EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 6: 1063 - 1070

DOI: https://doi.org/10.12082/dqxxkx.2021.200717

遥感科学与应用技术

Sentinel-1 SAR在洪水范围提取与极化分析中的应用研究

  • 陈赛楠 , 1 ,
  • 蒋弥 , 2, *
展开
  • 1.河海大学地球科学与工程学院,南京211100
  • 2.中山大学测绘科学与技术学院,广州 519000
*蒋 弥（1982— ）,男,江苏南京人,副教授,从事InSAR基础理论和形变监测研究。E-mail:

陈赛楠（1996— ）,女,江苏南通人,硕士生,主要研究方向为合成孔径雷达变化检测及洪水应用。 E-mail:

收稿日期: 2020-11-28

  要求修回日期: 2021-03-12

  网络出版日期: 2021-08-25

基金资助

国家重点研发计划项目(2018YFC0407900)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Application Research of Sentinel-1 SAR in Flood Range Extraction and Polarization Analysis

  • CHEN Sainan , 1 ,
  • JIANG Mi , 2, *
Expand
  • 1. School of Earth Science and Engineering, Hohai University, Nanjing 211100, China
  • 2. Cchool of Geospatial Engineering and Science, Sun Yat-Sen University, Guangzhou 519000, China
*CHEN Sainan, E-mail:

Received date: 2020-11-28

  Request revised date: 2021-03-12

  Online published: 2021-08-25

Supported by

National Key Research and Development Program of China(2018YFC0407900)

Copyright

Copyright reserved © 2021
Fold

摘要

在洪水灾情监测中,快速准确的获取淹没区域和洪灾面积,对防汛救灾和灾后重建工作具有重要价值。本文以2017年美国圣路易斯洪水为例,基于Sentinel-1 SAR数据,利用变化检测和阈值相结合的方法实现大范围洪水淹没提取,将VV/VH极化数据分别与从同期Sentinel-2光学影像中获取的洪水淹没范围进行比较,评定极化方式的洪水适用性优劣程度。不同的SAR极化数据对洪水监测的适用性不同,通过绘制各极化不同时期的后向散射横断面线来分析多极化中的散射响应特征。研究表明：Sentinel-1 VV/VH极化数据均能以超过82%的高精度识别出洪水,VV极化洪水提取时产生的误判更少;在同样的区域,相较于VH,Sentinel-1 VV极化信号的散射程度小了约28%,在洪水中的信息敏感,更适用于洪水灾害的淹没范围监测。

关键词： 洪水监测; Sentinel-1; SAR; 美国圣路易斯洪水; 极化分析; 变化检测; 淹没范围; Sentinel-2

本文引用格式

陈赛楠 , 蒋弥 . Sentinel-1 SAR在洪水范围提取与极化分析中的应用研究[J]. 地球信息科学学报, 2021 , 23(6) : 1063 -1070 . DOI: 10.12082/dqxxkx.2021.200717

Abstract

In flood disaster monitoring, fast and accurate detection of inundated area and flooded disaster region is of great value for flood control and post-disaster reconstruction work. This paper takes the 2017 Saint Louis flood in the United States as an example. Based on Sentinel-1 SAR data, the method of combining change detection and threshold was used to achieve large-scale flood inundation extraction. Firstly, the SAR data were pre-processed with sigma radiation calibration and Refined Lee filtering, which were effective in improving the contrast of land and water bodies, as well as attenuating the coherent speckle noise. Secondly, the difference image between the reference image and flooded image was defined by change detection methodology and the image histogram was divided by the quantile threshold method to extract the submerge area. Finally, image post-processing was performed on the thresholded results to reduce misclassification. Areas not close to the water surface and whose slope was higher than 3 degrees were defined as non-flood region for exclusion using the digital elevation model. Then, the small particle noise and holes were removed by morphological filtering to achieve large-scale flood inundation extraction. The boundary information was retained while keeping the original size of the flood category unchanged. Heavy rainfall was the main cause of the 2017 extensive flooding in Saint Louis. The low-lying northern river bend area was the most severely affected, inundated for up to two months while the main city suffered less damage due to its high terrain and timely flood protection. Until now, there have been few studies on the effectiveness of different synthetic aperture radar data polarization modes in relation to flood detection. The Sentinel-1 VV/VH polarization data were compared with the flood inundation extraction range obtained from the Sentinel-2 optical image during the same period. Then, the flood detection applicability of the polarization mode was evaluated based on the comparison results. The scattering response characteristics in the multi-polarization patterns were analyzed by plotting the back-scattering cross-sectional lines for different periods of each polarization. The results show that both Sentinel-1 VV and VH polarization data can identify flood with a high accuracy of over 82%. Compared with VH polarization mode, VV polarization mode has fewer false positives. In the same region, the scattering degree of Sentinel-1 VV polarization signal was 28% smaller than that of VH, showing more sensitive information from the flood. Therefore, Sentinel-1 VV polarization mode is more suitable for monitoring the inundation range of flood disaster.

Key words： flood monitoring; Sentinel-1; SAR; Floods in Saint Louis,USA; polarization analysis; change detection; flood submerge area; Sentinel-2

1 引言

洪水是世界范围内的重大自然灾害之一,严重危害人类的生命和财产安全[1]。随着气候变暖与海平面上涨等环境问题的加剧,全球洪涝灾害频发并呈上升趋势,据统计洪水受灾区域每次可达数十甚至数百平方千米[2]。在此背景下,快速提取洪水范围、捕捉洪灾空间变化等信息对于灾害风险评估、灾后重建与经济恢复等具有重要指导意义[3,4]。
合成孔径雷达（Synthetic Aperture Radar,SAR）在洪灾监测中具有得天独厚的优势,能够弥补光学传感器的不足[5]。一方面,SAR不受天气影响而穿透云层,可以在全天候,全时段,大范围地获取高精度图像[6]。另一方面, 发生洪水时,相对于洪水前,水体会扩张,地表被淹没,光滑的水体表面对脉冲辐射主要表现为镜面反射,而粗糙的陆地表面则多为漫散射[7]。由于SAR信号在水表面的镜面反射和水的高介电常数,开放水表面将导致低的后向散射系数,与相同区域内无洪水的图像相比,影像灰度值的分布发生了变化。
自2014年欧空局的Sentinel-1卫星升空以来,SAR重返周期缩短,空间覆盖范围增加,海量SAR数据为准实时洪灾监测提供了得天独厚的优势。汤玲英等[8]分析基于传统像元方法的缺点后,利用面向对象的方法提取Sentinel-1 SAR数据洪水淹没范围。吴文会等[9]联合使用OSTU阈值分割法和随机森林分类法实现对Sentinel-1 SAR洪灾淹没面积的时序监测。Amitrano等[10]提出了结合Sentinel-1数据纹理信息和幅度信息进行快速洪水测绘的新方法,并在郊区洪水检测中得到高精度结果。对于城市中的洪水受灾情况,Chini等[11]在识别出建筑物之后,利用Sentinel-1干涉相干特征检测出城市洪水的存在。虽然Sentinel-1 SAR的多种数据特征已被广泛用于洪涝检测中,但系统论证其VV和VH极化特性洪水监测适用性的研究较少。
本研究通过使用多时相卫星SAR数据集[12],应用与自适应后处理相配合的变化检测和阈值化方法来确定近实时洪水受灾范围。以2017年圣路易斯洪水的案例来测试该过程的可靠性,SAR数据检测到的洪水范围通过对比Sentinel-2光学图像[12]进行验证。结果将提供淹没期间洪水动态的信息,并基于后向散射响应分析Sentinel-1 SAR的VV和VH极化数据在洪水监测中的性能和敏感度差异。

2 研究方法、实验区概况及数据来源

2.1 研究方法

本文使用欧空局SNAP软件对数据集进行预处理,在执行sigma辐射校准后得到后向散射系数。为提高陆地和水体的对比度,将散射值转换为dB波段图像。接着,对校准后的图像逐个进行7像素×7像素窗口的Refined Lee滤波,用于消除相干斑噪声并兼顾图像边缘信息。对于SAR侧视成像机理引起的叠掩、透视收缩和阴影易被误判为洪水类别的问题,本文利用SRTM数字高程模型进行SAR几何估算,执行地形校正以消除畸变。
在变化检测方法中,首先定义参考图像（R）与淹没图像（F）之间的变化检测差异图（D）：D=F-R。在生成差异图之后,采用Long[13]提出的CDAT阈值法,将差异图的直方图区间进行划分,用分位点切割经验分布的尾部表示高差异,从而突出显示淹没区域。
P F < ( μ D - c f × σ D )
式中：PF是识别为洪水的像素;μ和σ是差异图像的均值和标准差。以斑点数量和产生的洪水模式为判断依据,本研究中的系数cf为1.5。
为减少错误分类,对阈值化后的结果进行影像后处理。首先,考虑到洪水区域的地形因素,使用数字高程模型计算不靠近水面且坡度高于3°的区域,以“非洪水”区域进行排除。其次,在去除小像素群的侵蚀操作和填充物体空隙的扩张操作的基础上,以开放式滤波去除小颗粒噪声,然后用封闭式滤波去除小孔,在保持洪水类别原有大小不变的同时保留边界信息。这样可以在不增加噪声的情况下,识别出洪水区域边界上的像素和被洪水包围的独立像素,所有的SAR数据都以同样的方式进行后处理,如图1所示。
图1 洪水信息提取技术路线

Fig. 1 Flowchart of flood information extraction

2.2 实验区概况与数据来源

密西西比河是美国仅次于密苏里河的第二长河,全长3766 km2。研究区域位于38.6°N—39.02°N,90.06° W—90.71°W之间,春季降雨频繁,多雷暴天气,地势低洼,夏秋两季易受热带和亚热带海域飓风影响,滋生风暴潮灾害,且上游支流众多,水量大,长期承受水患威胁[14]。在密苏里州西南部圣路易斯地区,密苏里河与密西西比河相汇,前者占密西西比河排水面积的40%以上,总排水量约占20%。
在表1列出的洪水期间,从2017年4月22日—2017年6月21日获取了VV和VH极化的Sentinel-1 TOPS模式SAR数据集,卫星轨道92全覆盖研究区域,部分覆盖的轨道165与研究区重合率为46%。
表1 本研究所采用的Sentinel-1 SAR数据相关信息[12]

Tab. 1 Information about the Sentinel-1 SAR data used in this study

Sentinel-1 影像 获取时间 轨道 覆盖占比/%
1 2017-04-22 92 100
2 2017-05-04 92 100
3 2017-05-16 92 100
4 2017-05-28 92 100
5 2017-06-09 92 100
6 2017-06-21 92 100
7 2017-04-28 165 46
8 2017-05-22 165 46
9 2017-06-03 165 46
10 2017-06-15
 165 46

3 结果及分析

3.1 精度评价

研究表明,有监督和无监督分类[15],带密度切片[16],光谱水指数[17]等方法可用于根据遥感数据绘制水体图。由于计算成本低,效果好,本文使用光谱水指数即MNDWI提取Sentinel-2图像中的淹没区域进行洪水后分析[18]。为了验证SAR洪水结果的真实性,在洪水期间缺乏实地数据的情况下,将5月16日的双极化（VV和VH）Sentinel-1数据与5月14日采集的Sentinel-2 数据进行对比,由气象数据可知在SAR和光学数据采集期间的2天内没有降雨,影像显示河道蜿蜒处的部分洪泛区出现了自然收缩现象（图2）。
图2 Sentinel-1 SAR影像洪水提取结果验证

Fig. 2 Sentinel-1 SAR image flood extraction results validation

图2(a)显示出洪水区域内的部分未淹没植被,与光学数据相比,这些线状区域在SAR图像中更宽。由于SAR传感器侧视特点导致的叠掩和透视收缩等几何变形,在这些区域中SAR数据识别的洪水范围通常被低估。表2与表3的误差矩阵显示了2种极化方法的洪水提取准确性。VH总准确度为82.9%,VV总准确度为86%,二者的总体精度相差3.1%。虽然与光学数据存在时间差,但二者实验结果的kappa系数为0.65（VH）、0.71（VV）,表明光学结果与2种极化结果之间关系良好,偶然性造成的关联很小。
表2 VV极化洪水监测精度

Tab. 2 Flood monitoring accuracy of VV polarization

SAR VV/Sentinel-2 洪水/km2 非洪水/km2 用户精度/%
洪水/km2 4.37 0.6492 86.88
非洪水/km2 1.37 6.95 83.53
生产者精度/% 76.13 91.33
表3 VH极化洪水监测精度

Tab. 3 Flood monitoring accuracy of VH polarization

SAR VH/Sentinel-2 洪水/km2 非洪水/km2 用户精度/%
洪水/km2 4.21 1.18 78.11
非洪水/km2 1.53 6.43 80.78
生产者精度/% 73.34 84.49

3.2 Sentinel-1极化分析

VV和VH极化都可用于所有Sentinel-1 SAR图像,从而可以比较其洪水应用的能力。图3显示,在研究期间,2种极化都表现出相似的洪水进退情况。暴雨之后的5月4日获取了2个极化的最大洪水程度,VV和VH分别淹没了8.4%和8.8%的研究区域。在此日期的前后,洪水面积相对较小,4月22日的淹没程度分别为6.4%（VV）和7.3%（VH）。 5月28日之后,洪水泛滥程度降低,在6月9日继续降至5.1%（VV）和4.4%（VH）。
图3 VV和VH极化监测的洪水区域百分比

Fig. 3 Percentage of flooded areas for VV and VH polarization detection

在图4中,比较5月16日的VV和VH极化图像,显示出相当大的差异,分别淹没了7.3%（VV）和6.2%（VH）的区域。可以观察到VV极化的开放水域和周围植被之间的对比度更高,这是由于双重反弹效应,即SAR的强信号回波,在水面散射到部分被淹没的树干等处,然后直接回到SAR传感器。在这种散射机制中,很大比例的回散波显示出保留的原极化。因此,在双弹条件下,VV比VH显示出更高的信号响应,可以识别部分淹没的植被和潜在的河水泛滥。
图4 VV和VH极化数据洪水范围比较

Fig. 4 Comparison of flood extent for VV and VH polarization data

如图3所示,由于数据不完整,只覆盖部分研究区域的数据可能低估了洪水。6月21日的图像提供了2个极化检测的洪水范围的近似匹配,其他日期的淹没范围各有不同。图5显示了2个极化之间的强线性关系。在较低的淹没程度下,VV可以识别较大的范围,当淹没程度增大,VH识别的淹没区域更多。
图5 VH和VV极化识别洪水百分比

Fig. 5 Relationship between VH and VV polarization identification flood percentages

绘制横断面线以研究不同极化下的后向散射变化,在靠近密西西比河的地方绘制了横跨农田区的930 m横断面线,长度保持不变。如图6所示,观察到洪水前、洪水中和洪水后的横断面P1、P2和P3,沿着断面线可以得到后向散射值的变化情况。
图6 Sentinel-1 SAR极化剖面

Fig. 6 Sentinel-1 SAR polarization profile

在图7（a）、图7（b）中,蓝色、红色和绿色分别代表淹没前、淹没中和淹没后的日期。从图中可以看出,淹没日期的散射值与非淹没日期相比相对较低,VV极化在-13 ~ -17 dB之间,而VH在 -19 ~ -25 dB之间。Sentinel-1卫星采用的C波段范围内,VH极化多被认为是由体积散射引起的[19],在树冠处显示出更高的信号返回。VV极化的特点在于对树冠的穿透深度较强,主要受树干与水面之间双重弹跳影响。图7(c)显示在相同的区域内,VV极化信号比VH散射小,散射值更高,信息反应更灵敏。这说明即使在洪水中,VV极化对表面粗糙度也更为敏感,有助于识别洪水中半淹没区域。图7(a)显示VV极化中洪水后日期的绿色曲线介于两条曲线（红蓝）之间,说明淹没区正在回缩,后向散射值由-8 dB变为-13 dB,而图7(b)显示VH极化中绿色和蓝色曲线交错,淹没区的收缩特征不明显。这些特点均表明VV极化在洪水应用中的适宜性。
图7 2017年美国圣路易斯洪水VV和VH极化后向散射对比分析

Fig. 7 Comparative analysis of VV and VH polarized backscatter from the 2017 Saint Louis floods, USA

3.3 洪水动态追踪

基于上述分析,采用更适合洪水应用的VV极化作为后续分析,图8为2017年美国圣路易斯洪水淹没范围的检测结果。图8(a)显示整个研究区域大部分为淹没1~13 d的低危险地区,东部海滩地区淹没超过一个月。图8(e)中受灾最严重的区域位于密西西比河的上游支流处,由于地势低洼,河道流速快,受淹时间最长,特别是受暴雨影响的北部河弯洪水泛滥近两个月。研究区内有多个自然保护区,其中大部分是树木繁茂的动物栖息地,由于海拔低、积水多,洪水对该地区的植被产生了重大影响,而圣路易斯主城区由于地势较高,防洪措施及时,并未遭受太大的损失。
图8 2017年美国圣路易斯洪水淹没范围检测结果

Fig. 8 The flooded area monitoring results of Saint Louis,USA in 2017

4 结论

洪水是影响人类生活的重大自然灾害之一,在短时间内准确获取淹没范围对灾害评估和洪水预测具有重要的指导意义。由于洪水期间常伴随多云天气,常用的光学遥感手段不足以解决这一问题,为此,本文使用全天候Sentinel-1 SAR数据,利用变化检测和阈值方法,快速准确获取洪水淹没范围。2017年4—6月的10张Sentinel-1 SAR图像已被用于美国圣路易斯地区的洪水监测,得出的主要结论如下：
（1）以5月14日采集的圣路易斯Sentinel-2光学卫星影像与5月16日的SAR影像进行洪水提取验证,虽然存在2 d的时间差,但经区域内水文观测站数据可知,期间未有降雨,可作为对比数据。VH和VV极化的总精度分别为82.9%和86%,表明VV极化的洪水变化检测精度更高。针对同一淹没区域,在6月15日较低的淹没程度下,VV极化可以识别49 km2的较大洪水范围,当淹没程度增大至5月4日的洪水泛滥程度,相较于VV极化,VH极化识别的淹没区域多6.7 km2。
（2）进一步通过绘制不同时期的后向散射横断面线对VV/VH极化进行散射特征分析,结果显示相较于洪水灾前,洪水灾中的后向散射值均呈现大幅度减小,洪灾退去后,散射值回升。其中VH极化由于自身对体积散射敏感性较高的特点,在植被稀少的地区散射相对较低,这种散射特性致使检测水域与植被间对比度不高,易产生似水物体的误分类,造成检测精度的偏低;VV极化由于对树冠穿透深度较强,信号扩散程度小,散射值高,有助于识别洪水中的半淹没地物,具有更好的洪水监测适用性。
（3）经散射特性分析后,选取洪灾研究适用性更好的VV极化进行2017年圣路易斯洪水追踪分析。强降雨引起的密西西比河泛滥是此次洪灾的主要原因,北部河弯地区地势低洼,受灾严重,淹没长达两月;研究区内存在多个自然保护区,长时间的洪水淹没对该区植被产生影响。虽然洪水淹没范围广,部分地区持续时间长,但圣路易斯主城区由于地势较高,防洪及时,并未遭受严重损失。
极化比较中得到的后向散射结果仅限于选定的研究区域,并随着目标和传感器参数的变化而变化。该研究证明了结合免费遥感数据进行大规模洪水监测的有效性,针对全球洪水事件结果的进一步验证将证实,通过SAR数据进行的洪水管理对易受洪水侵袭地区至关重要。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
葛鹏, 岳贤平. 洪涝灾害评估研究综述[J]. 南通大学学报(自然科学版), 2012,11(4):68-74.

[ Ge P, Yue X P. Review on assessment of flood and waterlogging disaster[J]. Journal of Nantong University (Natural Science Edition), 2012,11(4):68-74. ]

[2]
Carles B J, David P, Lluis R B J, et al. The extreme floods in the Ebro River basin since 1600 CE[J]. Science of the Total Environment, 2019,646:645-660.

DOI

[3]
彭顺风, 李凤生, 黄云. 基于RADARSAT-1影像的洪涝评估方法[J]. 水文, 2008,28(2):34-37.

[ Peng S F, Li F S, Huang Y, et al. A flood and water-logging assessment method based on RADARSAT-1 image[J]. Journal of China Hydrology, 2008,28(2):34-37. ]

[4]
Pulvirenti L, Chini M, Marzano F S, et al. Detection of floods and heavy rain using Cosmo-SkyMed data: The event in Northwestern Italy of November 2011[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 3026-3029.

[5]
郑伟, 刘闯, 曹云刚, 等. 基于Asar与TM图像的洪水淹没范围提取[J]. 测绘科学, 2007,32(5):180-181.

[ Zhang W, Liu C, Cao Y G, et al. Extracting the flood inundated area based on Asar and TM image[J]. Science of Surveying and Mapping, 2007,32(5):180-181. ]

[6]
Moslem O S, Imen H, Samuel F, et al. Flood extent mapping from time-series SAR images based on texture analysis and data fusion[J]. Remote Sensing, 2018,10(2):237.

DOI

[7]
Surampudi S, Yarrakul K. Mapping and assessing spatial extent of floods from multitemporal synthetic aperture radar images: a case study on Brahmaputra River in Assam State, India[J]. Environmental Science and Pollution Research, 2020,27(2):1521-1532.

DOI

[8]
汤玲英, 刘雯, 杨东, 等. 基于面向对象方法的Sentinel-1A SAR在洪水监测中的应用[J]. 地球信息科学学报, 2018,20(3):377-384.

DOI

[ Tang L Y, Liu W, Yang D, et al. Flooding monitoring application based on the object-oriented method and Sentinel-1A SAR data[J]. Journal of Geo-information Science, 2018,20(3):377-384. ]

[9]
吴文会, 王丽欣, 马卓. 基于Sentinel-1B SAR数据的洪水提取和监测[J]. 测绘与空间地理信息, 2019,42(4):110-111.

[ Wu W H, Wang L X, Ma Z. Flooding extraction and monitoring based on Sentinel-1B SAR data[J]. Geomatics and Spatial Information Technology, 2019,42(4):110-111. ]

[10]
Amitrano D, Di M G, Iodice A, et al. Unsupervised rapid flood mapping using Sentinel-1 GRD SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018,56(6):3290-3299.

DOI

[11]
Chini M, Pelich R, Pulvirenti L, et al. Sentinel-1 InSAR coherence to detect floodwater in urban areas: Houston and Hurricane Harvey as a test case[J]. Remote Sensing, 2019,11(2):107.

DOI

[12]
Sentinel卫星数据(2017)[EB/OL]. https://scihub.copernicus.eu/dhus/#/home.

[ Sentinel satellite data (2017)[EB/OL]. https://scihub.copernicus.eu/dhus/#/home. ]

[13]
Long S, Fatoyinbo T E, Policelli F. Flood extent mapping for Namibia using change detection and thresholding with SAR[J]. Environmental Research Letters, 2014,9(3):35-37.

[14]
陈天慧, 田耀. 美国防洪治理的策略演变及启示——以密西西比河洪水治理为例[J]. 中国水利, 2017,13:51-53.

[ Chen T H, Tian Y. Strategy evolution for flood control in the US and reflection: A typical case of flood control in Mississippi River[J]. China Water Resources, 2017,13:51-53. ]

[15]
叶虎平, 李铜基. 水体光谱特性监督分类方法研究[J]. 海洋技术学报, 2009,28(3):101-105.

[ Ye H P, Li T J. Study on water mass spectral property with supervised classification method[J]. Ocean Technology, 2009,28(3):101-105. ]

[16]
Karthikeyan C I L, Mishra A K. A review of remote sensing applications for water security: Quantity, quality, and extremes[J]. Journal of Hydrology, 2020,585:124-126.

[17]
Ceccato P, Gobron N, Flasse S, et al. Designing a spectral index to estimate vegetation water content from remote sensing data: part 1: theoretical approach[J]. Remote Sensing of Environment, 2002,82(2):188-197.

DOI

[18]
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005,9(5):589-595.

[ Xu H Q. A study on information extraction of water body with the Modified Normalized Diffrerence Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005,9(5):589-595. ]

[19]
Lee J S, Pottier E. Polarimetric radar imaging: Basics to applications[M]. Boca Raton: Crc Press, 2009.

Options
文章导航

/

〈 〉