基于遙感影像的潰壩風險人口估算模型研究

摘 要：針對小型水庫生命損失風險評估中面臨的下游人口分布資料缺乏的問題，提出了一種基于Ｓｅｎｔｉｎｅｌ－２Ａ 遙感影像的潰壩風險人口估算模型。以ＤＹＪ 水庫為例，采用監督分類法快速提取遙感影像中鄉村居民房屋建筑信息，結合潰壩洪水演進結果，以洪水是否淹沒到房屋建筑為判據，對最大似然法、支持向量機法、馬氏距離法和最小距離法４ 種監督分類方法進行對比，結果表明：最小距離法總分類精度只有６５．７％，其余３ 種方法總分類精度均在９０％以上，其中最大似然法對遙感圖像識別的精度最高，總分類精度達到９７．５５％，Ｋａｐｐｓ 系數為０．９３，能較為準確地提取研究區域內的居民建筑要素。采用最大似然法提取建筑信息，并結合潰壩風險人口估算模型，最終得到ＤＹＪ 水庫下游風險人口為１ ４７０ 人。該模型可快速估算小型水庫下游風險人口，彌補了人口密度法和居民點累計估算法在精度和效率方面的不足。

關鍵詞：小型水庫；遙感影像；風險人口；潰壩；洪水演進

中圖分類號：ＴＶ６２１；ＴＰ７５１ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０４．００８

引用格式：余再康，程井，余雷，等．基于遙感影像的潰壩風險人口估算模型研究［Ｊ］．人民黃河，２０２５，４７（４）：４４－５０．

０ 引言

水庫大壩防洪安全對保障下游居民生命財產安全具有重要作用。統計數據顯示，１９５４—２０２１ 年我國共發生３ ５５８起潰壩事件，主要集中在２０ 世紀８０ 年代以前［１］ 。其中小型水庫潰壩３ ４２３ 座，占全部潰壩數量的９６．２１％。近年來極端氣候事件頻發，各類水旱災害趨多趨頻趨強趨廣，超標準洪水出現頻率不斷上升，不確定性顯著增強，各類潰壩潰堤事件仍時有發生，急需構建安全可靠的災害防御體系［２］ ，而潰壩洪水風險人口評估則是其中的核心內容之一。相較于大中型水庫，小型水庫多分布于山區，風險人口總數雖然不大，但在其風險評估中往往存在兩類乏信息問題：設計及施工不規范導致的工程水文、地質及大壩結構信息缺失，下游人口分布較為零散、基本統計資料陳舊或缺失。本文主要針對第二類問題。

風險人口估算方法主要有人口密度法和居民點累計估算法［３］ 。人口密度法假設淹沒范圍內人口均勻分布，這種假設往往與實際差別較大，因此計算得到的風險人口誤差較大，適用于人口資料匱乏的大中型水庫。居民點累計估算法則將一定范圍視作一個居民點，統計每個居民點的風險人口，此方法受居民點個數的影響，效率較低，適用于有人口統計資料的中小型水庫，而對于山區水庫，下游人口分布較為零散，人口統計及更新極為不便，因此研究如何快速準確地評估小型水庫潰壩的風險人口具有重要意義。

隨著近年遙感影像技術迅速發展，特征提取和遙感影像分類技術不斷成熟，高質量的特征提取可以得到更有區分度的信息，從而提高影像分類的精度。對于遙感影像提取建筑物的方法，陳敏等［４］ 利用ＴＭ 影像的光譜特征，提出一種基于多波段信息的圖像分割模型，實現了對居民點信息的快速準確提取；查勇等［５］ 提出了歸一化建筑指數（ＮＤＢＩ）的計算公式，并在遙感影像中有效提取了城市用地信息。隨著人工智能的不斷發展，深度學習逐漸應用于遙感影像解譯模型的訓練與信息提取研究。朱盼盼等［６］ 在實例分割框架中植入語義分割模塊，構建一種基于深度神經網絡的建筑物提取框架，在多任務學習模式下實現了建筑物的自動分割，但該方法需要大量樣本進行訓練。在遙感影像分類技術領域，常用的分類方法有非監督分類法和監督分類法［７］ 。非監督分類法不需要事先獲取訓練樣本，自動進行類別劃分，但分類精度較低；監督分類法使用已知類別的訓練樣本，可以有針對性地識別出感興趣的地物類型，分類精度較高。

目前，針對遙感影像在風險人口估算中的應用研究較少。本文提出一種基于遙感影像的潰壩風險人口估算模型，在歸一化指數增強建筑物信息的基礎上，利用幾種典型的監督分類技術進行比較分析。以ＤＹＪ水庫為例，采用精度較高的分類方法提取水庫下游居民房屋建筑，并結合潰壩洪水演進結果，實現淹沒水深與居民建筑的精準匹配，從而有效估算潰壩風險人口。

１ 研究方法

１．１ 遙感影像數據及預處理

Ｓｅｎｔｉｎｅｌ－２Ａ 是２０１５ 年６ 月２３ 日發射的多光譜高分辨率遙感衛星，屬于歐洲空間局（ＥＳＡ）哥白尼計劃的一部分。該衛星的光譜范圍涵蓋可見光、近紅外、短波紅外共１３ 個波段，不同波段的空間分辨率分別為１０ 、２０ 、６０ ｍ，具體見表１。該衛星每１０ ｄ 就可系統性地進行全球陸地拍攝一次，影像幅寬２９０ ｋｍ，覆蓋范圍較廣。由于Ｓｅｎｔｉｎｅｌ－２Ａ 影像具有重訪周期短、光譜范圍廣、空間分辨率高以及數據質量高等優點，因此本文采用該遙感影像提取居民房屋建筑，同時將Ｓｅｎｔｉｎｅｌ－２Ａ 影像進行重采樣處理，使分辨率統一達到１０ ｍ，并進行波段融合和影像裁剪，以獲得研究區域的遙感影像。

歸一化光譜指數是一種廣泛應用于遙感圖像分析的指標，其基于特定波段反射率的差異，能夠有效監測和分析地表覆蓋、植被、水體等特征。采用單一光譜指數提取目標地物類型時，往往會出現與其他地物類型混淆的情況。針對這類問題，一般利用多指數結合的方法調節遙感影像，從而在增強目標地物特征的同時減弱其他地物的影響［８－９］ 。本研究在單波段融合影像的基礎上，充分利用光譜特征，結合多個光譜指數，如ＮＤＢＩ（歸一化建筑物指數）、ＢＡＩ（裸地區域指數）、ＮＤＶＩ（ 歸一化植被指數）、ＮＤＷＩ （ 歸一化水體指數）［５，９－１１］ ，與融合后的單波段影像進行疊加處理，增強居民建筑的光譜信息，同時減弱周圍植被、水體、裸地的影響。光譜指數計算公式見表２。

１．２ 監督分類法

監督分類法，又稱訓練分類法，是一種利用已知像元的特征值來建立識別模型，然后利用該模型對未知像元進行分類的方法［７］ ，遙感影像監督分類的主要流程如圖１ 所示。在分類之前需根據研究目的和影像范圍確定樣本類型，并對每一種類型選取一定數量的訓練樣本進行模型訓練，訓練好的模型將被用于分類其他圖像，每個像元的信息將根據不同的分類方法劃分到與樣本相似度最高的類型中，最終完成圖像分類并輸出結果。

遙感影像監督分類時常采用最大似然法（ＭＬＣ）、支持向量機法（ＳＶＭ）、馬氏距離法（ＭＤＭ）、最小距離法（ ＭＤＣ）、神經網絡法（ ＡＮＮ） 和平行六面體法（ＰＧＭ）等［１２］ 。本文研究區域較小，樣本類型單一，樣本數量較少，而ＡＮＮ 需要大量的訓練數據才能保證精度，ＰＧＭ 在劃分建筑、植被、農田時精度較低，因此采用上述前４ 種監督分類法進行研究。

１）最大似然法。ＭＬＣ 是一種基于貝葉斯理論和極大似然估計的監督分類方法，在遙感影像監督分類中應用廣泛。該方法適用于處理含有噪聲、多光譜、高光譜等不同類型的遙感數據，利用已知樣本的結果，推斷出導致這些結果的各模型參數值，從而實現對不同類型的分布參數準確估計。因此，該方法具有較高的分類準確性，并且對于處理遙感數據具有良好的適用性。

２）支持向量機法。ＳＶＭ 是一種基于凸優化理論的監督分類方法，主要通過在樣本像元間尋找一個最優超平面來進行樣本分類。由于ＳＶＭ 分類過程中僅依賴分類間隔邊界像元上的小部分支持向量，因此針對小樣本問題仍能夠獲得可靠的分類結果。

３）馬氏距離法。ＭＤＭ 考慮影像樣本間的相關性，能夠準確地衡量不同樣本的特征差異，并通過樣本像元間的協方差距離判斷未知像元與已知樣本像元的相似度。同時，該方法具有獨立于數據尺度的特點，分類精度較高，分類結果具有穩定性。

４）最小距離法。ＭＤＣ 是一種基于像元像素與訓練樣本間距離來進行監督分類的方法，一般距離越小分類結果越精確。盡管該方法對數據中存在的噪聲非常敏感，但處理小樣本問題時表現出一定的魯棒性，仍可有效地進行分類。

１．３ 分類精度評價

為了驗證提取目標物的精度，采用混淆矩陣對分類結果進行評價。混淆矩陣是一種用于評估分類模型性能的工具，能夠直觀地展示模型在分類任務中的表現，包括正確分類和誤分類的情況。混淆矩陣的構建基于建立地表真實感興趣區（ＲＯＩ），ＲＯＩ 通過目視解譯遙感影像來獲取，作為反映分類類型真實信息的影像集，稱為驗證樣本，獲取方法與訓練樣本的選取一致。混淆矩陣的核心計算方法是將訓練樣本與驗證樣本進行位置和分類結果的對比。最終生成的混淆矩陣報表中包括以下評價指標。

Ａ ＝ ＮＴ ／ Ｎ （１）

式中：Ａ 為總分類精度，ＮＴ 為正確分類像元數， Ｎ 為所有真實參考像元總數。

式中：Ｋａ 為Ｋａｐｐａ 系數，Ｘｋ 為混淆矩陣對角線和，Ｎｋ 為第ｋ 類真實參考像元總數，Ｔｋ 為第ｋ 類被正確分類的像元總數，Ｋ 為分類類型數量。

Ｅｃ ＝ Ｎｅ ／ ＮＩ （３）

Ｅｏ ＝ Ｎｍ ／ Ｎｒ （４）

Ｐｐ ＝ Ｎｔ ／ Ｎｒ （５）

Ｐｕ ＝ Ｎｊ ／ ＮＩ （６）

式中：Ｅｃ 為錯分誤差，Ｎｅ 為某分類類型被錯誤分入其他類型的像元數，ＮＩ 為某分類類型的所有像元數， Ｅｏ為漏分誤差，Ｎｍ 為某分類類型錯誤分入其他類型的像元數，Ｎｒ 為某分類類型感興趣類像元總數，Ｐｐ 為制圖精度，Ｎｔ 為某分類類型正確分類的像元數，Ｐｕ 為用戶精度，Ｎｊ 為某分類類型正確的分類像元數。

１．４ 洪水演進原理

ＨＥＣ－ＲＡＳ（Ｈｙｄｒｏｌｏｇｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｅｎｔｅｒ －ＲｉｖｅｒＡｎａｌｙｓｉｓ Ｓｙｓｔｅｍ）是美國陸軍工程兵團水文工程中心開發的一款水力計算軟件，其功能強大、界面友好、模擬結果精度較高、使用方便，還能與ＧＩＳ 軟件交互使用，廣泛應用于洪水模擬和分析中［１３］ 。ＨＥＣ－ＲＡＳ 包含一維模型和二維模型，其中二維模型精度較高，故本文選擇二維模型對潰壩洪水進行模擬。發生潰壩洪水時水流的流態為非恒定流，ＨＥＣ－ＲＡＳ 針對二維非恒定流水動力模擬，采用簡化的Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ 方程（淺水方程）描述流體的運動［１４］ ，連續方程、動量方程如下：

?Ｈ／?ｔ＋ ?·ｈＶ ＋ ｑ ＝ ０ （７）

?Ｖ／?ｔ＋ Ｖ·?Ｖ ＝ － ｇ ?Ｈ ＋ ｖ１ ?２Ｖ － ｃｆＶ ＋ ｆｋＶ （８）

式中：Ｈ 為水面高程，ｔ 為時間，Ｖ 為流速，ｈ 為水深，ｑ為旁側入流，ｇ 為重力加速度，ｖ１ 為水平方向運動黏度，ｃｆ為河床底部糙率，ｆ 為科里奧利系數，ｋ 為垂直方向單位矢量。

１．５ 風險人口估算模型

以遙感影像識別提取的房屋建筑面積和第五級行政區劃（村級）常住人口數量為基礎，計算出研究區域的人口密度，接著建立人口格網，并對每個格網進行風險人口統計，計算時主要以洪水是否淹沒到房屋為判據，認為洪水淹沒至房屋則產生風險人口，反之則不產生。最終的人口估算模型如下：

式中：ＰＡＲ 為總風險人口數；ｎ 為風險區域涉及的總村落數量；Ｐｉ 為研究區域內第ｉ 個村的總風險人口數；ｍ為第ｉ 個村的洪水淹沒格網數量；ａ０ 表示洪水是否淹沒至房屋建筑，ａ０ ＝ １代表淹沒至房屋，ａ０ ＝ ０代表未淹沒至房屋；Ｓｊ 為第ｉ 個村第ｊ 個洪水淹沒格網內的房屋面積；Ｄｉ 為第ｉ 個村的人口密度；ＳＢＵｉ 為第ｉ 個村的房屋總面積；ＰＶＩｉ 為第ｉ 個村的總常住人口。

２ 實例應用

２．１ 工程概況

ＤＹＪ 水庫為小（１）型水庫，壩址控制流域面積９．６１ｋｍ２，主河道平均比降４６．５‰。水庫樞紐包括混凝土面板堆石壩、岸坡開敞式無閘門溢洪道和導流兼引水、放空隧洞等。大壩壩頂高程８９１．５ ｍ，壩底高程８５０ｍ，最大壩高４１．５ ｍ，壩頂長度１５０ ｍ，壩頂寬６ ｍ，上、下游壩坡為１ ∶ １．４。校核洪水位８９０．９６ ｍ，設計洪水位８９０．０２ ｍ，正常蓄水位８８７．５ ｍ，死水位８６６ ｍ；總庫容３０５ 萬ｍ３，正常蓄水位庫容２４３ 萬ｍ３，興利庫容２２２．２ 萬ｍ３。擋水大壩、溢洪道、取水口等按３０ ａ 一遇（Ｐ ＝ ３．３３％）洪水設計、３００ ａ 一遇（Ｐ ＝ ０．３３％） 洪水校核。

２．２ 執行監督分類

２．２．１ 訓練樣本及可分離度分析

遙感影像經過光譜指數疊加后，與單波段融合影像的對比如圖２ 所示。在對該遙感影像進行樣本選擇時，可以觀察到ＤＹＪ 水庫下游的居民建筑周圍明顯分布著廠房和大棚，其光譜特征與居民建筑有明顯差異。雖然廠房和大棚也屬于風險人口活動區域，但區域內人口流動性較大、人口密度較小，因此不予考慮，認為風險人口主要分布在居民房屋建筑內。為了提高居民房屋建筑的提取精度，對廠房、大棚、房屋建筑進行區分，創建５ 類訓練樣本，分別為居民建筑、廠房（包括大棚）、水體、植被（含林地、草地、園地、耕地）、裸地。

為了確保樣本選擇的合理性，必須對所選樣本各類別間的可分離度進行評估。杰克遜指數（Ｊｅｆｆｒｉｅｓ－Ｍａｔｕｓｉｔａ ｄｉｓｔａｎｃｅ）是一種用于度量不同類別之間光譜分離程度的指標［１５］ ，其取值范圍為［０，２］，接近０ 表示類別間存在顯著重疊，即兩個類別的光譜特征難以區分；接近２ 表示類別間幾乎沒有重疊，即兩個類別的光譜特征高度分離。在評估樣本可分離度時，需要在同一遙感影像的不同位置選取相同數量的訓練樣本和驗證樣本，選擇時應使樣本在遙感影像上均勻分布。樣本可分離度計算結果見表３，訓練樣本和驗證樣本所有類型間的可分離度均大于１．９，說明樣本之間的可分離性好，均屬于合格樣本，可用于后續監督分類及精度評價。

２．２．２ 訓練分類及精度評價

分別采用ＭＬＣ、ＭＤＣ、ＭＤＭ、ＳＶＭ 對分類樣本進行監督分類，然后對分類結果中的細小圖斑進行重分類，并對重分類后的結果采用混淆矩陣法進行精度驗證。４ 種監督分類法的總體精度和Ｋａｐｐａ 系數值見表４，分類結果見圖３。結果分析：１）ＭＤＣ 對居民建筑的提取精度較低，總分類精度為６５．７０％，Ｋａｐｐａ 系數為０．３８，且分類結果圖中出現了許多未分類的黑色圖斑，表明ＭＤＣ 在提取居民建筑信息時存在較大誤差；２）ＭＬＣ、ＭＤＭ、ＳＶＭ 這３ 種分類方法總分類精度均超過９０％，Ｋａｐｐａ 系數均在０．８ 以上，說明像元被準確分類的比例高，其中ＭＬＣ 對遙感影像識別的精度最高，總分類精度達到９７．５５％，Ｋａｐｐｓ 系數為０．９３。

ＭＬＣ 分類結果最好，因此確定利用該分類方法提取居民建筑物面積，ＭＬＣ 各地物類型精度評價值見表５。分析各誤差和精度指標可知，水體、裸地、植被的Ｐｕ、Ｐｐ值均超過９０％，表明這３ 類地物類型的絕大多數像元被正確分類，而居民建筑和廠房的Ｅｃ、Ｅｏ 值較大，體現出在監督分類過程中居民建筑和廠房的地物特征較難區分，導致較多像元被誤分類。經計算，文家壩村內識別出房屋建筑物總面積為１．１６３ ｋｍ２，全村總人口２ ６５６ 人（２０２０ 年第七次人口普查數據），平均人口密度為２ ２８４ 人／ ｋｍ２。

２．３ 潰壩洪水演進結果

洪水演進模型構建主要包括：上游水庫建模、攔河壩及潰壩參數設置、下游控制流域建模、設置初始邊界條件。上游庫區采用線性水庫假設法模擬，模擬的水庫完全由庫容曲線控制；依據ＤＹＪ 水庫壩體參數設置攔河壩以及潰口參數，模擬泄水建筑物泄洪能力不足和校核洪水位最不利條件下導致水庫漫頂潰壩的情形；潰口最終底部高程８６５．０ ｍ、底部寬度４０ ｍ，潰口兩側邊坡１．０１ ∶ １，潰口發展時間０．７ ｈ；下游控制流域建模包括網格剖分以及糙率設置兩個部分；上游水庫初始條件為水庫校核水位８９０．９６ ｍ，即起潰水位；壩址以下初始條件采用干燥初始條件，即初始時刻為干河床；上游邊界條件取水庫校核洪水即３００ ａ 一遇入庫洪水過程線，下游邊界條件為自由出流邊界。

本文重點在于研究潰壩后的風險人口估算模型，不詳細探討不同潰壩模式的影響，僅簡要介紹潰壩洪水在下游淹沒區的最大水深和到達時間。根據圖４ 可知，ＤＹＪ 水庫潰壩洪水抵達人口密集區時間較短，主要演進過程發生在前１．５ ｈ；在人口密集區淹沒水深普遍在１．５～５．０ ｍ 之間，局部地區的水深超過１０ ｍ。

２．４ 風險人口估算結果

２．４．１ 人口格網建立

通過潰壩洪水演進獲得淹沒范圍，并結合行政區劃數據確定研究區域。為保證每個格網內風險人口數為正整數，根據研究區域人口密度反推格網大小，最終確定風險人口估算模型中格網的尺寸為２５ ｍ×２５ ｍ，并分別對研究區域和潰壩下游最大淹沒范圍進行格網提取。研究區域人口格網和下游洪水淹沒區格網如圖５ 所示，研究區域共２７ ０２７ 個單元格網，洪水淹沒區共１ ８８０ 個單元格網。

２．４．２ 潰壩模型風險人口估算

根據ＭＬＣ 分類結果，進一步提取淹沒區內的居民建筑要素，將其與淹沒區格網進行疊加，并提取為一個個居民點，將居民點的建筑面積和人口密度信息鏈接到洪水淹沒區格網。同理，利用空間鏈接可將淹沒區最大水深和洪水到達時間數據賦給每個淹沒區格網。根據風險人口估算模型，即可得到ＤＹＪ 水庫的總風險人口數。洪水淹沒區居民建筑要素見圖６。

根據式（９）和式（１０），確定風險人口估算模型ｎ為１、ｍ 為１ ８８０，當洪水淹沒區格網內存在居民點時，ａ０取１，否則取０。由于風險人口指潰壩下游淹沒區水深大于０．３ ｍ 范圍內的所有人口，因此將最大淹沒水深作為基礎數據，進行風險人口數量初步統計后，進一步篩選出最大淹沒水深大于０．３ ｍ 的格網進行最終統計。全過程風險人口數量變化如圖７ 所示，可見，ＤＹＪ水庫下游風險區域范圍較小，洪水演進過程主要發生在０～２ ｈ，其中１０、２０、３０、６０、１２０ ｍｉｎ 五個典型時刻的風險人口分別為６７、５６３、９７７、１ ２２０、１ ３２０ 人。典型時刻（２０ ｍｉｎ）潰壩模型洪水演進如圖８ 所示。由數據可知，在整個潰壩過程中，風險人口先急劇增加，隨后增長速度減緩并趨于穩定。在潰壩發生２０ ｍｉｎ 內，洪水到達人口主要聚集區域，并開始大面積淹沒居民區房屋建筑，因此風險人口突增，僅前１０ ｍｉｎ 風險人口從６７ 人劇增至５６３ 人。在潰壩發生４ ｈ 后，風險人口的數量逐漸趨于定值，經計算，潰壩的總風險人口數量約為１ ４７０ 人。

３ 結論

本文針對小型水庫估算潰壩風險人口時面臨缺乏下游人口分布資料的情況，構建了基于遙感影像的風險人口估算模型，并結合ＤＹＪ 水庫進行了實例應用，主要結論如下：

１）與支持向量機法、馬氏距離法和最小距離法相比，最大似然法對遙感影像識別的精度較高，總分類精度達到９７．５５％，Ｋａｐｐｓ 系數為０．９３，能準確提取研究區域內的居民建筑要素，誤差主要出現在居民建筑和廠房的識別。

２）經計算，ＤＹＪ 水庫下游研究區域內識別出的房屋建筑總面積為１．１６３ ｋｍ２，該區域平均人口密度為２ ２８４人／ ｋｍ２。基于潰壩下游洪水演進結果，以洪水是否淹沒到房屋建筑為判據，結合下游最大淹沒水深數據，計算潰壩的風險人口約為１ ４７０ 人。

３）運用基于遙感影像的潰壩風險人口估算模型，可解決缺乏小型水庫下游人口分布資料的問題，提高對下游人口分布的評估精度，為小型水庫潰壩風險管理提供科學依據。

４）對潰壩風險人口估算模型的后續研究，可進一步分析廠房和建筑物的光譜反射差異，通過調整光譜指數的方法，剔除建筑物光譜信息中的廠房干擾，提高居民建筑物提取精度，或綜合采用高精度正射影像的航測成果來提升遙感影像訓練樣本的精度。

參考文獻：

［１］ 盛金保，李宏恩，盛韜楨．我國水庫潰壩及其生命損失統計分析［Ｊ］．水利水運工程學報，２０２３（１）：１－１５．

［２］ 張建云，向衍．氣候變化對水利工程安全影響分析［Ｊ］．中國科學：技術科學，２０１８，４８（１０）：１０３１－１０３９．

［３］ 周克發．潰壩生命損失分析方法研究［Ｄ］．南京：南京水利科學研究院，２００６：１６－１７．

［４］ 陳敏，劉秉瀚，楊靛青．ＴＭ 遙感圖像中居民點的自動提取［Ｊ］．福州大學學報（自然科學版），２００４（增刊１）：９５－９８．

［５］ 查勇，倪紹祥，楊山．一種利用ＴＭ 圖像自動提取城鎮用地信息的有效方法［Ｊ］．遙感學報，２００３，７（１）：３７－４０，８２．

［６］ 朱盼盼，李帥朋，張立強，等．基于多任務學習的高分辨率遙感影像建筑提取［Ｊ］．地球信息科學學報，２０２１，２３（３）：５１４－５２３．

［７］ 武英潔，馮勇，徐曉琳，等．典型遙感影像分類方法適用性分析［Ｊ］．現代電子技術，２０２４，４７（６）：１３７－１４１．

［８］ 王倩，于焱淼，靳羽欣．面向像元－對象雙尺度的不透水面遙感檢測［Ｊ］．天津師范大學學報（自然科學版），２０２３，４３（４）：４１－４７．

［９］ 竇鵬，陳洋波，張濤，等．基于Ｌａｎｄｓａｔ ＥＴＭ＋影像的增強型裸地指數研究［Ｊ］．地理與地理信息科學，２０１７，３３（２）：２５－３１，２．

［１０］ 孫斌，畢春寧，薛建春，等．基于時序Ｓｅｎｔｉｎｅｌ－２ 影像的引黃灌區作物結構提取和供需水分析［Ｊ］． 人民黃河，２０２４，４６（７）：１３１－１３７．

［１１］ 李文波，于春穎，張秋文，等．基于歸一化水體指數的水域面積估算研究［Ｊ］．人民長江，２００８，３９（２）：１１－１２，３６．

［１２］ 金杰，朱海巖，李子瀟，等．ＥＮＶＩ 遙感圖像處理中幾種監督分類方法的比較［Ｊ］．水利科技與經濟，２０１４，２０（１）：１４６－１４８，１６０．

［１３］ ＷＡＮＧ Ｊ Ｎ，ＺＨＡＮＧ Ｚ Ｌ，ＧＲＥＩＭＡＮＮ Ｂ，ｅｔ ａｌ．Ａｐｐｌｉｃａｔｉｏｎａｎｄ Ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ＨＥＣ?ＲＡＳ?Ｒｉｐａｒｉａｎ Ｖｅｇｅｔａｔｉｏｎ Ｓｉｍｕ?ｌａｔｉｏｎ Ｍｏｄｕｌｅ ｔｏ ｔｈｅ Ｓａｃｒａｍｅｎｔｏ Ｒｉｖｅｒ［Ｊ］．Ｅｃｏｌｏｇｉｃａｌ Ｍｏｄ?ｅｌｌｉｎｇ，２０１８，３６８：１５８－１６８．

［１４］ 寧聰，傅志敏，王志剛．ＨＥＣ－ＲＡＳ 模型在二維潰壩洪水研究中的應用［Ｊ］．水利水運工程學報，２０１９（２）：８６－９２．

［１５］ ＤＡＢＢＯＯＲ Ｍ，ＨＯＷＥＬＬ Ｓ，ＳＨＯＫＲ Ｍ，ｅｔ ａｌ．Ｔｈｅ Ｊｅｆｆｒｉｅｓ?Ｍａｔｕｓｉｔａ Ｄｉｓｔａｎｃｅ ｆｏｒ ｔｈｅ Ｃａｓｅ ｏｆ Ｃｏｍｐｌｅｘ Ｗｉｓｈａｒｔ Ｄｉｓｔｒｉ?ｂｕｔｉｏｎ ａｓ ａ Ｓｅｐａｒａｂｉｌｉｔｙ Ｃｒｉｔｅｒｉｏｎ ｆｏｒ Ｆｕｌｌｙ Ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲＤａｔａ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１４，３５（１９）：６８５９－６８７３．

【責任編輯 許立新】

基金項目：水利部重大科技項目（ＳＫＳ－２０２２１５３）；國家重點研發計劃項目（２０２２ＹＦＣ３００５５０１）；貴州省水利科技經費項目（ＫＴ２０２２１７，ＫＴ２０２２１８）