基于sentinel-1A的武汉市武昌区洪水监测

吕茜雯 周浩澜 钟家民

摘 要：洪水淹没范围的提取精度是城市内涝监测的关键问题之一。洪水一般发生在阴雨天气，利用光学遥感影像存在大量云层阻挡，无法有效监测洪水淹没区域，而星载合成孔径雷达（SAR）可以穿透云层，获得类似光学的高分辨率雷达图像，可全天候观测。基于哨兵1号数据，对武汉市武昌区灾前影像采用基于监督分类和非监督分类共5种方法对水体进行了提取。结果表明：支持向量机法的提取精度最高;利用该方法对灾后影像进行提取，对灾前灾后影像进行差值运算，得到城市洪水的淹没范围。利用雷达影像进行洪水监测对抗洪救灾和改进城市洪水模型具有重要意义。

关键词：遥感;城市洪水;提取

中图分类号 P237;P407 文献标识码 A 文章编号 1007-7731（2021）06-0124-03

洪水是全球最常见和最广泛的自然灾害之一，能造成巨大的经济损失和人员伤亡，因此洪水事件监测至关重要。合成孔径雷达（SAR）传感器能够穿透通常在洪水时出现的云，并且能够在夜间和白天成像，是洪水检测的首选。合成孔径雷达（SAR）传感器因其全天候的检测能力而经常用于成像洪水，现已具有足够的分辨率来成像城市洪水。从图像中提取的洪水范围，可用于洪水救济管理和改进城市洪水淹没建模。2020年6月30日武汉市遭遇暴雨和特大暴雨，部分沿河地势低洼地区受淹较为严重。为此，笔者选取武汉市武昌区作为研究区域，采用哨兵1号数据对该区域暴雨前后的洪水淹没范围进行了监测分析。

1 材料与方法

1.1 研究区概况 武汉市位于江汉平原东部、长江中下游，除少数山丘和湖泊外，地面标高多在20～24m，部分地区地势低于长江多年平均洪水位23.87m。武汉市城区雨水主要通过排涝泵站抽排到长江，每年梅雨季节降水集中，易发生洪涝灾害。

1.2 数据预处理 选用sentinel-1A雷达数据，选用Level-1地距影像（GRD，Ground Range Detected），成像方式为干涉宽幅（IW，Interferometric Wide swath），极化方式为VV和VH。选用2020年6月19日的数据作为淹没前水体，2020年7月1日的数据作为大暴雨后的影像。Sentinel-1卫星的数据预处理在SNAP软件上完成。对数据分别执行轨道校正、热噪声去除、辐射定标、多视、相干斑滤波、地形校正、分贝化处理。其中滤波的选择，对比多种滤波方法处理效果发现采用Refined Lee滤波处理效果较为出色。ENVI软件进行后处理，打开分贝化处理后的数据，目视对比VV模式和VH模式下的影像，可以看出VH模式水体特征比较强，采用这个模式进行水体信息提取（图1）。通过2期影像的对比可以看出很多区域已经被洪水淹没。

1.3 研究方法

1.3.1 阈值分割法 使用阈值法提取水体主要是利用水体在SAR图像上后向散射系数小的原理，对SAR图像进行密度分割，经过目视对比得到合适的分割阈值，再将分割结果保存为分类结果文件，对分类结果进行后处理，人机交互删除误提图斑，最终得到水体信息的过程。本研究对于水体阈值的确定通过选择样本ROI的方法进行计算。分析水体训练样本及整副影像的灰度统计直方图，经反复实验比对选取18.456作为阈值分割点，将SAR图像二值化，提取出研究区的水体。

1.3.2 面向对象 基于规则的面向对象提取主要是基于边缘监测的多尺度分割。由于不同地物的遥感影像光谱、形状、纹理特征不同，因此对于不同层次的目标需要进行不同尺度的分割。该方法主要通过设置不同的规则，通过目视对比不同分割尺度的效果，选取最佳分割阈值，将具有类似特征的邻近像元组成1个对象，新建规则，对影像进行分割。本研究使用基于规则的面向对象的方法，对单极化 SAR 数据（也可用水体指数图像）进行对象分割、设置规则提取水体，将未分贝的VV模式、未分贝的VH模式、分贝后的VH模式进行波段组合，其中分贝后的VH作为第2波段，选取40.5和91.2 2个阈值尺度以很好地区分水体和非水体。新建规则，阈值分割区间选取第2波段（分贝化后的VH模式），在规则中用归一化指数，阈值分割点仍然选18.456。

1.3.3 SDWI双极化水体指数 SDWI双极化水体指数的基本原理为基于VV和VH后向散射系数，进行波段运算，以此扩大水体与其他地物间的差异。用于提取水体的指数模型如式（1）所示。分析水体训练样本及整副影像的灰度统计直方图，经反复实验比对选取13.74作为阈值分割点，提取出研究区的水体。

[SDWI=ln（10×VV×VH）-8] （1）

1.3.4 支持向量机 支持向量机是一种浅层机器学习方法，利用其统计学的特点缓解机器学习中函数拟合、高维模式识别以及非线性等情况。由于其统计学上的特点适用于维数方面的问题，对于分类和回归分析具有一定优势，因此常用于遥感影像的分类。原理是根据先验知识选取合适的训练样本，然后根据训练样本X以及相对应的类别Y计算二次优化，再进行优化操作得到支持向量，将分类函数进行求解运算，最后计算待分类样本，得到分类样本结果。计算公式如式（2）、（3）所示。支持向量机法通过模糊加权对样本进行训练，分类设定水体和非水体2种类别，选择训练样本计算水体和非水体的分离指数为1.99，分离效果较好。

[Wa=lj=1αi-12li=1lj=1yiyjαikxi×xj] （2）

×[fx=sgnli=1yiαkixi×x+b] （3）

1.3.5 神经网络 卷积神经网络模型是有监督学习形式，在图像识别中表现优异。通过对尺度分割后的像元进行特征筛选，选择合适的样本传递给CNN，对样本進行卷积、池化等操作，最终由最后一层BP网络接收修正作为全连接层参数回传，以达到全网络的参数精准性。选择训练样本的分离指数为1.99，分类效果较好，进行反复迭代训练，从而获得分类结果。

2 结果与分析

2.1 水体信息提取效果 图2为研究区基于Otsu阈值分割（图2a）、面向对象法（图2b）、SDWI双极化水体指数（图2c）、支持向量机（图2d）、神经网络（图2e）的水体提取结果，深紫色部分为水体。图2f为原始影像未分贝的VV模式、未分贝的VH模式、分贝后的VH模式3个波段进行的波段组合，其中分贝后的VH作为第2波段。

2.2 提取精度 比较不同方法的提取结果，以人工目视解译的方法选择ROI为验证样本，计算不同方法的混淆矩阵，分析不同方法提取的精度，得到的精度指标如表1所示。由表1可知，针对SAR影像的5种水体提取方法的总体分类精度均在96%以上，Kappa系数均在0.95以上，提取效果较精确。提取精度最高的是支持向量机法，总体精度达到99.7606%，Kappa系数为0.9952，神经网络法精度与其十分接近，表明监督分类精度高于非监督分類;阈值分割法，提取方法简单，能够快速区分水体和非水体，提取精度较高;面向对象法精度较阈值分割法更高，表明阈值多尺度的选择有利于提高分类精度;SDWI双极化水体指数法提取精度较低，总体分类精度为96.2829%，表明SDWI法具有一定的局限性，对于城市建筑物密集区域水体的提取效果不如阈值分割。

2.3 洪水淹没范围 按照上述方法对武汉市武昌区洪水进行提取，将灾前和灾后水体信息进行叠加分析，绿色代表灾前水体，红色代表淹没范围（图3）。由图3可知，武汉市境内部分区域被淹没，根据淹没区域可作城市洪涝的风险评估。利用波段计算器将DN值进行设计，根据叠加分析结果统计出共有非水体、共有水体和淹没范围，统计计算得出武昌区灾前水体区域总面积为30856741.34m2，灾后水体区域总面积为31527392.72m2，武昌区总淹没面积为670651m2。

3 结论

研究结果表明：对于城市建筑物密集区域，监督分类较非监督分类提取精度更高，细节提取较为完整;哨兵1号数据能够有效用于城市洪水监测，对于地表水体信息具有较好的探测能力，且回访周期短，操作简单高效;哨兵1号能够有效监测城市区域淹没范围，有利于洪涝灾害的风险评估，对改进城市洪水模型意义重大。

参考文献

[1]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（02）：213-217.

[2]王露.面向对象的高分辨率遥感影像多尺度分割参数及分类研究[D].长沙：中南大学，2014：82.

[3]赵爽.基于卷积神经网络的遥感图像分类方法研究[D].北京：中国地质大学，2015.

[4]黄萍，许小华，李德龙.基于Sentinel-1卫星数据快速提取鄱阳湖水体面积[J].水资源研究，2018，7（5）：483-491.

（责编：徐世红）