基于SAR紋理和LightGBM的洪水淹沒(méi)地區(qū)遙感應(yīng)急監(jiān)測(cè)

孫 誠(chéng), 沈 芳, 唐儒罡

（華東師范大學(xué) 河口海岸學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 上海 200241）

0 引言

我國(guó)長(zhǎng)期以來(lái)飽受洪澇災(zāi)害的頻繁侵?jǐn)_, 嚴(yán)重威脅了人民群眾的生命和財(cái)產(chǎn)安全. 遙感技術(shù)不受空間限制, 且可迅速地獲得洪水淹沒(méi)信息, 已成為洪澇災(zāi)害監(jiān)測(cè)和評(píng)估的常用手段[1-2]. 星載SAR(synthetic aperture radar, 合成孔徑雷達(dá)) 工作于微波波段, 具有地表穿透能力, 不受云霧限制, 突破了光學(xué)遙感技術(shù)受天氣影響大的局限性[3], 在洪水監(jiān)測(cè)方面具有獨(dú)特的優(yōu)勢(shì).

閾值分割法及機(jī)器學(xué)習(xí)方法常被用于SAR影像水體信息的提取. 閾值分割法的關(guān)鍵在于在圖像灰度的分布中確定合適的閾值, 以區(qū)分水體和非水體. 賈詩(shī)超等[4]研究了Sentinel-1SAR雙極化數(shù)據(jù)之間水體信息提取的關(guān)系, 提出了基于閾值分割的SDWI (sentinel-1 dual-polarized water index) 水體指數(shù)法. 閾值分割法的操作邏輯簡(jiǎn)單, 計(jì)算時(shí)間短, 但在地物類型復(fù)雜的情況下, SAR影像上灰度值相等的像元并不能完全對(duì)應(yīng)同一地物類型, 難以選擇最優(yōu)閾值, 使得閾值方法易受到圖像噪聲和強(qiáng)度不均勻性的影響, 因此基于影像單個(gè)像元的方法具有局限性[5].

為了更好地獲得SAR影像中的信息, 有學(xué)者采用GLCM (gray-level co-occurrence matrix) 提取SAR影像中的紋理信息, 建立多特征空間, 并利用機(jī)器學(xué)習(xí)模型進(jìn)行水體信息的提取[6-7]. Lyu等[8]提出了結(jié)合4種灰度共生矩陣紋理特征與SVM (support vector machines) 分類器, 在區(qū)分水體目標(biāo)區(qū)域與其他地物及對(duì)灰度共生矩陣提取水體等方面進(jìn)行了初步探索. 胡德勇等[9]使用Radarsat-1單波段單極化數(shù)據(jù)對(duì)水體和居民地信息進(jìn)行了提取, 但由于單極化影像信息有限和分類算法的限制, 存在一定的錯(cuò)分、誤提. 此外, 與單極化SAR影像相比, 全極化SAR影像的信息更為豐富, 圖像分類的性能更高[10]. 也有學(xué)者采用RF (random forest)[11]、GBDT (gradient boosting decision tree)[12]等機(jī)器學(xué)習(xí)算法, 但傳統(tǒng)的機(jī)器學(xué)習(xí)算法由于內(nèi)存占用較大, 存在模型訓(xùn)練時(shí)間較長(zhǎng)的問(wèn)題[13]. 近年來(lái), 基于集成學(xué)習(xí)的LightGBM (light gradient boosting machine, 輕量級(jí)梯度提升器) 算法, 因其學(xué)習(xí)能力強(qiáng)及預(yù)測(cè)精度高的特點(diǎn), 越來(lái)越多地被應(yīng)用于各類學(xué)科領(lǐng)域[14-16], 相比于SVM、RF及GBDT等機(jī)器學(xué)習(xí)算法, 其具有更快的訓(xùn)練速度和更低的計(jì)算代價(jià), 可以快速地處理大數(shù)據(jù)量和高特征維度的數(shù)據(jù)[17]. 因此, LightGBM算法更適用于對(duì)速度與精度有較高要求的洪澇災(zāi)害淹水信息應(yīng)急提取.

本文基于Sentinel-1SAR影像, 旨在建立一種結(jié)合SAR紋理信息和LightGBM算法的洪水淹沒(méi)地區(qū)遙感應(yīng)急監(jiān)測(cè)方法, 并將該方法的水體提取結(jié)果與SDWI水體指數(shù)法、SVM、RF及GBDT等其他方法進(jìn)行定量和定性對(duì)比, 以測(cè)試該方法的提取精度和運(yùn)行效率, 最后對(duì)淮河流域中的典型洪水淹沒(méi)區(qū)域進(jìn)行淹水范圍提取和分析應(yīng)用實(shí)踐.

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

淮河流域是我國(guó)南北區(qū)域的自然分界線, 降水時(shí)空分布不均, 每年的6—9月為汛期, 10月至次年5月為非汛期, 年平均降水量為920 mm, 汛期年降水量最高達(dá)1600 mm, 流域平均每5年就會(huì)發(fā)生一場(chǎng)較為嚴(yán)重的洪澇災(zāi)害. 因此, 本文的研究區(qū)域選取了淮河流域中游主干道附近地區(qū), 該區(qū)域內(nèi)支流眾多, 源短流急, 在汛期易形成洪澇災(zāi)害. 研究區(qū)域范圍見(jiàn)圖1, 底圖為Sentinel-1影像.

圖1 研究區(qū)地理位置Fig. 1 Map of the study area

1.2 數(shù)據(jù)及其預(yù)處理

采用SAR影像為IW (interferometric wide swath) 模式下Level-1級(jí)別Sentinel-1的GRD (ground range detected) 影像, 包括VH (垂直發(fā)射水平接收)、VV (垂直發(fā)射垂直接收) 兩種極化模式, 分辨率為10 m, 重訪周期最短為6 d. 利用歐空局開(kāi)發(fā)的SNAP軟件, 對(duì)該模式下的影像進(jìn)行了軌道校正、熱噪聲去除、輻射定標(biāo)、相干斑濾波、分貝化處理及地理編碼等預(yù)處理. 軌道校正對(duì)從歐空局網(wǎng)站下載的Sentinel-1原始影像中的原始軌道數(shù)據(jù)進(jìn)行校正; 熱噪聲是SAR系統(tǒng)自帶的背景噪聲, 會(huì)影響雷達(dá)得到后向散射信號(hào)的精度, 需要在軟件中進(jìn)行熱噪聲去除; 輻射定標(biāo)是將SAR接收的后向散射信號(hào)轉(zhuǎn)化為后向散射系數(shù); 相干斑是SAR影像分類時(shí)的噪聲, 在軟件中過(guò)濾相干斑可提高影像分類的精度; 由于SAR接受的后向散射信號(hào)之間差距不明顯, 使用分貝化處理的方式可指數(shù)化后向散射系數(shù),便于可視化和影像分類; 最后使用地理編碼的方法對(duì)SAR影像進(jìn)行地理坐標(biāo)的校正, 完成預(yù)處理[18].

研究區(qū)域內(nèi)選取成像時(shí)間為2020年3月5日、2020年3月17日、2020年5月16日及2020年11月12日共4天的Sentinel-1SAR影像作為數(shù)據(jù)源. 使用隨機(jī)抽樣的方法在研究區(qū)域內(nèi)裁剪樣本區(qū),并利用成像時(shí)間相同的總體云量小于20%且水體周圍無(wú)云干擾的Sentinel-2影像, 對(duì)樣本區(qū)進(jìn)行目視解譯, 獲得樣本區(qū)的水體范圍信息. 最終共得到訓(xùn)練集552萬(wàn)個(gè), 驗(yàn)證集125萬(wàn)個(gè).

2 研究方法

本文提出了一種基于SAR紋理信息和LightGBM算法的WEGL (water extraction based on GLCM and LightGBM) 方法進(jìn)行水體提取. WEGL方法由兩個(gè)主要步驟構(gòu)成: 第一是SAR影像紋理信息的提取 (詳見(jiàn)2.1節(jié)); 第二是LightGBM算法構(gòu)建, 完成LightGBM參數(shù)優(yōu)化和紋理特征變量?jī)?yōu)化 (詳見(jiàn)2.2節(jié)). 首先對(duì)研究區(qū)域的Sentinel-1影像進(jìn)行預(yù)處理和裁剪, 利用Sentinel-2光學(xué)影像與Sentinel-1 SAR影像進(jìn)行配準(zhǔn), 得到樣本區(qū)的水體分布, 進(jìn)一步基于GLCM計(jì)算SAR紋理信息, 構(gòu)建訓(xùn)練樣本數(shù)據(jù), 進(jìn)行LightGBM算法訓(xùn)練, 得到水體提取結(jié)果. 具體步驟實(shí)現(xiàn)的流程見(jiàn)圖2.

圖2 方法實(shí)現(xiàn)流程Fig. 2 Flow chart of the method performance

2.1 基于GLCM的SAR影像紋理信息提取

GLCM最早由Haralick等[19]提出, 是一種描述在預(yù)定計(jì)算窗口內(nèi)相鄰像元或間隔一定距離像元灰度相關(guān)關(guān)系的矩陣, 常使用于地物復(fù)雜的遙感影像中[20-21]. 本文試驗(yàn)使用的8個(gè)紋理特征及其描述見(jiàn)表1. 表1各式中:N是GLCM窗口的行列數(shù);i,j為圖像灰度級(jí)數(shù);u代表均值;σ代表方差;Pi,j代表從圖像灰度為i的像素出發(fā), 灰度為j的像素出現(xiàn)的概率.

影像的紋理信息與計(jì)算灰度共生矩陣選擇的方向、步長(zhǎng)、影像的灰度級(jí)及窗口的大小有關(guān)[22-23].經(jīng)過(guò)大量試驗(yàn), 選擇0°、45°、90° 及135° 這4個(gè)方向的GLCM平均值, 步長(zhǎng)大小選擇1, 影像灰度級(jí)選擇64, 窗口大小選擇7 × 7, 對(duì)表1中的8個(gè)紋理特征信息進(jìn)行提取.

2.2 LighGBM算法構(gòu)建及優(yōu)化

LightGBM是一種基于GBDT框架的分類模型, 其帶有深度限制的Leaf-wise葉子生長(zhǎng)策略及直方圖作差加速等創(chuàng)新技術(shù)[24], 可支持高效的并行訓(xùn)練, 能夠快速處理大數(shù)據(jù)量和高特征維度的數(shù)據(jù)[25].

2.2.1 精度評(píng)價(jià)指標(biāo)

選取了總體精度、交并比、F1指標(biāo)及Kappa系數(shù)共4種精度評(píng)價(jià)指標(biāo), 對(duì)試驗(yàn)結(jié)果精度進(jìn)行定量分析.

總體精度(AO)常用于衡量圖像分類的性能, 表示預(yù)測(cè)正確的水體像元和陸地像元占總像元數(shù)量的比重, 其表達(dá)式為

式(1)中:nTP表示水體像元被判定為水體像元的數(shù)量;nFP表示陸地像元被判定為水體像元的數(shù)量;nTN表示陸地像元被判定為陸地像元的數(shù)量;nFN表示水體像元被判定為陸地像元的數(shù)量.

交并比 (intersection of union, IoU) 表示預(yù)測(cè)結(jié)果與真實(shí)地物的相關(guān)度, 其表達(dá)式為

F1指標(biāo)是衡量精準(zhǔn)率和召回率的綜合指標(biāo), 其表達(dá)式為

式(3)中: 精準(zhǔn)率 (P) 表示真實(shí)水體像元占所有預(yù)測(cè)為水體像元的比例, 表達(dá)式為

召回率 (R) 表示真實(shí)水體像元占所有實(shí)際為水體像元的比例, 表達(dá)式為

Kappa系數(shù) (K) 為衡量分類精度的經(jīng)典指標(biāo), 其表達(dá)式為

式(6)中:p0代表水體和陸地像元中正確分類的像元數(shù)量,pe的表達(dá)式為

式(7)中:a1和a2分別代表水體和陸地的實(shí)際像元數(shù);b1和b2分別代表水體和陸地的預(yù)測(cè)像元數(shù).

2.2.2 參數(shù)優(yōu)化

在進(jìn)行訓(xùn)練之前, 需要為L(zhǎng)ightGBM算法尋找最優(yōu)參數(shù), 確定最優(yōu)識(shí)別精度下的最優(yōu)參數(shù)組合.在其他參數(shù)都保持默認(rèn)參數(shù)的情況下, 使用遍歷的方法尋找LightGBM算法收斂的迭代次數(shù). 經(jīng)過(guò)試驗(yàn), 200次迭代之后, LightGBM算法的水體識(shí)別準(zhǔn)確率趨于穩(wěn)定, 不再有明顯的提升. 保持LightGBM算法迭代次數(shù)為200次, 進(jìn)一步測(cè)試算法識(shí)別準(zhǔn)確率隨樹(shù)的最大深度 (max_depth) 變化的情況, 試驗(yàn)結(jié)果如圖3所示. 當(dāng)樹(shù)的最大深度較小時(shí), LightGBM算法的準(zhǔn)確率曲線隨迭代次數(shù)收斂的速度變慢,且識(shí)別準(zhǔn)確率較低. 隨著樹(shù)的最大深度的提高, LightGBM算法的準(zhǔn)確率曲線隨迭代次數(shù)收斂的速度加快, 且識(shí)別準(zhǔn)確率明顯升高. 從圖3中可看出, 樹(shù)的最大高度為8時(shí), 模型的識(shí)別準(zhǔn)確率表現(xiàn)最好.在確定模型最佳迭代次數(shù)和樹(shù)的最大深度后, 使用網(wǎng)格滾動(dòng)調(diào)參的方式, 構(gòu)建不同參數(shù)的排列組合,代入模型中進(jìn)行測(cè)試, 以得到最優(yōu)識(shí)別精度下的最優(yōu)參數(shù)組合. LightGBM算法的相關(guān)參數(shù)和調(diào)參的范圍及步長(zhǎng)如表2所示.

表2 LightGBM算法參數(shù)及調(diào)優(yōu)Tab. 2 Parameters and optimization of LightGBM algorithm

圖3 LightGBM算法識(shí)別準(zhǔn)確率Fig. 3 Accuracy of LightGBM algorithm for identification

2.2.3 紋理特征變量?jī)?yōu)化

通過(guò)采用LightGBM算法的信息增益函數(shù), 表征紋理特征變量的重要性排序, 以代表特征變量對(duì)模型訓(xùn)練的貢獻(xiàn)程度[14]. 圖4分別顯示了VH、VV兩組單極化影像中, 各紋理特征變量對(duì)模型訓(xùn)練的重要性排序及對(duì)識(shí)別水體的貢獻(xiàn)度. VH影像中, 特征變量重要性排序前4位的特征分別為: 均值、均質(zhì)性、相異度、相關(guān)性; VV影像中, 特征變量重要性排序前4位的特征分別為: 對(duì)比度、均值、相關(guān)性、角二階矩. 進(jìn)一步, 將上述兩組特征重要性排序前4位的特征組合成8個(gè)紋理特征并進(jìn)行模型訓(xùn)練, 得到的LightGBM算法水體提取精度為98.40%, 與使用16個(gè)紋理特征得到的98.41%精度基本一致. 因此, WEGL方法剔除了一些特征貢獻(xiàn)度較低的紋理特征, 在保持精度基本一致的情況下, 可縮減一半的數(shù)據(jù)量和內(nèi)存占用, 大大提高了水體提取效率.

圖4 VH、VV極化影像特征重要性Fig. 4 Importance degree of VH/VV SAR image features

3 結(jié)果與分析

3.1 多方法對(duì)比及精度評(píng)價(jià)

Sentinel-1系列衛(wèi)星的特點(diǎn)是有多種成像方式, 可實(shí)現(xiàn)單極化、雙極化等不同的極化方式[26]. 為驗(yàn)證基于雙極化SAR影像的分類性能是否優(yōu)于單極化影像, 將單極化影像和雙極化影像加入對(duì)比試驗(yàn)中. 為驗(yàn)證LightGBM算法的分類性能, 在保持訓(xùn)練集相同的情況下, 與LightGBM同時(shí)進(jìn)行了SVM、RF及GBDT算法的預(yù)測(cè)試驗(yàn), 并記錄各方法在不同數(shù)據(jù)特征條件下的預(yù)測(cè)精度及訓(xùn)練耗時(shí),具體參見(jiàn)表3.

表3 不同算法的對(duì)比試驗(yàn)Tab. 3 Comparative tests of different algorithms

從表3的試驗(yàn)結(jié)果看出, 對(duì)于每種算法而言, 基于VH + VV雙極化方式的SAR影像的算法提取精度要優(yōu)于VH、VV單極化方式的SAR影像, 說(shuō)明雙極化SAR影像中的紋理信息更為豐富, 水體識(shí)別的性能更高, 故WEGL方法選擇雙極化SAR作為輸入的影像. 在水體提取精度方面, 基于雙極化影像的SVM的水體提取準(zhǔn)確率為95.19%, RF和GBDT的準(zhǔn)確率均高于SVM, 分別為96.23%、96.41%. LightGBM算法的水體提取準(zhǔn)確率最高, 為98.40%. 在訓(xùn)練耗時(shí)方面, SVM的用時(shí)最長(zhǎng), 共用時(shí)超過(guò)4 h, 說(shuō)明在特征維度較大的情況下, SVM算法擬合時(shí)間較長(zhǎng). RF和GBDT算法的訓(xùn)練耗時(shí)有進(jìn)一步優(yōu)化, 為1 h左右, 基于決策樹(shù)思想的算法的訓(xùn)練效率明顯提升. LightGBM算法的訓(xùn)練耗時(shí)最短, 僅為3 min, 說(shuō)明在處理海量數(shù)據(jù)上LightGBM算法具有明顯優(yōu)勢(shì), 更適用于洪水淹沒(méi)地區(qū)應(yīng)急提取等場(chǎng)景.

3.2 水體提取與精度

為驗(yàn)證WEGL方法的合理性及有效性, 在研究區(qū)域內(nèi)選取了河道區(qū)、湖泊區(qū)及洪水淹沒(méi)區(qū)3類典型區(qū)域進(jìn)行方法的評(píng)價(jià), 并將其與SDWI水體指數(shù)法、SVM、RF及GBDT算法進(jìn)行對(duì)比.

圖5區(qū)域?yàn)楹拥绤^(qū), 經(jīng)目視解譯和百度地圖驗(yàn)證, 1處為含水量較高的淺灘, 2處為河道邊的道路.SDWI水體指數(shù)法對(duì)河道提取較為完整, 但存在錯(cuò)分現(xiàn)象, 其將1處的淺灘和2處的道路識(shí)別為水體;對(duì)比前者, SVM算法在1、2處仍存在錯(cuò)分現(xiàn)象, RF、GBDT算法在2處無(wú)錯(cuò)分現(xiàn)象, 但將1處的淺灘識(shí)別為水體; WEGL方法識(shí)別出了完整的河道部分, 在1處和2處的錯(cuò)分現(xiàn)象明顯改善, 表現(xiàn)最好.

圖5 河道區(qū)水體提取結(jié)果Fig. 5 Water body extraction results of river

圖6區(qū)域?yàn)楹磪^(qū), 3、4、5處為湖泊水體的邊緣. 水體邊緣處水深較淺, 與水體內(nèi)部的像元灰度值存在差異. 基于像元的SDWI水體指數(shù)法無(wú)法準(zhǔn)確識(shí)別邊緣水體, 存在較多錯(cuò)分和漏提取現(xiàn)象;SVM、RF、GBDT算法去除了大量噪聲影響產(chǎn)生的錯(cuò)分現(xiàn)象, 但在3、4、5處水體邊緣的漏提取現(xiàn)象仍然存在; WEGL方法對(duì)水體邊緣的提取更完整和平滑, 錯(cuò)分和漏提取的現(xiàn)象較少.

圖6 湖泊區(qū)水體提取結(jié)果Fig. 6 Water body extraction results of lake

圖7 區(qū)域?yàn)楹樗蜎](méi)區(qū), 6、7處為泥沙含量較高的洪水水體. SDWI水體指數(shù)法提取的水體在6、7處內(nèi)部存在噪聲現(xiàn)象; SVM算法在6、7處改善了水體提取的噪聲, 但漏提取現(xiàn)象仍存在; RF、GBDT算法的錯(cuò)分現(xiàn)象較少, 但仍存在水體內(nèi)部噪聲; WEGL方法對(duì)洪水水體的提取結(jié)果表現(xiàn)最好,水體內(nèi)部噪聲和漏提取現(xiàn)象較少.

圖7 洪水淹沒(méi)區(qū)水體提取結(jié)果Fig. 7 Water extraction results of flooded area

各方法提取水體精度的定量評(píng)價(jià)結(jié)果如表4所示. WEGL方法的相關(guān)評(píng)價(jià)指標(biāo)最好, 與SDWI水體指數(shù)法比較, 總體精度、IoU、F1指標(biāo)及Kappa系數(shù)分別提高了2.00%、16.89%、0.11及0.12; 與SVM比較, 總體精度、IoU、F1指標(biāo)及Kappa系數(shù)分別提高了0.60%、5.35%、0.04及0.04; 與RF比較, 總體精度、IoU、F1指標(biāo)及Kappa系數(shù)分別提高了0.34%、6.10%、0.04及0.04; 與GBDT比較, 總體精度、IoU、F1指標(biāo)及Kappa系數(shù)分別提高了0.24%、3.30%、0.02及0.02.

表4 水體提取結(jié)果與精度對(duì)比Tab. 4 Accuracy comparison of water extraction results

3.3 2020年洪水災(zāi)害遙感監(jiān)測(cè)實(shí)例

使用WEGL方法對(duì)2020年7月淮河流域洪水受災(zāi)較嚴(yán)重的霍邱和潁上段進(jìn)行洪水淹沒(méi)監(jiān)測(cè). 圖8分別展示了霍邱和潁上段災(zāi)前災(zāi)中的水體范圍及淹沒(méi)范圍的空間分布. 監(jiān)測(cè)表明, 2020年7月27日淮河流域霍邱和潁上段北岸受災(zāi)情況嚴(yán)重, 相比于災(zāi)前(2020年7月3日)的監(jiān)測(cè)影像, 水面積由194.92 km2變?yōu)?43.50 km2, 監(jiān)測(cè)區(qū)域內(nèi)的淹沒(méi)面積達(dá)到148.58 km2. 根據(jù)霍邱縣人民政府網(wǎng)站(http://www.huoqiu.gov.cn) 和潁上縣人民政府網(wǎng)站 (http://www.ahys.gov.cn) 的報(bào)道, 2020年7月兩縣受強(qiáng)降水影響嚴(yán)重, 霍邱縣農(nóng)作物受災(zāi)面積為542.27 km2, 潁上縣湖區(qū)受災(zāi)面積共17.39 km2, 其中農(nóng)作物為15.83 km2. 上述受災(zāi)統(tǒng)計(jì)結(jié)果較為碎片化, 無(wú)法精確到具體的受災(zāi)區(qū)域, WEGL方法的洪水淹沒(méi)監(jiān)測(cè)結(jié)果更為客觀和完整, 有助于對(duì)受災(zāi)情況的整體評(píng)估.

圖8 霍邱和潁上段災(zāi)前災(zāi)中水體信息提取情況Fig. 8 Outline drawing of water extraction results in pre-flood and flooding of Huoqiu and Yingshang County

4 結(jié)論與展望

針對(duì)目前常用的SAR影像水體提取方法精度不足、運(yùn)行效率低等問(wèn)題, 通過(guò)GLCM提取SAR影像紋理信息, 并進(jìn)行LightGBM算法參數(shù)優(yōu)化和紋理特征變量的優(yōu)化, 建立了WEGL方法, 大幅提高了水體提取的運(yùn)行效率, 并在水體提取精度上有進(jìn)一步優(yōu)化. 經(jīng)試驗(yàn)分析, 與SDWI水體指數(shù)法、SVM、RF及GBDT算法相比, WEGL方法提取河道、湖泊和洪水淹沒(méi)區(qū)的精度均具有優(yōu)勢(shì), 在一定程度上抑制了道路、裸地等地物的影響, 提取的水體邊緣更加清晰且完整. 除了目標(biāo)提取精度的優(yōu)勢(shì),WEGL方法的運(yùn)行效率也顯著提升, 更加適用于洪澇災(zāi)害淹沒(méi)地區(qū)的應(yīng)急監(jiān)測(cè). 將WEGL方法應(yīng)用于淮河流域霍邱和潁上段的洪澇災(zāi)害監(jiān)測(cè), 發(fā)現(xiàn)2020年7月洪水期間, 水面積由194.92 km2變?yōu)?43.50 km2, 受災(zāi)面積達(dá)到148.58 km2, 結(jié)果表明WEGL方法具有時(shí)空可擴(kuò)展性, 可用于不同時(shí)期和區(qū)域的洪澇災(zāi)害監(jiān)測(cè).

WEGL方法成功實(shí)現(xiàn)了洪澇災(zāi)害期間淹水范圍的快速監(jiān)測(cè), 為后續(xù)研究中需要大面積水域信息快速提取的場(chǎng)景提供了新的思路. 同時(shí), 可進(jìn)一步開(kāi)發(fā)集成WEGL方法的軟件系統(tǒng), 實(shí)現(xiàn)淹水信息和洪澇受災(zāi)情況的自動(dòng)獲取. 因受限于Sentinel-1衛(wèi)星的重訪周期, 對(duì)重點(diǎn)地區(qū)進(jìn)行全天候監(jiān)測(cè)的難度較大. 在后續(xù)研究中可嘗試基于WEGL方法, 加入不同類型的SAR數(shù)據(jù), 提高衛(wèi)星的觀測(cè)頻率, 進(jìn)一步提高洪澇災(zāi)害淹沒(méi)范圍監(jiān)測(cè)的時(shí)效性.