基于Sentinel-1A的2016年長江中下游重災區洪水遙感監測及災情評估

李晟銘，劉吉平，王 銘，尚盈辛，宋開山*

(1.吉林師范大學旅游與地理科學學院，吉林四平 136000;2.中國科學院東北地理與農業生態研究所，吉林長春 130102)

衛星遙感技術以其速度快、時效性強、視野廣闊等特點逐漸成為現代洪水監測與評估工作的重要手段，隨著遙感技術的不斷發展，用于洪水災害監測的遙感數據源大大增加，國內外學者使用多種數據源進行了洪水災害監測方面的研究，拓展了衛星遙感技術在洪水監測與評估領域的應用[1-2]。謝秋霞等[3]提出利用小波變換法和Gram-Schimdt(GS)變換法來提取洪水信息的方法，獲得了較高的洪水淹沒范圍提取精度；劉明月等[4]利用HJ-1衛星和Landsat 8衛星影像，對2013年汛期內松花江和嫩江交匯段水情進行實時監測，構建洪水監測遙感影像集，利用2種影像確定不同時相的洪水淹沒范圍，掌握洪水發展的過程，對淹沒區的災情進行快速評估；馬麗云等[5]基于FY-3衛星MERSI數據，采用歸一化差異水體指數NDWI，對新疆北疆沿天山一帶2009—2011年發生的融雪性洪水災害進行了監測。

星載合成孔徑雷達(SAR)技術由于其快速傳播能力、強干涉能力以及不受云霧干擾的優勢，受到了空間遙感界的高度重視[5]，使用SAR進行洪水災害監測的相關研究不斷增加。Benjamin[6]提出了基于雷達數據，并與水文模型相結合的方法，對突發性洪水災害進行評估與預測；Kuenzer等[7]基于2007—2011年時間序列下的Envisat ASAR Wide Swath Mode數據，對湄公河三角洲進行了長時間序列的洪水災害監測與預測；Giustarini等[8]針對高空間分辨率的城市地區的SAR數據，提出了一種結合后向散射閾值、區域增長算法與變化檢測的方法，較為精確地提取出洪水淹沒范圍；孫濤等[9]基于Envisat ASAR多極化數據，對廣西梧州市“6.23”特大洪澇災害進行了監測與災情評估；楊存建等[10]提出了在地形數據的支持下，基于SAR的洪水水體半自動提取方法，較好地去除了洪水水體提取中的陰影部分，獲得了較高的洪水范圍提取精度。

Sentinel-1 是一個全天時、全天候雷達成像系統，它是歐洲委員會(EC)和歐洲航天局(ESA)針對哥白尼全球對地觀測項目研制的首顆衛星，于2014年4月發射，具有雙極化、短重訪周期、快速產品生產的能力，可以實現全球陸地、海岸帶、航線的高分辨率監測，也可以實現全球海洋的大區域覆蓋[11-12]，其重訪周期短(12 d)、較大覆蓋范圍(幅寬達400 km),傳播能力快速,涉能力強干，不受云霧干擾，在洪水災害監測及評估方面應用潛力巨大。

長江流域洪水災害頻發，是我國最嚴重的自然災害之一[13-14]。2016年入汛以來，長江流域發生了31次降雨過程，共有145條河流發生超警戒水位洪水，中下游監利縣以下干流及兩湖水位全線超警，是1999年以來第一次出現中下游干流全線超警現象，災情嚴重，給國民經濟帶來巨大損失。筆者基于2016年汛期(5—8月)的Sentinel-1A數據產品，對長江中下游受洪水災害最為嚴重的區域(115°～117°E，28°～31°N)進行了洪水災害的時序性遙感監測與災情評估，監測重災區的洪水過程，并探索研究區洪災淹沒面積變化特征，以縣級行政單元為研究對象，統計并評估了洪水災害對各縣級單元中各類土地覆蓋類型的淹沒情況，以期為災情監測提供數據和技術支撐。

1　研究區概況與數據來源

1.1研究區概況長江中下游流域地處亞熱帶季風氣候，降水充沛，流域內水系發達，干流具有較穩定的巨大河槽，有利于大量洪水的宣泄，加上沿江湖泊眾多，使其對洪水有天然的調節作用，但長江中下游尤其是中游地區的地質構造和水系特點，決定了長江是一條雨洪多發河流。選擇長江中下游流域 (115°～117° E，28°～31°N)為研究區(圖1)，包括湖北、江西、安徽等省，總計覆蓋45個縣級行政單元，流域內包含鄱陽湖、龍感湖、大關湖等大型湖泊，土地覆蓋類型以旱地、水田、林地為主。

1.2數據選擇及其預處理Sentinel-1A數據采用條帶成像(SM)模式、干涉寬幅(IW)模式、超幅寬(EW)模式、波浪(Wave mode)模式來獲取，其中，IW模式因其大范圍覆蓋、中等分辨率的特征，是陸地覆蓋的默認模式。Sentinel-1A的數據產品通過Level-0、Level-1、Level-2 這3層次的成果進行分發，其中，Level-1 包含單視復數影像SLC (single look complex) 、地距影像GRD (ground range detected) 這2種類型產品，GRD產品包含經過多視處理、采用WGS84 橢球投影至地距的聚焦數據，相對于SLC 數據而言，GRD數據消除熱噪聲以提高圖像質量[5]，綜合該研究的目的及需求，從歐洲航天局(European Space Agency)官方網站：(https://scihub.copernicus.eu/dhus//home)獲取需要的Sentinel-1A數據產品，獲取數據信息見表1。

表1　數據產品詳情

利用歐空局網站發布的SNAP(sentinels application platform)數據處理平臺對從Sentinel-1衛星獲取的雷達影像進行分析處理[15]。數據預處理主要分為以下步驟：①輻射定標。為了消除數據獲取和傳輸系統產生的系統的、隨機的輻射失真或畸變，利用SNAP數據處理軟件的輻射校正工具(Calibrate)對各時期影像數據進行輻射校正處理，并獲取了各時期影像的后向散射系數。②幾何校正。地形起伏會對SAR影像造成很大的幾何畸變，導致透視收縮、迭掩、陰影等現象，因此必須對原始數據進行幾何校正才能進行下一步的處理分析。使用SNAP數據處理軟件的幾何校正(terrain correction)工具，選取RangeDoppler方法對各時期的影像進行幾何校正。③濾波處理。SAR圖像中通常會出現隨機分布的黑白斑點，稱為斑點(Speckle)噪聲[16]。為了抑制噪聲的影響，采用Refined Lee 濾波器進行處理，窗口大小設為7×7，抑制斑點噪聲，提高影像質量。④圖像配準。為了實現基于同一區域的洪水動態變化監測，需將各個時期的影像依次進行配準。使用SNAP數據處理軟件的圖像配準工具(automatic coregistration)進行覆蓋同一地區的多幅雷達影像的自動配準。

采用ENVI5.1數據處理平臺，對經過以上預處理獲得的包含后向散射系數的單波段影像進一步處理，主要包括以下步驟：①對數刻度轉換。經過以上預處理獲得的影像為線性刻度，使用ENVI數據處理軟件的波段計算工具把線性刻度轉換為對數刻度。②影像裁剪。由于研究區范圍較大，將處理后的影像進行相應的裁剪，以滿足對整個研究區下一步的信息提取工作。對研究區內各個時期的原始雷達影像進行了以上數據預處理，并選擇平水期與洪水期的兩景影像進行對比，發現經過預處理后，原始雷達影像的斑點噪聲被有效抑制，倒置的影像被糾正并賦予了合適的投影，水體的輪廓較為清晰(圖1)。

圖1　研究區影像Fig.1　The map of the study region

2　洪水淹沒范圍快速提取

2.1水體的散射特性在Sentinel-1A影像上，平靜水體主要表現為簡單的單次鏡面反射，其回波功率較小，在圖像上一般色調較暗，在影像中呈現暗色或黑色，與其他地物具有較高的區分度[16-17]。為了分析影像中不同地物的后向散射特性，以洪水未發生(平水期)，即2016年5月18日的影像為例，輔以時間相近的Landsat8/OLI 影像(成像日期為2016年5月6日)，在研究區內均勻地選擇耕地(5 771個像素)、水體(264 264個像素)、城區(1 569個像素)、植被(220 743個像素) 4種占研究區比例較大的地物覆被類型作為感興趣區域，統計分析了各種地物類型的后向散射特性。由圖2可知，水體的后向散射系數小于植被、耕地、城區等地物，與其他地物類型分離度較好，根據此特性，可以將水體信息從Sentinel-1A影像中提取出來。

圖2　各類地物后向散射系數頻率Fig.2　The backscattering coefficient frequency of different lands

2.2水體提取方法目前，基于SAR影像的水體提取方法主要包括閾值法、基于紋理信息的提取[18-20]、結合地形輔助信息的提取以及獨立成分分析。其中，閾值法使用最廣泛，可以快速、高效地提取水體邊界，適合于對時效性要求較高的洪水監測方面的應用。

使用閾值法提取水體范圍的關鍵在于閾值的設定，傳統的閾值確定方法需要大量的先驗知識，受人為的主觀影響較大，魯棒性較低。基于各幅經過預處理的影像的灰度直方圖，采用最大類間方差法來自動確定水體提取閾值，最大類間方差法是由日本學者Otsu于1979年提出的一種全局最優閾值確定方法，其基本思想是將圖像分成背景和目標2部分，以目標和背景的類間方差最大為原理，動態確定圖像的分割閾值[21-22]。以2016年5月18日的Sentinel-1A影像為例，可發現其直方圖呈現明顯的雙峰形狀，根據最大類間方差算法原理，利用IDL8.3平臺編寫實現算法并進行閾值動態選取，最終確定-37.55為最佳閾值(圖3)。依照此算法，依次確定各時期影像的水體提取最佳閾值。

圖3　 灰度直方圖(2016年5月18日)Fig.3　Gray histogram on May 18,2016

采用閾值法依次提取各時期影像中的水體，即可完成各階段洪水的水情監測。以2016年7月17日影像為例，采用最大類間方差法動態獲取最佳閾值，最終基于閾值法完成水體信息提取，提取結果較好，水體輪廓較為清晰(圖4)。在洪水遙感監測中，水體信息提取的精度會直接影響洪水災害監測的結果，因此，選取30 m空間分辨率的Landsat8/OLI影像對水體提取結果進行精度評價，選用獲取時期最為相近的OLI影像產品(2016年7月25)，對基于2016年7月17日基于Sentinel-1A影像水體提取結果[圖4(a)]進行精度驗證，基于OLI影像隨機選取300個水體輪廓清晰、大小不一、均勻分布的水體驗證點[圖4(b)]，在所有的驗證點中，水體提取結果有284個驗證點正確提取，提取精度可達94.6%，未準確提取的驗證點主要是因為不同影像的空間分辨率差異以及影像獲取日期的微小差異引起的，因此，提出的水體信息可以用來對洪水災害進行監測。

注：a.水體提取結果；b.驗證影像Note:a.Water extraction result;b.Verification image圖4　水體提取結果及精度驗證Fig.4　Water extraction result and the precision test

3　洪水過程監測

為了分析洪水災害在研究區的空間分布特征，將平水期的水體信息與洪水期的水體信息進行疊加分析，水面范圍超出平水期水面的部分即為洪水淹沒的范圍(圖5紅色區域)。可以發現在研究區內，地勢相對平坦低洼的區域都有大范圍的積水，淹沒范圍最大的區域位于湖北省、安徽省南部，尤其在安徽南部的宿松縣、懷寧縣以及湖北省西部的黃梅縣，由于湖泊、河渠眾多，地勢平坦，因此其洪災最為嚴重，據相關資料顯示，7月3日暴雨之后，安徽省南部宿松縣共有27座中小水庫超汛限水位，其中22座中小水庫溢洪道溢洪，內湖水位全面超警戒水位，部分圩堤逼近保證水位，山區鄉鎮河道、公路水毀嚴重，多處出現山體滑坡，28條縣、鄉、村道塌方，進出山區的公路全部中斷。

通過分析洪水暴發最嚴重區域的特征可以發現，洪水淹沒的形式主要有以下形式：①洪水暴發后，原河道均出現拓寬的現象，河、湖水域平水期水位與洪水期水位之間的土地被完全淹沒[圖5(a)]；②河、湖周圍地勢相對平坦、低洼的區域，大量區域被淹沒[圖5(b)]；③大、小型湖泊、坑塘、水庫均出現由于水位持續增加所導致的水面面積增加的現象[圖5(c)]。

據安徽省氣候中心發布的氣候公報，入汛以來(5月1日—7月6日)，全省平均降水量694 mm，較常年同期異常偏多86%，主要強降水過程出現在5月2日、5月7日、5月15日、5月26—28日、6月1日、6月18—20日、6月21—24日、6月25—28日和7月1—5日，其中7月1—5日暴雨過程最強、范圍最廣。根據湖北省氣象局發布的5—8月氣候評價月報，5月湖北省平均降水量143 mm，基本正常，但降水空間分布不均；6月共出現5次較明顯的暴雨洪澇災害，分別為5月31日—6月3日、6月18—20日、6月23—26日、6月27—29日、6月30日—7月1日；7月上中旬大范圍強降水過程多、雨量大，下旬持續晴熱高溫天氣；8月局地分散性降水頻繁。據江西省氣候中心發布的氣候公報，受史上最長厄爾尼諾影響，2016年江西省氣候反常，氣溫偏高，降水偏多；汛期來得早、結束晚；暴雨過程多、累計雨量多、降雨強度大、洪澇災害重，降水主要集中在5、6月。

根據各省的氣候、氣象服務資料，結合實際獲取的影像產品，將整個洪水周期劃分為3個階段(表2)，即平水期(5月18日—6月11日)，洪水期(6月11日—7月17日)及穩定期(7月17日—8月10日)。依次將所有時期的水體信息進行疊加，計算各個時期水體范圍的面積及相比于未發生洪水時期新增的水面面積，監測洪水過程(圖6)，分析在洪水過程中研究區內洪水淹沒范圍的增減，縱觀整個洪水周期，在平水期，由于研究區各縣市在此期間降水基本正常，因此新增的水面范圍較小(圖6綠色區域)，由于降水空間分布不均，積水主要出現在地勢較為低洼的區域，5月30日—6月11日，無集中降水時期，水面范圍較為穩定，無明顯增加的水面范圍；在洪水期，6月11日—7月5日，研究區水面面積明顯增加，在整個研究區均可監測到新增的水面范圍(圖6黃色區域)，尤其在河渠、湖泊附近地勢較為平坦的區域，出現了大范圍的新增水面，新增加的水面面積總計達2 096.95 km2；7月5—17日，整體水面范圍的面積略有減小，但相比于洪水未發生時期仍有1 249.09 km2的新增水面，由于實施了引流、截流、調蓄等相關抗洪減災措施，水面范圍發生了改變(圖6紅色區域)；在穩定期，水面范圍面積趨于穩定，水面范圍變化較小(圖6黑色區域)，與未發生洪水時的水面范圍面積相比總計增加327.05 km2。

4　洪水災害評估

引入降水異常指數(降水距平與標準差的比值)來分析汛期內研究區的降雨異常狀況，根據安徽省氣候中心發布的安徽省2016年7月氣溫及降水異常指數，安徽南部望江縣2.6(異常偏多)、懷寧縣4.1(異常偏多)、太湖縣3.0(異常偏多)、宿松縣2.6(異常偏多)在全省范圍內降水異常指數較高，降水極端偏多，因此其洪澇災害最為嚴重。以縣級行政單元為單位，根據之前對洪水災害空間分布特征的分析及相關氣象資料，選擇洪水災害最為嚴重的13個縣級單位作為研究單元，分析其在洪水周期內，水面面積發生的變化及其標準差，統計每一個縣級單元的最大淹沒面積，同時分析各個縣級單元地標覆被類型的受淹情況。

圖5　洪水淹沒范圍空間分布Fig.5　Spatial distribution of the flood submerged area

洪水過程Floodprocess影像獲取日期Imageacqui-sitiondate水面面積Waterareakm2淹沒面積Floodedareakm2洪水淹沒情況Submergedconditionofflood平水期Normalriver2016-05-188878.320水體面積穩定flowperiod2016-05-308885.156.83地勢較低區域出現積水2016-06-118896.3117.99地勢較低區域持續積水洪水期Floodperiod2016-07-0510975.272096.95河道拓寬,地勢平坦區域積水嚴重2016-07-1710127.411249.09淹沒面積減小穩定期Stationaryperiod2016-08-109433.28554.96水體面積趨于穩定

各個縣級單元的水面面積變化在洪水周期內均呈較為一致的規律，在平水期(5月18日—6月11日)，湖北、安徽省各縣市的降水基本正常，空間分布不均，且氣溫起伏較大，水面面積基本穩定略有減小；在洪水期(6月11日—7月17日)，各縣市降水偏多，均出現極端降水事件，集中強降水誘發多地山洪暴發，導致沿江中小河流水位迅猛上漲，湖泊、水庫水位超出閾值，城市內澇、積水嚴重，水面面積明顯增加；穩定期內(7月17日—8月10日)，各縣降水趨于正常水平，氣溫普遍增高，水勢逐漸回落，趨于正常水平。各縣由于其地形地貌等自然條件的不同，導致其洪峰過境時水面面積增加的幅度各有差異，統計各縣的最大受淹面積可發現，安徽省南部縣城均受災較為嚴重，宿松縣受淹面積最大，達290.09 km2，占全縣面積的12.12%，望江縣(受淹面積205.31 km2)、懷寧縣(受淹面積154.57 km2)、太湖縣(受淹面積28.49 km2)分別占全縣面積的15.13%、12.11%和1.40%；湖北省的幾個縣，受災最為嚴重的依次為黃梅縣(受淹面積177.97 km2)、武穴市(受淹面積85.55 km2)、鄂州市(受淹面積83.83km2)，分別占全縣面積的10.46%、7.13%和5.26%(圖7)。

選擇FROM-GLC 30 m分辨率的全球土地覆蓋圖[23](下載自http://www.globallandcover.com/)，該數據是利用Landsat TM/ETM+圖像,采用自動分類算法生產的二級分類2010年全球土地覆蓋數據集，是世界上第一個綜合的30 m分辨率全球土地覆蓋數據集，已經在全球變化研究中得到廣泛應用[24]。基于FROM-GLC，獲得研究區2010年30 m分辨率的土地覆蓋類型，將研究區地表覆被類型分為旱地、水田、林地、草地、居民地、濕地、裸地、水體8種類型，分析了各縣地表覆被類型的空間分布狀況及其受洪水災害的影響，研究單元內大量、均勻地分布旱地；林地集中分布在薪春縣、宿松縣、太湖縣；水田均勻分布于河渠、湖泊周圍的流域。經統計分析，研究單元的地表覆被主要以旱地(7 797.86 km2)、林地(5 552.15 km2)、水田(3 006.17 km2)為主，分別占研究單元總面積的36.94%、26.30%和14.24%(圖8)。

分析研究區內各地物類型的淹沒情況，洪水淹沒的主要地物類型為旱地與水田，集中分布于安徽南部的宿松縣、懷寧縣、望江縣以及湖北省黃梅縣和武穴市等廣袤的平原上。統計分析各個縣地物類型的受淹狀況，由于裸地在研究單元各縣分布極少，在該次分析中未參與統計。受淹的各地物類型中，旱地、水田的受淹面積最大，分別占總受災面積的52.54%和21.82%，受洪水災害最為嚴重的區域均位于大型湖泊、河渠周圍以及低洼地區，其中，旱地受洪災影響最嚴重的區域位于安徽省懷寧縣(150.95 km2)，占所有受災旱地面積的22.55%，水田受洪災影響最為嚴重的縣為安徽省宿松縣(90.58 km2)，占所有受災水田面積的32.57%；由于持續的極端降水，研究區多處居民地受暴雨洪澇災害影響較為嚴重，多地發生洪澇和城市內澇。據監測，研究區內受淹居民地面積總計76.06 km2，占所有受淹面積的5.97%，其中，受洪災影響最為嚴重的區域為安徽省懷寧縣(12.85 km2)，占所有受災居民地總面積的16.89%(表3)。

圖6　洪水過程Fig.6　The flood process

圖7　各縣級行政單元水面面積變化Fig.7　The water surface area change of the counties

5　結論

該研究依據雷達影像的成像原理，根據水體的后向散射特性，選擇合適的閾值提取洪水輪廓，提出了基于Sentinel-1A衛星SAR數據洪水淹沒范圍快速提取方法，并運用該方法對2016年汛期以來長江中下游發生的特大洪水進行了洪水災害的時序性遙感監測與災情評估，主要得到以下結論：①使用Sentinel-1A影像，其短重訪周期、較大覆蓋范圍、快速傳播能力、強干涉能力、不受云霧干擾的優勢，在洪水災害監測及評估領域具有很大優勢。②整個研究區受災面積總計達2 096.95 km2，受災最為嚴重的區域位于大型湖泊、水庫周圍地勢相對平坦低洼的區域。③在各縣級行政單元中，安徽省南部縣城受災最為嚴重，宿松縣受淹面積最大，達290.09 km2，占全縣面積的12.12%。④在各地標覆被類型中，耕地和居民地受洪水災害影響最大，占總受淹面積的80.33%，受淹耕地總計947.45 km2，受災居民地總計76.06 km2，其中，旱地受洪災影響最嚴重的區域位于安徽省懷寧縣(150.95 km2)，占所有受災旱地面積的22.55%，水田受洪災影響最為嚴重的縣為安徽省宿松縣(90.58 km2)，占所有受災水田面積的32.57%；居民地受洪災影響最為嚴重的縣為安徽省懷寧縣(12.85 km2)，占所有受災居民地總面積的16.89%。

受遙感數據時間、空間分辨率等影響，單一的遙感數據源很難實現精確的洪水監測。因此，進行多源遙感數據融合，充分利用各種數據源的優勢，建立多源遙感的洪災災情監測響應機制，提高洪災災情的監測相應速度，進而實現區域河流水資源日常監管和突發災害應急監測，是進一步研究洪水監測的研究重點。

為更好地運用遙感與地理信息系統技術，提高洪澇災情數據的時效性和準確性的同時，對于洪水災害評估中評估內容、指標體系構建、評價方法選擇以及如何實現監測結果與社會經濟損失數據的有效匹配，以達到更為精確的災害評估，仍需要進一步研究。

注：a.淹沒前；b.淹沒后Note:Bofore submerge;After submerge圖8　各縣地表覆被受淹情況Fig.8　 The land covering submerged situation of different counties

縣名County總計受淹面積Totalsubmergedarea水田Paddyfield旱地Dryland濕地Wetland林地Woodland草地Grass居民地Habitation宿松縣SusongCounty290.0990.5883.4202.1915.518.05太湖縣TaihuCounty28.490.3622.5309.600.233.58望江縣WangjiangCounty205.3156.92108.8903.375.989.96懷寧縣HuainingCounty154.5712.35150.9504.772.2112.85黃梅縣HuangmeiCounty177.9738.89105.606.313.880.3011.13武穴市WuxueCity85.558.9955.9905.670.056.46薪春縣XinchunCounty50.9410.1225.6106.8102.19大治市DazhiCity37.654.7719.490.691.830.424.24浠水縣XishuiCounty39.936.8114.2603.660.012.02黃州市HuangzhouCity67.7021.9022.152.153.853.675.20鄂州市EzhouCity83.8310.9633.734.052.140.395.76新洲縣XinzhouCity48.4615.4126.671.821.300.134.41黃石市HuangshiCity3.540.030.0700.300.030.20總計Total1274.03278.08669.3715.0149.3729.3976.06

[1] 李加林,曹羅丹,浦瑞良.洪澇災害遙感監測評估研究綜述[J].水利學報,2014,45(3):253-260.

[2] 李通,張麗,申茜,等.湄公河下游洪災淹沒面積多源遙感時序監測分析[J].應用科學學報,2016,34(1):75-83.

[3] 謝秋霞,張佳暉,陸坤,等.基于典型遙感影像融合方法的洪水信息精確提取研究與應用[J].災害學,2017，32(1):183-186，204.

[4] 劉明月,賈明明,王宗明,等.2013 年松花江與嫩江交匯段洪水遙感監測[J].濕地科學,2015,13(4):456-465.

[5] 馬麗云,李建剛,李帥.基于 FY-3/MERSI 數據的新疆融雪性洪水災害監測[J].國土資源遙感,2015,27(4):73-78.

[6] BENJAMIN M R.The use of radar and hydrological models for flash flood evaluation and prediction[D].Witwatersrand:The university of the Witwatersrand,2016.

[7] KUENZER C,GUO H D,HUTH J,et al.Flood mapping and flood dynamics of the Mekong Delta:ENVISAT-ASAR-WSM based time series analyses[J].Remote sensing,2013,5(2):687-715.

[8] GIUSTARINI L,HOSTACHE R,MATGEN P,et al.A change detection approach to flood mapping in urban areas using TerraSAR-X[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(4):2417-2430.

[9] 孫濤,黃詩峰.Envisat ASAR 在特大洪澇災害監測中的應用[J].南水北調與水利科技,2006,4(2):33-35.

[10] 楊存建,魏一鳴,王思遠,等.基于DEM的SAR圖像洪水水體的提取[J].自然災害學報,2002,11(3):121-125.

[11] 楊魁,楊建兵,江冰茹.Sentinel-1 衛星綜述[J].城市勘測,2015(2):24-27.

[12] 何連,秦其明,任華忠,等.利用多時相 Sentinel-1 SAR 數據反演農田地表土壤水分[J].農業工程學報,2016,32(3):142-148.

[13] 施雅風,姜彤,蘇布達,等.1840 年以來長江大洪水演變與氣候變化關系初探[J].湖泊科學,2004,16(4):289-297.

[14] 許有鵬,于瑞宏,馬宗偉.長江中下游洪水災害成因及洪水特征模擬分析[J].長江流域資源與環境,2005,14(5):638-643.

[15] 曾玲方,李霖,萬麗華.基于Sentinel-1衛星SAR數據的洪水淹沒范圍快速提取[J].地理信息世界,2015,22(5):100-103.

[16] 韓春明,郭華東，王長林.SAR圖像斑點噪聲抑制的本質[J].遙感學報,2002,6(6):470-474.

[17] 陳玲艷,劉智,張紅.基于水體散射特性的 SAR圖像水體檢測[J].遙感技術與應用,2014,29(6):963-969.

[18] 王慶,廖靜娟.基于 SAR 數據的鄱陽湖水體提取及變化監測研究[J].國土資源遙感,2010,22(4):91-97.

[19] 朱俊杰,郭華東,范湘濤,等.基于紋理與成像知識的高分辨率 SAR 圖像水體檢測[J].水科學進展,2006,17(4):525-530.

[20] 胡玉福,鄧良基,匡先輝,等.基于紋理特征的高分辨率遙感圖像土地利用分類研究[J].地理與地理信息科學,2011,27(5):42-45.

[21] OTSU N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9(1):62-66.

[22] 李景剛,黃詩峰,李紀人.ENVISAT 衛星先進合成孔徑雷達數據水體提取研究——改進的最大類間方差閾值法[J].自然災害學報,2010,19(3):139-145.

[23] GONG P,WANG J,YU L,et al.Finer resolution observation and monitoring of global land cover:First mapping results with Landsat TM and ETM+ data[J].Int J Remote Sens,2013,34(7):2607-2654.

[24] 冉有華,李新.全球第一個綜合高分辨率土地覆蓋圖——中國30m 分辨率全球土地覆蓋圖評述[J].中國科學:地球科學,2015，45(8):1243-1244.