基于遥感智能解译技术的围堰溃决洪水淹没分析

周翔 罗爽 王成

摘要：水电站围堰溃决洪水突发性强且非常规，应急调查时效性要求高。为分析水电站围堰溃决洪水风险，以旭龙水电站为例，提出了一套基于遥感智能解译技术的溃堰洪水淹没分析方法用于实物指标应急调查，并选取与居民财产安全密切相关的建筑物为典型对象，通过构建U-Net卷积神经网络模型，对旭龙水电站下游区域进行建筑物提取。结果表明：该方法可有效识别出建筑物分布情况，F-score指标精度在93%以上，在算法效率上也明显优于人工解译。

关键词：围堰溃决洪水； 淹没分析； 遥感智能解译； 卷积神经网络； 旭龙水电站

中图法分类号：P237；TV122+.4

文献标志码：A

DOI：10.15974/j.cnki.slsdkb.2024.05.020

文章编号：1006-0081（2024）05-0111-06

0 引言

水电站上、下游围堰设计采用的洪水标准通常较高，发生溃决风险的概率较低。但是，如果遭遇地震破坏，超过设计标准的暴雨洪水，渗流变形破坏、坍塌、滑坡事故以及施工质量差等因素，可能导致溃堰风险。一旦发生溃决事故，会对坝区及下游造成重大的影响，因此有必要开展溃堰洪水风险分析。近年来，通过遥感监测手段实现洪水风险区实物指标的高效、高精度信息提取，可科学评估溃堰洪水对坝区和下游人民生命和财产安全的影响，为制定水电站防洪减灾预案提供依据［1］。

传统的遥感实物指标调查主要采用人工解译的方式，需要耗费大量的人力成本和时间成本，难以快速高效地实现大范围遥感解译［2- 3］。近年来，随着人工智能技术的飞速发展，采用机器学习方法实现高分辨率遥感影像自动、快速、精确解译已经成为主流的研究方向。其中，以深度学习为代表的人工智能方法凭借其强大的特征学习和多层次表达能力，在遥感影像智能解译领域已得到广泛关注，并取得了成果［4-6］。例如，陈嘉浩等［7］发展了一种融合级联CRFs和U-Net深度学习模型，在广东省佛山市的Worldview卫星影像数据上实现了建筑物的自动提取，F-score精度达到了91.4%。Ji等［8］构建了一套开放的多源遥感影像建筑物数据集，并提出了一种连体U-Net网络模型用于建筑物提取，在航空影像数据集上的识别准确率达到93.8%。林娜等［9］提出了一种基于空洞卷积U-Net的遥感影像道路提取算法，在Massachusetts roads数据集上F-score精度达到了84.5%。以上遥感影像智能解译方法主要针对城市地区的实物指标开展算法研究，然而由于水电站溃堰洪水突发性强且非常规，目前将遙感智能解译技术应用于水电站溃堰洪水分析的研究成果仍较少。

因此，本文以旭龙水电站为研究对象，将遥感智能解译技术应用于旭龙水电站围堰溃决洪水的淹没分析中，选取溃堰影响分析中实物指标应急调查进行研究。

1 工程概况

旭龙水电站位于云南省德钦县与四川省得荣县交界的金沙江干流上游河段，开发任务以发电为主，是金沙江上游河段“一库十三级”梯级开发方案中的第12级，是“西电东送”骨干电源点之一。坝址控制流域面积18.95万km2，采用混凝土双曲拱坝，坝高213 m，总库容8.47亿m3，为日调节水电站。工程为Ⅰ等大（1）型工程，混凝土坝及相应泄洪建筑物按1 000 a一遇洪水设计，5 000 a一遇洪水校核。工程采用一次性拦断河床、全年围堰挡水、导流隧洞泄流的导流方式。

旭龙水电站下游有已建成的梨园水电站，属Ⅰ等大（1）型工程，总库容8.05亿m3。旭龙水电站围堰溃决后会对坝区和下游造成影响，但不会影响梨园水电站的运行。旭龙水电站坝址至梨园水电站坝址区间自上而下有四川省甘孜藏族自治州得荣县、云南省迪庆藏族自治州德钦县、维西傈僳族自治县、香格里拉市和云南省丽江市玉龙纳西族自治县5个市县。

周翔 等基于遥感智能解译技术的围堰溃决洪水淹没分析——以旭龙水电站为例

2 研究方法

2.1 技术路线

针对旭龙水电站溃堰洪水影响分析中实物指标应急调查需求，本文构建了一套溃堰洪水影响分析遥感智能解译技术体系，具体包括：资料收集、洪水淹没线提取、遥感智能解译、数据编辑入库、淹没实物指标统计分析与制图5个部分，技术路线如图1所示。

（1） 资料收集。充分收集项目前期资料，了解掌握研究区域特点，做好解译准备工作。结合该研究区域具体情况和工作需求，收集得到旭龙水电站所在周边区域的数字高程模型、卫星遥感影像、全国行政区划界等，为研究的开展奠定了坚实的基础。

（2） 洪水淹没线提取。通过构建旭龙水电站溃堰洪水数学模型，计算得出下游沿程最高水位，结合收集得到的数字高程模型进行插值加密处理获取等值线，根据等值线按照各断面的最高洪水位分段描绘洪水淹没线，为遥感智能解译提供了遥感影像解译范围。

（3） 遥感智能解译。根据旭龙水电站溃堰洪水影响分析需要，结合淹没实物指标主要解译内容，利用已构建的遥感智能解译模型对收集到的卫星遥感影像进行自动化解译，提取对应的地物信息，并通过专业解译人员对智能解译成果进行检查和修饰，完成遥感解译工作。本文采用U-Net卷积神经网络模型［10］作为遥感智能解译模型。

（4） 数据编辑入库。按照系统数据库相关要求，应用GIS软件对受淹没影响的实物指标遥感解译数据进行建库编辑处理，结合收集到的全国行政区划界等资料，构建拓扑关系，标注地物类属性，开展图幅之间图形、属性接边等，完成数据入库工作。

（5） 淹没实物指标统计分析与制图。溃堰影响分析计算所用解译成果是基于遥感智能解译成果，通过提取淹没区域内耕地、园地、村庄范围及工矿用地等要素图斑，根据2023年影像更新处理，将各地类图斑空间分布成果、行政区界以及不同溃堰洪水成果相叠加统计得出，并按照要求进行淹没实物指标统计与分析，制作淹没实物指标解译成果专题图。

2.2 遥感智能解译

遥感影像智能解译技术通过引入计算机视觉领域的智能模型，对遥感影像进行分类、识别、提取等，从而实现对遥感影像的自动化解译。地理空间科学与深度学习相融合的GeoAI新技术不断涌现，推动了遥感影像解译技术由人工目视解译和半自动解译向智能化、自动化方向飞速发展［11- 12］。本文结合水电站溃堰洪水分析的实际需求和遥感智能解译技术发展情况，采用U-Net卷积神经网络模型作为本研究的智能模型。

2.2.1 U-Net卷积神经网络模型

U-Net卷积神经网络模型于2015年由Ronneberger等［10］提出，由于其网络结构呈“U”型而得名，最初用于医学影像分割，后来逐步发展为深度学习的基准网络模型之一，并在诸多领域得到广泛应用，如云检测［13］、建筑物检测［8］、语义分割［14］等。本研究同样属于目标识别问题，故而将U-Net网络作为研究方法。

U-Net是由卷积、下采样、上采样和堆叠操作组成的编码器-解码器对称网络。其中编码是一个下采样过程，提取高维抽象特征，而解码则是上采样过程，恢复影像原始尺寸，并不断融入下采样的最终或中间的特征图，实现浅层细节特征与深层抽象特征的信息融合，得到最终解译结果。U-Net网络结构如图2所示。

2.2.2 后处理优化

通过U-Net模型的处理后可以得到初步的遥感解译结果，但往往会存在小碎块区域和空洞区域。因此，为了提升解译结果的精度，本文采用了小碎块剔除和空洞填充的形态学后处理方式加以优化。

另外，为了满足数据库建设和专题信息制图等方面的应用需要，本文进一步将以上解译结果进行地理坐标信息添加和栅格-矢量转换，从而得到最终解译结果。

3 结果分析

旭龙水电站溃堰洪水影响分析中涉及的实物调查指标包括淹没耕地、园地、村庄及工矿用地、道路、桥梁、电力、通讯及附属设施等多种要素，本文选取与居民财产安全密切相关的建筑物为典型对象进行分析。

3.1 遥感智能解译效果

本文选取旭龙水电站下游至梨园水电站之间建筑物较为密集的2个区域作为试验对象，分析溃堰对下游的防洪影响，采用分辨率0.3 m的谷歌影像进行建筑物智能解译试验，分别从定性和定量两方面进行分析。

3.1.1 定性分析

图3和图4分别展示了两幅建筑物密集区域的智能解译结果和局部放大图。总体来看，建筑物区域均实现了较好的提取效果，可以较为有效识别出建筑物分布情况。图3中建筑物分布較为零散，部分建筑物色彩与其他地物较为相似，总体上实现了较好的提取效果。图4中建筑物沿金沙江纵向分布，并存在与建筑物色彩较为相近的水泥地面，解译结果表明建筑物得到有效提取。从定性分析来看，本文中的遥感智能解译方法可以满足建筑物的提取需求。

3.1.2 定量分析

为使结果更加可靠，本文采用准确率P、召回率R和F-score 3种精度评价指标进行了定量分析，取值范围为0～1［15- 16］，这3个指标值越高表示解译性能越好。具体计算公式如下：

式中：TP为正确识别的像素数量，FN为将该对象错误识别为非对象的像素数量，FP为将非对象错误识别为该对象的像素数量。

两组数据建筑物提取精度及效率评价如表1所示。从建筑物提取精度来看，影像1和影像2准确率均为98%左右，召回率在90%左右，F-score精度在93%以上，验证了该智能解译方法的有效性。从建筑物提取效率来看，影像1和影像2的覆盖面积分别为0.58 km2和0.19 km2，测试时间分别为5 s和2 s，而人工解译时间分别约为30，20 min，智能解译算法运行效率更高。

旭龙水电站若发生溃堰洪水，经估算下游淹没总面积约为106 km2，建筑物遥感智能解译的时间为15 min左右，人工解译需要约20人天。相比人工解译，智能解译方法可有效提升解译效率。

3.2 淹没实物指标遥感制图

基于数字高程模型提取洪水淹没线并结合遥感智能解译建筑物矢量结果，可运用空间叠加分析统计淹没实物指标。本次采用的卫星遥感智能解译方法可实现快速统计淹没范围面积、淹没居民地面积等实物指标，可为溃堰洪水淹没方案制定快速提供决策分析依据。同时，利用收集的公开全国行政区划、道路等基础空间信息数据，洪水淹没线、卫星影像、遥感智能解译结果等制作淹没实物指标遥感专题图（图5），可直观展示溃堰洪水淹没影响的空间分布情况。

此处选取香格里拉市金江镇附近情况进行说明，金江镇居民地高程1 804～1 902 m，当溃堰后最高洪水位为1 866 m时，淹没总面积约为17.41 km2，淹没居民地面积约为0.85 km2。

4 结语

本文提出了一套溃堰洪水影响分析遥感智能解译技术体系，通过构建U-Net卷积神经网络模型，对旭龙水电站下游区域进行建筑物提取。选取了两个旭龙水电站下游建筑物较为密集的区域开展试验，定性分析发现采用的遥感智能解译方法可以有效识别出建筑物分布情况，定量分析发现F-score定量评价指标精度在93%以上，在算法效率上也明显优于人工解译。该方法可有效提升生产作业效率，为水利工程项目的开展提供重要参考依据。

参考文献：

［1］黄筱，张林杰，冯刚，等.无人机遥感在黑龙江特大洪水应急监测中的应用［J］.水利水电快报，2023，44（3）：34-38.

［2］张继贤，顾海燕，杨懿，等.自然资源要素智能解译研究进展与方向［J］.测绘学报，2022，51（7）：1606-1617.

［3］彭道松，聂小飞，莫明浩，等.基于深度学习的水土保持措施遥感解译信息提取研究［J］.中国水土保持，2023（4）：45-49.

［4］陶超，阴紫薇，朱庆，等.遥感影像智能解译：从监督学习到自监督学习［J］.测绘学报，2021，50（8）：1122-1134.

［5］宋文龙，吕娟，刘昌军，等.遥感技术在数字孪生流域建设中的应用［J］.中国防汛抗旱，2022，32（6）：15-20.

［6］隆星宇，李辉，白雪山，等.基于深度学习的人工滑坡隐患自动识别新方法［J］.人民长江，2023，54（7）：113-120.

［7］陈嘉浩，邢汉发，陈相龙.融合级联CRFs和U-Net深度学习模型的遥感影像建筑物自动提取［J］.华南师范大学学报（自然科学版），2022，54（1）：70-78.

［8］JI S，WEI S，LU M.Fully Convolutional networks for multisource building extraction from an open aerial and satellite imagery data set［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（1）：574-586.

［9］林娜，张小青，王岚，等.空洞卷积U-Net的遥感影像道路提取方法［J］.测绘科学，2021，46（9）：109-114.

［10］RONNEBERGER O，FISCHER P，BROX T.U-Net：Convolutional Networks for Biomedical Image Segmentation［C］∥MICCAI Society.MICCAI 2015.Cham：Springer International Publishing，2015.

［11］尹磊，杨凌云，张磊，等.深度学习在遥感影像智能解译中的应用现状简述［J］.华北自然资源，2023（1）：93-97.

［12］孙涛，王雷，付文博，等.深度学习在水利行业上的应用综述［J］.中国农村水利水电，2018（12）：90-93，100.

［13］WIELAND M，LI Y，MARTINIS S.Multi-sensor cloud and cloud shadow segmentation with a convolutional neural network［J］.Remote Sensing of Environment，2019，230：111203.

［14］DIAKOGIANNIS F I，WALDNER F，CACCETTA P，et al.ResUNet-a：A deep learning framework for semantic segmentation of remotely sensed data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：94-114.

［15］ADELINE K R M，CHEN M，BRIOTTET X，et al.Shadow detection in very high spatial resolution aerial images：A comparative study［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，80：21-38.

［16］LUO S，LI H，SHEN H.Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，167：443-457.

編辑：江文

Inundation analysis of cofferdam break flood based on remote sensing intelligent interpretation technolog：a case of Xulong Hydropower Station

ZHOU Xiang1，2，3，LUO Shuang1，2，3，4，WANG Cheng1，2，3

（1.Changjiang Spatial Information Technology Engineering Co.，Ltd.（Wuhan），Wuhan 430010，China；2.Changjiang Survey，Planning，Design and Research Co.，Ltd.，Wuhan 430010，China；3.Changjiang Satellite Remote Sensing Application Research Center，Wuhan 430010，China；4.Hubei Key Laboratory of Basin Water Security，Wuhan 430010，China）

Abstract：

Cofferdam break flood of hydropower station is sudden and unconventional，which requires high efficiency of emergency investigation.A remote sensing intelligent interpretation framework analysis of cofferdam break flood was proposed for emergency investigation of physical indicators，and buildings closely related to residential property safety were selected as typical objects for analysis.The U-Net convolutional neural network model was constructed to extract the building in the lower reaches of Xulong Hydropower Station.The results demonstrated that the proposed method could effectively identify the distribution of buildings.The accuracy of F-score quantitative evaluation index was above 93%，and the algorithm efficiency was also significantly better than manual interpretation.

Key words：

cofferdam break flood； inundation analysis； remote sensing intelligent interpretation； convolutional neural network； Xulong Hydropower Station

收稿日期：2023-10-30

基金项目：流域水安全保障湖北省重点实验室开放研究基金项目资助（CX2023K16）；长江勘测规划设计研究有限责任公司自主创新项目（CX2022Z31）

作者简介：周翔，男，高级工程师，主要从事水利工程测量方面的工作。E-mail：zhouxiang@cjwsjy.com.cn

通信作者：罗爽，男，工程师，博士，主要从事遥感影像智能处理与人工智能算法研究工作。E-mail：luoshuang_cjwsjy@163.com