沒(méi)范圍(默認(rèn)設(shè)置淹沒(méi)區(qū)樣式為紅色)。將頁(yè)面縮放到受災(zāi)最嚴(yán)重的柳林鎮(zhèn)鎮(zhèn)區(qū),淹沒(méi)范圍提取結(jié)果如圖7所示。可以看出,柳州鎮(zhèn)鎮(zhèn)中心居民地出現(xiàn)較為密集的水體,居民地外圍農(nóng)田也出現(xiàn)水體,放大圖層可以清晰看到水體出現(xiàn)在橋梁、水庫(kù)周?chē)?具有極大的安全隱患。

得到淹沒(méi)范圍后,點(diǎn)擊右側(cè)面板中 “受災(zāi)評(píng)估”按鈕, 評(píng)估結(jié)果如圖 8所示。柳林鎮(zhèn)受淹面積達(dá)43.328 km2,其中鎮(zhèn)區(qū)受淹最嚴(yán)重,受災(zāi)人口達(dá)11 847,農(nóng)田受損面積達(dá)837 hm2,居民地受影響面積為837 hm2,洪災(zāi)影響到了G240、許廣高速、明金線(xiàn)、S263以及鄉(xiāng)鎮(zhèn)內(nèi)部道路。

據(jù)當(dāng)?shù)卣y(tǒng)計(jì)報(bào)告,截至2021年8月15日14時(shí),柳林鎮(zhèn)受災(zāi)人口12 899,農(nóng)作物受災(zāi)面積916 hm2,絕收面積474 hm2,一般損壞房屋2 064間,直接經(jīng)濟(jì)損失2.26億元[22]。在系統(tǒng)評(píng)估結(jié)果中,受災(zāi)人口估計(jì)為11 847,受淹農(nóng)田面積估計(jì)為837 hm2,受災(zāi)人口數(shù)量評(píng)估較為準(zhǔn)確,但受淹農(nóng)田面積相差94 hm2,誤差較大。分析原因,此次暴雨在2021年8月12日上午水位基本退下,而在本次監(jiān)測(cè)中災(zāi)后數(shù)據(jù)使用8月13日的Sentinel數(shù)據(jù),距降水量最大的時(shí)間間隔將近24 h,加之水流流速快,會(huì)有滲入下墊面、流進(jìn)居民樓、流入水庫(kù)等情況,衛(wèi)星監(jiān)測(cè)得到的受淹面積比實(shí)際小,因此將淹沒(méi)范圍與農(nóng)田數(shù)據(jù)疊置分析時(shí),會(huì)導(dǎo)致少估計(jì)淹沒(méi)農(nóng)田面積近100 hm2。

系統(tǒng)在山洪暴發(fā)時(shí),對(duì)地形復(fù)雜的小區(qū)域監(jiān)測(cè)能力仍待提高。分析柳林鎮(zhèn)鎮(zhèn)區(qū)淹沒(méi)范圍可以得出,居民樓等其他地物會(huì)影響水體提取結(jié)果,系統(tǒng)呈現(xiàn)的結(jié)果不一定覆蓋完整的受災(zāi)區(qū)。因此在實(shí)際應(yīng)用中,當(dāng)某一區(qū)域的提取結(jié)果出現(xiàn)連續(xù)零星分布小塊水體時(shí),需要結(jié)合當(dāng)?shù)赝恋乩妙?lèi)型等數(shù)據(jù)加以重視,進(jìn)一步研判洪災(zāi)風(fēng)險(xiǎn)。

4 結(jié)束語(yǔ)

本文基于WebGIS技術(shù)和多源衛(wèi)星遙感數(shù)據(jù)開(kāi)發(fā)了洪災(zāi)監(jiān)測(cè)與損失評(píng)估系統(tǒng)。該系統(tǒng)具備快速、準(zhǔn)確的監(jiān)測(cè)洪災(zāi)、災(zāi)情初步評(píng)估以及傳播信息等功能。系統(tǒng)部署到服務(wù)器后可通過(guò)互聯(lián)網(wǎng)將洪災(zāi)信息及時(shí)發(fā)布給公眾,既面向受災(zāi)民眾,也面向政府救災(zāi)部門(mén)、社會(huì)救援隊(duì)伍,以期解決在災(zāi)害監(jiān)測(cè)預(yù)報(bào)預(yù)警中信息互通與“最后一公里信息”傳播問(wèn)題,為災(zāi)害應(yīng)急響應(yīng)的高效開(kāi)展提供有力技術(shù)支撐。

在洪水監(jiān)測(cè)理論方面,系統(tǒng)根據(jù)不同的災(zāi)害背景提供多種方法進(jìn)行淹沒(méi)范圍提取,包括洪災(zāi)近期圖像對(duì)比,與歷史同期水域范圍對(duì)比等方法。系統(tǒng)依賴(lài)谷歌云平臺(tái)海量公開(kāi)遙感數(shù)據(jù)集提供多種觀測(cè)數(shù)據(jù)源,為提高監(jiān)測(cè)準(zhǔn)確性,針對(duì)不同類(lèi)型數(shù)據(jù)提供不同預(yù)處理方法與水體提取算法。云計(jì)算的高性能算力是淹沒(méi)范圍快速計(jì)算和發(fā)布的關(guān)鍵,提高了基于遙感數(shù)據(jù)的災(zāi)害預(yù)警信息的精準(zhǔn)性、時(shí)效性。在實(shí)際應(yīng)用于洪災(zāi)快速監(jiān)測(cè)時(shí),災(zāi)后影像獲取時(shí)間受研究區(qū)衛(wèi)星重訪(fǎng)周期限制,且由于時(shí)間分辨率和空間分辨率之間的權(quán)衡矛盾關(guān)系,高精度分辨率影像往往時(shí)間分辨率較低,所以選擇數(shù)據(jù)源時(shí)要根據(jù)衛(wèi)星過(guò)境時(shí)間選擇最接近災(zāi)害發(fā)生后的數(shù)據(jù)或考慮使用高分辨率的每日地表水監(jiān)測(cè)模擬數(shù)據(jù)。進(jìn)行淹沒(méi)范圍提取時(shí),系統(tǒng)響應(yīng)時(shí)間根據(jù)研究區(qū)范圍大小而變化,但總體響應(yīng)時(shí)間較常規(guī)淹沒(méi)范圍提取方法大大提升。例如第3節(jié)實(shí)例展示中柳林鎮(zhèn)面積為197.49 km2,在洪災(zāi)發(fā)生的第二天Sentinel-1衛(wèi)星過(guò)境,即可進(jìn)行洪災(zāi)監(jiān)測(cè),選定受災(zāi)區(qū)域后出現(xiàn)淹沒(méi)范圍的響應(yīng)時(shí)間為1 min左右,實(shí)現(xiàn)了對(duì)洪災(zāi)的快速監(jiān)測(cè)。

在系統(tǒng)開(kāi)發(fā)方面,本系統(tǒng)使用分層結(jié)構(gòu)設(shè)計(jì),完全基于容易定制和擴(kuò)展的開(kāi)源組件搭建,節(jié)省了開(kāi)發(fā)和運(yùn)維成本。前端采用輕量級(jí)框架Vue.js進(jìn)行組件化開(kāi)發(fā),結(jié)合Leaflet等組件構(gòu)建用戶(hù)友好型界面。服務(wù)器端在Flask框架下接入云計(jì)算平臺(tái),基于HydroFloods、Wxee等開(kāi)源工具包,實(shí)現(xiàn)了遙感數(shù)據(jù)自動(dòng)下載、處理、發(fā)布一系列自動(dòng)化流程。同國(guó)際其他洪災(zāi)監(jiān)測(cè)系統(tǒng)相比,本系統(tǒng)側(cè)重公開(kāi)的多源衛(wèi)星數(shù)據(jù)和長(zhǎng)時(shí)間序列遙感數(shù)據(jù)的應(yīng)用,以及在云計(jì)算技術(shù)支持下對(duì)全球區(qū)域近實(shí)時(shí)較高分辨率洪災(zāi)快速監(jiān)測(cè)功能實(shí)現(xiàn),開(kāi)發(fā)和維護(hù)成本更低。雖然系統(tǒng)服務(wù)器設(shè)計(jì)已大大縮短數(shù)據(jù)處理和發(fā)布時(shí)間,但監(jiān)測(cè)在洪災(zāi)發(fā)生后進(jìn)行,獲取的淹沒(méi)范圍的時(shí)效性受衛(wèi)星回訪(fǎng)周期限制嚴(yán)重。英國(guó)的Ambiental公司研發(fā)了一套同樣利用衛(wèi)星監(jiān)測(cè)洪水的系統(tǒng)——FloodSat,實(shí)現(xiàn)了在洪災(zāi)發(fā)生時(shí)衛(wèi)星已經(jīng)對(duì)潛在風(fēng)險(xiǎn)區(qū)進(jìn)行觀測(cè)。該系統(tǒng)由洪水建模軟件Flowroute-iTM和雷達(dá)衛(wèi)星系統(tǒng)組成,通過(guò)感知網(wǎng)絡(luò)獲取全國(guó)范圍的實(shí)時(shí)降雨量、地面積水量、河流遙測(cè)數(shù)據(jù)及天氣數(shù)據(jù),借助洪水建模軟件提前預(yù)判可能發(fā)生洪水的區(qū)域,指令雷達(dá)衛(wèi)星系統(tǒng)提前制定掃描監(jiān)測(cè)計(jì)劃,幾乎可以實(shí)時(shí)地監(jiān)測(cè)洪水?dāng)U散范圍、流速和深度等數(shù)據(jù),大大提高了監(jiān)測(cè)的時(shí)效性。但這類(lèi)系統(tǒng)的時(shí)效性通常需要投入大量資源來(lái)實(shí)現(xiàn),包括衛(wèi)星數(shù)據(jù)、模型開(kāi)發(fā)和實(shí)時(shí)監(jiān)測(cè)等,開(kāi)發(fā)、運(yùn)營(yíng)維護(hù)成本激增,且這類(lèi)系統(tǒng)通常不會(huì)免費(fèi)提供給公眾使用,而是面向政府、科研機(jī)構(gòu)等利益相關(guān)部門(mén)出售。相比之下,本系統(tǒng)充分利用公開(kāi)資源和開(kāi)源技術(shù),在兼顧經(jīng)濟(jì)性、開(kāi)放性和普惠性的情況下盡力保證最大程度數(shù)據(jù)的時(shí)效性,但僅借助氣象預(yù)報(bào)作為洪災(zāi)發(fā)生參考依據(jù),缺失了洪災(zāi)預(yù)報(bào)功能。

由于實(shí)際洪災(zāi)監(jiān)測(cè)與災(zāi)情評(píng)估中地理環(huán)境不同,數(shù)據(jù)預(yù)處理步驟和不同用地類(lèi)型適用的提取水體算法不盡相同。未來(lái)進(jìn)一步改進(jìn)系統(tǒng)的方向要面向不同用戶(hù)群體提供不同的淹沒(méi)情況查詢(xún)方法。對(duì)于普通民眾,基于不同地理環(huán)境(城市、山地等)提供基本獲取淹沒(méi)范圍方法,面向救災(zāi)部門(mén)或?qū)I(yè)人員應(yīng)提高淹沒(méi)范圍提取準(zhǔn)確性。考慮到結(jié)合不同的地貌類(lèi)型或環(huán)境條件來(lái)匹配不同的數(shù)據(jù)集、在系統(tǒng)中可選擇不同的數(shù)據(jù)矯正方法、水體指數(shù)以及閾值分割算法。為了更好地掌握洪災(zāi)發(fā)生情況和變化趨勢(shì),還需要考慮結(jié)合成熟的洪水預(yù)測(cè)模型、氣象和水文數(shù)據(jù)等多種數(shù)據(jù)源進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析。在洪災(zāi)損失評(píng)估方面,系統(tǒng)目前僅將常用評(píng)價(jià)指標(biāo)與淹沒(méi)范圍做疊置空間分析,評(píng)估準(zhǔn)確性方面會(huì)有所降低。由于不同區(qū)域房?jī)r(jià)、物價(jià)、人力資源差異,在進(jìn)行區(qū)域直接經(jīng)濟(jì)損失評(píng)估時(shí),應(yīng)結(jié)合當(dāng)?shù)亟?jīng)濟(jì)及其他指標(biāo)使用成熟、較為準(zhǔn)確的災(zāi)害損失智能分析、科學(xué)評(píng)估方法。

總之,本文為洪災(zāi)監(jiān)測(cè)與災(zāi)情評(píng)估系統(tǒng)的建立提供了一種可行的實(shí)現(xiàn)途徑,強(qiáng)調(diào)了融合云計(jì)算與遙感技術(shù)在洪災(zāi)監(jiān)測(cè)領(lǐng)域的創(chuàng)新性應(yīng)用,具有廣泛的社會(huì)意義和前景。