EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 4: 802 - 813

DOI: https://doi.org/10.12082/dqxxkx.2022.210018

遥感科学与应用技术

基于SAR影像后向散射特性的中俄黑龙江流域洪水监测

  • 张文璇 , 1, 2 ,
  • 王卷乐 , 2, 3, *
展开
  • 1.中国矿业大学(北京)地球科学与测绘工程学院,北京 100083
  • 2.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 3.江苏省地理信息资源开发与利用协同创新中心,南京 210023
*王卷乐（1976— ）,男,河南洛阳人,研究员,主要从事科学数据共享、地理信息系统与遥感应用研究。 E-mail:

张文璇（1997— ）,女,河北承德人,硕士生,主要从事遥感科学与技术研究。E-mail:

收稿日期: 2021-01-13

  修回日期: 2021-03-02

  网络出版日期: 2022-06-25

基金资助

中国科学院战略性先导科技专项(XDA19040501)

中国科学院特别交流计划(Y9X90050Y2)

中国工程科技知识中心建设项目(CKCEST-2019-3-6)

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

Flood Monitoring of Heilongjiang River Basin in China and Russia Transboundary Region based on SAR Backscattering Characteristics

  • ZHANG Wenxuan , 1, 2 ,
  • WANG Juanle , 2, 3, *
Expand
  • 1. College of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing 100083, China
  • 2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
*WANG Juanle, E-mail:

Received date: 2021-01-13

  Revised date: 2021-03-02

  Online published: 2022-06-25

Supported by

the Strategic Priority Research Program of the Chinese Academy of Sciences(XDA19040501)

Special Exchange Program of Chinese Academy of Sciences grant number(Y9X90050Y2)

Construction Project of China Knowledge Center for Engineering Sciences and Technology(CKCEST-2019-3-6)

Copyright

Copyright reserved © 2022
Fold

摘要

黑龙江（又称为阿穆尔河）是中国和俄罗斯之间的国际界河,近年来洪水事件频发,给流域内中俄两国带来巨大的人口伤亡和经济损失,加强该流域的洪水监测是两国面临的共同紧迫需求。传统的光学遥感影像受制于洪水期间多云多雨的天气状况,难以及时获得无云影像。本文充分利用全天候雷达数据的优势,提出了一种基于哨兵1号（Sentinel-1）合成孔径雷达数据监测大面积区域洪水的方法。通过Gamma分布和高斯分布拟合SAR影像后向散射系数的概率密度分布,迭代后验概率差值,自动获得全局阈值来分割初始的水体,基于辅助数据细化去除了初始水体中与水体相似的误分类型,并由形态学操作后处理提高了提取的洪水的均匀性。结果表明：① 与传统的分割算法相比,本文提出的方法基于SAR影像后向散射系数的分布规律进行概率密度函数分段拟合,将全局统计划分为局部关系,显著地改善了常规分割算法在水体和非水体像素量级相差过大而表现不佳的情况;② 研究获得了2017—2020年逐年的洪水分布,结果总体精度在87.78%~94.89%之间,Kappa系数在0.76~0.89之间;③ 特别是对于大面积半干旱地区,本文结合了后向散射特性、地形和其他辅助信息的关系,使得能够有效地保留水体并去除与水体后向散射系数相似的地物;④ 结果显示黑龙江（阿穆尔河）中下游沿岸城市哈巴罗夫斯克、阿穆尔斯克等地区为经常性泛洪区域,洪水面积整体呈增加趋势。研究表明,基于雷达数据对洪水空间范围进行时间序列监测,可以为中俄黑龙江流域洪水发展动态监测提供科学支撑。

关键词： 中俄黑龙江流域; 中俄边境; 洪水监测; SAR; Sentinel-1; 概率密度函数; 散射特性; 遥感解译

本文引用格式

张文璇 , 王卷乐 . 基于SAR影像后向散射特性的中俄黑龙江流域洪水监测[J]. 地球信息科学学报, 2022 , 24(4) : 802 -813 . DOI: 10.12082/dqxxkx.2022.210018

Abstract

In recent years, Heilongjiang (Amur) River, a border river between China and Russia, is frequently flooded, which brings huge population casualties and economic losses to China and Russia in the basin. Strengthening flood monitoring in the basin is an urgent need for both countries. Influenced by terrible cloudy and rainy weather during the flooding season, the function of traditional optical remote sensing images are restricted. Thus, it is difficult to obtain cloud-free images during the flood. In this paper, through making full use of the advantages of all-weather radar data, a method of monitoring flood in large area based on Sentinel-1 synthetic aperture radar data is proposed. The probability density distribution of backscattering coefficient of SAR image is fitted by Gamma distribution and Gaussian distribution. The global threshold is obtained automatically to segment the initial water by iterating a posteriori probability difference. The misclassification type that looks like water in the initial water classification is refined and removed based on auxiliary data. Moreover, the uniformity of the extracted flood is improved by the post-processing of morphological operation. It can be concluded from the results that, firstly, compared with the traditional segmentation algorithm, the method proposed in this paper carries out the piecewise fitting of the probability density function based on the distribution law of the backscattering coefficient of the SAR image. It also divides the global statistics into local relations, which significantly improves the poor performance, caused by the large difference between water and non-water pixels, of the conventional segmentation algorithm. The flood distribution year by year from 2017 to 2020 is obtained. The overall accuracy of the results is between 87.78% and 94.89% while the Kappa coefficient is between 0.76 and 0.89. Secondly, especially for large semi-arid areas, this paper uses the relationships among backscattering characteristics, topography, and other auxiliary information, to ensure that water can be effectively preserved while the non-water objects similar to the backscattering coefficient of water can be removed. Thirdly, the results reflect that areas along the middle and lower reaches of Heilongjiang (Amur) River, such as Khabarovsk and Amursk, have frequent floods. Meanwhile, the flood area shows an increasing trend as a whole. The research shows that the time series monitoring of flood spatial extent based on radar data can provide scientific support for flood development dynamic monitoring in Heilongjiang River basin in China and Russia.

Key words： Heilongjiang River basin of China and Russia; China and Russia transboundary; flood monitoring; SAR; Sentinel-1; probability density function; scattering characteristics; remote sensing interpretation

1 引言

洪水是地球上最严重、最具破坏性的自然灾害之一,给人类生命、财产和生活环境带来巨大威胁[1]。据估计,近10亿人生活在洪水易发地区,由于不稳定的降水事件和快速增长的人口,这一数字预计到2050年将翻一倍[2]。在气候变化的背景下,预计降水和风暴的强度与频率将会增加,导致更严重的洪水,严重影响人们的正常生活[3]。
中国和俄罗斯毗邻的黑龙江流域频繁发生洪水灾害。由于洪水发生在国际界河,河流的物理连续性使得洪水灾害具有明显的跨境特点。两国沿江人民休戚与共,共同受到洪水灾害的影响。根据国际紧急灾害数据库（EM-DAT）[4]统计,在中俄毗邻区域的5个省份（州、边疆区、自治州）内（黑龙江省、阿穆尔州、哈巴罗夫斯克边疆区、滨海边疆区、犹太自治州）,1900年至今发生的所有自然灾害中,洪水灾害发生的比例约占48%,共造成约177.78亿美元经济损失,并导致1738人死亡。为了应对日益增加的洪水风险,迫切需要对洪水发生的范围、频率进行监测,这对于短期快速洪水响应和长期规划设计防洪基础设施十分重要。
尽管光学影像在良好天气条件下具有很大的洪水监测潜力,但由于洪水期间的高云覆盖率,妨碍了光学成像仪器的使用[5]。在洪水期间,获取大范围无云的中高分辨率光学影像用于洪水监测十分困难,并且常常因为无云影像的可用性有限,缺失泛洪区域影像而低估了洪水面积。不同于光学成像仪器的成像机理,合成孔径雷达（Synthetic Aperture Radar,SAR）具有穿透能力强、不受云雨天气影响的优势,能够不受光照和气候条件等限制,实现全天时、全天候对地观测。随着具有更高时空分辨率的合成孔径雷达影像的日益普及[6],已有多种方法来从合成孔径雷达影像中提取水体,如后向散射系数直方图阈值化[7,8]、干涉相干计算[9]、区域生长算法[10]、面向对象分类[11]、模糊分类[12]、变化检测[13]等。在这些方法中,基于全局阈值分割的方法应用最为广泛,因为它们在计算上耗时更少,同时具有与更复杂的算法相当的精度[14]。然而普遍的阈值分割算法多基于影像直方图的双峰假设,对于水体远远小于其他地物的大面积区域效果不佳。
基于上述考虑,本文提出了一种基于多时相哨兵1号SAR影像数据快速确定大面积半干旱地区洪水范围的方法。针对中俄黑龙江流域洪水监测的实际需求,本研究基于谷歌云计算平台（Google Earth Engine,GEE）获取高时空分辨率Sentinel-1雷达数据,近实时绘制大尺度区域洪水图,分析洪水发生的频率、空间分布,确定经常受洪水影响的区域,预期为中俄两国跨边境地区的洪水防灾、应急救灾和灾害风险管理合作等提供决策支持。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

黑龙江是我国四大河流之一,同时也是世界第一国际界河[15],在俄罗斯境内被称为阿穆尔河（Amur River）。黑龙江（阿穆尔河）有南北两源,南源为位于内蒙古自治区境内的额尔古纳河,北源为外兴安岭的石勒喀河。以额尔古纳河的上源克鲁伦河为源头,黑龙江长5498 km,居世界第六位。流域内中俄界河长约3500 km,约占我国陆地边界总长的1/6。
横跨中国、俄罗斯和蒙古的黑龙江流域是世界十大流域之一,流域面积约185.5万km2,中国境内的流域面积约占流域总面积的48%。流域水量丰富,年径流量约3465亿m3。该流域大部分属于季风性气候,降水季节分配不均,其中6—8月降水量占全年60%~70%。11月进入冬半年枯水期,冰期长达6个月。干流自漠河以下和兴凯湖以下的乌苏里江均可以通行轮船。由于黑龙江流域一半以上的面积位于境外的俄罗斯远东地区,区域水文资料缺乏。黑龙江干流两岸的主要城市有中国黑龙江省的漠河、塔河、呼玛、黑河、孙吴、逊克、嘉荫、萝北、绥滨、同江、抚远等县（市）,俄罗斯的哈巴罗夫斯克、布拉戈维申斯克、阿穆尔斯克、阿穆尔共青城、尼古拉耶夫斯克等城市。
本文研究区如图1所示,包括黑龙江流域范围内的中国的黑龙江省和俄罗斯的阿穆尔州、滨海边疆区、哈巴罗夫斯克边疆区、犹太自治州。
图1 中俄黑龙江流域位置

Fig. 1 Location of Heilongjiang River basin of China and Russia

2.2 数据获取与预处理

2.2.1 哨兵1号数据
Sentinel-1（哨兵1号）是欧洲航天局哥白尼计划（Copernicus Programme）中的地球观测卫星,由A、B两颗同轨的极轨卫星组成星座。单颗星轨道周期为12 d,2颗星常规重复周期为6 d,合成孔径雷达最大覆盖幅宽为400 km。包含4种成像模式：SM（Stripmap）、IW（Interferometric Wideswath）、EW（Extra-Wide swath）和WV（Wave）模式,其中IW模式分为单极化（HH/VV）和双极化（HH+HV/VV+VH）成像[16,17],空间分辨率为5 m×20 m,幅宽250 km。 数据来自谷歌云计算平台（https://earthengine.google.com/）Sentinel-1 SAR GRD: C-band Synthetic Aperture Radar Ground Range Detected, log scaling数据集。
根据EM-DAT数据库统计,1900年至今,研究区洪水事件发生的时间集中在6—9月,占洪水事件总数的93%,因此选择每年的6—9月进行监测。由于研究区面积较大,需要获取一个月的影像来拼接合成1张月度影像覆盖整个研究区。从谷歌云计算平台中获取Sentinel-1 C波段数据集。本文选取2017—2020年每年6—9月的IW模式GRD类型的VV极化的Sentinel-1 SAR影像,共3092景,影像热度图如图2所示。影像已经过以下步骤进行预处理：① 应用轨道文件;② 辐射定标;③ 斑点滤波,降低相干斑点噪声的影响并平滑雷达后向散射系数数据[18];④ 使用SRTM进行地形校正,减少地形起伏在SAR影像距离向引起明显的几何畸变造成透视收缩、叠掩和阴影现象;⑤ 通过对数拉伸(10lg( σ 0))将后向散射系数( σ 0)转化为对数刻度(db); ⑥ 计算像元中值,拼接合成月度影像。
图2 Sentinel-1影像热度图

Fig. 2 Sentinel-1 image heat map

2.2.2 辅助数据
选取同时间段的哨兵2号（Sentinel-2）光学影像作为辅助遥感数据。数据来自谷歌云计算平台（https://earthengine.google.com/）Sentinel-2 MSI: MultiSpectral Instrument, Level-2A数据集。Sentinel-2卫星是哥白尼计划中的第二颗卫星,包括A、B 两颗多光谱卫星,回访周期为5 d。该数据集包含13个光谱波段,空间分辨率为10、20 、60 m。本文使用Sentinel-2 Level1C产品的近红外（波段8）和绿色（波段3）波段,获取研究区域2017—2020年每年6—9月所有有效观测影像,利用质量控制波段（QA60）进行云掩膜去云处理,计算像元中值,合成月度影像。
DEM数据来自谷歌云计算平台（https://earthengine.google.com/）SRTM Digital Elevation Data Version 4 数据集,分辨率为30 m。该数据集由美国国家航空航天局（NASA）和国家空间信息情报局（NGA）制作完成,用来掩膜坡度较大的不可能发生洪水的丘陵地形。从GEE谷歌云计算平台中获取JRC Global Surface Water Mapping Layers, v1.2地表水数据集[19],作为研究区常年正常水体分布参考。

2.3 研究方法

2.3.1 基于概率密度函数的自动阈值获取
基于Sentinel-1影像的洪水监测方法如图3所示。这一过程包括：① 从GEE中获取Sentinel-1 GRD影像,并进行预处理;② 基于SAR影像后向散射系数的分布规律进行概率密度函数拟合,迭代后验概率差值自动得到全局阈值对影像进行初步分类;③ 基于Sentinel-2和SRTM数据对初步分类结果进行细化;④ 进行形态学处理获得最终洪水图,并使用JRC Monthly Water History,v1.2数据集[19]等验证数据进行精度验证。
图3 基于Sentinel-1的洪水提取技术流程

Fig. 3 Flowchart of the flood extraction technology based on Sentinel-1

对于水面相对较少的研究区域（即非水体像素远远多于水体像素）,双峰假设可能存在问题,因为影像的直方图只能显示一个显著的峰值（图4）。为了解决这个问题,假设SAR影像的直方图包含水体和非水体像素的2个部分重叠的分布,它们的交集确定了一个最佳阈值,可以通过最小的误差分离水和陆地。
图4 Sentinel-1影像后向散射系数直方图

Fig. 4 Backscattering coefficient histogram of Sentinel-1 image

以往研究[20,21]表明,均匀表面的后向散射系数遵循伽马分布（Gamma Distribution）。在SAR图像中,水体的镜面反射导致水体的分布近似为均匀区域,因此Gamma分布是拟合SAR图像中水体的最优、最简单的模型。Gamma分布中包含2个参数：形状参数α和尺度参数β,当α趋于较大数值时,分布近似于高斯分布。Gamma分布的定义如下：
f ( σ 0 ) = 1 b a Г ( a ) σ 0 a - 1 e - σ 0 b
本文除假设水体服从Gamma分布外,还采用目前应用广泛且简单易行的分布—高斯分布,模拟非水体地物的实际后向散射系数。高斯分布的定义下：
h ( σ 0 ) = 1 2 π δ e - ( σ 0 - μ ) 2 2 δ 2
式中：μ为均值;δ为方差。
假设每个像素有2种状态：水体或非水体,分别为W1和W2,每个像素为水体或非水体的后验概率可以使用贝叶斯决策理论计算,具体来说,水体和非水体的后验概率定义为：
P ( W 1 | σ 0 ) = f ( σ 0 | W 1 ) · P W 1 p ( σ 0 )
P ( W 2 | σ 0 ) = f ( σ 0 | W 2 ) · P W 2 p ( σ 0 )
式中： P ( W 1 | σ 0 )为像元属于水体或非水体的概率; f ( σ 0 | W 1 )表示相对于 σ 0的Wi的似然函数; P W i为先验概率; p ( σ 0 )为 σ 0的概率密度分布。
全局阈值( σ 0 T)将整张影像的水体和非水体后向散射系数直方图分割,形成一个gamma分布和一个高斯分布,并且它们的交点对应于能够最小化分类误差的最佳阈值[22]。因此,将 σ 0 T定义为2个后验概率分布 P ( W 1 | σ 0 )和 P ( W 2 | σ 0 )的交点,用于将水体像素(W1)与非水体像素(W2)分开。即对所有的可能阈值分别分割水体与非水体的分布,使用最大似然估计拟合概率密度函数来估计参数a,b,μ, δ , 并且计算相应的先验概率、后验概率,当某个后向散射系数 σ 0 T所对应的 P ( W 1 | σ 0 )和 P ( W 2 | σ 0 )使得后验概率差达到最小时,该值为目标阈值。全局阈值( σ 0 T)的定义如式（5）所示。
σ 0 T = argmin P ( W 1 | σ 0 ) P ( W 2 | σ 0 ) - 1
实验具体步骤如下：
（1）确定影像直方图中水体和非水体双峰峰值 pk1和 pk2,取区间[pk1,pk2]中的一个值为 σ 0,将数据分为水体和非水体2段。（-∞, σ 0）为水体,[ σ 0,+∞）为非水体。
（2）转化水体和非水体的频数为概率密度函数。
（3）计算水体、非水体的先验概率。其中水体频数为划分为水体的像素个数,非水体频数为划分为非水体的像素个数。
$P_{W_{1}}=(水体频数)/(水体频数+非水体频数)$
$P_{W_{2}}=(非水体频数)/(水体频数+非水体频数)$
（4）对于水体采用Gamma分布拟合,横坐标平移到>0,去除接近零的数据以防影响拟合精度,对非水体采用高斯分布拟合。利用最大似然估计,求解参数 a, b, μ, δ。
（5）计算后验概率误差。
err = abs P ( W 1 | σ 0 ) P ( W 2 | σ 0 ) - 1
（6）返回步骤（1）,再选取新的 σ 0,重复步骤（2）—（5）,遍历[pk1,pk2]所有值,后验概率误差最小者为所求最优阈值。拟合结果如图5所示。
图5 水体与非水体的概率密度函数分布拟合

Fig. 5 Probability distribution fitting map of water and non-water

2.3.2 分类细化
地形阴影产生了与开阔水域类似的后向散射系数,因此对结果有很大的影响。为了在确定洪水范围之前去除阴影和暗表面噪声,利用SRTM数字高程模型计算坡度进行掩膜。一些研究人员发现,坡度小于10°的地区最容易受到降雨的影响,遭受洪水灾害[23]。因此我们掩膜去掉了坡度大于10°的区域,去除了和水体后向散射系数相似的山体阴影。
由于合成孔径雷达信号在水面上的镜面反射和水的高介电常数,使得开放水面后向散射系数较低。沙土的后向散射系数受到粒度、湿度等环境因素影响,随着沙土中水分含量增加、沙土粒度的减小,其后向散射系数一般会减小。因此,均匀分布的小粒径沙土和湿润的沙土具有与开放水面相似的低后向散射系数,会导致高估水体分类[24]。本研究利用同时期的Sentinel-2影像计算NDWI波段,在已分类为水体的区域随机选取样本点,根据Sentinel-2影像目视解译为水体、非水体2种类型。统计样本点的NDWI值,通过箱线图（图6）可以发现,选取NDWI<-0.3的标准可以掩膜去除绝大部分和水相似的其他地物。NDWI计算如式（9）,其中 ρ Green , ρ NIR代表哨兵2号影像中的波段3,波段8。
NDWI = ρ Green - ρ NIR ρ Green + ρ NIR
图6 水体与非水体NDWI箱线图

Fig. 6 NDWI box diagram of water and non-water

3 结果及分析

3.1 洪水时空分布格局

利用GEE中获取的JRC Global Surface Water Mapping Layers, v1.2数据[19]作为正常水体叠加在实验结果中,实验得到2017—2020年每年6—9月的洪水图（图7）,从中分析洪水的时空分布特征和发展趋势。结果表明,中俄黑龙江流域的洪水泛滥面积较大,范围相对集中。
图7 2017—2020年中俄黑龙江流域洪水空间分布

Fig. 7 Spatial distribution of flood from 2017 to 2020 in Heilongjiang River basin of China and Russia

从空间范围看,洪水经常性发生的区域相对比较集中,主要发生在研究区东部哈巴罗夫斯克边疆区内的阿穆尔河沿岸,还常出现在松花江下游,如2019年的8月、9月和2020年的9月。通过洪水时间序列图显示,该地区的洪水经常性发生在夏末期,通常在8月、9月发生,由于地处平原,河道坡度小,汇流时间长,洪水持续时间比其他地区长。该区域土地覆盖类型常为湿地或耕地,由于耕地排水不畅,或河道排水受阻,洪水不能及时下泄而导致长时间内涝。源头与上游地区较少发生洪水,支流扩张现象不明显。从发展趋势来看,洪水逐渐沿河向下游发展,导致下游湖泊、支流扩张溢出,最后在尼古拉耶夫斯克（庙街）附近注入鄂霍次克海的鞑靼海峡。在结果的时间序列中,大部分结果有水体面积增加,其中2019年9月水体增加最多,淹没面积约为3.0万km2,与原有水体面积相比,增加了约57.9%。其次是2020年9月,淹没面积约为2.84万km2,增加了49.5%,2019年8月,淹没面积约为2.82万km2,增加了48.4%。2018年7月水体面积与正常水体面积相比有所减少。
对时间序列洪水图的洪水面积（图8）分析表明,2017—2020年,中俄黑龙江流域的最大水体面积在2019年9月,面积约为3.0万km2,最小洪水面积为2018年7月,约为1.7 km2。可以看出,泛洪面积与原有水体面积相比增加非常大。淹没的水体面积逐年变化趋势为,2017年6—7月增加,7—8月减少,8—9月增加,2018年、2019年的趋势为6—7月减少,7—9月增加,2020年的趋势为6—9月持续增加。整体趋势为6—9月水体面积随洪水演变情况起伏不定,但8—9月增加,在9月达到最大。对时间与洪水面积进行线性拟合,泛洪的面积呈增加趋势。
图8 2017—2020年中俄黑龙江流域洪水面积变化

Fig. 8 Variation trend of flood area from 2017 to 2020 in Heilongjiang River basin of China and Russia

3.2 洪水事件分析

在本研究时间序列中,2019年黑龙江中下游发生的特大洪灾,是最大的一次洪灾,据黑龙江（阿穆尔河）沿岸最大的远东城市——哈巴罗夫斯克的水文观测记录,此次洪水是该边疆区自1896年以来最大的水文观测记录之一,最高水位在8月31日达到6.21 m,是历史第三高水位。哈巴罗夫斯克和阿穆尔河畔科莫索莫尔斯克受灾严重。哈巴罗夫斯克市附近的危险水位于8月22日到达峰值并高位持续了18天（直到9月8日）,在阿穆尔河畔科姆索莫尔斯克附近,危险水位在8月26日到达峰值并高位持续38天（直到10月2日）。
洪水范围的空间和时间变化可归因于许多因素,如降水特征、地形条件和土地覆盖类型等,其中降水在洪水的形成中起着重要作用。在中俄跨边境地区,由2019年3场台风（利奇马8月11—14日、罗莎8月15—17日、玲玲9月7—9日）导致的极端降水事件使得区域内降水量明显超标,有些地方甚至达到多年平均标准的2~2.5倍。且2019年降水集中在几个相对较短的时段（8月11日—12日、8月14日—22日、8月28日—9月2日、9月8日—10日）。这4个时期的降水主要表现为区域重复率高、降水持续时间短,从而引起了夏末形成的灾难性洪水事件。
总体来说,7月主要降水量在阿穆尔河中部,8月最大降水中心移至阿穆尔河下游地区,松花江的径流补充也为土壤含水量增加做出显著贡献,这直接影响到哈巴罗夫斯克地区水位的快速上涨。降水于9月局部出现在阿穆尔河下游中部,并叠加在哈巴罗夫斯克的洪水中,对阿穆尔斯克的特大洪水形成起了决定性作用。由于降雨时间、汇流时间的差异,导致洪水多峰的出现。
通过Google Earth Engine谷歌云计算平台（https://earthengine.google.com/）中NOAA的CFSV2气象数据卫星（CFSV2: NCEP Climate Forecast System Version 2, 6-Hourly Products）数据集统计了7、8、9月研究区域的总降雨量（图9）,7月降水量主要集中在研究区北部和黑龙江中游,8月降水量增加,集中在黑龙江中下游和整个研究区东南部,9月降水集中在黑龙江下游,降水的空间分布与洪水多峰出现的位置分布基本一致。
图9 2019年7—9月中俄黑龙江流域降水分布

Fig. 9 Distribution of total precipitation in Heilongjiang River basin of China and Russia (July to September 2019)

3.3 精度验证

为了定量评价本研究方法的有效性,利用JRC Monthly Water History,v1.2月度数据集[19]和Google Earth 影像目视解译结果作为参考。每张水体提取结果中分别选取水体和非水体验证点100余个,计算提取结果的总体精度、生产者精度和用户精度。用户精度指正确分类的数量与该类别所有分类结果的比值,制图精度指正确分类的数量与该类别所有真实结果的比值。由表1可知,各年份的精度总体在80%以上,平均用户精度为87.13%,其中2017年提取结果的总体精度相对最高,为94.89%。2019年生产者精度和用户精度相对较低,为77.55%和78.85%。分析这一精度差异的原因,2019年结果中生产者精度较低反映出验证数据集中的水体在分类结果中被分为非水体,这主要是因为一些区域的后向散射系数较高造成漏提。用户精度有所提高但仍低于80%,反映出验证数据集中的非水体在分类结果中被分为水体,这主要是因为合成孔径雷达穿透能力较强导致一些与水体混杂分布的植被或农田区域被误提。从误差的空间分布区域看（图10）,上文分析的漏提区域主要分布在面积较大的开放型水体,在洪水期间水面波动造成后向散射系数增高。误提区域主要分布在农田和植被覆盖区域,这与上文误差原因分析较为一致,从空间分布图可见,总体洪水信息的提取效果较好,包括主干流区域和支流区域。
表1 中俄黑龙江流域洪水提取精度验证

Tab. 1 Accuracy verification of flooding region extraction in Heilongjiang River basin of China and Russia

年份 总体精度/% 生产者精度/% 用户精度/% Kappa
2017 94.89 89.58 90.90 0.89
2018 93.90 87.50 89.36 0.87
2019 87.78 77.55 78.85 0.76
2020 93.80 87.56 89.40 0.87
图10 2019年9月中俄黑龙江流域水体提取误差分布

Fig. 10 Omission and commission error distribution of water extraction in Heilongjiang River basin of China and Russia in September 2019

4 讨论

4.1 洪水监测方法比较

当前的一些洪水监测方法对于洪水期间恶劣的天气条件表现出良好的性能,但是这些复杂方法通常需要被训练,或是基于预先分类的样本经历复杂的参数调整过程。广泛使用的变化检测方法利用多时相合成孔径雷达影像间的变化关系来检测洪水区域,但是结果在很大程度上受到参考影像质量的影响。最常用的阈值分割算法：最大类间方差算法（OTSU算法）基于双峰假设,在影像大小适宜的情况下可以获得很好的分割效果,主要适合处理小范围简单洪水情况,对于条件复杂的大范围流域洪水,特别是水体像元远小于非水体像元的大范围影像分割效果不佳。OTSU算法选取的最佳分割阈值使类内方差最小,类间方差最大,需要前景、背景像元一起参与计算,当某一类像元占比非常小时,类间方差的计算往往会因为量级相差过大而产生误差。
将本文方法的结果与OTSU算法结果相比较,结果如图11所示,2种方法的监测精度如表2所示,OTSU算法计算得出的最佳分割阈值偏高,除了将水体提取出来之外还提取出许多不属于水体的像素,造成误提误差。本文的方法基于后向散射系数概率密度分布自动获取全局阈值,并与分类细化结合,通过约束坡度、NDWI等信息,大大减少看起来像水的误分像素的数量,从而提高提取精度。
图11 本文方法与OTSU方法结果比较

Fig. 11 Comparison of the results between this method and OTSU

表2 本文方法与OTSU算法的精度比较

Tab. 2 Accuracy verification comparation between this method and OTSU

总体精度/% 生产者精度/% 用户精度/% Kappa
本文方法 92.59 85.55 87.13 0.85
OTSU阈值分割算法 83.50 84.32 75.19 0.67
因为最佳分割阈值将直方图分割成水和非水两个相互独立的分布,可以分别计算峰值、均值、方差,并且拟合分布中的各种参数,因此不受像素数量量级差异的影响。水体和非水体像素即使在直方图中无法分辨为明显的两类,但是在各自的数量级别中都有明显的分布（图12）。这是本方法区别于基于双峰假设的方法在提取水体像素远远小于非水体像素的区域的主要优势所在。
图12 Sentinel-1影像后向散射系数直方图分割

Fig. 12 Histogram Segmentation of backscattering coefficient of Sentinel-1 Image

4.2 洪水监测能力分析

本文选取拥有快速重访周期的Sentinel-1 SAR数据,具有更高的空间分辨率,可以较完整地提取到流域内的细小支流,而且常年被云层覆盖的区域（如大兴安岭地区）的水体也能得到较完整地提取。基于SAR影像后向散射系数分布特性,进行相互独立的概率密度分布拟合,迭代后验概率差值得到全局阈值,充分考虑了后向散射特性的统计分布特征,与基于双峰假设的直方图阈值分割方法相比,具有更小的限制性和更高的可靠性。为了确保准确提取大部分干流洪水区域和细小、分散分布的水体,本研究设定的阈值较高,不可避免的出现了一些后向散射系数较低的其他地物类型像素,通过使用Sentinel-2、SRTM数据进行分类细化,从而减少了由误提像素产生的误差。
实践表明,本文提出的方法无监督,不需要进行复杂的训练和参数调整过程,能够以较小的计算成本自动检测洪水的范围,因此适用于近实时洪水监测,有助于救灾组织快速对洪水做出响应。本方法同样适合具有相似气候条件和地物类型的区域,也适用于不同时间的洪水监测。例如,对于春季洪水,影像中的冰与雪可以基于Sentinel-2的相关的指数以及辅助冰川积雪分布数据等信息掩膜去除,不影响研究的核心算法。此外,该方法还可以用于洪水长时间序列监测,诊断发现洪水频繁发生的位置,有助于对早期洪水及时预警。

4.3 洪水频率与易灾区域

洪水频率描述了研究时段内一个地区被淹没的频率,这也表明了潜在的洪灾范围和洪灾风险水平。图13显示了2017—2020年中俄黑龙江流域的洪水频率。经常被淹的地区位于河流或水体附近,最常被淹没的区域是阿穆尔河中下游的哈巴罗夫斯克边疆区,平均被淹没2~6次。
图13 2017—2020年中俄黑龙江流域洪水发生频率

Fig. 13 Flood frequency map in Heilongjiang River basin of China and Russia from 2017 to 2020

在这个时期的淹没像素中,大多数像素被淹没1~7次,其中,被淹没1次的像素占比最多,为46.9%,被淹没13次的像素占比最少,为0.63%,淹没16次的像素为0.92%。可以观察到,在经常被洪水淹没的地区,洪水多通过农田、道路或定居点溢出,地势高的地区洪水淹没较少。
洪水的灾害风险与流域内水源的涵养能力、水利工程调蓄能力、防洪设施和降水强度等都有密切的联系。这些易灾地区多次发生洪水事件,反映了在气候变化影响下未来汛期洪水风险的增加趋势。在时间序列结果中,被洪水淹没的区域分布总体保持稳定。因此,这些区域应当重视并提高防洪标准和增加防洪设施建造,重视河道疏导,减少内涝。

5 结论

本研究基于GEE谷歌云计算平台,利用Sentinel-1合成孔径雷达影像和辅助数据,通过拟合后向散射系数的概率密度函数和分类细化生成了2017—2020年中俄黑龙江流域汛期月度洪水图。主要结论如下：
（1）基于SAR影像后向散射系数分布规律进行概率密度函数拟合,迭代后验概率差值得到全局阈值,将直方图分为水体与非水体两部分,相互独立的计算,显著地改善了常规分割算法在水体和非水体像素量级相差过大而表现不佳的情况。利用分割区间,分别拟合,将全局统计划分为局部关系,大大减少了水体像素过少对结果精度产生的影响。
（2）通过全局阈值分割得到初始分类,使用Sentinel-2、SRTM数据进行分类细化,减少了由非水体（如山体阴影、湿润的土壤、细砂和其他光滑表面）产生的错误制图的可能性,显著改善最终的分类结果。实验结果与验证数据间具有良好的空间相关性,总体精度从87.78%~94.89%,证明了所提出的方法在复杂环境中快速绘制洪水地图的鲁棒性和有效性。
（3）泛洪区域在时间和空间上具有很大的集中性和稳定性,洪水主要发生在夏季末期8月和9月,阿穆尔河中下游两岸泛洪频繁,沿岸城市哈巴罗夫斯克、阿穆尔斯克等受灾严重。洪水面积总体呈增加趋势。
本研究同时也存在一些局限性,例如,在研究区影像过大的情况下,全局阈值无法准确提取所有水体。未来研究中可以与影像分割相结合,对水体目标块分别进行阈值分割,并可加入水文约束等其他约束条件,构建模糊系统,降低主观选取阈值的次数,进一步细化水体分类。同时,受制于数据源影响,本研究中的哨兵系列影像无法提供早期的长时间序列数据,下一步研究也将针对利用多源数据追溯近10—20年的洪水灾害图谱演变,并与区域防灾能力评估相结合,为中俄跨边境地区洪灾高风险区域科学分析和决策提供数据和方法支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhang M M, Chen F, Liang D, et al. Use of sentinel-1 GRD SAR images to delineate flood extent in Pakistan[J]. Sustainability, 2020,12(14):5784. DOI: 10.3390/su12145784

DOI

[2]
Singha M, Dong J W, Sarmah S, et al. Identifying floods and flood-affected paddy rice fields in Bangladesh based on Sentinel-1 imagery and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,166:278-293. DOI: 10.1016/j.isprsjprs.2020.06.011

DOI

[3]
Pall P, Aina T, Stone D A, et al. Anthropogenic greenhouse gas contribution to flood risk in England and Wales in autumn 2000[J]. Nature, 2011,470(7334):382-385. DOI: 10.1038/nature09762

DOI

[4]
Emergency Events Database[DB]. https://public.emdat.be/.

[5]
曾玲方, 李霖, 万丽华. 基于Sentinel-1卫星SAR数据的洪水淹没范围快速提取[J]. 地理信息世界, 2015,22(5):100-103,107.

[ Zeng L F, Li L, Wan L H. SAR-based fast flood mapping using sentinel-1 imagery[J]. Geomatics World, 2015,22(5):100-103,107. ] DOI: 10.3969/j.issn.1672-1586.2015.05.020

DOI

[6]
李加林, 曹罗丹, 浦瑞良. 洪涝灾害遥感监测评估研究综述[J]. 水利学报, 2014,45(3):253-260.

[ Li J L, Cao L D, Pu R L. Progresses on monitoring and assessment of flood disaster in remote sensing[J]. Journal of Hydraulic Engineering, 2014,45(3):253-260. ] DOI: 10.13243/j.cnki.slxb.2014.03.001

DOI

[7]
Boni G, Ferraris L, Pulvirenti L, et al. A prototype system for flood monitoring based on flood forecast combined with COSMO-SkyMed and sentinel-1 data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016,9(6):2794-2805. DOI: 10.1109/JSTARS.2016.2514402

DOI

[8]
孙亚勇, 黄诗峰, 李纪人, 等. Sentinel-1A SAR数据在缅甸伊洛瓦底江下游区洪水监测中的应用[J]. 遥感技术与应用, 2017,32(2):282-288.

[ Sun Y Y, Huang S F, Li J R, et al. The downstream flood monitoring application of Myanmar Irrawaddy River based on Sentinel-1A SAR[J]. Remote Sensing Technology and Application, 2017,32(2):282-288. ] DOI: 10.11873/j.issn.1004-0323.2017.2.0282

DOI

[9]
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: 10.3390/rs11020107

DOI

[10]
Giustarini L, Hostache R, Matgen P, et al. A change detection approach to flood mapping in urban areas using TerraSAR-X[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(4):2417-2430. DOI: 10.1109/TGRS.2012.2210901

DOI

[11]
Kuenzer C, Guo H D, Schlegel I, et al. Varying scale and capability of envisat ASAR-WSM, TerraSAR-X scansar and TerraSAR-X stripmap data to assess urban flood situations: a case study of the Mekong delta in can tho Province[J]. Remote Sensing, 2013,5(10):5122-5142. DOI: 10.3390/rs5105122

DOI

[12]
Martinis S, Kersten J, Twele A. A fully automated TerraSAR-X based flood service[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,104:203-212. DOI: 10.1016/j.isprsjprs.2014.07.014

DOI

[13]
Shen X Y, Anagnostou E N, Allen G H, et al. Near-real-time non-obstructed flood inundation mapping using synthetic aperture radar[J]. Remote Sensing of Environment, 2019,221:302-315. DOI: 10.1016/j.rse.2018.11.008

DOI

[14]
Liang J Y, Liu D S. A local thresholding approach to flood water delineation using Sentinel-1 SAR imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,159:53-62. DOI: 10.1016/j.isprsjprs.2019.10.017

DOI

[15]
戴长雷, 李治军, 林岚. 黑龙江(阿穆尔河)流域水势研究[M]. 哈尔滨: 黑龙江教育出版社, 2014.

[ Dai C L, Li Z J, Lin L. Probing for water problems in the basin of Heilongjiang (Amur) River[M]. Harbin: Heilongjiang Education Publishing House, 2014.]

[16]
杨魁, 杨建兵, 江冰茹. Sentinel-1卫星综述[J]. 城市勘测, 2015(2):24-27.

[ Yang K, Yang J B, Jiang B R. Sentinel-1 satellite overview[J]. Urban Geotechnical Investigation & Surveying, 2015(2):24-27. ] DOI: 10.3969/j.issn.1672-8262.2015.02.006

DOI

[17]
杨金明, 刘志辉. Sentinel-1卫星数据产品应用探讨[J]. 地理信息空间, 2016,12(12):1672-4623.

[ Yang J M, Liu Z H. Application of Sentinel-1 satellite and data products[J]. Geospatial Information, 2016,12(12):1672-4623. ] DOI: 10.3969/j.issn.1672-4623.2016.12.007

DOI

[18]
徐颖, 周焰. SAR图像相干斑抑制研究进展[J]. 计算机工程与应用, 2013,49(20):210-216.

[ Xu Y, Zhou Y. Review of SAR image speckle suppression[J]. Computer Engineering and Applications, 2013,49(20):210-216. ] DOI: 10.3778/j.issn.1002-8331.1304-0101

DOI

[19]
Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016,540(7633):418-422. DOI: 10.1038/nature20584

DOI

[20]
Giustarini L, Vernieuwe H, Verwaeren J, et al. Accounting for image uncertainty in SAR-based flood mapping[J]. International Journal of Applied Earth Observation and Geoinformation, 2015,4:70-77. DOI: 10.1016/j.jag.2014.06.017

DOI

[21]
陈玲艳, 刘智, 张红. 基于水体散射特性的SAR图像水体检测[J]. 遥感技术与应用, 2014,29(6):963-969.

[ Chen L Y, Liu Z, Zhang H. SAR image water extraction based on scattering characteristics[J]. Remote Sensing Technology and Application, 2014,29(6):963-969. ] DOI: 10.11873/j.issn.1004-0323.2014.6.0963

DOI

[22]
Chung H W, Liu C C, Cheng I F, et al. Rapid response to a typhoon-induced flood with an SAR-derived map of inundated areas: case study and validation[J]. Remote Sensing, 2015,7(9):11954-11973. DOI: 10.3390/rs70911954

DOI

[23]
Jafarzadegan K, Merwade V. A DEM-based approach for large-scale floodplain mapping in ungauged watersheds[J]. Journal of Hydrology, 2017,550:650-662. DOI: 10.1016/j.jhydrol.2017.04.053

DOI

[24]
Sandro M, Simon P, Kamila C, et al. The use of sentinel-1 time-series data to improve flood monitoring in Arid Areas[J]. Remote Sensing, 2018,10(4):583. DOI: 10.3390/rs10040583

DOI

Options
文章导航

/

〈 〉