GF-3與Sentinel-1洪災淹沒信息提取

周 帆，張文君，雷莉萍，張智杰，郭曉東，汪曉帆

（1.西南科技大學環境與資源學院，四川 綿陽 621010；2.中國科學院遙感與數字地球研究所數字地球重點實驗室，北京 100094；3.中國土地勘測規劃院國土資源部土地利用重點實驗室，北京 100035）

衛星遙感技術具有觀測范圍廣、周期性重訪等優勢，已被廣泛應用于水利、環境保護、防災減災等領域。基于衛星遙感技術，可實現快速、準確的范圍提取，直觀地顯示其空間分布和發展規律，使其在洪水災害監測中發揮越來越重要的作用。而洪災往往是由于暴雨等有強降水的天氣造成的，受災區域由于受到云層、降雨等因素干擾使得光學數據無法采集到地表信息。此時，可以全天候、全天時獲取遙感觀測數據的雷達衛星可彌補這一不足之處。

目前中國的高分3號（GF-3）和歐洲的哨兵1號（Sentinel-1）已被應用于洪水監測。GF-3所搭載的SAR傳感器具有高分辨率、大成像幅寬、多成像模式、長壽命運行等特點，能夠全天候和全天時實現全球海洋和陸地信息的監視監測，是世界上工作模式最多分辨率最高的C頻段多極化合成孔徑雷達衛星[1]。GF-3獲取的SAR觀測數據在洪水災害信息提取了一些應用實例。陳德清等[2]利用GF-3衛星數據對2017年吉林永吉“7·13”特大洪水災害進行檢測。李勝陽等[3]利用GF-3衛星數據對黃河小北干流河段進行洪水檢測。陳德清[4]應用GF-3衛星在地表洪水監測、洪澇監測、等方面的理論方法和技術流程的基礎上，進一步設計并開發了GF-3衛星水利示范應用系統。這些研究顯示了GF-3衛星在洪澇災害監測和防災減災領域的應用潛力。另一方面，與GF-3有著同樣能夠進行全天候數據獲取能的Sentinel-1數據，也在洪水監測中顯示了其應用能力。李晟銘等[5]基于哨兵一號對2016年長江中下游重災區洪水進行了監測及災情評估。湯玲英等[6]基于面向對象方法研究哨兵1號數據在洪水監測中的應用。辜曉青[7]利用哨兵1號數據監測了2018年6月25日江西撫順暴雨的空間分布信息。然而，目前還缺乏對兩星在同一地區的洪水信息提取結果的應用對比的研究案例。

本文以斯里蘭卡2017年5月底發生的洪災為研究對象，利用GF-3和Sentinel-1衛星在洪水發生期間的多期數據進行洪水提取，對比分析兩顆衛星提取的洪水淹沒范圍，并利用光學衛星哨兵-2 （Sentinel-2）數據和高程等數據進行了結果驗證分析。通過GF-3與Sentinel-1的協同應用，評價分析GF-3觀測數據的應用精度，為全球范圍洪災監測研究提供參考。

1 數據收集與預處理

1.1 數據收集

本文以2017-05-25開始發生在斯里蘭卡南部馬塔勒及其北部地區為研究對象，收集了災中和災后時期的GF-3和Sentinel-1微波影像數據以及災期Sentinel-2和災前Landsat-8光學影像數據。同時，還收集了研究區域的數字高程信息以及土地覆蓋分類數據作為輔助分析（表1）。

表1 多顆衛星遙感觀測數據產品信息

GF-3數據來源于中國高分應用技術中心，成像方式為精細條帶1（FSI）模式，極化方式為雙極化的Level-1A級數據。

Sentinel-1和Sentinel-2數據產品來源于歐空局（ESA）的Level-1地距數據（GRD），成像方式為干涉寬幅（IW）模式，極化方式為VV的雷達數據。Sentinel-2的數據為經輻射校正和正射校正處理后的Level-1C級數據產品。

DEM數據為由美國國家航天局（NASA）和日本經濟產業?。∕ETI）聯合發布的ASTER全球30M數字高程模型（ASTGTM），土地覆蓋數據來自于清華大學2017年30M全球土地覆蓋圖。

1.2 影像預處理

SAR數據為一級產品數據，需要進行預處理。利用ENVI5.4數據處理平臺2017年1月發布首次支持GF-3衛星的SARscape5.4.1軟件完成數據的預處理工作。利用歐洲航天局（ESA）的Sentinel應用程序平臺SNAP Desktop）對從Sentinel-1衛星獲取的雷達數據進行分析處理[8]。本次研究對數據進行了多視處理、輻射校正、斑點噪聲抑制、濾波處理、數據配準、幾何校正、數據增強等多種方法，使其能夠滿足對本次洪災遙感監測和分析的需要[9]。

從處理結果可以看出（圖1），GF-3數據依賴于高分辨率以及幅寬的優勢，在數據色調、明暗度，紋理表現上優于Sentinel-1，細節保存度較高，點目標損失小，在斑點噪聲控制方面優勢尤為明顯。

圖1 同期預處理結果示例

2 SAR數據洪水提取方法

目前，基于SAR數據的洪水提取方法主要包括閾值法、基于紋理信息的提取、結合地形輔助信息的提取、結合地形輔助信息的提取、獨立成分分析的閾值分割[10]。由于GF-3和Sentinel-1觀測模式等不同，其水體信息提取方法不同，經過對不同提取方法效果的對比，采用符合研究區域特征的最優提取方法進行淹沒信息提?。▓D2）。

圖2 洪水提取流程圖

2.1 Sentinel-1洪水提取

本文運用SNAP-Analysis-Histogram工具分別生成經過預處理后Sentinel-1數據的散射值直方圖。該圖呈現明顯的雙峰，對直方圖進行對數顯示特征更為顯著生成結果，在對數圖中進行直方圖分析。2017-05-30數據的直方圖對數顯示根據目視判讀的方法從直方圖得出洪水與陸地分割的閾值為-1.25并對洪水進行提?。▓D3）。

圖3 Sentinel-1 20175-30直方圖

2.2 GF-3洪水提取

將洪水與非洪水分開需要選擇其中間值對圖像進行分段或二值化。即上圖中，以最低點閾值進行二值化分割。閾值分割方面，傳統的方法主要分為：最大類間方差法（OSTU）、最大熵法（THC）、最小誤差法（KI）等[11]。其中OSTU在圖像目標與背景面積比很小時會失效，THC范圍設定過于依賴先驗知識，本文選用KI閾值進行分割。KI法則（式2）是從Bayes最小錯誤概率準則（式1）演化而來。用決策函數J取代錯誤概率函數Perr()；概率密度直方圖h(z)則代替先驗概率P(ω,j)；對數似然概率p(│ωj,τ)由代價函數c(,τ)表達（式 3）。

利用雙峰目標塊自動搜索技術確定KI閥值后使用區域生長法將提取的一個像元或者子區域逐步聚合成一個完整獨立的連通水域來還原提取結果，區域生長算法常被用于二值化圖像制定連通區域的分割，可有效提高分割精度。

3 提取結果的對比驗證

由于研究區域包含了流經馬塔勒市的尼勒沃勒河，PolwattaGange河以及Garadu Gaga湖等4處大的湖泊會影響洪水淹沒面積的分析，為提高后續洪水面積分析的精度，將土地覆蓋類型數據中洪水地類作為掩膜對洪水提取結果中對應的永久性洪水進行剔除。對比兩星5月30日的提取效果可以發現，Sentinel-1提取的水體圖層明顯比GF-3多出很多的噪音點（圖4）。

圖4 兩星洪水提取結果示例

進一步將上圖提取結果與5月28日Sentinel-2的光學影像疊加（圖5）。由疊加結果可以看出，GF-3提取結果與光學數據的洪水空間分布基本一致，而Sentinel-1衛星提取的洪水區域面積（62.9 km2）明顯比GF-3（52.7 km2）大同時噪點更多，Sentinel-1過多提取的區域（紅色）主要分布在山區和洪水淹沒的邊緣地區，由噪點的分布情況分析其原因可能是數據質量較差造成的誤差。

圖5 同期GF-3與Sentinel-1淹沒提取對比

3.1 淹沒面積統計驗證

通過GF-3和Sentinel-2多時相數據提取的洪水淹沒的空間分布可以得到洪水災后隨時間的動態信息，根據像元數統計研究區域南部馬塔勒市區各期洪水淹沒面積（圖6），結果表明5月30日之后洪水淹沒面積逐漸縮小。同時，Sentinel-1衛星提取的洪水淹沒面積總體大于GF-3衛星的結果，其中同期的5月30日提取結果相差16.2 km2。造成這些差異的原因可能是Sentinel-1衛星數據分辨率低以及噪點控制相對較差等問題，因此Sentinel-1的提取結果需要后期對噪點進行進一步處理。

圖6 多時相洪水淹沒面積統計圖

由上圖可見，GF-3在5月30日馬塔拉市洪水面積統計結果為4.6 km2，與災害管理中心（DMC）發布的由德國航空航天中心（DLR）和國際水管理研究所（IWMI）聯合利用Terra-SAR衛星檢測統計的馬塔勒市洪水淹沒面積4.55 km2基本一致[12]。而Sentinel-1的在同期面積統計結果為5.9 km2，明顯高于DMC發布的結果。

3.2 淹沒空間特征分析

由于研究區域較為廣泛，上述洪水提取算法在對地形復雜的SAR圖像進行洪水提取的結果，存在誤提的可能[13]。為了進一步分析造成面積差異的原因，我們將研究區DEM數據按照不同的高度范圍分成6個高程面，并將洪水提取結果與不同的高程面進行疊加，統計不同高程面上的像元值數量（圖7）。

圖7 兩星像元高程分布圖

由統計結果可以看出GF-3提取結果主要分布在30 m以下的范圍，而Sentinel-1提取結果中很多像元分布在高程大于30 m的區域。斯里蘭卡南部為沿海平原，高程范圍＞30 m的區域基本確定為山體，因此的像元是被誤提為洪水的山體陰影或落在錯誤區域的噪點。統計各時期高程范圍＞30 m區域像元數占總像元數百分比（表2）。

表2 高程范圍＞30m區域像元占比統計

此區間GF-3各期的平均像元數基本穩定維持在50左右時在時相中平均占比1.35%，而Sentinel-1則像元數異常增多，在5月30日，像元數高達864在時相中平均占比15.95%，遠高于正常值。此結果表明Sentinel-1影像將部分山區陰影誤提取為洪水。相比之下，GF-3受地形影像較小，像元數在高程面的分布更加合理和穩定。因此Sentinel-1的提取結果需要后期應對山體陰影進一步處理來消除其對水提取的影響。

3.3 兩星協同動態監測

上述統計表明GF-3衛星與Sentinel-1衛星洪水淹沒面積統計結果均存在一定程度的誤差，其中GF-3衛星提取精度較為穩定。由于兩星周期不同分別提取到了不同時期的影像，可以依據提取結果進行協同校正。發揮多源衛星的優勢增加時序產品豐富度，將校正后的數據進行合成并疊加土地覆蓋分類對各地類淹沒狀況進行多時相洪災動態監測（圖8）。

圖8 兩星協同校正動態監測統計圖

由圖8監測結果可直觀表明本次受災地類中農田受災面積最大，其原因可能在于研究區域馬塔勒市南部種植有大面積的水稻，且洪災發生時期正處于該區域由4月到9月的主要的種植季節。預計這次洪災將會對農業產生較大影響。直至8月8日農田水淹面積已經減小了93.9%?？梢娧蜎]農田的洪水已經基本褪去，可進行搶救秧苗等災后補救措施。

4 結 語

本文根據微波遙感的成像原理，嘗試使多期GF-3衛星影像對洪災災期和災后的災情信息進行提取分析，將整套技術流程對國外研究區域的洪災進行應用示范，并與同期Sentinel-1數據進行了對比分析。結果顯示，Sentinel-1提取的洪水淹沒范圍總體大于GF-3的提取結果。通過對提取結果與光學影像疊加以及像元值在高程面的分布特征分析，Sentinel-1數據由于數據質量較差以及空間分辨率的限制，相較于GF-3的提取結果顯示出更多的噪音點以及在復雜地形中由于山體陰影導致更多的誤提取。GF-3衛星提取結果相較于Sentinel-1衛星展現出更好的準確性和穩定性，在實際應用中表現更佳。同時本文為通過兩星協同校正對研究區域洪災淹沒狀況進行了動態監測，結果表明發揮多源衛星協同優勢可以更加快速直觀的獲取受災信息，為救災搶險和災后評估提供可靠的數據支持。