EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 12: 2435 - 2447

DOI: https://doi.org/10.12082/dqxxkx.2022.220184

遥感科学与应用技术

基于光学与雷达影像变化检测的2020年鄱阳湖洪灾评估与分析

  • 段伟芳 , 1, 2 ,
  • 温小乐 1, 2 ,
  • 徐涵秋 , 1, 2, * ,
  • 邓文慧 1, 2
展开
  • 1.福州大学环境与安全工程学院，福州大学遥感信息工程研究所，福州 350116
  • 2.福建省水土流失遥感监测评价与灾害防治重点实验室，福州 350116
*徐涵秋（1955— ），男，江苏盐城人，教授，博士生导师，主要从事环境与资源遥感应用研究。E-mail:

段伟芳（1998— ），女，江西上饶人，硕士生，主要从事环境与资源遥感应用研究。E-mail:

收稿日期: 2022-04-13

  修回日期: 2022-06-28

  网络出版日期: 2023-02-25

基金资助

国家自然科学基金项目(31971639)

收起

Assessment and Analysis of the 2020 Poyang Lake Flood Hazard based on Optical and Radar Image Assisted Change Detection

  • DUAN Weifang , 1, 2 ,
  • WEN Xiaole 1, 2 ,
  • XU Hanqiu , 1, 2, * ,
  • DENG Wenhui 1, 2
Expand
  • 1. College of Environment and Safety Engineering, Institute of Remote Sensing Information Engineering, Fuzhou University, Fuzhou 350116, China
  • 2. Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion and Disaster Prevention, Fuzhou 350116, China
*XU Hanqiu, E-mail:

Received date: 2022-04-13

  Revised date: 2022-06-28

  Online published: 2023-02-25

Supported by

National Natural Science Foundation of China(31971639)

Fold

摘要

利用遥感对地观测技术对2020年夏季鄱阳湖地区发生的洪水灾情进行评估和分析，分别选取Landsat 8卫星4月和 Sentinel-1A雷达卫星7月的影像作为洪水发生前、后的影像，利用遥感专题信息提取、随机森林分类和变化检测技术揭示洪水淹没范围，以及被淹没的主要土地覆盖类型面积，同时结合水文气象和地形数据进行灾情和受灾原因分析。研究结果表明，鄱阳湖2020年洪灾的淹没面积为1961.95 km²，共造成区内110.83 km²建筑用地、760.54 km²耕地、71.59 km²林地、992.02 km²草地和26.97 km²裸地被淹，其中尤以鄱阳县受灾最为严重，其总受灾面积达到514 km²，其次为新建区与余干县，分别达到了330 km²和310 km²。持续2个月的强降雨使得鄱阳湖流域的水位超过了其1998年特大洪水的水位，加上长江水倒灌，湖区地势北高南低，积水不能及时排出，圩堤决口等诸多水文气象和地形因素造成了此次鄱阳湖的特大洪灾。

关键词： 鄱阳湖; 洪水; 灾情分析; Landsat 8; Sentinel-1A; 遥感; 土地覆盖; 降水

本文引用格式

段伟芳 , 温小乐 , 徐涵秋 , 邓文慧 . 基于光学与雷达影像变化检测的2020年鄱阳湖洪灾评估与分析[J]. 地球信息科学学报, 2022 , 24(12) : 2435 -2447 . DOI: 10.12082/dqxxkx.2022.220184

Abstract

In the summer of 2020, heavy rains made the Poyang Lake region witnessed a big flood event. Remote sensing earth observation technology can help to map and assess the flood hazard quickly and efficiently. Therefore, two 2020 satellite images acquired on April 15 (Landsat-8 OLI) and July 14 (Sentinel-1A SAR) were selected in this study to represent the dates before and after the flood to evaluate the disaster. Using remote sensing thematic information extraction, Random Forest classification and change detection technology, the inundation area and the area of major land cover types within the inundation areas were revealed. Associated with the hydrological, meteorological and topographical data, the specific flooded sites and the factors causing the disaster were identified and analyzed. The results show that the flood-inundation extent in the Poyang Lake region in 2020 is 1961.95 km², including 760.54 km² of farmland, 71.59 km² of forest, 992.02 km² of grassland, 26.97 km² of soil, and 110.83 km² of built-up land. Poyang County was most severely affected in this flood event, with a total inundated area of 514.35 km². The next two are Xinjian County with 330 km² and Yugan County with 310 km². The main hydro-meteorological and topographical factors that caused the flood are considered to be: (1) higher water level than that in the 1998 flood; (2) failure of timely discharge of water due to backflow of the Yangtze River; (3) breach of the embankments.

Key words： Poyang Lake; flood; disaster analysis; Landsat 8; Sentinel-1A; remote sensing; land cover; precipitation

1 引言

洪涝灾害是当今世界上最具破坏性的自然灾害之一，对国民经济和人民的生命财产安全产生了严重威胁。如何科学有效地对洪涝灾害进行监测和评估是全世界都极为关注的问题。目前能够大面积、快速、准确地对洪涝灾害进行监测与评估的只有卫星遥感技术。1960年以来迅速发展的卫星遥感监测技术具有范围广、周期短、时效强且不受地面监测条件限制的特点，在洪涝灾害监测中发挥着极为重要的作用[1]，已被广泛应用于洪水淹没范围制图[2⇓-4]、洪灾损毁情况评估[5]、洪灾风险预测[6-7]和灾情快速监测[8]。
洪涝灾害一直是长江流域经济发展的重要制约因素。1980年以来，受气候和人为等因素影响，我国最大淡水湖的鄱阳湖洪水灾害频发[9]。闵骞等[10]通过研究鄱阳湖近500年洪水序列数据，分析了鄱阳湖较大洪水在宏观时间尺度上的演变规律，得出近500年以来鄱阳湖以平均每100年增加0.42个洪水年，洪水位以每100年抬升0.48 m的速度增加的结论。童庆禧[11]通过气象、雷达卫星和航空遥感对鄱阳湖1998年的特大洪水进行监测，发现鄱阳湖淹没面积最高达4830 km2，是长江中游受灾最严重的地区。黄淑娥等[12]结合NOAA卫星和水文气象资料建立了1998年鄱阳湖主体及其附近水体的淹没模型，并将鄱阳湖湖口水位21.5 m作为鄱阳湖主体及临近区域的关键水位，一旦超出该水位，湖区的水淹没面积将明显增加。Hao等[13]利用MODIS等多种卫星遥感数据、水文模型以及现场数据来识别2003—2016年鄱阳湖流域的洪水事件，估算鄱阳湖淹没面积的季节变化，并发现MODIS数据估算的水面积与水位具有较强的相关性。但由于MODIS影像的分辨率不高，该方法无法侦测狭窄河道的河水变化。雷声等[14]结合鄱阳湖防洪体系现状，分析了2020年鄱阳湖洪灾造成的经济损失，总结了鄱阳湖防洪体系取得的成就和存在的问题，提出要适应江湖自然节律以及学会与洪水共存等治水理念。吕素娜等[15]利用灾前灾后的Sentinel-1 SAR雷达影像，提取2020年鄱阳湖及周边区域的洪水淹没范围，发现淹没面积达1184 km2，并评估了鄱阳县昌洲乡和永修县三角乡的淹没程度。李磊等[16]选用2020年鄱阳湖汛期高分三号雷达影像对洪水进行识别，并结合土地利用资料，评估了5个县区的淹没情况。Dong等[17]利用Sentinel-1A SAR影像，对比卷积神经网络与传统OSTU方法在检测鄱阳湖洪水淹没面积的差异，结果表明卷积神经网络的方法要优于OSTU方法。研究还发现鄱阳湖湖水面积在7月中旬达到最大值。
综合已有鄱阳湖洪水遥感监测与评估的研究可以发现，由于受到数据源的限制，早期的研究以光学影像为主，且多为分辨率不高的气象卫星和MODIS卫星影像，因此无法满足中小尺度的洪灾监测与评估，仅采用光学影像也无法准确评估灾情。近年来随着雷达卫星数据的增多，鄱阳湖洪水监测也逐渐转为采用雷达卫星，针对2020年鄱阳湖洪灾也有少量相关研究。但迄今为止，这些研究全部采用雷达卫星数据作为灾前灾后的影像数据，有的灾前数据采用的是汛期高峰7月的雷达影像，因此恐无法客观反映整个汛期的洪水实际淹没情况。另外，迄今为止，尚未见对2020年鄱阳湖洪水淹没范围内的所有行政区进行的详细灾情分析，也鲜见针对2020年鄱阳湖洪灾发生原因进行的具体分析。因此，本文将综合应用光学与雷达影像，辅以气象水文和地形等数据对2020年鄱阳湖洪灾进行综合评估与分析，以期更客观全面地揭示2020年鄱阳湖的灾情与致灾原因，为鄱阳湖未来的防洪与抗洪提供科学决策依据。

2 研究区概况、研究方法和数据来源

分别选择光学与雷达遥感影像作为灾前和灾后数据，通过水体信息提取技术和变化检测技术获得洪水淹没范围，采用随机森林分类法查明被淹没的土地覆盖类型及其面积，最后进行灾情评估与分析。图1为总体技术路线图。
图1 技术路线

Fig. 1 Flowchart of the techniques

2.1 研究区概况

鄱阳湖位于江西省北部，介于28°22′N—29°45′N，115°47′E— 116°45′E之间（图2），是长江主要支流，中国第一大淡水湖、第二大湖。鄱阳湖属于亚热带湿润季风型气候，降水主要集中在4—6月。“高水是湖，低水似河”、“洪水一片，枯水一线”是对鄱阳湖自然地理特征的形象描述。鄱阳湖在调节长江水位、涵养水源、改善当地气候和维护周围地区生态平衡等方面都起着巨大的作用[18]。鄱阳湖地区地势平坦，土地肥沃，宜于农作和水产养殖，为鄱阳湖流域重要农业区，素有“鱼米之乡”之称，同时也是鄱阳湖流域人口密度最大的区域。图2研究区中的各县（市、区）人口总数达745.85万人，总面积为20 757 km²。
图2 研究区示意图（2020年4月15日灾前Landsat 8遥感影像）

Fig. 2 Landsat 8 image (4-15-2020) showing the study area

2.2 数据来源

鄱阳湖地区2020年4月下旬开始进入雨季，为了更准确地确定洪水前的鄱阳湖水体面积和区内土地覆盖类型，选取2020年4月15日的Landsat-8 OLI的多光谱遥感影像作为洪水前的影像。2020年鄱阳湖洪水于7月10日达到最高峰，由于在洪水期间没有可用的光学遥感影像，而雷达影像不受云雨的影响，可全天时工作，所以采用了2020年7月14日的Sentinel-1A SAR合成孔径雷达影像作为灾后影像，以更准确地反演整个汛期的鄱阳湖洪水淹没范围。Landsat-8 OLI影像下载于美国地质调查局（USGS）官方网站（https://earthexplorer.usgs.gov），Sentinel-1A SAR雷达影像下载于欧洲航天空局（ESA）官方网站（https://scihub.copernicus.eu/dhus/#/home）。
同时采用的还有江西省县级矢量数据、降水量数据、相关水文数据和DEM数据。降水量数据来源于国家气象科学数据中心（http://data.cma.cn），水文数据来源于江西省水利厅（http://slt.jiangxi.gov.cn），DEM数据下载于地理空间数据云（https://www.gscloud.cn/#page1/3）。

2.3 遥感影像处理与专题信息分类提取

2.3.1 影像预处理

本次Landsat-8 OLI影像采用日照大气综合校正模型（Illumination and Atmospheric Correction Model, IACM）来进行大气校正，该模型通过引入Chavez的COST模型来纠正大气的影响[19⇓-21]。
分别对Sentinel-1A 雷达影像进行多视处理、滤波操作、辐射定标，以及将雷达坐标系转换到地理坐标系。由于Sentinel-1A SAR影像固有的相干斑噪声对灾后水体信息的提取会造成干扰，因此采用Lee滤波进行消除[22-23]；根据散射体接收功率与散射面积关系进行辐射定标[24]；为了降低地形起伏的阴影对雷达影像水体信息提取造成误差，进一步利用DEM进行地形校正；通过上述步骤将无单位的后向散射强度影像转换为以dB为单位的后向散射系数值影像。经以上处理后的雷达影像噪声明显减少，水体较滤波前更为突出，能够识别出在距离方向的后向散射系数。
叠加分析发现，Sentinel-1A SAR影像和Landsat-8 OLI影像的空间位置并不完全吻合，会有数个像元的偏差。由于下载的Landsat-8 OLI影像是L1T级别，已经做过几何精校正，因此以Landsat-8 OLI为参考影像，通过坐标平移方法将Sentinel-1A雷达影像与Landsat-8 OLI影像进行配准。

2.3.2 水体信息提取

（1） Landsat-8 OLI影像水体信息提取：本研究采用徐涵秋[25]改进的归一化水体指数（MNDWI）提取受灾前鄱阳湖的水体。该指数改进了McFeeters的归一化差异水体指数（NDWI）[26]，很好地解决了NDWI指数提取水体时无法消除建筑噪音的问题，公式为：
M N D W I = ( G r e e n - S W I R 1 ) / ( G r e e n + S W I R 1 )
式中：Green为绿光波段；SWIR1为短波红外1波段。
（2） Sentinel-1A雷达影像水体信息提取：单极化灰度影像VV、VH的数据直方图（图3（a）、图3（b））为单峰模式，难以对其直接进行密度分割，也无法有效区分水体和非水体。因此采用双极化数据，先通过水体指数变换使其直方图成为双峰模式（图3（c）），再对其进行分割，以提高水体信息的提取精度。
图3 Sentinel-1A 单极化和多极化影像直方图

Fig. 3 Sentinel-1 VV, VH and WI image histograms

基于VV和VH后向散射系数，通过对数变换计算用于提取Sentinel-1A雷达影像水体的指数WI，模型为[27]：
W I = l n ( 10 × V V × V H )
式中：VV为VV影像的极化后向散射系数；VH为VH影像的极化后向散射系数。
经对数变换后的Sentinel-1A水体影像直方图呈现明显的双峰模式，可利用水体在Sentinel-1A影像上后向散射系数小的原理，通过实验获取最佳阈值（-6.12 dB）对其进行密度分割，然后进行人机交互删除误提图斑，获得水体信息。

2.3.3 土地覆盖分类

采用随机森林（RF）算法对Landsat-8 OLI影像进行土地覆盖分类。在机器学习中，随机森林是一种基于无参数回归算法、包含多个决策树的集成学习分类器，它作为机器学习分类算法的一种，具有运算速度快、分类精度高、稳定性好等优点，已在遥感影像分类中获得广泛应用[28]。
首先使用bootstrap非参数抽样的方式，从原始训练区样本集中有放回地随机抽取n个训练样本，从所有遥感影像特征中随机选取k个特征，对选取的样本利用这些特征建立决策树；重复以上步骤 m次，生成m棵决策树，即形成随机森林；每个待分像元将通过每棵决策树的投票，选择重复度最高的树来作为其类别[29]。根据鄱阳湖洪水淹没地区的土地覆盖类型特点，本次研究共分出耕地、森林、草地、建筑用地、裸地5个主要土地覆盖类型。
对选取的各类训练样本采用Jeffries-Matusita （JM）距离来判别类别之间的可分离性，具体公式如下：
J M i j = 2 1 - e - α
α = 1 8 U i - U j T C i + C j 2 - 1 U i - U j + 1 2 l n 1 / 2 C i + C j C i + C j
式中：i和j分别代表2类不同地物的训练样本；T为转置矩阵；Ci,j为类别i和j的协方差矩阵；Ui,j为类别i和j的平均向量。当JMij > 1.8时，表明类别i和j可分。由表1可知，本次5个土地覆盖类别之间的JM值都大于1.8，分离效果较好，可以较好地保证分类精度。
表1 训练样本分离性指标

Tab.1 Separability of training samples

耕地 森林 草地 建筑用地 裸地
耕地 - 1.99 1.96 1.89 1.92
森林 1.99 - 1.83 1.99 1.99
草地 1.96 1.83 - 1.99 1.99
建筑用地 1.89 1.99 1.99 - 1.85
裸地 1.92 1.99 1.99 1.85 -

2.4 变化检测

从洪水淹没前和洪水淹没后的影像中提取出水体信息，并将水体和非水体像元分别赋值为1和0，得到水体的二值影像，然后将洪水淹没前后的水体二值影像叠加，通过以下变化检测得到洪水淹没范围：
∆ P = P 2 – P 1 W = 1 ∆ P > 0 0 ∆ P ≤ 0
式中：P1和P2分别为洪水淹没前后的水体二值影像；W = 1代表洪水淹没像元。

2.5 精度验证

对提取出的灾前和灾后水体结果影像采用分层随机抽样，分别选取200个样本点并与近同期（2020年4月14日）分辨率为1 m的Google Earth影像进行精度验证。同样采用分层随机抽样的方法对随机森林分类的结果选取410个样本点，结合上述Google Earth高分辨率影像进行精度验证。

2.6 灾情与致灾原因分析

通过变化检测获得洪水淹没范围和面积，进一步通过研究区各县（市、区）矢量界线求取各行政区受淹面积和地类，对灾情进行评估。联合降水量、水位、高程、径流量等与洪灾紧密相关的数据，对比分析1998年与2020年鄱阳湖地区降水量、水位的差别，根据高程和三维地形数据分析鄱阳湖地势差异，综合以上结果分析鄱阳湖洪灾的原因。

3 结果与分析

3.1 2020年鄱阳湖洪灾淹没范围和灾情

根据以上方法，对灾前和灾后的水体进行提取（图4），然后对灾前（图4（b））和灾后（图4（d））的水体提取影像进行变化检测，得到洪水淹没范围（图5（a））。通过随机森林方法进行土地覆盖分类，提取并统计洪水淹没范围内的各地类面积（图5（b））。精度验证表明，灾前和灾后水体提取的总精度和Kappa系数分别达到97.11%、0.94和90.64%、0.86，土地覆盖随机森林分类的总精度为90.73%，Kappa系数为0.87（表2）。
图4 2020年鄱阳湖灾前灾后影像及其水体提取

Fig. 4 Remote sensing images and the corresponding water maps of the Poyang Lake area before and after the 2020 flood

图5 2020年鄱阳湖洪水灾情

Fig. 5 Flood disaster map of the Poyang Lake area in 2020

表2 洪水淹没范围地物分类精度验证结果

Tab.2 Accuracy assessment of the land cover classification in the flooded area

验证数据 行像元总计
/个		 使用者精度/%
草地 耕地 建筑用地 裸地 森林
草地 91 6 1 0 2 100 91.00
耕地 6 132 5 1 1 145 91.03
建筑用地 0 0 68 1 1 70 97.14
裸地 0 4 0 41 0 45 91.11
森林 2 7 1 0 40 50 80.00
列像元总计/个 99 149 75 43 44 410
生产者精度/% 91.92 88.59 90.67 95.35 90.09
总精度 = 90.73% Kappa = 0.8777
如何准确区分正常的积水农田和实际的洪水淹没农田是灾情评估的关键，图6以中洲圩为例进行说明。图6（a）为中洲圩灾前土地覆盖分类图，主要为大面积稻田（以绿色代表），图6（b）为灾后雷达影像，暗黑色为水体，图6（c）为图6（a）与图6（b）的叠加图。从图6（b）的灾后雷达影像中可以看出，除了黑色表示的大片被水体淹没的稻田外，其右侧的稻田中也有许多暗点，显示积水的存在。图6（c）的叠加变化检测显示，中部大面积被淹的稻田被检测出来（暗绿色），但右侧表示为积水的稻田并没有被检测为被淹稻田。因此，本次采用的技术可以正确区分正常的积水稻田和实际的洪水淹没稻田。
图6 中洲圩积水稻田与洪水淹没稻田的识别

Fig. 6 Identification of waterlogged paddy field and flooded paddy field in the Zhongzhou embankment

统计得到灾前的水体面积为2524.85 km2（图4（b）），灾后的水体面积为4486.80 km2（图4（d）），变化检测得到洪水淹没面积为1961.95 km2 （图5（a））。对洪水淹没范围内的地类进行统计得到被淹建筑用地面积为110.83 km2、植被面积为1824.15 km2、裸地面积为26.97 km2 （图5（b））。被淹的植被面积中，林地、草地和耕地的面积分别为71.59 km2、992.02 km2和760.54 km2，草地的被淹面积最大。
利用江西省县级行政界线矢量数据，对水体淹没影像（图5（a））和土地覆盖分类影像（图5（b））进行裁剪统计，得到2020年鄱阳湖洪灾的各县（市、区）洪水淹没面积和被淹地类面积（表3）。
表3 鄱阳湖周边各县(市、区)洪水淹没地类面积

Tab.3 Statistics of the inundated area in the counties surrounding the Poyang Lake

地名 耕地被淹面积/km2 林地被淹面积/km2 建筑被淹面积/km2 草地被淹面积/km2 裸地被淹面积/km2 被淹总面积/km2
南昌县 42.17 3.34 6.84 53.31 0.32 105.98
新建区 53.45 4.36 11.10 261.08 0.08 330.07
进贤县 60.71 12.55 9.80 56.13 3.71 142.90
永修县 101.07 3.22 20.10 88.06 0.26 212.71
都昌县 94.86 8.25 15.65 40.60 4.70 164.06
庐山市 31.52 1.47 7.65 63.41 0.07 104.12
德安县 0.26 0.00 0.12 0.02 0.00 0.40
湖口县 32.84 5.75 5.89 13.43 0.13 58.04
九江市区 4.06 0.43 0.16 2.41 0.00 7.06
鄱阳县 260.63 20.50 21.60 198.11 13.51 514.35
余干县 70.03 10.72 11.41 214.87 3.42 310.45
万年县 6.34 0.29 0.41 0.21 0.70 7.95
东乡区 2.60 0.71 0.10 0.38 0.07 3.86
总计/km2 760.54 71.59 110.83 992.02 26.97 1961.95
由表3可知，此次受灾区域主要集中在新建区、南昌县、进贤县、都昌县、永修县、庐山市，鄱阳县和余干县。其中，鄱阳县的受灾最严重，其次分别为新建区和余干县。
鄱阳县在2020年洪灾中的总被淹面积最大，耕地、建筑用地和林地被淹面积最多。全县被淹总面积达514 km2。鄱阳县被淹面积最大与其县域面积本身较大，以及西南部紧挨鄱阳湖主干水系，并有2条主要支水系穿过其西部有关（图2、图5（a））。鄱阳县大量耕地被淹则与县域内的圩堤决口和弃保有关。鄱阳县的中洲圩和问桂道圩（图7）是2座万亩圩堤，它们分别于2020年7月8日和9日发生决口，另一座万亩圩堤莲北圩于7月9日选择放弃保圩，开闸分洪。3座万亩圩堤的决口和弃保导致堤内大面积的耕地被淹。另外，鄱阳县靠近鄱阳湖水系的各地区在此次洪灾中均有建筑用地被淹，其中昌州乡几乎全部被淹，使得鄱阳县同时也是2020年鄱阳湖洪灾中建筑用地被淹面积最大的县。鄱阳县也是此次洪灾中林地被淹面积最多的县，这与其林地面积在受灾的13个县区中最大、县域被淹面积最多有关。
图7 中洲圩和问桂道圩灾前影像与灾后被淹影像的对比

Fig. 7 Comparison of the Zhongzhou and Wenguidao embankments before and after inundation

受灾面积仅次于鄱阳县的新建区和余干县分别位于鄱阳湖的西南部和南端（图2），是鄱阳湖洪水的主要洪泛区，因此被淹面积也明显大于鄱阳县除外的其它县区（图5（a））。两县被淹的草地面积在此次洪灾中排名前两位，这是因为鄱阳湖的湖畔湿地主要为大面积的草地（图5（b）），而两县毗邻湖区的又主要都是湖畔湿地，因此，洪水的外漫导致了湖畔草地的大面积被淹。

3.2 引发洪灾的水文气象和地形因子分析

3.2.1 水文气象因子

1998年以来，鄱阳湖共发生了3次大洪灾，分别是1998年、2010年和本次研究的2020年，其中最大的2次洪灾分别是1998年和2020年的洪灾。1998年是全长江流域暴雨，而2020年的强降水主要集中在长江中下游和沿江地区。表4是1998年和2020年鄱阳湖流域的汛期的降水量对比表。可以看出，鄱阳湖流域1998年汛期的降水量远大于2020年的降水量，但是2020年的水位却超过1998年（表5），这主要是因为长江水倒灌入鄱阳湖所致。自7月3日起，受长江上游来水加剧影响，鄱阳湖首次出现长江江水倒灌现象，倒灌流量8000 m3/s， 7月6—8日，鄱阳湖湖口站再度发生长江水倒灌入鄱阳湖，倒灌总水量达3亿m3，长江的倒灌使得鄱阳湖的出水量比往年偏少3成[30]，导致2020年鄱阳湖各水文站的水位不断上涨，并大部分超过1998年对应各站的水位。
表4 1998年和2020年汛期降雨量对比

Tab.4 Comparison of precipitation in the flood seasons in 1998 and 2020

流域名称 1998年6月12—27日、7月17—26日 2020年6月16日—7月10日
累积降水量/mm 历史同期均值/mm 比值 累积降水量/mm 历史同期均值/mm 比值
饶河 2751.70 483.60 5.69 1724.30 444.75 3.88
修水 1788.88 336.04 5.32 956.00 276.36 3.46
赣江 6339.86 1683.97 3.76 5042.90 1667.51 3.02
信江 3444.97 563.75 6.11 1762.20 476.28 3.70
抚河 1823.50 460.28 3.96 763.60 403.38 1.89
湖区 1524.00 313.89 4.86 1159.30 332.52 3.49
表5 1998年、2020年研究区水文站水位数据对比

Tab.5 Water-level comparison of the regional hydrological stations between 1998 and 2020

序号 河名 站名 最高水位/m
1998年 2020年
1 鄱阳湖 湖口 22.59 22.49
2 鄱阳湖 都昌 22.43 22.42
3 鄱阳湖 星子 22.52 22.63
4 鄱阳湖 康山 22.43 22.51
5 鄱阳湖 棠荫 22.57 22.58
6 昌江 古县渡 23.18 23.43
7 饶河 鄱阳 22.61 22.75
8 修河 永修 23.48 23.63
从国家气象网统计获得的2020年鄱阳湖地区5月下旬—7月的降水量表明（图8），整个汛期鄱阳湖地区持续降水且降水量大，2020年7月9日的日总降水量达到最高值。李英等[31]研究了鄱阳湖流域45年来的降水量与流域径流量的关系及其水文过程，发现鄱阳湖流域的径流量与降水量、降水强度均具有很强的正相关关系（R2介于0.83~0.97）。根据其模型估算2020年汛期鄱阳湖流域的水文过程可知，2020年汛期鄱阳湖流域降水量丰沛，降水强度大，从而导致鄱阳湖流域径流量大幅增加，成倍超出了2010年鄱阳湖洪水期流域的径流量，导致鄱阳湖五大水系水位暴涨。7月4日以来的一周内，鄱阳湖及五河共发生10次编号洪水，其中的昌江在一周内形成4次编号洪水。不断的降水、径流量的增加以及长江江水的倒灌导致鄱阳湖水位不断上涨，并超过1998年，达到历史最高值，最终在7月6—9日形成鄱阳湖洪灾。
图8 2020年鄱阳湖地区汛期各水文站日总降水量

Fig. 8 Daily precipitation in the flood season of the Poyang Lake region in 2020

3.2.2 地形分析

从鄱阳湖三维地形和高程来看（图9、表6），鄱阳湖南部地势开阔、低洼，其平均高程一般不超过海拔30 m，明显低于北部地区（多在40 m以上）。这种地形如果出现连续暴雨，积水不能及时排出，很容易在南部引发洪涝灾害。2020年的持续大到暴雨导致长江中上游以及鄱阳湖流域水量快速增加，圩堤溃坝决口，洪水顺势南泄。通常情况下，鄱阳湖的排洪只能通过北部九江市的湖口入江，但这种南低北高的地势使得湖水本身不易外排，而到了洪水季节，长江自身水量增大，使得鄱阳湖排洪速度更为缓慢，甚至出现倒灌情况，加之江西自有五大水系流入鄱阳湖，从而导致地势较低的南部各县（市、区）最容易被洪水淹没（图9中的粉色区域），而北部紧挨鄱阳湖的湖口县和九江市区由于地势较高则较少被淹（图9、表3）。
图9 研究区三维地形示意

Fig. 9 Three-dimensional terrain of the study area

表6 鄱阳湖南北部平坦地区高程对比

Tab. 6 Comparison of the elevation of the flat areas between southern and northern Poyang Lake region

地名 平均高程/m
鄱阳湖北部 九江市区 67.63
湖口县 30.33
都昌县 40.25
庐山市 40.03
鄱阳湖南部 鄱阳县南部 26.32
新建区 19.61
南昌县 18.97
余干县 28.26
进贤县 27.59

4 讨论

遥感对地观测技术一直是鄱阳湖洪水的主要监测和评估技术，但是已有的鄱阳湖洪灾遥感研究存在着以下主要问题：
（1）大部分采用单一遥感数据源[12-13,15⇓-17]，综合光学遥感数据和雷达遥感数据的应用比较少。由于光学遥感容易受云雨的影响，如果全部采用光学遥感影像，则较难准确获得汛期高峰的影像，由此确定的洪水淹没面积也可能无法代表真实的淹没面积。而采用单一雷达影像的研究又往往采用汛期高峰期的影像，忽略了汛期前的影像[15-16,32]，因此其反演的洪水淹没面积不能代表汛期洪水淹没的真实面积。如吕素娜等[15]将7月1日的雷达影像作为灾前影像，7月14日的影像作为灾后影像，由此获得了1184 km2的洪水淹没面积。但由于鄱阳湖的汛期始于5月下旬（图8），7月1日鄱阳湖地区已大面积被淹，所以将7月1日的影像作为灾前影像求出的洪水淹没面积很可能偏少。同样，许小华等[32]采用7月8日和7月20日的雷达影像获得的616 km2的水体面积差，以及李磊等[16]获得的7月8日和7月12日之间的897 km2的水体面积差，都无法作为本次汛情的实际淹没面积。
（2）遥感数据主要用来确定洪水淹没范围，较少用于详细灾情分析。李磊等[16]对2020年鄱阳湖洪灾的灾情进行了一定的分析，但其涉及的只有5个县（区），所涉及的地类也只有2类。许小华等[32]的研究涉及了11个县（市、区）和3种地类，但二者都没有对各地类被淹的原因进行分析。
（3）鲜有研究引入其它非遥感数据进行致灾因子分析。
针对以上问题，本次研究联合光学和雷达影像来客观揭示2020年洪水的淹没面积。选用汛期前的4月15日光学影像作为灾前影像更为合理，而作为灾后的7月14日雷达影像正值汛期高峰，因此在时间段上可以覆盖整个汛期，所揭示的1961 km²的洪水淹没面积可能更能够真实地代表2020年鄱阳湖洪水的淹没面积。
本文对此次灾情进行了全面的分析，范围涉及了此次受淹的13个主要县（市、区），所涉及的地类达到了5类，并对重点受灾县的主要地类被淹原因进行了分析。另外，在遥感研究的基础上，本研究进一步引入气象、水文、地形等数据，探究了发生洪灾的原因，发现了鄱阳湖2020年汛期的降水量小于1998年汛期，但水位却高于1998年，长江江水倒灌，地势北高南低，积水不易排出，以及大量圩堤溃决等造成此次洪灾的重要原因。这些原因的发现将对鄱阳湖未来的防洪与抗洪提供科学决策依据。

5 结论

（1）利用遥感光学和雷达影像以及专题信息提取、随机森林分类和变化检测技术，可以对2020年鄱阳湖洪灾的灾情进行有效评估，揭示洪水淹没范围，查明洪水淹没的各种地类面积，并据此进行灾情和受灾原因分析。
（2）通过将汛期前的Landsat-8 OLI光学影像作为灾前影像，汛期高峰时的Sentinel-1A SAR雷达影像作为灾后影像，可以客观地揭示整个汛期的洪水淹没面积。本次研究发现，2020年鄱阳湖洪水淹没的范围为1961.95 km2，主要集中在滨湖地区和地势较低的地区，其中鄱阳县受灾最为严重，受灾总面积达514.35 km²。对此次鄱阳湖洪灾受灾原因进行分析发现，持续强降雨、径流量大、超高水位，以及北高南低的地势是造成此次洪灾的主要气象水文和地形因素。
（3）基于降水量、水位、地形和圩堤决口的分析发现，鄱阳湖防洪体系存在一些亟需解决的问题。针对汛期持续的强降水，应大力加强湖区的应急排洪能力；在地形上，要对鄱阳湖南部地势较低的滨湖地区加大防洪排洪的建设；2020年的洪灾造成许多圩堤决口，因此应加大重点圩堤的高度、进一步加固和提高圩堤的质量，以更加有效地抵御未来的洪水。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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

[2]
Hoque R, Nakayama D, Matsuyama H, et al. Flood monitoring, mapping and assessing capabilities using RADARSAT remote sensing, GIS and ground data for Bangladesh[J]. Natural Hazards, 2011, 57(2):525-548. DOI:10.1007/s11069-010-9638-y

DOI

[3]
Feng Q L, Gong J H, Liu J T, et al. Flood mapping based on multiple endmember spectral mixture analysis and random forest classifier—The case of Yuyao, China[J]. Remote Sensing, 2015, 7(9):12539-12562. DOI:10.3390/rs70912539

DOI

[4]
毛先成, 熊靓辉, 高岛·勋. 基于MOS-1b/MESSR的洪灾遥感监测[J]. 遥感技术与应用, 2007, 22(6):685-689.

[ Mao X C, Xiong L H, Isao Takashima. Application of MOS-1b/MESSR data in monitoring flood disaster[J]. Remote Sensing Technology and Application, 2007, 22(6):685-689. ] DOI:10.3969/j.issn.1004-0323.2007.06.003

DOI

[5]
Cervone G, Sava E, Huang Q Y, et al. Using Twitter for tasking remote-sensing data collection and damage assessment: 2013 Boulder flood case study[J]. International Journal of Remote Sensing, 2016, 37(1):100-124. DOI:10.1080/01431161.2015.1117684

DOI

[6]
Farhadi H, Najafzadeh M. Flood risk mapping by remote sensing data and random forest technique[J]. Water, 2021, 13(21):3115. DOI:10.3390/w13213115

DOI

[7]
周超, 方秀琴, 吴小君, 等. 基于三种机器学习算法的山洪灾害风险评价[J]. 地球信息科学学报, 2019, 21(11):1679-1688.

DOI

[ Zhou C, Fang X Q, Wu X J, et al. Risk assessment of mountain torrents based on three machine learning algorithms[J]. Journal of Geo-information Science, 2019, 21(11):1679-1688. ] DOI:10.12082/dqxxkx.2019.190185

DOI

[8]
彭定志, 郭生练, 黄玉芳, 等. 基于MODIS和GIS的洪灾监测评估系统[J]. 武汉大学学报(工学版), 2004, 37(4):7-10,31.

[ Peng D Z, Guo S L, Huang Y F, et al. Flood disaster monitoring and assessing system based on MODIS and GIS[J]. Engineering Journal of Wuhan University, 2004, 37(4):7-10,31. ] DOI:10.3969/j.issn.1671-8844.2004.04.002

DOI

[9]
姚仕明, 雷文韬, 渠庚, 等. 基于遥感影像的鄱阳湖2020年汛期灾情分析[J]. 人民长江, 2020, 51(12):185-190.

[ Yao S M, Lei W T, Qu G, et al. Analysis on inundation condition in Poyang Lake during flood season of 2020 based on satellite image[J]. Yangtze River, 2020, 51(12):185-190. ] DOI:10.16232/j.cnki.1001-4179.2020.12.033

DOI

[10]
闵骞, 汪泽培. 鄱阳湖近五百年较大洪水出现规律的初步分析[J]. 江西水利科技, 1992, 18(1):76-83.

[ Min Q, Wang Z P. A preliminary investigation on regulations of the appearance of heavyer floods in Poyang Lake in recent 500 years[J]. Jiangxi Hydraulic Science & Technology, 1992, 18(1):76-83. ]

[11]
童庆禧. 遥感在1998年洪水监测中的作用[J]. 气候与环境研究, 1998, 3(4):27-35.

[ Tong Q X. Role of remote sensing in flood monitoring in 1998[J]. Climatic and Environmental Research, 1998, 3(4):27-35. ]

[12]
黄淑娥, 王保生, 张建萍, 等. 江西98特大洪涝卫星遥感监测及鄱阳湖水体淹没模型的研究[J]. 江西农业大学学报, 1999, 21(2):245-248.

[ Huang S E, Wang B S, Zhang J P, et al. Monitoring of the catastrophic flood in Jiangxi Province in 1998 with satellite remote sensing and study on the water flood model of Poyang Lake[J]. Acta Agriculturae Universitis Jiangxiensis, 1999, 21(2):245-248. ]

[13]
Zhou H, Luo Z C, Tangdamrongsub N, et al. Identifying flood events over the Poyang Lake Basin using multiple satellite remote sensing observations, hydrological models and in situ data[J]. Remote Sensing, 2018, 10(5):713. DOI:10.3390/rs10050713

DOI

[14]
雷声. 2020年鄱阳湖洪水回顾与思考[J]. 水资源保护, 2021, 37(6):7-12.

[ Lei S. Review and reflection on Poyang Lake flood in 2020[J]. Water Resources Protection, 2021, 37(6):7-12. ] DOI: 10.3880/j.issn.1004-6933.2021.06.002

DOI

[15]
吕素娜, 薛思涵, 谢婷, 等. 哨兵一号SAR数据在鄱阳湖洪涝灾害监测中的应用[J]. 卫星应用, 2021(8):51-55.

[ Lv S N, Xue S H, Xie T, et al. Application of SAR data of Sentinel-1 in flood disaster monitoring of Poyang Lake[J]. Satellite Application, 2021(8):51-55. ] DOI:10.3969/j.issn.1674-9030.2021.08.012

DOI

[16]
李磊, 崔倩, 张志新, 等. 基于GF-3的2020年鄱阳湖洪水动态监测与影响评价[J/OL]. 水文:1-5[2022-06-21].

[ Li L, Cui Q, Zhang Z X, et al. Dynamic monitoring and impact assessment of Poyang Lake flood based on GF-3 in 2020[J/OL]. Hydrological: 1-5[2022-06-21]. ] DOI:10.19797/j.cnki.1000-0852.20210085

DOI

[17]
Dong Z, Wang G J, Amankwah S O Y, et al. Monitoring the summer flooding in the Poyang Lake area of China in 2020 based on Sentinel-1 data and multiple convolutional neural networks[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:102400. DOI:10.1016/j.jag.2021.102400

DOI

[18]
杨巧言. 江西省自然地理志[M]. 北京: 方志出版社, 2003.

[ Yang Q Y. Physical Geography of Jiangxi Province[M]. Beijing: Chronicle Press, 2003. ]

[19]
Chavez P. Image-based atmospheric corrections-revisited and improved[J]. Photogrammetric Engineering and Remote Sensing, 1996, 62(9):1025-1036

[20]
徐涵秋. 基于影像的Landsat TM/ETM+数据正规化技术[J]. 武汉大学学报·信息科学版, 2007, 32(1):62-66.

[ Xu H Q. Image-based normalization technique used for landsat TM/ETM+ imagery[J]. Geomatics and Information Science of Wuhan University, 2007, 32(1):62-66. ] DOI:10.3321/j.issn:1671-8860.2007.01.016

DOI

[21]
徐涵秋. 新型Landsat8卫星影像的反射率和地表温度反演[J]. 地球物理学报, 2015, 58(3):741-747.

[ Xu H Q. Retrieval of the reflectance and land surface temperature of the newly-launched Landsat 8 satellite[J]. Chinese Journal of Geophysics, 2015, 58(3):741-747. ] DOI:10.6038/cjg20150304

DOI

[22]
Lee J S. Digital image enhancement and noise filtering by use of local statistics[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1980, PAMI-2(2):165-168. DOI:10.1109/TPAMI.1980.4766994

DOI

[23]
Yommy A S, Liu R K, Onuh S O, et al. SAR image despeckling and compression using K-nearest neighbour based lee filter and wavelet[C]//2015 8th International Congress on Image and Signal Processing (CISP). IEEE, 2015: 158-167. DOI:10.1109/CISP.2015.7407868

DOI

[24]
陶满意, 纪鹏, 黄源宝, 等. 星载SAR辐射定标及其精度分析[J]. 中国空间科学技术, 2015, 35(5):64-70.

[ Tao M Y, Ji P, Huang Y B, et al. Radiometric calibration and accuracy analysis based on spaceborne SAR[J]. Chinese Space Science and Technology, 2015, 35(5):64-70. ] DOI:10.3780/j.issn.1000-758X.2015.05.009

DOI

[25]
Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14):3025-3033. DOI:10.1080/01431160600589179

DOI

[26]
McFeeters S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432. DOI:10.1080/01431169608948714

DOI

[27]
贾诗超, 薛东剑, 李成绕, 等. 基于Sentinel-1数据的水体信息提取方法研究[J]. 人民长江, 2019, 50(2):213-217.

[ Jia S C, Xue D J, Li C R, et al. Study on new method for water area information extraction based on Sentinel-1 data[J]. Yangtze River, 2019, 50(2):213-217. ] DOI:10.16232/j.cnki.1001-4179.2019.02.038

DOI

[28]
刘毅, 杜培军, 郑辉, 等. 基于随机森林的国产小卫星遥感影像分类研究[J]. 测绘科学, 2012, 37(4):194-196.

[ Liu Y, Du P J, Zheng H, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4):194-196. ] DOI:10.16251/j.cnki.1009-2307.2012.04.027

DOI

[29]
宁晓刚, 常文涛, 王浩, 等. 联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取[J]. 遥感学报, 2022, 26(2):386-396.

[ Ning X G, Chang W T, Wang H, et al. Extraction of marsh wetland in Heilongjiang Basin based on GEE and multi-source remote sensing data[J]. National Remote Sensing Bulletin, 2022, 26(2):386-396.] DOI: 10.11834/jrs.20200033

DOI

[30]
万菁, 张阳, 郭文峰. 鄱阳湖发生倒灌[R/OL].(2020-07-07). http://slt.jiangxi.gov.cn/art/2020/7/7/art_28108_2493239.html.

[ Wan J, Zhang Y, Guo W F. Poyang Lake in flow backward[R/OL].(2020-07-07). http://slt.jiangxi.gov.cn/art/2020/7/7/art_28108_2493239.html. ]

[31]
李英, 涂安国, 胡根华, 等. 鄱阳湖流域降水量变化对水沙演变影响研究[J]. 中国水土保持, 2012(4):25-28,68.

[ Li Y, Tu A G, Hu G H, et al. Influence of precipitation variation to silt-discharge evolution of Poyang Lake Catchment Basin[J]. Soil and Water Conservation in China, 2012(4):25-28,68. ] DOI:10.14123/j.cnki.swcc.2012.04.016

DOI

[32]
许小华, 黄萍, 黄诗峰, 等. 鄱阳湖洪涝灾害卫星雷达遥感应急监测应用[J]. 中国防汛抗旱, 2021, 31(4):10-14.

[ Xu X H, Huang P, Huang S F, et al. Application of satellite radar remote sensing for emergency monitoring of flood disasters in Poyang Lake[J]. China Flood & Drought Management, 2021, 31(4):10-14. ] DOI:10.16867/j.issn.1673-9264.2021082

DOI

Options
文章导航

/

〈 〉