基于后向散射特性的SAR遙感水體提取

中圖分類號：P332；TP751 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.07.26引用格式：，，，等.基于后向散射特性的SAR遙感水體提取[J].人民黃河，2025，47（7）：163-168.

SAR Remote Sensing Water Extraction Based On Electromagnetic Scattering Characteristics

PENG Ruyi1，2.3，LI Jiaxin1，2，3，WU Jidong1，2， XU Yingjun12，WANG Lei4

（1.International CooperationJointLaboratoryfor Catastrophe Simulationand Systemic Risk Response，Ministryof Education， Beijing Normal Universityat Zhuhai，Zhuhai519O87，China；2.School of National SecurityandEmergency Management， BeijingNormalUniversityBeijingO875，China；3.SchoolofSystemsScience，BeijingNormalUniversityBeijing00875， China;4ScholfaidUrbStaoatieiUstofiilgeingndcieur，ea Abstract： Itisacommonmethodtoextract waterareasinSARremotesensingimagesbasedothetresholdsgmentationmethod，which hastheadvantagesofclearphysicalmeaningandlowagoritcomplexity.Thedeteminationofthesholdisthekeyoftistypofet od，andtheistigaalndutomatictolddeternatiometossuferfrortessdeakadptabilitytoaterdistribution.Thisarticlefirstlyanalyzedthereasonsforthefluctuationoftheoptimalsegmentationthresholdwhenextractingwaterbodies basednSARremotesensing imagesfromtheperspectiveofmicrowavescateringcharacteristicsofwaterbodies，mainlyicludingging conditions，polarizationmethods，watersurfaceroughness，andotherfactors；Secondly，onthisbasis，aregresionmodelbetwenSAR imagingcondionsandwaterbackscatringcoeficientwasuil，andanadaptivethesholdsgmentationmetodwaspropdforater extractionbasedonthismodel.Finally，experimentswereconductedbyusingactualhig-resolutionSARremotesensingimagedata.The testresultsshowthatthemethodhasstrongadaptabilitytochangesinimagingconditionsandothrfactors，withanextractionacacyof （20 94.8% .Theextractionprocesscanachievefullprocessautomation，whichcanefectively improvetheaccuracyandtimelinessofemote sensing flood monitoring.

Key words：microwave scattering characteristics； threshold segmentation；water extraction; remote sensing

0 引言

在全球氣候變化背景下，近年來我國遭受極端降雨和洪澇事件的頻率劇增，嚴重威脅了國家公共財產安全和人民生命安全。洪水的發生雖然具有隨機性和突發性，但是在特定的時間尺度內，也具備一定的規律性[]。暴雨洪澇災害對農業生產造成了巨大的威脅，準確、定量地監測洪澇水體可為農作物損失評估提供基礎數據，對農業可持續發展、農業防災減災對策與措施的制定具有重要意義，也有利于相關部門及時掌握洪澇災情，并為防災減災救災工作提供科學依據。由于技術等方面的限制和數據的缺乏，因此以往的洪澇災情監測工作存在時效性差且準確性不夠等問題。隨著遙感和電子信息技術的發展，基于遙感技術的調查方法被廣泛應用，成為常規的地表信息獲取和災前監測災后損失評估手段。由于光學遙感數據直觀性強且更方便獲取，因此早期水體提取以光學遙感數據為主要研究數據，然而洪澇災害發生時往往伴隨著多云陰雨天氣，光學影像進行水體提取有較大的難度。合成孔徑雷達（synthetic aperture radar，SAR）具有穿透能力強、不受光照天氣條件影響的優勢，可實現對受災區域的全天時全天候監測[2]。目前，已有多種基于SAR遙感影像提取水體的方法被提出，包括閾值法[3-5]、區域生長算法[6]、模糊分類算法[7]、雙極化水體指數法[8]等。其中，閾值法是目前應用最為廣泛的方法，具有計算速度快、運算復雜度低、算法魯棒性較好的特點。然而，閥值法也存在以下幾方面的局限性：1）受地形因素影響，陰影區域會被分割為水體；2）部分后向散射特性接近水體的地物會被分割為水體；3）基于影像直方圖的雙峰假設，對于水體及非水體區域占比懸殊的影像，提取效果不佳。為了提升精度往往需要采取人機交互的提取模式，通過人工選取比例均衡的水體及非水體區域計算直方圖，這種方法人力成本較高且嚴重影響監測時效。對此，本文采用定量遙感的思路，分析成像條件對水體后向散射系數的影響，建立成像條件與水體后向散射系數的回歸模型，在進行閾值法水體提取時將模型應用于估計水體分割閾值。

本文研究工作分四部分展開。首先，概述了基于閾值分割的SAR遙感水體提取方法，指出已有的閾值分割法存在的不足。其次，分析了影響遙感水體提取閾值變化的主要因素，結合影響因素分析，確定了采用交叉極化影像減少水體波浪影響的思路。然后，利用數據統計建模的方法構建了入射角與交叉極化后向散射系數的回歸模型，并基于該模型提出一種水體自適應閾值分割方法。最后，采用高分三號遙感數據開展了試驗驗證，檢驗了所提出算法的有效性。

1數據來源及研究方法

1.1 數據來源

本研究使用了高分三號（GF-3）、哨兵1號（Sentinel-1）兩種合成孔徑雷達影像遙感數據，以及數字高程模型（DEM）數據。高分三號是我國首顆C波段多極化SAR衛星，其中精細條帶II（FSII）成像模式具有 10m 空間分辨率、 100km 幅寬以及HH和HV雙極化等特點，廣泛應用于水體監測領域。本研究采用的高分三號衛星數據來源于中國資源衛星中心，水體提取試驗采用的遙感影像為高分三號衛星采集的周口市（2021年7月3日）以及新鄉市（2021年7月24日）精細條帶L1A級SAR影像，包含HH同極化數據和HV交叉極化數據。本研究使用的哨兵1號數據收集于哥白尼數據空間生態系統（Copermicus Data SpaceEcosystem）。數字高程模型（DEM）數據為ALOS衛星獲取的 12.5m 高精度地形數據，源自NASA地球科學數據中心，可完整覆蓋研究區域，用于繪制研究區地勢圖并生成坡度數據、對水體提取結果實施精細修正、消除山體陰影導致的誤提取現象。

1.2 研究方法

1.2.1 基于閥值分割的SAR遙感水體提取

基于閾值分割提取SAR遙感影像中的水體信息是利用遙感手段監測水災的常用方法，該方法具有物理意義明確、運算復雜度低等優勢。其中，單閾值分割法是閾值分割類方法中的基礎方法。單閾值分割水體提取方法利用分割閾值將遙感影像或變換處理后的遙感影像二值分割為水體區域和非水體區域。假設遙感影像中像元 （i，j） 位置處像元灰度值為 I（i，j） ，則閾值分割水體提取可表示為下式：

式中： M 為生成的分割掩膜，當像元灰度值小于閾值 τ 時，判定像元為水體， M 取0，否則判定為非水體， M 取1。

單閾值分割法針對水體和非水體灰度分布存在顯著差異時具有良好的應用效果。然而，當非水體地物灰度分布復雜時，分割閾值的確定變得困難。該方法通常依賴人工經驗或反復測試來尋找合適閾值，人力成本較高，難以滿足大規模區域自適應監測的需求。

為此，自適應全局閾值提取方法得以發展，其中大津法[9]（最大類間方差法，Otsu 法）應用最為廣泛。其核心思想是通過最大化類間方差尋找二值分割最佳閥值。該方法基于初始閾值（通常取整景影像均值），通過迭代自適應地優化分割閾值。具體流程為：設定初始閾值 τ ；利用該閾值對影像進行二值分割，得到水體區域M1和非水體區域M2；分別計算兩區域灰度均值m₁ 和 m₂ ，取平均值作為新閾值 τ^′ ；重復上述分割與計算步驟，直至新舊閾值變化量 Δτ=∣τ^′-τ∣ 小于預設參考值 ε ，獲得最終閾值;利用此閾值進行二值分割，提取出水體區域。大津法可大幅提升水體提取的自動化水平。然而，當影像中水體與非水體區域像元數量懸殊（即水體占比極小或極大）時，其分割效果不理想

使用閾值法提取水體的物理機理為水體的微波后向散射系數較小，在SAR圖像上通常小于一般地物的。閾值的確定是該類方法的關鍵環節，針對已有方法存在的問題，筆者對影響SAR水體分割閾值變化的因素進行深入分析，并從物理機理上研究最佳閾值的確定方法。

1.2.2基于后向散射特性的SAR遙感水體提取

水體后向散射特性隨成像條件變化，進而影響采用閾值分割法提取水體時的最優分割閾值。為此，首先研究水面微波散射特性，分析后向散射系數與入射角、極化方式、水面粗糙度等因素的關系，建立后向散射系數與成像條件的回歸模型，為閾值分割提供參考閾值。

根據面散射基本理論[10]，水面散射特性主要受粗糙度、入射角和極化方式影響。其中水面粗糙度可通過波浪高度均方根 （s） 與人射電磁波波長 （λ） 的相對大小關系來表示，通常分為4種類型：當 s 遠小于 λ 時為平滑表面，主要產生鏡面反射，幾乎沒有后向散射分量； s 小于 λ 時為微粗糙表面，當 s 大于 λ 時為中等粗糙表面，這兩類表面同時包含鏡面散射分量和漫散射分量；而當 s 遠大于 λ 時則為極其粗糙表面，其輻射方向趨近于漫散射的朗伯表面。

根據瑞利準則，水面粗糙度與波長及入射角有關[0]。波長一定時，水面粗糙度隨入射角增大而增大：入射角接近 0^° 時產生鏡面反射，后向散射系數最大；入射角超過 50^° 時，后向散射分量極少，回波微弱。圖1為基于哨兵1號SAR衛星數據統計得出的4種極化方式下水體后向散射系數隨入射角的變化。入射角在 20^°～46^° 范圍內，后向散射系數從 -34dB 降至-50dB 。同時，相同入射角下交叉極化（HV/VH）的后向散射系數小于同極化（VV/HH）的。因此，采用閾值法提取水體時，使用交叉極化影像更易區分水體與非水體。

水面粗糙度顯著影響其后向散射系數，且主要取決于區域氣象條件（如強風引起的波浪會增大后向散射系數），如忽略這一因素將大幅降低閾值法提取水體的精度。相關研究表明[12]，同極化（VV/HH）條件下后向散射系數受粗糙度影響較大，而交叉極化（VH/HV）條件下水體后向散射系數受粗糙度影響較小。因此，基于交叉極化影像提取水體可有效降低強風導致的水面粗糙度變化引起的誤差。為增強算法對氣象條件的適應性，本文采用交叉極化數據進行水體提取。

1.2.3基于水體后向散射特性的自適應閾值分割方法

根據對水體后向散射特性的分析可知，采用交叉極化SAR影像提取水體可忽略水面粗糙度影響，此時分割閾值主要受SAR影像入射角影響。因此，可基于輻射定標后的交叉極化影像數據，構建水體后向散射系數與入射角的回歸模型

該模型的構建流程如下：首先獲取開源C波段交叉極化哨兵一號SAR影像數據并進行預處理（輻射定標為后向散射系數），隨后進行中值濾波去除相關噪聲。接著通過目視解譯標注影像中的水體區域。在SAR影像入射角范圍內，以 0.5^° 為間隔統計各入射角下水體區域的后向散射系數。鑒于SAR影像水體后向散射系數幅度服從瑞利分布、相位服從均勻分布[13]，建立每個入射角下的后向散射系數幅度的瑞利分布模型，并采用最大似然估計法估計瑞利分布參數σ 。最終得到人射角與水體后向散射系數的回歸模型。

考慮到經濟成本及數據獲取便利性，本研究在算法研究與水體提取模型建立階段采用開源哨兵一號SAR衛星數據。然而，國內遙感監測常用高分三號衛星[14]，雖然兩者均采用C波段，但是其工作頻率存在一定差異。因此，直接將基于哨兵一號構建的回歸模型應用于高分三號數據會產生系統誤差。為使模型能夠更好地適用于高分三號數據，利用高分三號數據樣本對模型進行修正。模型修正時主要考慮對相對誤差和絕對誤差進行估計：

σ_i^′=aσ_i+b

式中： σ_i 為入射角為 i 時基于開源數據構建的后向散射系數， σ_i^′ 為修正后的后向散射系數， Δ_a 和 b 分別為相對誤差和絕對誤差修正系數。

采用最小二乘法估計以上修正系數，得到高分三號適用的入射角與后向散射系數回歸模型。此方法同樣適用于修正其他同波段SAR衛星數據的模型。得到該入射角與水體交叉極化后向散射系數回歸模型后，需進一步確定各人射角下的最佳分割閾值。根據瑞利分布條件下概率分布函數特點，采用下式確定入射角為 χ_i 時的分割閾值 ?_τi ：

式中：ent為取整函數。

根據瑞利分布概率模型，當閾值取σi 時，理論上入射角 i 對應的距離單元內

99.44% 的水體像元可被準確分割。鑒于遙感影像處理通常采用dB制表示后向散射系數，故對上述閾值進行取整處理。完整的自適應閾值分割算法流程如下：

1）L1A級遙感影像輻射校正為后向散射系數（L1B級數據）；2）從L1A級影像的入射角輔助文件中讀取每個距離單元的入射角，利用后向散射系數回歸模型計算每個距離單元對應的后向散射系數，并計算對應的分割閾值;3）采用步驟2）中得到的最大閾值對L1B級數據進行閾值分割，剪裁掉非水體區域得到水體候選區域數據；4）利用步驟2）中得到的各距離單元分割閾值對水體候選區域進行逐像元處理，得到L1級的水體提取結果；5）對步驟4）得到的L1級水體提取結果進行幾何校正和地理信息編碼，得到最終水體提取結果。

1.2.4 水體提取后處理

基于閾值分割法提取水體時，相干噪聲會導致水體區域內的噪點被誤判為非水體，降低分割精度。對此，采用濾除SAR圖像中相干噪聲常用的中值濾波方法[15]進行抑制，采用馬爾科夫隨機場方法[16]進一步優化水體提取結果。此外，地形遮擋造成的陰影是閾值分割精度的重要影響因素。本文采用陰影分析法[17]提取SAR影像陰影區域，并利用陰影掩膜消除水體結果中誤分類的陰影。直接濾除陰影區域可能導致其中真實水體被錯誤排除，因此進一步結合淹沒分析法[18-19]和高程數據對陰影區域內的水體進行修正。最終對水體提取結果進行幾何校正，生成L2級水體產品。

綜上，算法整體流程見圖2，主要包括模型構建及修正、數據預處理以及水體提取等過程，算法輸人為水災區域L1A級SAR圖像數據，輸出為L2級水體提取結果產品，整個過程無需人工介入，可實現全流程自動化。

2 結果與分析

為了驗證本文提出算法的有效性，試驗分別選取河南省周口市以及新鄉市作為研究區。這兩個研究區域均分布有典型的河流、湖泊等地表水體，適合作為驗證對象。同時，周口市以平原地形為主，而新鄉市兼具平原與山地地形特征，可對比評估本文方法在不同地理環境下的水體提取能力。試驗采用的遙感影像為高分三號衛星于2021年7月3日（周口市）以及7月24日（新鄉市）獲取的精細條帶L1A級SAR影像，包含HH同極化數據和HV交叉極化數據。圖3、圖4為研究區域的L2級影像。

在對比試驗設計上，使用了兩種傳統閾值分割方法作為基準：一種是基于SAR影像水體指數（SDWI）的人工確定閾值法，另一種是經典的大津法。采用上述兩種算法分別處理HH極化數據和HV極化數據。本文所提出的自適應閾值法僅使用HV極化數據。

圖5為周口市2021年7月3日高分三號影像截選區域，以及該區域分別采用基于SAR水體指數人工確定閾值法和本文方法的初步水體提取結果（陰影消除前）。對比提取結果可知，兩種方法均能有效識別該區域顯著的地表水體目標，包括河流、湖泊以及部分細小溝渠等，驗證了本文方法的有效性。

在細節提取方面，特別是在地形復雜的密集建筑區，兩種方法提取結果中均出現了不同程度的誤提取現象。人工設定的全局閾值難以適應城區復雜的地物散射特性，易出現誤提取。相比之下，本文方法雖然仍存在少量誤判，但是被誤分類為水體的地物數量明顯減少，且分布較為稀疏，初步驗證了本文所構建的入射角-后向散射系數模型能夠通過入射角調節局部閾值，提高水體提取精度。根據前文提到的后處理方法對水體提取結果進行陰影消除，并進一步對試驗結果進行統計分析，在研究區域內經目視解譯隨機選取1000個樣本點，選取的樣本點包括水體和非水體。分別對兩種方法的提取結果進行統計，結果見表1。

由表1可知，在地形單一的平原地區，本文方法與水體指數人工確定閾值法精度相近。而相較于依賴人工確定閾值的方法，本文方法通過全流程自動化處理顯著提高了效率。此外，人工確定閾值法需要基于L2級衛星影像進行處理，若基于水體指數法確定閾值則需要基于雙極化數據進一步計算水體指數，而本文方法可直接應用于HV極化L1級數據，有效減少了預處理步驟及冗余數據處理量，

圖6為新鄉市2021年7月24日高分三號影像截選區域，以及該區域分別采用大津法和自適應閾值法獲得的水體提取初始結果（陰影消除前）。對比顯示，在平原地形區域，兩種方法均能有效識別水體目標，提取結果具有較高一致性，且水體漏提的現象較少。然而，在山地地形條件下，兩種方法的提取效果差異顯著：大津法存在明顯的山體陰影誤判問題，大量山體陰影被錯誤提取為水體；相比之下，本文方法能夠有效區分山體陰影與真實水體，僅存在少量受特定坡度方向影響而產生的誤識別。因此，在同樣具備自動化處理能力、可大幅節省人力并提高效率的前提下，本文方法針對復雜山地環境中的水體提取展現出更強的針對性和有效性，顯著削弱了山體陰影的干擾

根據前文所述后處理方法對水體提取結果進行陰影消除，并進一步對試驗結果進行統計分析，在研究區域內平原地形和山地地形分別經目視解譯隨機選取500個樣本點，選取的樣本點包括水體和非水體。分別對兩種方法的提取結果進行統計，結果見表2。

由表2可知，大津法在山地地形的錯分率相較于平原區域顯著提高了約18個百分點（基于定量精度評價），而本文方法在不同地形條件下的精度波動幅度則控制在7個百分點以內。上述結果表明，在地形復雜的山地，本文方法展現出更強的地形適應性。從數據處理流程來看，本文方法能夠直接處理L1級數據，使其相比傳統方法顯著減少了預處理環節的工作量且易于實現全流程自動化，具備更強的實際應用潛力。

3結論及討論

基于水體微波散射特性，深入分析了影響SAR遙感影像水體提取最佳分割閾值波動的關鍵因素，主要包括成像條件、極化方式、水面粗糙度以及入射角等。通過系統分析，得到入射角越大后向散射系數越小這一規律，且基于高分三號雷達衛星的條帶成像模式數據，其單景影像內存在大約 2^°～7^° 的入射角漸變，因此全局性閾值分割方法在整景影像應用時具有一定局限性。為解決此問題，構建了水體后向散射系數與入射角的回歸模型。并基于該模型創新性地提出了一種SAR遙感水體提取的自適應閾值分割算法。該算法摒棄了傳統全局閾值的思路，轉而根據不同距離單元對應的入射角設定不同的閾值進行水體提取。通過實際遙感影像數據的試驗驗證，充分證明了該方法的有效性。

相較于傳統的閾值分割方法，本研究的主要創新點體現在：基于水體的電磁后向散射特性，建立了成像條件與后向散射系數的回歸模型。將以往以整景或局部矩形區域為單位進行閾值分割的方法改進為按成像時的距離單元為單位進行分割，每個距離單元所采用分割閾值是明確的、可解釋的，顯著提升了分割結果的可信度。本文所提出的方法可為洪澇災害應急響應提供一種新的、更具適應性的遙感水體提取技術方案。

參考文獻：

[1] 管新建，劉源，孟鈺，等.中國洪澇災害農業致災性時空分布規律[J].水資源保護，2022，38（4）：21-25.

[2] 高寒新，陳波，孫洪泉，等.SAR衛星影像洪水檢測研究進展及展望[J].地球信息科學學報，2023，25（10）：1933-1953.

[3] 袁欣智，江洪，陳蕓芝，等.一種應用大津法的自適應閾值水體提取方法[J].遙感信息，2016，31（5）：36-42.

[4] 徐紅偉，董張玉，楊學志.一種自適應閾值的水體信息提取方法研究［J].西部資源，2020（5）：135-138.

[5] 任超，劉桃林.針對水體提取的大津布谷鳥自適應閾值方法[J].測繪科學，2022，47（9）：163-169，180.

[6] 王小鵬，文昊天，王偉，等.形態學邊緣檢測和區域生長相結合的遙感圖像水體分割[J].測繪科學技術學報，2019，JU（≌）： IT） IJT，IUU

[7]FAUVEL M，CHANUSSOTJ，BENEDIKTSSONJA.DecisionFusion for the Classification of Urban Remote Sensing Images[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44（10） ：2828-2838.

[8]張磊，韓秀珍，翁富忠，等.基于Sentinel-2AMSI數據的水體信息提取算法對比研究［J].激光與光電子學進展，2022，59（12） ：505-515.

[9]沈蘭芝，諶華，范鳳云，等.基于Q-OTSU算法高分三號水體快速提取方法研究：以河南鶴壁洪澇災害監測為例[J].自然災害學報，2022，31（4）：134-143.

［10］劉吉平.遙感原理及遙感信息分析基礎［M].武漢：武漢大學出版社，2012：31-36.

[11］周帆，張文君，雷莉萍，等.GF-3與 Sentinel-1洪災淹沒信息提取[J].地理空間信息，2021，19（6）：17-21，4.

[12]舒寧.微波遙感原理[M].武漢：武漢大學出版社，2003：12-15.

[13］張文璇，王卷樂.基于SAR影像后向散射特性的中俄黑龍江流域洪水監測[J].地球信息科學學報，2022，24（4）：802-813.

［14］李偉.基于高分三號衛星SAR影像的洪澇遙感監測研究[J].產業科技創新，2024，6（1）：126-128.

[15］鄧明軍，王迪，劉鑫，等.一種基于SAR影像非局部高斯加權中值濾波算法［P].中國專利：202210234551.9，2022-06-10.

[16]翟慶羽，張東水，田輝彬，等.多指數去陰影型 Sentinel-1SAR數據洪水淹沒范圍最優閾值分割方法：以邵陽縣為例[J].測繪與空間地理信息，2020，43（8）：79-83，86.

［17］趙佳，安道祥.改進馬爾科夫隨機場的SAR圖像建筑物分割[J].遙感技術與應用，2024，39（2）：405-412.

［18］楊愛玲，宋帥全，王洪昌，等.基于數字高程模型的洪水淹沒分析算法研究與應用［J].測繪與空間地理信息，2023，46（增刊1） ：44-47.

[19］林源君，王旭瀅，包為民，等.基于一二維水動力模型的山丘區小流域洪水模擬與淹沒分析［J].水力發電，2022，48（3）：10-14.