周 帆,张文君,雷莉萍,张智杰,郭晓东,汪晓帆
(1.西南科技大学环境与资源学院,四川 绵阳 621010;2.中国科学院遥感与数字地球研究所数字地球重点实验室,北京 100094;3.中国土地勘测规划院国土资源部土地利用重点实验室,北京 100035)
卫星遥感技术具有观测范围广、周期性重访等优势,已被广泛应用于水利、环境保护、防灾减灾等领域。基于卫星遥感技术,可实现快速、准确的范围提取,直观地显示其空间分布和发展规律,使其在洪水灾害监测中发挥越来越重要的作用。而洪灾往往是由于暴雨等有强降水的天气造成的,受灾区域由于受到云层、降雨等因素干扰使得光学数据无法采集到地表信息。此时,可以全天候、全天时获取遥感观测数据的雷达卫星可弥补这一不足之处。
目前中国的高分3号(GF-3)和欧洲的哨兵1号(Sentinel-1)已被应用于洪水监测。GF-3所搭载的SAR传感器具有高分辨率、大成像幅宽、多成像模式、长寿命运行等特点,能够全天候和全天时实现全球海洋和陆地信息的监视监测,是世界上工作模式最多分辨率最高的C频段多极化合成孔径雷达卫星[1]。GF-3获取的SAR观测数据在洪水灾害信息提取了一些应用实例。陈德清等[2]利用GF-3卫星数据对2017年吉林永吉“7·13”特大洪水灾害进行检测。李胜阳等[3]利用GF-3卫星数据对黄河小北干流河段进行洪水检测。陈德清[4]应用GF-3卫星在地表洪水监测、洪涝监测、等方面的理论方法和技术流程的基础上,进一步设计并开发了GF-3卫星水利示范应用系统。这些研究显示了GF-3卫星在洪涝灾害监测和防灾减灾领域的应用潜力。另一方面,与GF-3有着同样能够进行全天候数据获取能的Sentinel-1数据,也在洪水监测中显示了其应用能力。李晟铭等[5]基于哨兵一号对2016年长江中下游重灾区洪水进行了监测及灾情评估。汤玲英等[6]基于面向对象方法研究哨兵1号数据在洪水监测中的应用。辜晓青[7]利用哨兵1号数据监测了2018年6月25日江西抚顺暴雨的空间分布信息。然而,目前还缺乏对两星在同一地区的洪水信息提取结果的应用对比的研究案例。
本文以斯里兰卡2017年5月底发生的洪灾为研究对象,利用GF-3和Sentinel-1卫星在洪水发生期间的多期数据进行洪水提取,对比分析两颗卫星提取的洪水淹没范围,并利用光学卫星哨兵-2 (Sentinel-2)数据和高程等数据进行了结果验证分析。通过GF-3与Sentinel-1的协同应用,评价分析GF-3观测数据的应用精度,为全球范围洪灾监测研究提供参考。
本文以2017-05-25开始发生在斯里兰卡南部马塔勒及其北部地区为研究对象,收集了灾中和灾后时期的GF-3和Sentinel-1微波影像数据以及灾期Sentinel-2和灾前Landsat-8光学影像数据。同时,还收集了研究区域的数字高程信息以及土地覆盖分类数据作为辅助分析(表1)。
表1 多颗卫星遥感观测数据产品信息
GF-3数据来源于中国高分应用技术中心,成像方式为精细条带1(FSI)模式,极化方式为双极化的Level-1A级数据。
Sentinel-1和Sentinel-2数据产品来源于欧空局(ESA)的Level-1地距数据(GRD),成像方式为干涉宽幅(IW)模式,极化方式为VV的雷达数据。Sentinel-2的数据为经辐射校正和正射校正处理后的Level-1C级数据产品。
DEM数据为由美国国家航天局(NASA)和日本经济产业省(METI)联合发布的ASTER全球30M数字高程模型(ASTGTM),土地覆盖数据来自于清华大学2017年30M全球土地覆盖图。
SAR数据为一级产品数据,需要进行预处理。利用ENVI5.4数据处理平台2017年1月发布首次支持GF-3卫星的SARscape5.4.1软件完成数据的预处理工作。利用欧洲航天局(ESA)的Sentinel应用程序平台SNAP Desktop)对从Sentinel-1卫星获取的雷达数据进行分析处理[8]。本次研究对数据进行了多视处理、辐射校正、斑点噪声抑制、滤波处理、数据配准、几何校正、数据增强等多种方法,使其能够满足对本次洪灾遥感监测和分析的需要[9]。
从处理结果可以看出(图1),GF-3数据依赖于高分辨率以及幅宽的优势,在数据色调、明暗度,纹理表现上优于Sentinel-1,细节保存度较高,点目标损失小,在斑点噪声控制方面优势尤为明显。
图1 同期预处理结果示例
目前,基于SAR数据的洪水提取方法主要包括阈值法、基于纹理信息的提取、结合地形辅助信息的提取、结合地形辅助信息的提取、独立成分分析的阈值分割[10]。由于GF-3和Sentinel-1观测模式等不同,其水体信息提取方法不同,经过对不同提取方法效果的对比,采用符合研究区域特征的最优提取方法进行淹没信息提取(图2)。
图2 洪水提取流程图
本文运用SNAP-Analysis-Histogram工具分别生成经过预处理后Sentinel-1数据的散射值直方图。该图呈现明显的双峰,对直方图进行对数显示特征更为显著生成结果,在对数图中进行直方图分析。2017-05-30数据的直方图对数显示根据目视判读的方法从直方图得出洪水与陆地分割的阈值为-1.25并对洪水进行提取(图3)。
图3 Sentinel-1 20175-30直方图
将洪水与非洪水分开需要选择其中间值对图像进行分段或二值化。即上图中,以最低点阈值进行二值化分割。阈值分割方面,传统的方法主要分为:最大类间方差法(OSTU)、最大熵法(THC)、最小误差法(KI)等[11]。其中OSTU在图像目标与背景面积比很小时会失效,THC范围设定过于依赖先验知识,本文选用KI阈值进行分割。KI法则(式2)是从Bayes最小错误概率准则(式1)演化而来。用决策函数J取代错误概率函数Perr();概率密度直方图h(z)则代替先验概率P(ω,j);对数似然概率p(│ωj,τ)由代价函数c(,τ)表达(式 3)。
利用双峰目标块自动搜索技术确定KI阀值后使用区域生长法将提取的一个像元或者子区域逐步聚合成一个完整独立的连通水域来还原提取结果,区域生长算法常被用于二值化图像制定连通区域的分割,可有效提高分割精度。
由于研究区域包含了流经马塔勒市的尼勒沃勒河,PolwattaGange河以及Garadu Gaga湖等4处大的湖泊会影响洪水淹没面积的分析,为提高后续洪水面积分析的精度,将土地覆盖类型数据中洪水地类作为掩膜对洪水提取结果中对应的永久性洪水进行剔除。对比两星5月30日的提取效果可以发现,Sentinel-1提取的水体图层明显比GF-3多出很多的噪音点(图4)。
图4 两星洪水提取结果示例
进一步将上图提取结果与5月28日Sentinel-2的光学影像叠加(图5)。由叠加结果可以看出,GF-3提取结果与光学数据的洪水空间分布基本一致,而Sentinel-1卫星提取的洪水区域面积(62.9 km2)明显比GF-3(52.7 km2)大同时噪点更多,Sentinel-1过多提取的区域(红色)主要分布在山区和洪水淹没的边缘地区,由噪点的分布情况分析其原因可能是数据质量较差造成的误差。
图5 同期GF-3与Sentinel-1淹没提取对比
通过GF-3和Sentinel-2多时相数据提取的洪水淹没的空间分布可以得到洪水灾后随时间的动态信息,根据像元数统计研究区域南部马塔勒市区各期洪水淹没面积(图6),结果表明5月30日之后洪水淹没面积逐渐缩小。同时,Sentinel-1卫星提取的洪水淹没面积总体大于GF-3卫星的结果,其中同期的5月30日提取结果相差16.2 km2。造成这些差异的原因可能是Sentinel-1卫星数据分辨率低以及噪点控制相对较差等问题,因此Sentinel-1的提取结果需要后期对噪点进行进一步处理。
图6 多时相洪水淹没面积统计图
由上图可见,GF-3在5月30日马塔拉市洪水面积统计结果为4.6 km2,与灾害管理中心(DMC)发布的由德国航空航天中心(DLR)和国际水管理研究所(IWMI)联合利用Terra-SAR卫星检测统计的马塔勒市洪水淹没面积4.55 km2基本一致[12]。而Sentinel-1的在同期面积统计结果为5.9 km2,明显高于DMC发布的结果。
由于研究区域较为广泛,上述洪水提取算法在对地形复杂的SAR图像进行洪水提取的结果,存在误提的可能[13]。为了进一步分析造成面积差异的原因,我们将研究区DEM数据按照不同的高度范围分成6个高程面,并将洪水提取结果与不同的高程面进行叠加,统计不同高程面上的像元值数量(图7)。
图7 两星像元高程分布图
由统计结果可以看出GF-3提取结果主要分布在30 m以下的范围,而Sentinel-1提取结果中很多像元分布在高程大于30 m的区域。斯里兰卡南部为沿海平原,高程范围>30 m的区域基本确定为山体,因此的像元是被误提为洪水的山体阴影或落在错误区域的噪点。统计各时期高程范围>30 m区域像元数占总像元数百分比(表2)。
表2 高程范围>30m区域像元占比统计
此区间GF-3各期的平均像元数基本稳定维持在50左右时在时相中平均占比1.35%,而Sentinel-1则像元数异常增多,在5月30日,像元数高达864在时相中平均占比15.95%,远高于正常值。此结果表明Sentinel-1影像将部分山区阴影误提取为洪水。相比之下,GF-3受地形影像较小,像元数在高程面的分布更加合理和稳定。因此Sentinel-1的提取结果需要后期应对山体阴影进一步处理来消除其对水提取的影响。
上述统计表明GF-3卫星与Sentinel-1卫星洪水淹没面积统计结果均存在一定程度的误差,其中GF-3卫星提取精度较为稳定。由于两星周期不同分别提取到了不同时期的影像,可以依据提取结果进行协同校正。发挥多源卫星的优势增加时序产品丰富度,将校正后的数据进行合成并叠加土地覆盖分类对各地类淹没状况进行多时相洪灾动态监测(图8)。
图8 两星协同校正动态监测统计图
由图8监测结果可直观表明本次受灾地类中农田受灾面积最大,其原因可能在于研究区域马塔勒市南部种植有大面积的水稻,且洪灾发生时期正处于该区域由4月到9月的主要的种植季节。预计这次洪灾将会对农业产生较大影响。直至8月8日农田水淹面积已经减小了93.9%。可见淹没农田的洪水已经基本褪去,可进行抢救秧苗等灾后补救措施。
本文根据微波遥感的成像原理,尝试使多期GF-3卫星影像对洪灾灾期和灾后的灾情信息进行提取分析,将整套技术流程对国外研究区域的洪灾进行应用示范,并与同期Sentinel-1数据进行了对比分析。结果显示,Sentinel-1提取的洪水淹没范围总体大于GF-3的提取结果。通过对提取结果与光学影像叠加以及像元值在高程面的分布特征分析,Sentinel-1数据由于数据质量较差以及空间分辨率的限制,相较于GF-3的提取结果显示出更多的噪音点以及在复杂地形中由于山体阴影导致更多的误提取。GF-3卫星提取结果相较于Sentinel-1卫星展现出更好的准确性和稳定性,在实际应用中表现更佳。同时本文为通过两星协同校正对研究区域洪灾淹没状况进行了动态监测,结果表明发挥多源卫星协同优势可以更加快速直观的获取受灾信息,为救灾抢险和灾后评估提供可靠的数据支持。