EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 10: 1933 - 1953

DOI: https://doi.org/10.12082/dqxxkx.2023.230060

综述

SAR卫星影像洪水检测研究进展及展望

  • 高寒新 , 1, 2 ,
  • 陈波 , 1, 2, * ,
  • 孙洪泉 3 ,
  • 田玉刚 4
展开
  • 1.北京师范大学环境演变与自然灾害教育部重点实验室，北京师范大学地理科学学部，北京 100875
  • 2.北京师范大学地表过程与资源生态国家重点实验室，北京 100875
  • 3.应急管理部-国家自然灾害防治研究院，北京 100085
  • 4.中国地质大学（武汉）地理与信息工程学院，武汉 430078
* 陈波（1984—），男，湖北红安人，副教授，主要从事地表水文系统与洪水风险评估方面的研究。 E-mail:

高寒新（1997—），女，山东淄博人，硕士生，主要从事SAR影像洪水检测方面的研究。E-mail:

收稿日期: 2023-02-12

  修回日期: 2023-05-07

  网络出版日期: 2023-09-22

基金资助

国家重点研发计划专项(2021YFB3901203)

收起

Research Progress and Prospect of Flood Detection Based on SAR Satellite Images

  • GAO Hanxin , 1, 2 ,
  • CHEN Bo , 1, 2, * ,
  • SUN Hongquan 3 ,
  • TIAN Yugang 4
Expand
  • 1. Key Laboratory of Environmental Change and Natural Disaster of Ministry of Education, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
  • 2. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China
  • 3. National Institute of Natural Disaster Prevention and Control, Ministry of Emergency Management, Beijing 100085, China
  • 4. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430078, China
* CHEN Bo, E-mail:

Received date: 2023-02-12

  Revised date: 2023-05-07

  Online published: 2023-09-22

Supported by

National Key Research and Development Project(2021YFB3901203)

Fold

摘要

雷达卫星能够穿透云雾，全天时、全天候获取洪涝灾害期间地面的水体信息，被广泛应用于洪水检测。本文从合成孔径雷达（SAR）卫星数据源、洪水检测方法、辅助信息在洪水检测中的应用、精度评价、SAR洪水检测的挑战与发展方向六个方面，总结分析了国内外SAR影像洪水检测领域的研究进展。首先重点梳理了基于阈值分割、分类器和变化检测等洪水检测方法，发现阈值法计算速度快、应用广泛，分类器法可以充分发挥主观性和客观性，变化检测法可有效限制过度检测与影像几何误差。接着分析了光学遥感影像、地形、纹理、水文、土地覆盖/利用等辅助信息在洪水检测中的应用，发现SAR影像结合辅助数据进行洪水检测成为研究热点。然后综合洪水遥感检测的应用需求和SAR水体信息提取技术发展历程，分析了洪水检测在影像数据源、预处理、检测算法及精度验证等方面面临的挑战及原因，总结出目前SAR洪水检测的发展方向：即SAR洪水检测辅助信息的广泛应用、同一SAR影像洪水的差异化识别和基于SAR影像的洪水概率制图等。

关键词： SAR; 洪水检测; 阈值法; 变化检测; 辅助信息; 洪水概率图; 后向散射; 洪水风险

本文引用格式

高寒新 , 陈波 , 孙洪泉 , 田玉刚 . SAR卫星影像洪水检测研究进展及展望[J]. 地球信息科学学报, 2023 , 25(10) : 1933 -1953 . DOI: 10.12082/dqxxkx.2023.230060

Abstract

Being able to penetrate clouds and fog, Synthetic Aperture Radar (SAR) imagery has been widely used in flood mapping and flood detection regardless of time and weather condition. Improving the accuracy of flood maps retrieved from SAR images is of both scientific and practical significance. However, errors in SAR-derived flood maps can come from SAR image measuring principles, image acquisition and pre-processing system, water detection algorithms, and the remarkable temporal dynamics of the flooding process. The aim of this paper is to provide an extensive literature review of flood detection using SAR images (about 108 peer reviewed journal papers), including SAR data sources, flood detection methods, application of auxiliary information, accuracy evaluation, and challenges and opportunities for future research. Based on the articles reporting flood detection methods, it is found that the threshold segmentation methods such as the OTSU and KI algorithms are computationally fast and have been most widely used. The classification methods (e.g., the support vector machine and K-means clustering algorithms) have the flexibility to account for both subjectivity and objectivity, and the change detection method using the difference and ratio algorithms can effectively suppress over-detection and image geometric errors. Additionally, combining SAR images with four major types of auxiliary data to increase flood detection accuracy has become a hot topic in the past decades. Specifically, terrain information such as Digital Elevation Model (DEM), Height Above Nearest Drainage (HAND), and topographic slope can effectively reduce the impacts of shadows and exclude non-flooded areas. SAR image textural and multispectral optical information (e.g., Landsat data and aerial photos) can enhance the recognition ability of water features. Land cover/use data facilitate removing non-water features that are similar to water features, and hydrological data can help excluding permanent water bodies from temporary flood areas. From the perspectives of SAR image types, image preprocessing, detection algorithms, and accuracy assessment, major challenges are further discussed including insufficient understanding of the complexity of SAR backscattering information, limited progress in improving the signal-to-noise ratio during image pre-processing, lack of versatile flood detection algorithms, and low availability of high-quality verification data. While opportunities for future SAR-based flood detection research include combination of auxiliary information in detection algorithms, use of multiple rather than single threshold for water detection, and transition from deterministic toward probabilistic flood mapping.

Key words： Synthetic Aperture Radar (SAR); flood detection; threshold method; change detection; auxiliary information; flood probability map; backscatter; flood risk

1 引言

洪水灾害是当今发生最为频繁的自然灾害之一，因其影响范围广、造成损失大等特点，常对国民经济和人民生命财产安全带来严重威胁，故洪水检测研究成为自然灾害研究中的热点之一。洪水检测的重点在于洪水水体的识别，即洪水淹没范围提取。传统的洪水信息检测方式为实地调查和手工测绘，其耗时、耗力，且在大范围覆盖和实时性上难以满足实践需要[1]。随着遥感技术的发展，遥感影像以其速度快、时效性强、大范围重复观测等特点为洪水信息获取提供了重要的手段和数据支持[2]。
遥感洪水检测主要采用光学影像和雷达影像。基于光学影像的洪水检测起步较早，并相对成熟[3,4]。但光学遥感波长较短，易受云、雨、霾等天气的影响，而洪水事件发生时常伴随着持续云层覆盖，传感器难以准确地获取灾害区域的清晰影像。与其相比，合成孔径雷达（SAR）系统工作波段更长，能穿透云层，受天气条件和光照水平的影响小，可以在能见度较低的气象条件下成像，具有全天候、全天时的工作能力，已成为现今遥感洪水检测的热点[5-6]。SAR系统主动地向地物发射的信号，经水体地物表面的近似镜面反射后，仅有一小部分信号返回到雷达接收系统。相反，经相对粗糙陆地表面的漫反射后，返回的后向散射信号较强。因此，在SAR影像中，水体因后向散射信号弱而呈黑色，非水体则由于后向散射信号强而显亮色。利用SAR影像中非水与水体地物的后向散射值的差异，设置合适的划分规则，可提取洪水信息。然而，阴影区（如山体阴影）在影像上呈现出如水体般的弱反射特征，植被等与洪水混合地物在影像上使得水体呈现为强反射的非水体特征，这些异物同谱与同物异谱现象往往引致水体识别误差。围绕如何利用SAR数据准确进行洪水检测这一问题，国内外学者展开了丰富而深入的研究。
本文基于国内外SAR影像洪水检测的研究成果，梳理、分析和探讨了SAR洪水检测数据源、检测方法、面临的问题和发展趋势等内容，提出SAR影像洪水检测今后应加强研究的重点方向。

2 SAR卫星数据源

随着SAR技术的发展，全球已有多颗雷达卫星（表1）广泛用于洪水检测。早期Hess等[7]便通过分析SAR影像识别混杂在植被等干扰地物里的水体信息，证明了SAR卫星数据源检测水体的有效性。随着近年来国内外卫星的相继发射，可供利用的雷达影像种类越来越多，空间分辨率越来越高，形成了以L（如ALOS-PALSAR）、C（如ENVISAT-ASAR、Sentinel-1、海丝一号等）、X（如COSMO-SkyMed、TerraSAR-X）波段为主的SAR洪水检测数据源集合。
表1 洪水检测可利用的SAR卫星数据信息

Tab. 1 Available SAR satellite data information for flood detection

工作波段 SAR数据 扫描宽度/km 分辨率/m 重复周期/d 国家/机构 工作年限/年
L ALOS-PALSAR1 40~350 7~14~100 46 日本 2006—2011
ALOS-PALSAR2 25/35/60/70/350 1/3/6/10/100 14 日本 2006—2011
C ERS-1 100 30 35 欧空局 1991—2000
ERS-2 100 30 35 欧空局 1995—2010
ENVISAT-ASAR 100~400 20/70/150 35 欧空局 2002—2012
RADARSAT-1 45~500 8~100 24 加拿大 1995—2013
RADARSAT-2 15~500 3~100 24 加拿大 2007—至今
Sentinel-1 20/80/250/400 5/20/40 12 欧空局 2014—至今
GF3 10~650 1~500 <3 中国 2016—至今
HISEA-1 5~100 1 3 中国 2020—至今
X TerraSAR-X 5~10~30~100 1~3~16 11 德国 2007—至今
COSMO-SkyMed 10~30~200 1~3~15 16 意大利 2007—至今
Ku Qilu-1 500 0.5 - 中国 2021—至今
基于L波段的ALOS-PALSAR合成孔径雷达，具有高分辨率、扫描式合成孔径雷达、极化 3种观测模式，可进行高分辨率(10 m)或广域(250~350 km)模式成像，支撑了洪水测绘工作[8]。基于C波段的ERS与RADARSAT数据是最早被用于洪水制图的SAR卫星数据[9]。ENVISAT卫星上载有多个由ERS所载设备改进而成的ASAR传感器，共有Image、Alternating Polarization、Wide Swath、Global Monitoring和Wave共5种工作模式，能对陆地、海洋、大气进行观测，其中Wide Swath模式采用ScanSAR技术提供更宽的成像条带，可用于长时间序列、大范围洪水检测[10]。Sentinel-1雷达卫星将高空间分辨率C波段影像带入免费时代，含IW(Interferometric Wide swath)、EW(Extra-Wide swath)、SM(Strip Map)和WV(Wave) 4种成像模式，并拥有同极化（HH、VV）、交叉极化（HV、VH） 2类 4种极化方式，提供单极化与双极化产品。其中VV同极化信号的散射程度较小，对洪水信息较敏感，常被用于洪水检测[11-12]。
近年来，我国在C波段的SAR卫星研制上取得巨大成功，成功发射了高分三号（GF-3）、海丝一号（HISEA-1）、齐鲁一号（Qilu-1）等卫星。GF-3卫星是我国第一颗民用多极化微波遥感SAR卫星，具有12种成像模式，能够获得分辨率1~500 m，成像幅宽10~650 km的遥感影像，可针对大范围洪涝灾害灵活选用最佳观测模式，为洪水检测提供数据支撑[13]。HISEA-1是我国首颗轻小型SAR卫星，最高分辨率可达1 m，最大幅宽可达100 km，可为洪涝灾害监测和应急管理等提供高分辨率的SAR遥感影像[14]。
基于X波段的TerraSAR-X和COSMO-SkyMed星座使得用于洪水范围测绘的星载SAR系统的利用率大幅增加。TerraSAR-X具有相对较高的重访周期和多种分辨率，可凭借高覆盖率对同一地区实现几乎无缝拍摄，常用作城市近实时的洪水动态监测[15]。COSMO-SkyMed卫星在聚束模式下可获得高达1 m分辨率、10 km幅宽的影像，在条带模式下则可获得3 m分辨率、40 km幅宽的影像，使大比例尺水体制图成为可能。此外，Qilu-1是我国第一颗Ku波段的高分辨率轻小型SAR卫星，采用轻型反射面天线，具有条带、聚束、滑动聚束等多种成像模式，为洪涝灾情评估和抢险救灾发挥了重要作用。
综上，用于洪水检测的SAR卫星数据源以C波段为主，当洪水检测需大量免费且易获取的数据源时，可选用Sentinel-1卫星产品，当进行长时间序列、大范围洪水检测时，可选用ENVISAT-ASAR数据产品，当进行城市高分辨率洪水制图时，可选用TerraSAR-X和COSMO-SkyMed数据产品。我国在SAR卫星数据源的研制上取得巨大突破，GF-3、HISEA-1等卫星产品也为洪水检测提供优质的数据支持。

3 洪水检测方法

SAR影像洪水检测方法可分为阈值法、分类器法、变化检测法、干涉测量法、时间序列分析法5类。其中，前2类多基于单时相分析，后3类则采用多时相分析策略。基于单幅SAR影像检测洪水淹没范围时，主要依据后向散射强度的差异来区分水体与非水体地物，有时也考虑图像形状、颜色、纹理等其它信息。在无风无雨天气条件下或洪水检测范围主要为裸土和稀疏的植被时，单时相分析可较好地识别洪水淹没区域[16]。基于洪水是临时性积水的现象的本质，多时相分析以非洪水期的影像为参考，通过对洪水期的影像作变化检测或干涉测量等方法提取洪水淹没范围。多时相策略有利于弥补单时相方法对后向散射特征类似于水体的地物错误判定的问题。洪水检测过程中，常在预处理时借助辅助数据去除湖泊、水库等永久性水体，以聚焦于获取水体变化的区域（即洪水淹没区）[17]。表2列举了上述5种SAR影像洪水检测分类方法及其特征。
表2 SAR洪水检测方法分类及其特征、优缺点、例子与关键文献

Tab. 2 Classification of SAR flood detection methods and their characteristics, advantages and disadvantages, examples and key references

方法 特征 优点 缺点 例子 关键文献
阈值法 参数化 事先对地物类别统计分布做假设，计算统计模型参数 方法简单，计算效率高 过度依赖直方图的双峰分布性，受环境异质性影响大 单峰分布拟合（伽马），多峰分布拟合（高斯） 文献[18]、文献[19]、
文献[20]、文献[21]
非参数化 不作先验分布假设 大津算法（OTSU）,水体指数提取法 文献[15⇓⇓⇓⇓⇓⇓]、文献[22]、
文献[23]、文献[24]
分类器法 监督分类 需地物相应像素组成的训练集 不需在设计算法前深入了解影像地物的散射特性，控制训练样本的选择 训练集的生成很难自动化，水体内部的方差值越大，样本代表性越差 随机森林分类器，支撑向量机 文献[25]、文献[26]、
非监督分类 不施加任何的先验知识，算法自学习并进行聚类 不需先验知识，人为误差机会减小 “同物异谱”及“异物同谱”现象使分类集群与地类间不对应 ISODATA，K-means聚类 文献[27]、文献[28]、
文献[29]
半监督分类 已分类与未分类数据一起参与分类器训练 弥补监督学习样本泛化性不足，提高非监督学习模型精度 训练模型过程较复杂，时间成本较大 卷积神经网络（CNN）快速洪水范围制图法 文献[30]、文献[31]、
面向对象 基于包含重要语义信息在内的对象及其间的相互关系训练分类器 充分利用除辐射信息外的对象信息（例形状），有效解决影像的椒盐噪声问题 模型较复杂，地物分割尺寸影响分类精度 形态语义分割 文献[32]、文献[33]、
变化检测 需洪水前（非淹没）影像，多与阈值分割技术配合使用 有效限制过度检测与影像几何误差 受影像条件限制大，受斑点噪音影响大 比值影像，差值影像 文献[18]、文献[19]、
干涉测量 根据相干性值的高低区分淹没与非淹没区 限制建筑物的双重反射效应对洪水识别的干扰 相干性对时间基线非常敏感，强度信息与相位信息同时计算复杂 CSK强度图与相干图RGB通道组合 文献[34]、文献[35]、
时间序列 基于时间序列数据获取动态淹没图 减弱洪水信息与物候周期有关的植被地物的混淆 数据采样频率不高、存储空间要求高 NDFI和NDFVI的阈值法 文献[36]、文献[37]、

3.1 阈值法

阈值法的原理是将后向散射值低于某设定阈值的所有像素定义为水体，高于的则判定为非水体。阈值法是起步最早、发展最快的方法之一，一般基于影像后向散射系数的直方图信息，通过选择合适的阈值最大程度地区分水体与非水体。最简单、直接的方法是双峰阈值法，即将阈值取在水体与非水体2类峰值之间谷值所对应的后向散射值（即像素值）[38]。尽管该方法具有区分2类地物分布的能力，但在水体与非水体对比度不明显的情况下两类直方图之间存在重叠，阈值难以确定。为改善该局限性，研究者提出了多个阈值模型，根据是否对分布模型进行参数化可分为参数化和非参数化阈值法2个子类。

3.1.1 参数化法

参数化法假设影像的水与非水类别像素值的分布符合某理论统计分布，基于实际像素值的经验分布（即直方图）估算理论统计分布的参数，确定区分2类地物的最佳阈值。一般通过搜索的办法取得阈值：首先设定一个初始的阈值，将像元分为水和非水两类；然后采用统计分布去拟合水、或水和非水的经验分布（即直方图）并计算拟合误差；变换多个阈值并计算相应的拟合误差，通过拟合误差最小遴选最佳阈值。
参数化法常用的理论统计分布为伽马分布（Gamma Distribution）和高斯分布（Gaussian Distribution）。在开放水域被认为是镜面反射、具有低反向散射值的均匀表面时，其反向散射信息的变化主要由散斑引起。此时，可假设水体的反向散射值遵循伽马分布[39]。水体和非水体的像元直方图一般呈双峰分布，伽马分布仅拟合水体的分布。在利用伽马概率密度函数拟合水体直方图获取阈值时，先设定初始目标阈值，该阈值常取在直方图左峰对应的像元值处，然后给定步长，使目标阈值按顺序增加，计算低于该阈值像元的直方图分布与伽马概率密度函数分布(低于阈值)之间的均方根误差（RMSE），当RMSE达到最小时获得最佳目标阈值[39]。此外，也可计算低于目标阈值的像元直方图分布与概率密度函数分布之间的累积误差，直到该误差占由伽马概率函数累积概率分布的百分比小于所设定的百分比（如1%）时获得最佳目标阈值[18]。
基于伽马分布的参数化法对均匀分布的水体拟合较为有效，但在水体信息较为粗糙或水体与非水体地物有明显重叠时，同时对水体与非水体双峰分布进行拟合可能更有效。相关研究认为基于分贝化后的图像，各地物整体像元值的直方图分布较符合混合高斯分布（水体高斯分布曲线与非水体高斯分布曲线之和）[40]。基于混合高斯分布的参数化方法首先设定初始阈值将像元分为水和非水两类，并利用期望最大化（EM）、莱文伯格-马夸特(Levenberg-Marquardt) [19,38]等方法估计像元所呈高斯分布的参数，然后利用高斯模型分别拟合低于该阈值的像元直方图分布与高于该阈值的像元直方图分布，并计算拟合误差；再改变阈值并计算相应的拟合误差，当差异最小时获得最佳水体阈值。
基于混合高斯模型的参数化方法以KI算法最为经典，并不断发展。KI算法由Kittler和Illingworth[20]提出，他们基于Bayes误差理论，在假设理想的目标和背景的灰度分布服从混合高斯分布的前提下，拟合出一个混合高斯分布的模型表达式，以实际直方图分布与拟合的高斯分布之间误差最小为准则寻求最佳阈值，将图像二值化问题转化为最小误差化高斯分布拟合问题。由于KI算法计算速度较快，研究者常利用该算法快速初始化SAR影像水体与非水体的二值化分类。但参数化阈值法对影像直方图双峰分布特征有较大的依赖性，当水体和非水体类别直方图双峰性分布不明显或明显重叠时，计算结果会有较大误差[41-42]。针对这个问题，Martinis等[21]提出了利用呈显著性双峰现象的目标图块代替整幅图像确定水体阈值的思想。基于该思想，如何对SAR影像分割成快及如何寻找像元直方图满足双峰性的目标图块成为多个研究者选择水体阈值的关键。在图像分块上，Bioresita等[43]直接对影像均匀分块，Chini等[19]采用四叉树对图像分割，Cao等[42]提出了目标区域搜索（TRS）法分割图像，这些方式得到了具有显著双峰现象直方图的目标图块。在判断双峰性上，最大归一化类间方差（BCV）与哈蒂根倾斜统计（HDS）[44]等方法常用来检测不同图块的像元后向散射分布。

3.1.2 非参数化法

非参数化法无需参数化法所需的先验分布假设，方便而计算效率更高。使用最广泛的非参数化法是大津算法（OTSU），其使阈值遍历影像的所有可能像元值（如0~255），并计算小于阈值的“水体”和大于阈值的“非水体”像元值的方差，寻找类间差异最大化的阈值。类间差异越大，分离度越好[22]。OTSU算法经常被用作水体二值化的基础手段，如Schlaffer等[45]基于像素模型进行大津阈值化，最大化水和土地类别之间的方差，从参考图像和洪水图像的差异图像中通过二值化绘制洪水淹没图。水体指数法也是非参数阈值分割法的一种，如贾诗超等[23]提出了基于哨兵数据的SDWI (Sentinel-1 Dual-Polarized Water Index)水体指数提取法(SDWI=ln(10×VV×VH)-8)，该方法受到归一化植被指数（NDVI）和归一化水体指数（NDWI）方法的启发，研究Sentinel-1双极化数据(VV&VH)之间水体信息提取的关系，建立水体判别关系式以增强水体特征，通过SDWI值大于0的标准分离水体像元。
阈值法受环境异质性影响大，如因风水面粗糙时，细小水体区易出现误判。减缓误判的手段多样，一种方式为区域增长，包括参数化与非参数化区域增长。非参数化区域增长需确定初始种子点、增长阈值和邻域窗口大小3个条件。首先，种子点的选择可以阈值法确定，然后设置一定宽度（例如 3×3）的模板邻域窗口，接着在邻域窗口内设置种子点像素值与邻域像素值的差值，判断邻域窗口内邻域像素与种子点像素差值是否小于等于所设增长阈值，满足这个条件的像素被添加到水体类别中[18-19]。该方法的缺点是严重依赖于初始种子像素和临近像素之间预定义的相似性标准，如果在感兴趣区域中未检测到种子像素，则在区域生长过程中将完全忽略该区域。而参数化阈值增长需要借助影像像元的直方图分布与拟合分布函数进行阈值选择，从选定的初始阈值处以一定的步长逐渐增加，满足经验分布与理论分布的容差范围后得到最终阈值[46]。
另一种限制阈值法误判的方式为主动轮廓建模，它可以在高噪音的背景下将不连续或粗糙的水体与非水体地物的边缘转换为平滑的连续边界。Horritt等[24]首先描述了一种主动轮廓模型来自动化地模拟河流洪水，可识别SAR图像中噪音区较多的洪水信息。此后，Mason等[15]发展了该方法，他们采用了混合区域增长和主动轮廓建模方法，限制地形起伏造成的水体过度检测。此外，形态学分析也常作为限制洪水检测误差的方式。含有较多噪音的图像二值化后，水体边界往往是不平滑的，水体区域还可能存在孔洞，且背景区域散布着噪声像元。对图像进行先腐蚀后膨胀的开运算可以消除细小的过度检测的非水斑块,在平滑较大水体地物的边界时不明显的改变其面积；对图像进行先腐蚀后膨胀的闭运算则可以填充水体地物内细小的空洞、连接邻近的水体、也在不明显改变水体面积的情况下平滑水体边界[47]。
综上，阈值法提取水体简便而速度快，可实现洪水检测快速制图，但常因影像直方图双峰不明显或环境异质性引致水体的误判。研究者们通过寻找像元直方图呈明显双峰分布的目标图块来确定阈值，采用主动轮廓建模、区域增长、形态学算子与阈值法组合等方式，限制阈值法的误判，提高洪水的检测精度。

3.2 分类器法

与阈值法不同，分类器法对地物的散射特性先验知识依赖度低，通过设计分类规则同时划分多个地物类型。随着近年机器学习的不断发展，分类器法常借助机器学习对SAR影像水体进行分类，具体可分为监督分类、非监督分类、半监督分类、面向对象分类。监督分类法、非监督分类法和半监督分类法是像元尺度的分类器，而面向对象法则是基于多像元组合形成的语义信息及相互关系的分类器。

3.2.1 监督分类法

监督分类法进行洪水检测的关键是需要水体及其他地物相应像素组成的训练集，通过计算目标像素周围像元的光谱特征，为合成孔径雷达图像中的每个像素分配标签[30]。监督分类方法多是基于神经网络（NN）、随机森林（RF）、支撑向量机（SVM）等传统的机器学习算法确定SAR影像的水体像元。
神经网络可用作分类器，尤其是卷积神经网络（CNN）被广泛应用于遥感影像分类与目标识别，并取得良好效果。CNN是一种多层前馈神经网络，包括特征提取层与特征映射层，用于影像从像元级开始的视觉识别[48]。依据先验样本，CNN可作为水体条件概率的统计模型，计算已知像元被水覆盖的概率，即神经网络输出值可以直接用作判断像元是否为水的概率指标[49]。随机森林也可作洪水检测的分类器，需创建决策树训练数据集与决策树规则，其性能主要取决于生成的决策树的数量[50]。规则的建立可依据多个特征指标，并应用于相似像元的匹配过程。例如，Huang等[25]将全球水域边界数据(SRTM Water Body Data, SWBD)和多时相动态地表水范围数据(Dynamic Surface Water Extent, DSWE)作为随机森林分类模型的先验掩膜，选择了包括雷达的几何信息、极化波段类别（同极化、交叉极化）、波段指标（归一化差异指数等）、入射角等多个特征，采用贝叶斯概率估计水和非水的概率。支撑向量机可用作针对单波段极化数据的分类器，它通过寻找几何间隔最大的分离超平面来正确划分训练数据集，其性能取决于数据集和训练模型的参数2个因素。Insom等[26]以SVM模型为基础，提出了一种基于粒子滤波器（PF）的新方法，通过PF多次估计SVM训练模型的关键参数，得到具有比原始模型更适合训练样本的特征，且与数据集之间的相关性更强。可见，监督分类器均需创建水体与非水体地物的训练集，但训练集很难自动化生成，且训练集内水体的像素值方差值越大，样本代表性越差。

3.2.2 非监督分类法

与监督分类相比，非监督分类算法不需要先验知识，通过自学习进行聚类，但需对聚类结果进行实际属性的确认。非监督分类法常用K-means、ISODATA等方法检测洪水。K-means算法以距离作为相似度的评价指标，用样本点到类别中心的误差平方和作为聚类好坏的评价指标，通过迭代的方法使总体分类的误差平方和函数达到最小。研究者多将K-means聚类算法结合其他模型估计水体和非水体。孟令奎等[27]利用K-Means算法对像元进行分类，估计水体分布先验概率，并结合统计分布直方图使用非线性最小二乘法估计模型参数，基于高分三号(GF-3)影像绘制了水体概率图。Liu等[28]提出了一种基于K-means算法和数学形态学滤波的SAR图像变化检测方法，先对影像形态学滤波去噪，后进行非监督聚类。ISODATA算法在K-means算法的基础上发展为成熟的非监督分析技术，其首先计算数据空间中均匀分布地物类别的像元均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，并根据所得的新均值对像元进行再分类。王磊等[29]依据Sentinel-1A卫星SAR雷达影像成像原理，根据水体的后向散射特性，基于非监督分类器（ISODATA），对2020年汛期以来鄱阳湖区域发生的特大洪水进行检测，获得较高洪水淹没区识别精度。可见，目前非监督分类法不再局限于传统的分类器，多数结合阈值法、变化检测法的思想，甚至加入了反馈机制来进行像元分类。但是，“同物异谱”及“异物同谱”现象有时使水体像元集群与真实地类间不对应，需要不断调整初始设定的聚类标准及迭代次数。

3.2.3 半监督分类法

半监督分类法结合监督分类与非监督分类的优势，将数据集分为已知类别标签样本（监督分类的原始训练样本）与未知类别标签样例。在无标签样例的帮助下训练有标签样本，即已分类的样本与未分类的数据一起参与分类器的训练与计算，获得比只用有类标签样本训练性能更优的分类器，弥补原始样本不足的缺陷[51]。半监督分类思想多体现于利用神经网络算法训练SAR影像，预测被淹没的像素。如Luu等[30]提出了一种基于卷积神经网络（CNN）的半监督快速洪水范围制图方法，韩宇韬等[31]提出了一种基于协同训练半监督学习的遥感影像水体提取系统，目的都是尽可能地弥补监督学习样本泛化性不足，提高非监督学习模型精度。然而，无论是样本的训练还是模型的训练，都需花费较大的时间成本，难以满足大范围洪水信息快速检测的需求。

3.2.4 面向对象法

上述分类器多是基于像元的分类方法，面向对象法则不以单独的像元为基点，而是基于包含重要语义信息在内的对象及其间的相互关系。面向对象法常用到分割技术，分割技术将连接的同质像素进行合并再进行水体提取，为水体检测提供了新的思路。分割技术的重点在于分割尺寸与图像信息的关系及分割方法的选择[52]。Martinis等[21]既考虑基于像素的分类，又考虑地物的形状、紧致度、空间特征，实现了面向对象的水体阈值化。汤玲英等[32]依据影像的散射特征与形状特征参数，应用多尺度分割技术设置分割尺度使整幅影像分割形成的影像对象异质性最小，将具有相同特征的像元根据指定的尺度聚合成“对象”，再对对象进行分类，对比分析基于对象与基于像元的水体分类结果，发现面向对象法降低了水体误判率，提高了水体提取精度。面向对象法可充分利用除辐射信息外的对象信息（如几何形状），从而有效减轻影像的椒盐噪声问题，提高水体提取的精度[53]。然而，面向对象技术中分割与合并的过程决定了大区域洪水检测的高时间成本，且地物的分割尺寸也会影响分类精度。
综上，分类器法可以在考虑水体后向散射特征的基础上，利用分类模型实现洪水检测，且可以通过训练样本等方式反复优化分类模型，实现较为精细的洪水检测。但是分类器的训练计算时间成本较高，难以满足大范围洪水的快速检测，也受到“同物异谱”及“异物同谱”现象的干扰。

3.3 变化检测法

变化检测法采用非洪水期与洪水期间的SAR影像生成差值或比值图像，基于派生图像结合阈值分割、分类器法等提取水体。其与单影像洪水检测不同，不需借助辅助数据去除永久性水体，可基于变化影像直接提取洪水淹没范围。
变化检测提取洪水需确定参考影像与洪水检测算法。选择参考影像是关键环节，也是决定提取洪水淹没范围精度的重要因素[54]。除满足“同年数据质量较高、洪水前”等定性原则外，理想的参考图像还需2个基本要求：① 具有与所选洪水图像相同的成像几何参数（观察角度）和相同的传感器参数配置；② 应与洪水图像在相同的季节获得，在水分和植被增长具有明显季节性特征的区域这一点更为关键[54]。植被覆盖区在高入射角时会出现季节性的低后向散射现象，如果参考图像选择不当，可能引致植被地物被错误地归类为洪水淹没像元[55]。因此，研究者们提出了一些遴选参考图像的方法。其一是通过单影像参数化阈值法计算洪水期间影像的水和非水像元的双峰后向散射分布G1与G2以及候选参考影像的非水体后向散射分布G3，进而选定G3与G2的相似性最大的候选参考影像为最佳参考影像[19,56]。此外，还可通过候选影像与洪水影像的相似性大以及候选影像与剩余所有候选图像的相似性也大的思想来选定最佳参考影像[57]。
选定参考影像后，需进一步确定水体提取的规则。有多种算法可以从一对SAR场景中区分变化区域（主要为洪水区）与非变化区域，最传统的方式通过计算参考影像与洪水影像的差值图像，选定最小的阈值，判定超过该阈值的像元为水体，从而实现洪水淹没范围制图。目前变化检测算法常组合无监督下的阈值分割、区域增长等思想实现水体的自动化提取。基于该思想，Matgen等[18]提出了一种从SAR图像中自动化提取洪水范围的方法，其先从SAR洪水图像中估计水的后向散射值的统计分布，提取分割阈值，获取初始化水体核心，再进一步采用区域增长提取所有水体区域，最后应用变化检测去除洪水和非洪水期影像无显著变化的区域，实验表明变化检测方法有助于去除背景稳定目标，减少水体错分。
SAR影像的斑点噪声是基于变化检测法提取水体的干扰因素。Bazi等[58]提出了一种新的无监督变化检测法，首先通过选择合适的滤波器尽可能地去除非洪水期与洪水期原始SAR影像的斑点噪声，增强发生变化和未变化的地物类别之间区分度，然后将两个滤波后的影像生成对数比率图像，并在广义高斯假设的基础上推导并改进了KI阈值准则，确定洪水区（变化类）和非洪水区（未变化类）。利用分形维数对SAR影像斑点噪声不敏感的特性，Huang等[59]提出了一种基于分形与小波变换模型（FMWT）的算法用于SAR影像的变化检测，改善了水体提取效果。
综上，基于变化检测提取洪水淹没区的方法越来越成熟，其常基于阈值分割思想，运用无监督的自动化技术对差值影像或比值影像实现洪水检测。尽管变化检测方法对于去除稳定目标(如停机坪和阴影区域)相当有效，但它们对于随时间变化的土地覆盖类别存在局限性。此外，变化检测还没有建立统一的标准，选取理想参考图像的困难、相干斑噪声和复杂的成像原理一定程度上限制了该类方法的应用。

3.4 干涉测量法

在城市地区，建筑物存在双重反射效应，使得建筑物间的洪水后向散射信号增强。基于SAR影像的水体提取算法很难检测到双重反射效应，从而易造成水体的识别误差。为解决这个问题，合成孔径干涉雷达（InSAR）可以作为常规变化检测方法的延伸，作为检测淹没区的可行手段。InSAR利用SAR影像记录的相位信息，对同一场景获取的2幅（或2幅以上）影像形成干涉图，进一步计算二者（或二者以上）的相干系数图，量化洪水与非洪水期同一目标区各个像元位置的干涉相干性。相干系数图中相干性低的位置较暗，相干性高的位置较亮[60]。相干系数图中相干系数越低，影像越暗。洪水区的相干性较低，非洪水区的相干性较高，利用该特性可划分淹没区与非淹没区[34]。由此，研究者们提出了相位信息结合强度信息的洪水检测算法。Refice等[35]开发了将SAR强度数据与相位信息集成在一起的算法，对不同时相合成孔径雷达强度信息和相干性信息进行不同通道的RGB组合，以突出各种洪水场景下的复杂效应，基于选定的代表性RGB场景的散射特征与相干特征，推导出洪水淹没的后验概率图。Annarita等[61]对不同时相的SAR强度图像和InSAR相干数据进行了独立分割，分别获得基于强度信息和相干信息的洪水先验概率图，然后将其与辅助数据（如每个像素到河道的最短距离、DEM等）在贝叶斯框架下进行数据组合与融合，估计出每个像元为水体的概率。
综上，干涉测量法根据相干性值的高低区分淹没与非淹没区，在建筑密集区的效果尤为明显，常用于城市洪水检测。相对于仅从强度检测到的变化，相干性大小可以提供关于地形结构变化的补充信息。但相干性对时间基线非常敏感，只有基于短间隔拍摄的图像形成的干涉图才能提供足够的相干信息[35]。

3.5 时间序列分析法

以时间序列分析为基础，利用同一地区多时相数据对比灾前、灾中、灾后像素值的变化，可得到动态或概率洪水淹没图[62]。时间序列分析法常应用于光学遥感影像分析，近年也被用于基于SAR影像的洪水检测。时间序列分析（多影像分析）法[63]基于高频采样的数据，在数据存储方面要求很高，为识别易产生低后向散射的土地覆盖类别提供了优势。其可以识别低后向散射值是由于洪水，还是例如有物候周期的植被地物造成的[62]。Cian等[36]基于多时相哨兵一号（Sentinel-1A）影像，计算了归一化差异洪水指数（NDFI）和植被区归一化差异洪水指数（NDFVI），通过设定NDFI和NDFVI的阈值检测洪水像元，实现了快速动态的洪水范围制图。DeVries等[37]提出了利用SAR的Z分数图像进行洪水检测，其先基于包含洪水事件在内的一段时期内SAR影像数据集计算每个像元的像素平均值、标准差和Z分数（即距平除以标准差），设定Z阈值以将SAR影像划分为大概率淹没区、小概率淹没区和开放水域（永久水体）。Schlaffer等[45]采用SAR图像场景的多时间和时间序列的谐波分析，通过自动阈值优化算法进行分类从而检测洪水。Santoro等[63]基于多时相SAR影像的时间变异性与水体最小反向散射阈值之间的关系，建立了确定二值化水体阈值的简单判别式，提高了水体提取速度。可见，在涉及到时间序列法检测洪水时，最直接和快速的阈值法常被用作基础手段。
综上，阈值法、分类器法、变化检测法等是SAR洪水检测的主要方法。其中，阈值法计算效率高、方法简单、应用广泛，尤其在长时间序列分析与大范围洪水检测中有较大优势，且需辅助数据去除永久性水体以获得洪水淹没区，但其受SAR场景影响大，对影像像素值的双峰直方图分布依赖较强。分类器法对地物的散射特性先验知识依赖度低，可充分发挥模型训练的主观性和客观性，亦可在像元和对象等尺度上充分利用辐射及地物的几何等信息，以获得较高的洪水检测精度，但样本选择及模型的训练时间成本较大，且易受“同物异谱”和“异物同谱”现象的影响。变化检测法可有效去除随时间变化不大的稳定目标，充分体现洪水是地表临时性积水现象的本质，但对于随时间变化的土地覆盖类别存在局限性，其应用也一定程度上受到选取理想参考图像困难、相干斑噪声和成像原理复杂的限制。合成孔径干涉雷达（InSAR）可以作为常规变化检测方法的延伸，在建成区可有效用于城市洪水检测；时间序列分析法提供了洪水范围动态变化的技术手段，可减弱洪水信息与物候周期有关的植被地物的混淆。然而，各洪水检测方法不可避免、不同程度地引致水体的错分与漏分误差，引入辅助信息有利于缓解洪水检测中的误差。

4 辅助信息在洪水检测中的应用

基于SAR影像的洪水检测精度至少受到： ① 山体阴影、水田等形成类似于水体的低后向散射特征；② 植被、建筑物等形成的双重反射增强水体的后向散射；③ 水体存在永久性与临时性、大和小等不同类型或场景引致洪水表面散射产生复杂响应等因素的影响。因此，仅靠SAR影像的强度信息进行洪水检测往往造成较高的水体错分与漏分误差，结合辅助信息设计算法引起关注。基于文献梳理，得到地形数据、光学影像、水文数据、土地利用/覆盖数据等辅助信息及其应用（图1）。
图1 辅助信息在洪水检测中的应用

Fig. 1 Auxiliary information and its application in flood detection

4.1 基于地形数据的阴影去除及非洪泛区屏蔽

山体背面因遮挡而接收不到SAR系统发射的信号，在影像上呈现出如水体般的弱后向散射特征，一般被称作阴影区，其对洪水信息提取造成干扰。利用数字高程模型（DEM）等地形数据提供的辅助信息可有效减少阴影的影响。DEM数据在洪水检测中主要以2种方式发挥作用，一种是SAR影像与DEM图像配准，基于SAR图像的成像参数（分辨率、卫星飞行高度、卫星运行轨道方向角、入射角等），计算每个像素相对于表面局部法线的入射角，生成DEM相应的模拟雷达图像，入射角大于π/2rad的像素为SAR的阴影区，并将水体结果中相应位置的阴影区剔除[64]。另一种方式是在SAR与DEM数据配准后，利用DEM数据生成海拔图或坡度图，定义坡度阈值，当像元的坡度值大于该阈值时视为阴影区域，将该部分像元从提取的水体像素中滤除[74-75]。然而，DEM数据质量的高低决定了阴影去除的效果，当SAR影像分辨率较高且优于DEM数据的分辨率时，在影像配准和大坡度区去除过程中可能由于重采样而引致误差。
近年来，最近邻河道相对高度（Height Above Nearest Drainage ，HAND）[76-77]互补于DEM在屏蔽非水体方面发挥潜能。HAND是由基于海平面相对高度的DEM衍生的、水文意义明确的地形模型，是以河网水系为参考的局部相对地形。其数学定义为地表任一位置与其沿水流流程由山坡进入河网处的高程差值，描述了地表任一位置相对于局地水系的相对高度[76,78]。已有研究表明使用HAND分布图可以在SAR影像中起到分离非水体的作用[41,43,79]，有助于减轻地表水（特别是陡峭山区水体）检测的错分误差[45]。HAND辅助信息可用于洪水检测的预处理或后处理阶段，通过设定HAND阈值，前者将大于该阈值的像元过滤，对剩余像元进行洪水检测；后者则统计已识别水体像元的HAND值，保留低于所设HAND阈值的水体像元，剔除高于该阈值的水体像元。HAND阈值有时设置为15 m[80]，在平坦的地区可选择较低的阈值。

4.2 基于光学遥感影像融合的图像增强

将多波段或高分辨率的光学遥感影像与SAR影像融合是提高洪水检测精度的途径之一。图像融合的目标是结合光学数据的多光谱特征和雷达影像的高分率特征，增加水体的可分离性[81]。目前已有像素级、特征级、决策级3种层次的遥感影像融合方法用于洪水检测，其中，像素级常基于乘积变换、主成分分析（PCA）、HIS变换等，特征级与决策级则采用贝叶斯网络、Dempster-Shafer理论和模糊聚类等[81-82]。在像素级融合上，Yonghua等[83]利用PCA和HIS变换等融合方法完成了Landsat ETM光学影像与Radarsat雷达影像的像素级融合，明显提高了洪水淹没区的识别精度；在特征与决策级融合上，王志豪等[66]将洪水期间的SAR影像与非洪水期的SPOT光学图像融合，在模糊C 均值聚类方法的基础上提出了分级聚类算法 (H-FCM)，首先获得淹没范围的初步检测结果，然后从非洪水期光学图像中采用区域增长算法提取河流位置，将其作为空间约束进一步筛除初步淹没范围中的非水体像元，提升了检测精度。随着深度学习的发展，基于CNN的神经网络被广泛应用于影像融合领域，已有研究者利用深度学习，通过训练多层卷积网络，自动提取影像特征信息进行融合。Seydi等[84]提出了一种融合了合成孔径雷达(SAR)、光学和高度计数据集的洪涝区制图新框架，验证了该框架在2个研究区洪涝检测的有效性。可见，未来深度学习技术有望推进影像融合在洪水检测领域的应用。

4.3 基于SAR纹理信息的特征增强

植被或建筑物引起的双重反射、风雨天气条件等的影响使得水体场景产生复杂的后向散射特性，通过SAR影像提供的纹理增强地物信息增强地物特征，可提高水体与非水体的对比度，增加洪水区的可分离性。纹理信息对影像中的像元对比度不敏感，故添加纹理特征作为附加信息层，有助于水体的识别。至今已有多种纹理特征提取方法用于辅助识别地物目标，提高图像信息提取的精度[85]。SAR图像中不同的地物目标具有不同的纹理特征，可通过统计分析有效提取。基于灰度共生矩阵(GLCM)的纹理特征提取[85]是一个经典的方法，被应用于高分辨率SAR遥感图像的纹理提取。此外，应用数学形态学算子过滤图像中存在的噪音点和过小的同质区，从而获取更有效的纹理特征参与分类器的训练[86]。纹理信息多用于面向对象的分类器中，其可与极化分解、分割技术相结合，促进区分浅草、裸地和阴影等与水体相似的地物，利于保持完整的水陆边界和成功识别水体区[68]。纹理信息还可用于模糊分类器中，Dasgupta等[69]利用GLCM估计二阶纹理信息，将其与后向散射信息结合用于训练模糊分类器的训练集，通过组合利用纹理、散射信息和分类器得到洪水概率图。纹理信息有助于滤除细小碎斑，通过减小水体错分误差提高基于分类器的洪水检测算法精度。

4.4 基于水文数据的永久性水体去除及洪泛区分级

用作辅助信息的水文数据包括水体边界数据，洪水重现期、水位等数据。水体边界数据，如25 m分辨率的WOfS产品网格数据集，标示了从1987年—2014年地表水的区域[70]；全球湖泊（HydroLAKES）数据集标示了湖泊、湿地、池塘和水库等静态水体和变化水体[87]，均被用于滤除洪水区域检测中的永久性水体[71]。此外，洪水重现期、水位等数据在洪水检测中被用于分析洪水的淹没程度。Tanguy等[72]将重现期数据与SAR数据结合提取洪泛区，并计算了初始洪泛区各点的重现期，进一步依据每个像元的最大重现期将地表分为未淹没区、部分淹没区或完全淹没区。双极化SAR图像与河流水位数据相结合，可用于制作不同危险性等级的洪水淹没图[88]。水文数据还可用于驱动水力模型，并与多时相遥感产品协同使用，估算洪水淹没范围、深度、洪峰流量、重现期和淹没持续时间等[89]。

4.5 基于土地利用/覆盖数据的非洪水区地物去除

水田、光滑的道路、永久性水体常对提取洪水淹没范围造成干扰，基于土地利用/覆盖数据排除明显的非水体地物可提高洪水检测的精度。土地利用/覆盖是地球表面当前所具有的自然和人为影响所形成的覆盖物，是地球表面的自然状态，具体包括森林、草场、农田、土壤、冰川、湖泊、沼泽湿地及道路等。在洪水检测中可借助土地利用/覆盖图剔除明显的非水体地物[69]和永久性水体。处理方式是首先将SAR影像与土地覆盖或土地利用图配准，然后将易排除的非水体地物叠加到SAR影像上，设定重合区域的像元在后续提取水体中不参与计算。例如，光滑的道路反射率较低，常与水体的反射效应较为相似，可通过土地覆盖图予以滤除[73]。此外，研究者们还提出了将SAR信息与土地覆盖数据相结合的模糊分类法。实现思想一般为基于区域地物的后向散射信息，对像素初始化为水与非水两类，然后对地物形态、土地覆盖信息与语义信息等进行分析，并在模糊逻辑方法中进行权重组合，最终去模糊化得到水体提取阈值[33,69]。可知土地覆盖数据有多条辅助去除非洪水区地物的途径，尤其在基于模糊分类的洪水检测中应用广泛。
综上，SAR影像结合辅助信息进行洪水检测已成为发展趋势。当地形起伏大，阴影现象严重时，可通过地形辅助信息有效去除阴影或屏蔽非洪泛区。当影像水体后向散射特征不明显时，可借助SAR影像纹理与光学影像多光谱信息增强目标地物的识别特征。当水田、光滑的道路等地物对洪水淹没区造成干扰时，可借助土地覆盖去除非水体地物。当需屏蔽永久性水体或分析洪水淹没程度时，可借助水文数据提高洪水淹没区的识别精度。显然，辅助数据的质量会影响其应用效果，研究中多只讨论辅助数据的特征与可用性，很少在其他条件一致的情况下，评价各类或同类辅助数据的应用效果。

5 精度评价

SAR影像洪水检测的精度直接影响洪水淹没制图的准确性，也进一步影响SAR数据应用于洪水检测的科学研究与生产实践的有效性，故精度评价成为洪水检测研究中必不可少的环节。当前SAR洪水检测的精度评价方法可分为确定性检验和不确定性检验2类。确定性检验即定量判断属于水体类别和属于非水体类别的像元数，进而计算错分漏分等精度指标。不确定性检验即计算像元预测正确与预测错误的概率值与验证图概率值的相似性。精度评价所需的验证数据一般通过无云或云量较少的光学影像（例如Landsat影像）或高分辨率航空影像进行数字化后获取，或者选择全球陆地地表水分布产品[90-91]。
确定性验证方法多采用基于混淆矩阵的评价指标，可分为2大类：① 评价水体提取结果准确度的指标，包括总体精度（OA）、用户精度（UA）、制图精度（PA）、漏分误差、错分误差等；② 评价水体提取结果一致性的指标，包括Kappa系数、一致性指标F等，F与Kappa系数取值范围为0~1，值越接近1，精度越高[33,92]。验证样本可在研究区内手动选择或随机生成，一般在得到参考影像的实际分类结果的基础上进行选择。为使验证点分布广泛且均匀，可在研究区内生成网格，基于参考影像提取的水体地图在每个网格中随机生成样本点[93]。随后用样本点相对应位置的像元实际分类结果与像元预测分类结果进行对比，统计水体与非水体的错分与漏分像元数，进而计算混淆矩阵的OA、UA、PA等指标。除了利用验证样本计算混淆矩阵，也可数字化参考影像获取洪水图，将其与利用算法提取洪水图进行全部像元对像元的对比分析。这要求参考影像应尽量与研究所用洪水影像同一天获取且噪音量较小。计算参考影像识别的二值化洪水图与算法识别的二值化洪水图的差值，基于差值影像计算精度评价指标含水体正确预测值/真阳性（TP）、非水体正确预测值/真阴性（TN）、水体错分误差/假阳性（FP）、水体漏分误差/假阴性（FN）等。
此外，不同于传统的验证方式，基于不确定性检验思维的模糊地图比较法也被用来评价洪水概率图的精度。例如，Dasgupta等[69]基于模糊地图比较的原理，将较高分辨率的航拍照片人工数字化为明显被淹没、明显未被淹没和可能被淹没3个区，然后依据模糊性度量公式为2个地图（水体提取图、验证图）中相同位置的2个像素计算相似性，根据相似性度量值评价水体提取的整体精度。

6 SAR洪水检测的局限性

SAR洪水检测在SAR影像数据源、预处理、洪水检测算法及精度验证阶段均存在一定程度的局限性。该局限性具体包括后向散射复杂性应对不足、滤波去噪提升信噪比效果有限、洪水检测算法通用性不足、高质量验证数据缺乏。本节将对这 4个方面的局限性进行分析与阐述。

6.1 后向散射复杂性应对不足

SAR影像洪水检测算法改进的目的是寻求水体漏分与错分的平衡点，最大程度地将水体和非水体的过度区地物分开。深入分析水体后向散射信息是准确识别水体的基础，而识别误差的源头在于不同成像条件与场景下的水体后向散射信息的复杂性。后向散射复杂性主要源于地物目标的复杂特性（如地表粗糙度、地物叠加等）和雷达系统的工作参数的多样性（如入射角、极化方式等）。
地物目标的复杂特性是造成后向散射信号复杂的主要因素，其主要从两大方面影响洪水检测精度：非水地物（例如阴影区）产生类似水体的后向散射效应造成水体错分，水体与非水体的混合地物产生的混合后向散射复杂造成水体漏分[94]。尤其是在同一幅SAR影像的场景下，同种目标地物（水体）由于位置不同，表面粗糙度不同，其他地物重叠等的影响表现出差异化的后向散射特性。如湖泊、大河等地物的水体后向散射特性明显，临时性、小面积水体地物的散射特性不明显，使得水体错分与漏分较多，难以实现部分水体区域的精细化检测[16-17,95]。因此，研究者尝试利用高分辨率影像进行洪水检测以期实现局部洪水区较精细化的检测。如Mason等[15]使用高分辨率TerraSAR-X数据，建立近实时洪水检测算法，提高城乡洪水区不同位置水体检测的精细化程度；杨雨晴等[96]利用GF-3精细条带模式影像，针对全局阈值法在SAR影像大场景下水体提取时存在的局限性以及山体阴影对水体提取的干扰，提出一种DEM辅助下基于自适应阈值的SAR影像洪涝水体提取方法，实现山体阴影较多的山区洪涝水体快速提取。然而，目前很难形成一种通用有效的方式去应对各种场景下洪水后向散射的复杂性。
雷达系统的入射角、极化方式直接影响地物的后向散射特征，进而影响洪水与非洪水之间的对比度。一般而言，入射角增加，水与非水地物的对比度增加[97]，但较高的入射角易造成阴影效应的增加，增加水体的错分误差。不同极化方式下的SAR数据产品，其水体与非水地物的后向散射信息的差异性也不同。一般而言，同极化（HH、VV）比交叉极化（VH、HV）产品更适于洪水区制图，因为HH极化方式的直方图更宽，水体与非水体的后向散射特性区分效果更明显，更有利于识别开阔水域和最近淹没区域。对于普遍应用的哨兵影像而言，相较于VH交叉极化，Sentinel-1 VV同极化信号的散射程度较小，有利于突出水体信息，是检测洪水淹没范围的首选数据。但在没有同极化图像的情况下，VH和HV数据的交叉极化图也被应用于洪水淹没制图[98]。然而，当研究采用多种数据产品时，洪水信息在不同的极化产品下可能出现不同的复杂后向散射特征，因而引致洪水检测误判。

6.2 滤波去噪提升信噪比效果有限

斑块噪声的干扰使得从雷达图像上准确提取水体较为困难，为此，常使用滤波器去除噪声以提高SAR影像的质量。然而，滤波去噪效果具有不确定性，可能引致噪音去除不够彻底和/或牺牲部分有价值的信息等问题。噪音去除不彻底表现为检测的水体结果中存在背景水体斑点，牺牲部分有价值的信息则表现为水与非水地物混合体（如植被之下的水体）或水体边缘处有价值的细节信息的误删[99]。为减轻SAR影像滤波去噪技术的不利影响，新型滤波器设计、形态学算子补偿机制、机器学习细化分类等算法应运而生[100]。创建新型滤波器需要首先对SAR影像的结构与特征进行分析，因受参数设置的影响，其适用性与复杂性难以确定[100]。将形态学算子加入滤波处理，在一定程度上抑制了影像的平滑作用，有助于提取水体边界，但无法充分消除水体内部由噪声斑点和强散射引起的误差[28]。此外，Shen等[92]提出了跳过滤波去噪的预处理环节，先进行初步水体提取，后构建基于机器学习的自动校正步骤，这为SAR影像的噪音处理提供了新的可能途径。由上述分析可知，SAR影像中的噪音是影响洪水检测精度的重要因素之一，目前滤波去噪提升信噪比效果仍有限，仍需寻求尽可能大地去除噪音又尽可能小地损失有关水体的信息的滤波器。

6.3 洪水检测算法通用性不足

受自然环境下植被、风、湿雪等因素的影响，洪水检测不可避免地存在水体的漏判与误判。植被、建筑与风导致水体表面粗糙，形成与非水体相似的散射特性，造成水体漏分；湿雪、道路等因具有很好的吸收性，产生低的后向散射，易引致水体错分[101]。现有算法多使用如DEM生成的局部入射角图、土地覆盖图和高分辨率航空产品等辅助数据来补充SAR影像信息，对较明显的非水地物进行排除，从而减少水体的错分[74,102]。但一般算法的测试范围较小，多针对某个区域采用固定数据产品进行实验与分析，缺少大量数据及多应用场景的敏感性测试。
目前，植被覆盖区和城市地区的洪水检测挑战依旧。对于植被覆盖区较多的SAR影像，垂直植被与水平地面会组成双重反射机制，因而相比水平地面增加了后向散射信息，如何在这样复杂的场景下准确识别洪水是个难题[103]。Townsend 等[103]较早探索了多个植被覆盖的Radarsat场景，使用半监督的分类树计算水淹植被和非水淹植被的阈值，发现无叶或叶子较少植被下的淹没区比有叶子植被下的淹没区检测精度更高。此外，有研究证明X波段的SAR影像适用于探测落叶时期稀疏植被或森林下淹没区域，而L波段穿透性更强，可探索到植被下的洪水，但由于其有较高的穿透性，土壤等地物会对其产生干扰[70]。建筑物侧面的散射造成雷达产生叠掩和阴影现象，使得SAR影像可能看不到城市的部分被淹地面。为缓解这种现象，Mason等[104]使用SAR影像结合市区高分辨率LiDAR高度图估计双重散射强度，研究在易发生洪水地面与相邻建筑物墙壁之间的双重散射效应，进而依据该效应在叠掩和阴影处检测城市洪水淹没区。除此之外，由于城市区域散射强度偏高而相干性偏低，一些研究探索并建立了散射强度增强与相干性降低之间的关系模型，以期提高城市洪水检测的精度[35,61]。然而，无论是对植被区还是城市区，目前植被区和城市区的洪水检测算法常限于某个小的实验区场景或特定的实验场景，缺乏大场景、多场景的通用性测试，且模型通常较为复杂，在小区域使用能实现快速精细的洪水检测，但在大区域使用可能时间成本大，检测误差大。此外，多数算法对于永久性或较大的水体识别精度较高，但对于临时性或较小的水体识别精度较低[94]，而后者是洪水检测的主要目标，目前仍需进一步研发能够同时较高精度地识别各类水体的算法。

6.4 高质量验证数据缺乏

洪水检测研究中需要验证数据来评价洪水检测算法的性能，而缺乏高质量的验证数据是洪水检测算法性能评价的一个限制性因素。一方面，很难获得与研究区洪水影像同时期的验证数据产品，即生产验证数据的观测数据与生产洪水地图的SAR卫星观测数据存在时间差，同个场景下的模拟与验证数据的真实洪水范围存在差异，进而影响水体检测的精度评估[49]。另一方面，验证数据本身的水体含有不确定性，虽利用土地覆盖图等辅助数据剔除非水体信息可能提高验证数据的质量，但剔除非水体地物的精度依赖于辅助数据的质量[43,72]。此外，高质量的验证数据一般应有更高的空间分辨率，但难于自动化生成，常因需要人为干预而受到人的主观性影响。
由于验证数据质量的不确定性，大多数洪水检测算法都难以进行大范围测试，常通过随机选择像素样本点或特定的局部完整区域进行精度验证[72]。样本点通常选择如河面与湖面等明显的局部特征点，局部区域则多为明显的河湖及河湖附近区域。然而，较少的样本点或局部评价难以代表整个地区的情况，从而导致评估结果的可靠性不足。此外，为应对验证数据的不确定性，研究者们提出通过计算基于验证数据制成的洪水概率图与基于SAR影像和算法提取的洪水概率图之间的相似性，评估洪水检测算法精度的新思路[89,105]。例如，Dasgupta 等[69]在进行精度验证时定义像素匹配的半径，同时考虑了像元属性与位置的模糊性，通过计算基于验证数据的概率图与基于算法提取的洪水概率图的相似性来评价洪水检测算法的可靠性。由以上分析可知，如何生产具有同期、低不确定性、高分辨率等特征的质量可靠的验证数据是洪水检测一直以来的难题之一。

7 SAR洪水检测的发展方向

7.1 辅助信息的广泛应用

SAR洪水检测面临的主要问题是水体像元后向散射的复杂性、算法在各应用场景下的通用性和滤波技术与验证数据的不确定性。借助辅助信息减轻这些问题成为SAR洪水检测的发展方向之一。可用于洪水检测的辅助信息多样，常用的有遥感数据、地形数据或水文数据等[66,88]。地形辅助信息可去除阴影与非洪泛区、遥感影像辅助信息可增强目标地物特征、水文数据、土地覆盖可去除非洪泛区地物，有效提高洪水信息的识别精度。辅助信息可灵活应用于水体提取流程中的不同阶段，如在预处理与后处理步骤中去除明显非水体地物，辅助初始化水体进行精细化分类。近来常见SAR影像信息与辅助信息相结合的模糊分类法。该类方法基于期望最大化（Expectation-Maximum，EM）的模糊聚类，为分类器在SAR场景中可能出现的每种土地利用类别定义模糊隶属函数。基于区域地物的后向散射信息，将像素初始化为水与非水两类，然后在模糊逻辑方法中对地物纹理信息、土地利用信息与地形信息等进行权重组合，最终得到提取洪水信息的分类函数[33,41,69-70]。基于该策略，Pulvirenti等[33]以SAR影像、土地覆盖数据、DEM数据、影像纹理信息建立模糊分类器；Grimaldi等[70]利用土地覆盖数据、DEM数据、地表水产品（WOfS产品）等多个辅助信息建立模糊分类函数，最终去模糊化得到水体提取阈值。可见，辅助信息在SAR影像洪水遥感检测算法的研发中有广泛应用的趋势。

7.2 同一SAR影像洪水的差异化识别

SAR影像水体后向散射信息的复杂性使得洪水检测存在水体错分和漏分的问题[94-95]。尤其是在复杂的场景下，同一幅影像中不同位置、不同面积大小的水体地物表现出相异的后向散射特性，干扰了水体的整体识别。Liang等[91]分析了同一景影像中水体与多种非水体地物组合的反向散射信息，发现它们呈现不同的直方图分布，由此建议当SAR影像场景较为复杂时应分别进行阈值估计以提取不同地物场景下的水体。类似地，Long等[106]采用ENVISAT-ASAR和Radarsat-2影像，计算了洪水前和洪水期间影像的差值图像，针对空旷地面与含有植被或城市建筑物的2种情况分别确定不同的阈值，差异化识别同影像中的水体信息，改善了对水体的误判与漏判。Shen等[92]也研发了一个名为RAPID的近实时（NRT）洪水制图系统，它集成了基于像元统计分布的阈值分类、形态学处理、影像多阈值分类以及机器学习滤除噪音四个处理步骤，实现洪水检测。上述这些研究案例，均对以多阈值代替单一阈值进行同一SAR影像上的洪水检测做了有益尝试。
此外，后向散射信息的复杂性造成的水体误差多出现在小片水域，尤其是小河[74,102]。小面积或临时性水域的后向散射信息由水体像元主导，但同时受到植被等其他地物的干扰，因而其像元值高于永久性大面积的水体像元，如果同样采用提取大面积水体的阈值，则会较多地错分或漏分小片水域[30]。针对这个问题，需应用更高分辨率的SAR影像提取小河水体信息，或单独将包含小河水体信息的局部区域进行分离再提取水体信息[47,107]。为提高小面积或临时性水体的检测精度，一种可行的思路是首先将水体划分成不同的组别（大面积永久性水体、临时性小面积水体等），然后建立各组的水体判别规则，最后合并各组的水体检测结果。由此可见，同一影像不再仅限于使用同一个判断法则进行水体识别，洪水检测朝着差异化识别的方向发展。

7.3 基于SAR影像的洪水概率制图

大多数SAR洪水检测都以二值图的形式输出估计的洪水范围，来服务于洪水灾害的应对和管理，但洪水二值化图不提供与洪水检测相关的不确定性指示。然而，各种复杂场景下，SAR影像与洪水检测算法很难确定性地将像元划分为水体或非水体，引致了洪水识别的不确定性。洪水概率制图提供了一种可以刻画不确定性的途径，为洪水管理人员、决策者和其他最终用户提供对检测的洪水范围的不确定性的估计。一方面，在洪水检测过程中，可通过模糊分类的输出结果表达这种不确定性，输出的像素值可表示像素被正确识别为洪水的可信度，亦可通过设定概率阈值将概率图变为二值化淹没图[69,92]。例如，Westerhoff等[105]利用ENVISAT-ASAR数据，通过探索SAR数据的像元的后向散射信息、入射角、极化信息3个重要属性，建立了用于洪水响应的自动化系统，输出洪水概率图；Zhang等[65]基于多时相Sentinel-1数据，通过概率密度分布拟合生成初始水体与非水体分类，然后使用基于模糊逻辑的方法，结合辅助数据细化初始分类图像，计算研究区汛期洪水频率的空间分布，表征未来洪水季节发生洪水的可能性。另一方面，Sentinel-1等卫星提供免费的全球重复观测的SAR影像，为绘制洪水概率图提供了数据支持，可通过长时序的洪水检测绘制洪水概率图[108]。此外，当基于SAR的洪水范围作为水动力模型的校准和评估目标时，量化洪水观测的不确定性至关重要[67]，这也进一步推进了洪水概率制图的发展。

8 结论

本文从合成孔径雷达（SAR）洪水检测卫星数据源、检测方法、精度评价、辅助信息在洪水检测中的应用、挑战与发展方向六个方面简要总结分析了国内外SAR影像洪水检测研究进展，重点梳理和对比分析了基于阈值分割、分类器和变化检测等的洪水信息提取方式，发现阈值法计算速度快、应用广泛，多以辅助数据提高分类精度；分类器法计算较为复杂，但可以充分发挥主观性和客观性；变化检测法有助于减少将类似于水体后向散射特性的地物错分为水体。同时，在SAR影像结合辅助数据进行洪水检测的发展趋势下，针对阴影去除、地物特征增强，非水体地物去除等多个改善洪水检测误差的角度，分析了光学遥感影像、地形、水文和土地利用/覆盖数据等辅助信息在洪水检测中的应用。最后，通过分析目前已有洪水检测方法，发现基于SAR的洪水识别在后向散射信号的复杂性、SAR影像滤波去噪的局限性、多应用场景下算法的通用性、高质量验证数据的可用性等方面仍存在挑战。广泛应用辅助数据、同一影像的洪水差异化识别和洪水概率制图等发展方向是减轻这些问题的可能途径。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yilmaz K K, Adler R F, Tian Y D, et al. Evaluation of a satellite-based global flood monitoring system[J]. International Journal of Remote Sensing, 2010, 31(14):3763-3782. DOI:10.1080/01431161.2010.483489

[2]
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

[3]
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 Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5):589-595.] DOI: 10.3321/j.issn:1007-4619.2005.05.012

[4]
都金康, 黄永胜, 冯学智, 等. SPOT卫星影像的水体提取方法及分类研究[J]. 遥感学报, 2001, 5(3):214-219.

[Du J K, Huang Y S, Feng X Z, et al. Study on water bodies extraction and classification from SPOT image[J]. Journal of Remote Sensing, 2001, 5(3):214-219.] DOI:10.3321/j.issn:1007-4619.2001.03.009

[5]
杨存建, 魏一鸣, 陈德清. 基于星载雷达的洪水灾害淹没范围获取方法探讨[J]. 自然灾害学报, 1998, 7(3):45-50.

[Yang C J, Wei Y M, Chen D Q. Investigation on extracting the flood inundated area from jers- 1 sar data[J]. Journal of Natural Disasters, 1998, 7(3):45-50.] DOI: 10.3969/j.issn.1004-4574.1998.03.008

[6]
张薇, 杨思全, 王磊, 等. 合成孔径雷达数据减灾应用潜力研究综述[J]. 遥感技术与应用, 2012, 27(6):904-911.

[Zhang W, Yang S Q, Wang L, et al. Review on disaster reduction application potentiality of synthetic aperture radar[J]. Remote Sensing Technology and Application, 2012, 27(6):904-911.] DOI:10.11873/j.issn.1004-0323.2012.6.904

[7]
Hess L L, Melack J M, Filoso S, et al. Delineation of inundated area and vegetation along the Amazon floodplain with the SIR-C synthetic aperture radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(4):896-904. DOI: 10.1109/36.406675

[8]
Arnesen A S, Silva T S F, Hess L L, et al. Monitoring flood extent in the lower Amazon River floodplain using ALOS/PALSAR ScanSAR images[J]. Remote Sensing of Environment, 2013, 130:51-61. DOI:10.1016/j.rse.2012.10.035

[9]
Kiage L M, Walker N D, Balasubramanian S, et al. Applications of Radarsat-1 synthetic aperture radar imagery to assess hurricane-related flooding of coastal Louisiana[J]. International Journal of Remote Sensing, 2005, 26(24):5359-5380. DOI:10.1080/01431160500442438

[10]
Kuenzer C, Guo H D, Huth J, et al. Flood mapping and flood dynamics of the Mekong delta: ENVISAT-ASAR-WSM based time series analyses[J]. Remote Sensing, 2013, 5(2):687-715. DOI:10.3390/rs5020687

[11]
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

[Chen S N, Jiang M. Application research of sentinel-1 SAR in flood range extraction and polarization analysis[J]. Journal of Geo-information Science, 2021, 23(6):1063-1070.] DOI:10.12082/dqxxkx.2021.200717

[12]
郭欣, 赵银娣. 基于Sentinel-1A SAR的湖南省宁乡市洪水淹没监测[J]. 遥感技术与应用, 2018, 33(4):646-656.

[Guo X, Zhao Y D. Floodinundation monitoring in Ningxiang of Hunan Province based on sentinel-1A SAR[J]. Remote Sensing Technology and Application, 2018, 33(4):646-656.] DOI:10.11873/j.issn.1004-0323.2018.4.0646

[13]
李胜阳, 许志辉, 陈子琪, 等. 高分3号卫星影像在黄河洪水监测中的应用[J]. 水利信息化, 2017, 140(5):22-26,72.

[Li S Y, Xu Z H, Chen Z Q, et al. Application of GF-3 satellite remote sensing image on Yellow River flood monitoring[J]. Water Resources Informatization, 2017(5):22-26,72.] DOI:10.19364/j.1674-9405.2017.05.005

[14]
Lv S N, Meng L S, Edwing D, et al. High-performance segmentation for flood mapping of HISEA-1 SAR remote sensing images[J]. Remote Sensing, 2022, 14(21):5504. DOI:10.3390/rs14215504

[15]
Mason D C, Speck R, Devereux B, et al. Flood detection in urban areas using TerraSAR-X[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(2):882-894. DOI:10.1109/TGRS.2009.2029236

[16]
Dasgupta A, Grimaldi S, Ramsankaran R, et al. Flood mapping using synthetic aperture radar sensors from local to global scales[M]//Global Flood Hazard. Hoboken, NJ, USA: John Wiley & Sons, Inc., 2018:55-77. DOI:10.1002/9781119217886.ch4

[17]
Hu S S, Qin J X, Ren J C, et al. Automatic extraction of water inundation areas using sentinel-1 data for large plain areas[J]. Remote Sensing, 2020, 12(2):243. DOI: 10.3390/rs12020243

[18]
Matgen P, Hostache R, Schumann G, et al. Towards an automated SAR-based flood monitoring system: Lessons learned from two case studies[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2011, 36(7/8):241-252. DOI: 10.1016/j.pce.2010.12.009

[19]
Chini M, Hostache R, Giustarini L, et al. A hierarchical split-based approach for parametric thresholding of SAR images: Flood inundation as a test case[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12):6975-6988. DOI:10.1109/TGRS.2017.2737664

[20]
Kittler J, Illingworth J. Minimum error thresholding[J]. Pattern Recognition, 1986, 19(1):41-47. DOI:10.1016/0031-3203(86)90030-0

[21]
Martinis S, Twele A, Voigt S. Towards operational near real-time flood detection using a split-based automatic thresholding procedure on high resolution TerraSAR-X data[J]. Natural Hazards and Earth System Sciences, 2009, 9(2):303-314. DOI:10.5194/nhess-9-303-2009

[22]
Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1):62-66. DOI:10.1109/TSMC.1979.4310076

[23]
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

[24]
Horritt M S, Mason D C, Luckman A J. Flood boundary delineation from Synthetic Aperture Radar imagery using a statistical active contour model[J]. International Journal of Remote Sensing, 2001, 22(13):2489-2507. DOI:10.1080/01431160116902

[25]
Huang W L, DeVries B, Huang C Q, et al. Automated extraction of inland surface water extent from Sentinel-1 data[C]//2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, 2017:2259-2262. DOI:10.1109/IGARSS.2017.8127439

[26]
Insom P, Cao C X, Boonsrimuang P, et al. A support vector machine-based particle filter method for improved flooding classification[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(9):1943-1947. DOI:10.1109/LGRS.2015.2439575

[27]
孟令奎, 毛旭东, 魏祖帅, 等. 结合先验概率估计的GF-3 影像水体概率估计方法[J]. 测绘学报, 2019, 48(4):439-447.

DOI

[Meng L K, Mao X D, Wei Z S, et al. Probabilistic water body mapping of GF-3 images based on prior probability estimation[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(4):439-447.] DOI:10.11947/j.AGCS.2019.20170732

[28]
Liu L Y, Jia Z H, Yang J, et al. SAR image change detection based on mathematical morphology and the K-means clustering algorithm[J]. IEEE Access, 2019, 7:43970-43978. DOI:10.1109/ACCESS.2019.2908282

[29]
王磊, 连增增. 基于Sentinel-1A的2020年鄱阳湖流域洪水灾害遥感监测[J]. 地理空间信息, 2022, 20(6):43-46.

[Wang L, Lian Z Z. Remote sensing monitoring of Poyang lake flood disaster in 2020 based on Sentinel-1A[J]. Geospatial Information, 2022, 20(6):43-46.] DOI:10.3969/j.issn.1672-4623.2022.06.010

[30]
Luu V H, Dao M S, Nguyen T N T, et al. Semi-supervised convolutional neural networks for flood mapping using multi-modal remote sensing data[C]//2019 6th NAFOSTED Conference on Information and Computer Science (NICS). IEEE, 2020:342-347. DOI:10.1109/NICS48868.2019.9023891

[31]
韩宇韬, 吕琪菲, 周保琢, 等. 基于协同训练半监督学习的遥感影像水体提取方法及系统: CN105279519B[P].2018-09-21.

[Han Yutao, Lyu Qifei, Zhou Baozhuo, Gu Yongyan, Zhang Zhiyi, Yang Yubin, Song Yong. Remote sensing image water body extraction method and system based on cooperative training semi-supervised learning: CN105279519B[P].2018-09-21.]

[32]
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.] DOI:10.12082/dqxxkx.2018.170599

[33]
Pulvirenti L, Pierdicca N, Chini M, et al. An algorithm for operational flood mapping from Synthetic Aperture Radar (SAR) data using fuzzy logic[J]. Natural Hazards and Earth System Sciences, 2011, 11(2):529-540. DOI:10.5194/nhess-11-529-2011

[34]
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

[35]
Refice A, Capolongo D, Pasquariello G, et al. SAR and InSAR for flood monitoring: Examples with COSMO-SkyMed data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7):2711-2722. DOI:10.1109/JSTARS.2014.2305165

[36]
Cian F, Marconcini M, Ceccato P. Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data[J]. Remote Sensing of Environment, 2018, 209:712-730. DOI: 10.1016/j.rse.2018.03.006

[37]
DeVries B, Huang C Q, Armston J, et al. Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine[J]. Remote Sensing of Environment, 2020, 240:111664. DOI:10.1016/j.rse.2020.111664

[38]
Bazi Y, Bruzzone L, Melgani F. Image thresholding based on the EM algorithm and the generalized Gaussian distribution[J]. Pattern Recognition, 2007, 40(2):619-634. DOI: 10.1016/j.patcog.2006.05.006

[39]
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

[40]
Martinis S, Twele A, Voigt S. Unsupervised extraction of flood-induced backscatter changes in SAR data using Markov image modeling on irregular graphs[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1):251-263. DOI:10.1109/TGRS.2010.2052816

[41]
Twele A, Cao W X, Plank S, et al. Sentinel-1-based flood mapping: A fully automated processing chain[J]. International Journal of Remote Sensing, 2016, 37(13):2990-3004. DOI:10.1080/01431161.2016.1192304.

[42]
Cao H, Zhang H, Wang C, et al. Operational flood detection using sentinel-1 SAR data over large areas[J]. Water, 2019, 11(4):786. DOI: 10.3390/w11040786

[43]
Bioresita F, Puissant A, Stumpf A, et al. A method for automatic and rapid mapping of water surfaces from sentinel-1 imagery[J]. Remote Sensing, 2018, 10(2):217. DOI: 10.3390/rs10020217

[44]
Demirkaya O, Asyali M H. Determination of image bimodality thresholds for different intensity distributions[J]. Signal Processing: Image Communication, 2004, 19(6):507-516. DOI:10.1016/j.image.2004.04.002

[45]
Schlaffer S, Matgen P, Hollaus M, et al. Flood detection from multi-temporal SAR data using harmonic analysis and change detection[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38:15-24. DOI:10.1016/j.jag.2014.12.001

[46]
Lu J, Giustarini L, Xiong B L, et al. Automated flood detection with improved robustness and efficiency using multi-temporal SAR data[J]. Remote Sensing Letters, 2014, 5(3):240-248. DOI:10.1080/2150704X.2014.898190

[47]
Huth J, Gessner U, Klein I, et al. Analyzing water dynamics based on sentinel-1 time series—a study for Dongting Lake wetlands in China[J]. Remote Sensing, 2020, 12(11):1761. DOI:10.3390/rs12111761

[48]
何海清, 杜敬, 陈婷, 等. 结合水体指数与卷积神经网络的遥感水体提取[J]. 遥感信息, 2017, 32(5):82-86.

[He H Q, Du J, Chen T, et al. Remote sensing image water body extraction combing NDWI with convolutional neural network[J]. Remote Sensing Information, 2017, 32(5):82-86.] DOI:10.3969/j.issn.1000-3177.2017.05.013

[49]
Li Y, Martinis S, Wieland M. Urban flood mapping with an active self-learning convolutional neural network based on TerraSAR-X intensity and interferometric coherence[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152:178-191. DOI:10.1016/j.isprsjprs.2019.04.014

[50]
Akar Ö, Güngör O. Classification of multispectral images using Random Forest algorithm[J]. Journal of Geodesy and Geoinformation, 2012, 1(2):105-112. DOI:10.9733/jgg.241212.1

[51]
徐庆伶. 基于半监督学习的遥感图像分类研究[D]. 西安: 陕西师范大学, 2011.

[Xu Q L. Semi-supervised learning to the classification of remote sensing images[D]. Xian: Shaanxi Normal University, 2011.]

[52]
彭海涛, 柯长青. 基于多层分割的面向对象遥感影像分类方法研究[J]. 遥感技术与应用, 2010, 25(1):149-154.

[Peng H T, Ke C Q. Study on object-oriented remote sensing image classification based on multi-levels segmentation[J], Remote Sensing Technology and Application, 2010, 25(1):149-154.] DOI:10.11873/j.issn.1004-0323.2010.1.149.

[53]
殷亚秋, 李家国, 余涛, 等. 基于高分辨率遥感影像的面向对象水体提取方法研究[J]. 测绘通报, 2015(1):81-85.

[Yin Y Q, Li J G, Yu T, et al. The study of object-oriented water body extraction method based on high resolution RS image[J]. Bulletin of Surveying and Mapping, 2015(1):81-85.] DOI:10.13474/j.cnki.11-2246.2015.0016

[54]
Hostache R, Matgen P, Wagner W. Change detection approaches for flood extent mapping: How to select the most adequate reference image from online archives?[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19:205-213. DOI:10.1016/j.jag.2012.05.003

[55]
Vreugdenhil M, Wagner W, Bauer-Marschallinger B, et al. Sensitivity of sentinel-1 backscatter to vegetation dynamics: An Austrian case study[J]. Remote Sensing, 2018, 10(9):1396. DOI: 10.3390/rs10091396

[56]
Zhao J, Pelich R, Hostache R, et al. A large-scale 2005-2012 flood map record derived from ENVISAT-ASAR data: United Kingdom as a test case[J]. Remote Sensing of Environment, 2021, 256:112338. DOI:10.1016/j.rse.2021.112338

[57]
Li Y, Martinis S, Plank S, et al. An automatic change detection approach for rapid flood mapping in Sentinel-1 SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73:123-135. DOI: 10.1016/j.jag.2018.05.023

[58]
Bazi Y, Bruzzone L, Melgani F. An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4):874-887. DOI:10.1109/TGRS.2004.842441

[59]
Huang S Q, Cai X H, Chen S X, et al. Change detection method based on fractal model and wavelet transform for multitemporal SAR images[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(6):863-872. DOI:10.1016/j.jag.2011.05.018

[60]
Hooper A, Zebker H, Segall P, et al. A new method for measuring deformation on volcanoes and other natural terrains using InSAR persistent scatterers[J]. Geophysical Research Letters, 2004, 31(23):L23611. DOI:10.1029/2004GL021737

[61]
D'Addabbo A, Refice A, Pasquariello G. A Bayesian network approach to perform SAR/InSAR data fusion in a flood detection problem[C]. Image and Signal Processing for Remote Sensing XX. SPIE, 2014, 9244:353-363. DOI: 10.1117/12.2067318

[62]
高伟, 沈秋, 李梦璠, 等. 基于多源遥感数据的洪涝淹没范围时序监测分析[J]. 测绘与空间地理信息, 2018, 41(7):8-10,14.

[Gao W, Shen Q, Li M F, et al. Analysis of time-serial monitoring of flood extent based on multi-source remote sensing data[J]. Geomatics & Spatial Information Technology, 2018, 41(7):8-10,14.] DOI:10.3969/j.issn.1672-5867.2018.07.003

[63]
Santoro M, Wegmuller U. Multi-temporal SAR metrics applied to map water bodies[C]//2012 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2012: 5230-5233. DOI:10.1109/igarss.2012.6352430

[64]
杨存建, 魏一鸣, 王思远, 等. 基于DEM的SAR图像洪水水体的提取[J]. 自然灾害学报, 2002, 11(3):121-125.

[Yang C J, Wei Y M, Wang S Y, et al. Extracting the flood extent from SAR imagery on basis of DEM[J]. Journal of Natural Disasters, 2002, 11(3):121-125.] DOI: 10.3969/j.issn.1004-4574.2002.03.020

[65]
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

[66]
王志豪, 李刚, 蒋骁. 基于光学和SAR遥感图像融合的洪灾区域检测方法[J]. 雷达学报, 2020, 9(3):539-553.

[Wang Z H, Li G, Jiang X. Flooded area detection method based on fusion of optical and SAR remote sensing images[J]. Journal of Radars, 2020, 9(3):539-553.] DOI:10.12000/JR19095

[67]
D'Addabbo A, Refice A, Pasquariello G, et al. A Bayesian network for flood detection combining SAR imagery and ancillary data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(6):3612-3625. DOI:10.1109/TGRS.2016.2520487

[68]
邓滢, 张红, 王超, 等. 结合纹理与极化分解的面向对象极化SAR水体提取方法[J]. 遥感技术与应用, 2016, 31(4):714-723.

[Deng Y, Zhang H, Wang C, et al. An object-oriented water extraction method based on texture and polarimetric decomposition feature[J]. Remote Sensing Technology and Application, 2016, 31(4):714-723.] DOI: 10.11873/j.issn.1004-0323.2016.4.0714

[69]
Dasgupta A, Grimaldi S, Ramsankaran R A A J, et al. Towards operational SAR-based flood mapping using neuro-fuzzy texture-based approaches[J]. Remote Sensing of Environment, 2018, 215:313-329. DOI:10.1016/j.rse.2018.06.019

[70]
Grimaldi S, Xu J, Li Y, et al. Flood mapping under vegetation using single SAR acquisitions[J]. Remote Sensing of Environment, 2020, 237:111582. DOI:10.1016/j.rse.2019.111582

[71]
Mueller N, Lewis A, Roberts D, et al. Water observations from space: Mapping surface water from 25 years of Landsat imagery across Australia[J]. Remote Sensing of Environment, 2016, 174:341-352. DOI:10.1016/j.rse.2015.11.003

[72]
Tanguy M, Chokmani K, Bernier M, et al. River flood mapping in urban areas combining Radarsat-2 data and flood return period data[J]. Remote Sensing of Environment, 2017, 198:442-459. DOI:10.1016/j.rse.2017.06.042

[73]
Hall J, Arheimer B, Aronica G T, et al. A European Flood Database: Facilitating comprehensive flood research beyond administrative boundaries[J]. Proceedings of the International Association of Hydrological Sciences, 2015, 370:89-95. DOI:10.5194/piahs-370-89-2015

[74]
Kuntla S K, Manjusree P. Development of an automated tool for delineation of flood footprints from SAR imagery for rapid disaster response: A case study[J]. Journal of the Indian Society of Remote Sensing, 2020, 48(6):935-944. DOI:10.1007/s12524-020-01125-4

[75]
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

[76]
Chen B, Ma C Y, Xiao Y, et al. Retaining relative height information: An enhanced technique for depression treatment in digital elevation models[J]. Water, 2021, 13(23):3347. DOI:10.3390/w13233347

[77]
Nobre A D, Cuartas L A, Momo M R, et al. HAND contour: A new proxy predictor of inundation extent[J]. Hydrological Processes, 2016, 30(2):320-333. DOI:10.1002/hyp.10581

[78]
林婷婷, 史培军, 马春英, 等. 最近邻河道相对高度及其在中国洪水淹没制图中的应用[J]. 北京师范大学学报(自然科学版), 2022, 58(2):300-309.

[Lin T T, Shi P J, Ma C Y, et al. Height above nearest drainage and application in flood inundation mapping in China[J]. Journal of Beijing Normal University (Natural Science), 2022, 58(2):300-309.] DOI:10.12202/j.0476-0301.2021247

[79]
Clement M A, Kilsby C G, Moore P. Multi-temporal synthetic aperture radar flood mapping using change detection[J]. Journal of Flood Risk Management, 2018, 11(2):152-168. DOI:10.1111/jfr3.12303

[80]
Sghaier M O, Hadzagic M, Patera J. Fusion of SAR and multispectral satellite images using multiscale analysis and dempster-shafer theory for flood extent extraction[C]//2019 22th International Conference on Information Fusion (FUSION). IEEE, 2020:1-8.

[81]
王乐, 牛雪峰, 王明常. 遥感影像融合技术方法研究[J]. 测绘通报, 2011(1):6-8.

[Wang L, Niu X F, Wang M C. Research on remote sensing imagery data fusion technology and methods[J]. Bulletin of Surveying and Mapping, 2011(1):6-8.]

[82]
雷俊杰, 杨武年, 李红, 等. 哨兵光学及SAR卫星影像协同分类研究[J]. 现代电子技术, 2022, 45(2):135-139.

[Lei J J, Yang W N, Li H, et al. Research on cooperative classification of sentinel optical and sar satellite images[J]. Modern Electronics Technique, 2022, 45(2):135-139.] DOI: 10.16652/j.issn.1004-373x.2022.02.026

[83]
Sun Y H, Li X J, Gong H L, et al. A study on optical and SAR data fusion for extracting flooded area[C]//2007 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2008:3086-3089. DOI:10.1109/IGARSS.2007.4423497

[84]
Seydi S T, Saeidi V, Kalantar B, et al. Fusion of the multisource datasets for flood extent mapping based on ensemble Convolutional Neural Network (CNN) model[J]. Journal of Sensors, 2022, 2022:1-20. DOI:10.1155/2022/2887502

[85]
王龙. 图像纹理特征提取及分类研究[D]. 青岛: 中国海洋大学, 2014.

[Wang L. Study on image texture feature extraction and classification[D]. Qingdao: Ocean University of China, 2014.]

[86]
Ouled Sghaier M, Hammami I, Foucher S, 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:10.3390/rs10020237

[87]
McGowan H A, Sturman A P. A hydrometeorological approach to the forecasting of inflows to alpine lakes[J]. Physical Geography, 1996, 17(6):513-533. DOI:10.1080/02723646.1996.10642599

[88]
Agnihotri A K, Ohri A, Gaur S, et al. Flood inundation mapping and monitoring using SAR data and its impact on Ramganga River in Ganga Basin[J]. Environmental Monitoring and Assessment, 2019, 191(12):760. DOI: 10.1007/s10661-019-7903-4

PMID

[89]
Psomiadis E, Diakakis M, Soulis K X. Combining SAR and optical earth observation with hydraulic simulation for flood mapping and impact assessment[J]. Remote Sensing, 2020, 12(23):3980. DOI:10.3390/rs12233980

[90]
Wilusz D C, Zaitchik B F, Anderson M C, et al. Monthly flooded area classification using low resolution SAR imagery in the Sudd wetland from 2007 to 2011[J]. Remote Sensing of Environment, 2017, 194:205-218. DOI:10.1016/j.rse.2017.03.005

[91]
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

[92]
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

[93]
Martinis S, Twele A. A hierarchical spatio-temporal Markov model for improved flood mapping using multi-temporal X-band SAR data[J]. Remote Sensing, 2010, 2(9):2240-2258. DOI:10.3390/rs2092240

[94]
Tsyganskaya V, Martinis S, Marzahn P, et al. SAR-based detection of flooded vegetation - a review of characteristics and approaches[J]. International Journal of Remote Sensing, 2018, 39(8):2255-2293. DOI:10.1080/01431161.2017.1420938

[95]
Mason D C, Davenport I J, Neal J C, et al. Near real-time flood detection in urban and rural areas using high-resolution synthetic aperture radar images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(8):3041-3052. DOI:10.1109/TGRS.2011.2178030

[96]
杨雨晴, 王冬梅, 徐佳. 基于局部自适应阈值的GF-3 SAR影像洪涝水体提取[J]. 地理空间信息, 2021, 19(6):54-59,5.

[Yang Y Q. Flood water extraction from GF-3 SAR images based on local adaptive threshold[J]. Geospatial Information, 2021, 19(6):54-59,5.] DOI:10.3969/j.issn.1672-4623.2021.06.015

[97]
Wdowinski S, Kim S W, Amelung F, et al. Space-based detection of wetlands' surface water level changes from L-band SAR interferometry[J]. Remote Sensing of Environment, 2008, 112(3):681-696. DOI:10.1016/j.rse.2007.06.008

[98]
Schumann G, Hostache R, Puech C, et al. High-resolution 3-D flood information from radar imagery for flood hazard management[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6):1715-1725. DOI:10.1109/TGRS.2006.888103

[99]
李玉, 王姝运, 赵泉华. 基于斑点统计特性保持的SAR影像迭代滤波[J]. 电子学报, 2021, 49(9):1809-1817.

DOI

[Li Y, Wang S Y, Zhao Q H. Iterative filtering of SAR image based on speckle statistical characteristic preservation[J]. Acta Electronica Sinica, 2021, 49(9):1809-1817.] DOI: 10.12263/DZXB.20201281

[100]
Shen X Y, Wang D C, Mao K B, et al. Inundation extent mapping by synthetic aperture radar: A review[J]. Remote Sensing, 2019, 11(7):879. DOI:10.3390/rs11070879

[101]
Giustarini L, Hostache R, Kavetski D, et al. Probabilistic flood mapping using synthetic aperture radar data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12):6958-6969. DOI:10.1109/TGRS.2016.2592951

[102]
Martinis S, Kuenzer C, Wendleder A, et al. Comparing four operational SAR-based water and flood detection approaches[J]. International Journal of Remote Sensing, 2015, 36(13):3519-3543. DOI:10.1080/01431161.2015.1060647

[103]
Townsend P A. Mapping seasonal flooding in forested wetlands using multi-temporal Radarsat SAR[J]. Photogrammetric Engineering and Remote Sensing, 2001, 67(7):857-864.

[104]
Mason D C, Giustarini L, Garcia-Pintado J, et al. Detection of flooded urban areas in high resolution Synthetic Aperture Radar images using double scattering[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28:150-159. DOI:10.1016/j.jag.2013.12.002

[105]
Westerhoff R S, Kleuskens M P H, Winsemius H C, et al. Automated global water mapping based on wide-swath orbital synthetic-aperture radar[J]. Hydrology and Earth System Sciences, 2013, 17(2):651-663. DOI:10.5194/hess-17-651-2013

[106]
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):035002. DOI:10.1088/1748-9326/9/3/035002

[107]
Kuntla S K, Manjusree P, Viswanadham M. Sentinel-1 SAR data preparation for extraction of flood footprints- A case study[J]. Disaster Advances, 2019, 12(12):10-20.

[108]
Panahi M, Rahmati O, Kalantari Z, et al. Large-scale dynamic flood monitoring in an arid-zone floodplain using SAR data and hybrid machine-learning models[J]. Journal of Hydrology, 2022, 611:128001. DOI:10.1016/j.jhydrol.2022.128001

Options
文章导航

/

〈 〉