基于Sentinel-1衛星SAR數據的2020年巢湖洪澇監測及災情分析

朱璨陽, 耿 君, 李金超, 徐立晨, 徐杰銘, 涂麗麗

(1.合肥工業大學 土木與水利工程學院,安徽 合肥 230009; 2.安徽省基礎測繪信息中心,安徽 合肥 230031; 3.安徽農業大學 資源環境學院,安徽 合肥 230036)

洪澇災害是對國民經濟影響最嚴重的自然災害之一,每年直接或間接造成的災害損失占所有自然災害損失的40%以上[1]。迅速分析受災區域水情,評估洪水災情狀況,可為制定有效的洪澇災害應對方案提供支撐。衛星遙感技術為洪水淹沒范圍的評估工作提供了先進的技術手段,在洪水淹沒范圍監測工作中具有大尺度、實時、動態等優點。

合成孔徑雷達(synthetic aperture radar,SAR)采用主動式微波遙感系統,相較于傳統的光學影像,SAR影像具有全天時、全天候和全覆蓋三大優勢[2],可有效提高水體變化監測的準確度,是提取洪水淹沒范圍、評估洪水災害狀況的高效工具[3-5]。常用的水體提取方法主要有閾值法、面向對象提取方法和傳統的支持向量機(support vector machine,SVM)監督分類算法等。文獻[6-7]采用SVM法提取水庫和城區水體信息,結果表明該方法提取小型水體信息精度和準確率較高,但需先驗知識判別,且僅適用于較小范圍的高精度提取;文獻[8]基于面向對象的方法提取研究區域不同災害時期的Sentinel-1A 衛星SAR影像淹水范圍,結果表明該方法提取結果含雜斑較少,提取效果較好,但該方法的分割尺度需通過實驗反復驗證得到,應用面較窄;文獻[9-10]利用閾值分割法監測洪澇災情,結果表明該方法在汛情監測和淹沒面積評估方面具有較好的實用性。閾值法包括經驗閾值法、最大類間方差閾值法和雙峰法等,其中基于經驗的閾值法最適用于利用Sentinel-1衛星影像提取洪澇災害時的水體信息[11]。

受持續降雨的影響,2020年6—8月巢湖流域受災情況嚴重,然而對于該時期巢湖流域洪澇災情的相關研究較少。針對巢湖流域的實際條件,本文采用Sentinel-1衛星SAR影像數據,對比單閾值法、哨兵-1雙極化水體指數(Sentinel-1 dual-polarized water index,SDWI)閾值法和SVM分類算法等3種水體提取方法的精度,選取最優方法對巢湖流域水體信息進行提取,進而獲取巢湖流域洪水淹沒范圍;同時采用Landsat 8、Sentinel-2衛星中、高空間分辨率光學影像分析災情期間各類地物的受災程度,并分析巢湖流域的洪水特征,為災后評估工作提供技術支持。

1 研究區概況與數據預處理

1.1 研究區概況

巢湖為我國五大淡水湖之一,是河成型湖泊,人類活動對其影響較為嚴重。巢湖流域處于長江和淮河兩大水系,位于安徽省中部,湖區面積為760 km2,6—8月長江中下游月降水量一般為200～300 mm。2020年入夏以后,我國長江流域、淮河流域持續發生嚴重的洪澇災害。自汛期以來,由于持續強降雨及上游來水等多重因素影響,巢湖水位不斷抬升,達到150年以來峰值。本文以洪水汛期前后的巢湖流域為研究對象,分析該流域洪水淹沒范圍的動態監測數據。研究區位置如圖 1所示(http://xzqh.mca.gov.cn/),其中數字高程模型(digital elevation model,DEM)地形底圖來自2000年美國航天飛機雷達地形測繪使命(Shuttle Radar Topography Mission,SRTM)數據中的30 m空間分辨率DEM格網數據(https://lpdaac.usgs.gov/)。

圖1 研究區位置

1.2 數據源及預處理

Sentinel-1衛星影像從衛星拍攝到數據分發至數據庫僅需3～6 h,對地觀測能夠穿透云霧,不受天氣影響,適合應用于洪澇災害遙感監測。本文使用干涉寬幅(Interferometric Wide swath,IW)模式獲取Sentinel-1A 衛星SAR數據,該模式的寬幅為250 km,空間分辨率為5 m×20 m,具有空間分辨率高和幅寬大的特征。

由于Sentinel-1衛星數據中含有雷達信號相干疊加產生的噪聲,需要對原始影像數據進行預處理,達到去除噪聲、增強地物后向散射信息的目的。預處理工作使用ESA的SNAP(Sentinel Application Platform,哨兵數據應用平臺)軟件進行,主要工作流程如圖2所示。

圖2 Sentinel-1衛星數據預處理流程

2 研究方法

2.1 單閾值法

單閾值法又稱為灰度閾值分割法,是依據水體在SAR圖像中后向散射系數低、表現為暗區的特性,通過求解圖像直方圖的極值點來獲取水體的分割閾值,形成二值圖。Sentinel-1衛星影像VH極化方式的灰度曲線如圖3所示。

圖3 VH極化影像灰度曲線

在本次實驗中設定閾值為-24,將散射值低于-24的部分標記為水體,大于-24部分標記為背景,從而實現水體的提取。

2.2 SDWI閾值法

SDWI水體信息提取方法[12]在歸一化植被指數(normalized difference vegetation index,NDVI)和歸一化水體指數(normalized difference water index,NDWI)的基礎上,根據SAR影像中水體信息的特點,對Sentinel-1雙極化數據(VV極化、VH極化)之間水體信息提取的關系進行深入研究,增強水體特征,同時消除土壤和植被的干擾。利用載有C波段的Sentinel-1衛星SAR數據對大尺度的水體信息進行識別,做波段運算后得到新的波段,如圖4所示。本次實驗設定閾值為0,后向散射系數值大于0的為水體,小于0的為非水體,然后再利用波段運算得到二值圖,進而提取水體信息。

圖4 SDWI閾值法灰度曲線

2.3 SVM分類法

SVM分類法是在統計學習理論 (statistical learning theory,SLT)基礎上優化后的機器學習方法[13],通過學習SVM算法,可自動尋找對分類區分能力強的支持向量,構造出分類器,將各類的間隔最大化,從而獲得良好的推廣性和較高的分類準確率。

在ENVI(The Environment for Visualizing Images)軟件中,對照原始影像和高清的谷歌地球(Google Earth)衛星影像,繪制感興趣區樣本,分為水體和非水體2類,其中70%樣本用作訓練樣本,剩余30%用作驗證樣本。本文利用SVM監督分類算法對原始影像進行分類,對6幅影像進行水體提取后,通過混淆矩陣來驗證此方法提取的精度。

3 結果與分析

3.1 精度評定

本文采用混淆矩陣對3種水體提取方法的成果進行精度分析?；煜仃囍邪喾N分類精度評價指標,包括總體分類精度、Kappa系數、錯分誤差和漏分誤差等?？傮w精度是指被正確分類為水體或非水體的像元數與總像元數之間的比值;Kappa系數是一致性檢驗的指標,可用于衡量分類的效果;錯分誤差是指被錯分為水體的像元數占水體真實參考像元數的比例;漏分誤差是指被分為其他類型的水體像元數占水體真實參考像元數的比例。

采用單閾值法的精度評定結果見表1所列,總體精度大多高于99%,Kappa系數均高于0.960。

表1 單閾值法精度評定結果

采用SDWI閾值法的精度評定結果見表2所列,總體精度均高于98%,受災后影像的錯分誤差較大。

積極推進全域旅游開發是降低分時度假經濟成本走出“無錢度假”之困境的必經之路。通過推進全域旅游，開發新的旅游資源，打開供給端，均衡供需關系，避免出現因供需不平衡出現的價格虛高現象，可降低度假的經濟成本，提升度假體驗感從而多角度的有效刺激當地消費。積極推進全域旅游，要求各地方政府加強合作，通過消費宣傳引導聯動地區間全域旅游。可以通過各省份之間的聯動合作，以“城城聯動”為形式，通過開行旅游專列，帶動地區間旅游業的發展以此推動各省推行全域旅游，既能為降低分時度假的經濟成本也能通過官方宣傳為分時度假正名。

表2 SDWI閾值法精度評定結果

采用SVM分類法的精度評定結果見表3所列,總體精度大多高于99%,部分時間點的影像錯分誤差稍高,漏分誤差也略高于另2種方法。

表3 SVM分類法精度評定結果

采用3種方法提取Sentinel-1衛星影像水體信息的局部效果如圖5所示。單閾值法和SDWI閾值法需要確定先驗閾值,經過優化和修正,達到提取水體的目的。

圖5 3種方法水體信息提取結果局部圖

對比分析3種方法提取精度和效果可知:SVM分類法總體精度很高,適合較小范圍的高精度提取;對于較大范圍的洪澇災害范圍提取,考慮到應滿足快速應用的要求,相比于SVM分類法需要人工制作樣本,閾值法能更加迅速有效地作出回應,總體精度較高;在閾值法中,單閾值法具有原理簡單、提取速度快、計算量小的優點,適用于低噪聲、圖幅較小SAR圖像的水體提取。下面采用單閾值法提取成果對巢湖流域的水面面積進行動態監測。

3.2 洪水淹沒面積動態監測與災后評估

借助Sentinel-1衛星數據,運用單閾值法提取水體,并以RGB波段組合的方式在圖像上展現,從而可以快速地提取洪水淹沒范圍[14]。根據單閾值法生成洪災前后的水體、陸地二值圖,采用RGB波段合成獲得彩色圖像,R(紅光)對應VH極化方式下的原始影像,G(綠光)對應VV極化方式下的原始影像,B(藍光)對應單閾值法提取得到的水體結果圖。巢湖流域2020年6—9月6個時間點的彩色合成圖如圖6所示。

利用ArcGIS軟件計算6個時間點的巢湖水面面積,單閾值法得到的水體面積擬合曲線如圖7所示。由圖7可知,淹沒范圍從6月中下旬開始逐漸擴大,在7月27日達到峰值,在8月洪水逐漸退下,9月中旬逐漸恢復正常。

圖7 巢湖的湖泊水面面積變化曲線

受災后巢湖流域的淹沒情況如圖8所示。圖8中:藍色區域表示洪澇災害發生前的水域范圍;紅色區域表示洪澇災害發生后擴大的淹沒范圍。根據提取結果統計,洪災前后水面面積變化高達424.10 km2,提取結果與實際受淹面積相吻合。

圖8 洪災前后巢湖流域的水體變化情況

災后評估主要包括災后損失評估和災害等級判定2個方面。本文利用洪澇災害未發生時的Sentinel-2、Landsat 8衛星中、高空間分辨率的光學影像對研究區域進行土地利用類型分類,研究受災區域內各類地物的淹沒情況。

參考文獻[15],結合研究區實際情況,將研究區分為農用地、建成區、水體和裸地4類。經過精度評定,分類結果的總體精度達到91.49%,Kappa系數為0.880,其中各類地物分類總體精度均高于90%(水體91.61%、農用地95.00%、建成區91.33%、裸地94.00%)?；谳^高精度的地物分類圖,疊加水體淹沒范圍進行災后評估分析,如圖9所示。

圖9 洪災災后水體淹沒范圍分析圖

圖10 巢湖閘6-8月降雨量與徑流量變化趨勢

從整體上看,受災最嚴重的區域在巢湖流域西南及正南方向,巢湖的西北和東北方向也受到一定程度的損害;巢湖周圍支流附近也遭受淹沒。

通過疊加分析,利用ArcGIS軟件對淹沒區域的各類地物淹沒面積進行統計,得到農用地受災情況最嚴重,淹沒面積高達278.95 km2,其次是裸地,淹沒面積為39.73 km2,建成區共淹沒18.87 km2。農用地和建成區的淹沒受損,極大影響居民的日常生活出行與經濟收益。結合2020年6—8月農田莊稼的物候特征進行分析,該時段為農作物生長前期[16],其中夏甘薯、夏玉米、晚稻、夏大豆等屬于春播秋收農作物[17],巢湖流域暴雨陸續發生,對農作物造成極大損害。

3.3 洪水特征分析

通過總結巢湖流域洪水的形成過程,能夠深入分析巢湖流域洪水形成的原因及特點,對將來的洪水測驗研究工作和水域附近居民生命財產的保護都具有重要意義。本文參考文獻[18]對淮河流域安徽省多年的暴雨洪水特征分析思路,分析降雨過程和暴雨頻率。合肥巢湖閘6—8月的降雨量與徑流量數據利用合肥市水務局的監測資料。巢湖閘6—8月降雨量與徑流量變化趨勢如圖 10所示。

巢湖閘在2020年6月中旬到8月末,有4 d降雨量超過50 mm,其中在7月18日降雨量最大,為148 mm,屬大暴雨級別。徑流過程和降雨過程具有相同的變化趨勢,流域徑流包括產流階段和匯流階段,因此在時間上相對于降雨過程具有一定的滯后性。

在6月中旬至7月7日,降雨量和徑流量變化趨勢相同,在6月27日降雨量最大(54.5 mm),在6月28日徑流量最大(730 m3/s)。在7月8日至7月19日,徑流量為0 m3/s,其原因是巢湖閘閘門關閉,過閘流量值為0。在7月20日,巢湖閘開閘泄流,徑流量逐漸增大,在7月21日達到最大值,為1 322 m3/s。在7月21日至8月27日,徑流量均較大,高于800 m3/s。自8月28日后,由于降雨稀少,徑流量逐漸減小。

另外,從巢湖流域6—8月降雨日數和總降雨量分析,結合美國國家環境預報中心(National Centers for Environmental Prediction,NCEP)氣候預報系統第2版(Climate Forecast System Version 2,CFSv2)逐6 h數據產品(NCEP Climate Forecast System Version 2 6-Hourly Products),得知巢湖流域2020年6—8月降雨日數高達81 d,降雨日數占6—8月總日數的88.04%,可見降雨的頻繁性;在整個6—8月巢湖流域的降雨總量(折合平均降水深)高達1 324.15 mm,降雨強度較大,容易引發洪澇災害。

4 結 論

本文針對2020年汛期暴雨發生前后巢湖水面面積變化情況,收集6個關鍵時間點Sentinel-1衛星SAR影像,對研究區淹沒面積動態變化進行監測分析。在對比3種水體提取方法的基礎上,選取單閾值法對研究區洪水淹沒范圍進行提取,利用ArcGIS軟件對淹沒區域的各類地物淹沒面積進行統計,淹沒面積共計為424.10 km2;淹沒土地類型包括農用地、建成區和裸地等,其中影響最嚴重的是農用地,淹沒面積達到278.95 km2,其次為裸地,淹沒面積為39.73 km2,建成區共淹沒18.87 km2。及時對洪水災情進行監測評估,可有效提高抗災救災工作效率。

本文對于洪災前后的分析尚有不足之處,僅分析了洪水變化地點和地物變化,未來研究可以做更精確的分析,如結合行政區劃邊界分析各地區受災面積、結合人口分布分析受災人口、結合城鎮建筑分布分析受災的城鎮數據等。