基于高分一號影像的武漢市洪澇遙感監測與分析

張麗文 梁益同 李蘭

（1 武漢區域氣候中心，武漢 430070；2 江漢平原生態氣象遙感監測技術協同創新中心，荊州 434025）

0 引言

城市洪水和內澇作為我國當前主要的城市生態風險與災害之一受到公眾、學界與政府部門的廣泛重視[1]。城市的防洪抗澇能力取決于城市水生態循環系統的結構和完善程度[2]。隨著城市化進程的不斷發展，城市水生態失衡問題日漸突出[3]，一旦在雨季出現強降水天氣，就會頻繁出現嚴重的城市洪澇問題，嚴重威脅人身、財產安全。受到自然地理環境及氣候條件、“雨島效應”、城市快速發展給水生態環境帶來的負面問題等多種因素的綜合作用[4]，武漢城市濕地防洪蓄水生態功能下降、城市洪澇災害頻繁。在此背景下，提高洪澇災害監測與評估的時效性和精度是加強洪澇災害管理的迫切需求[5]。

衛星遙感監測技術因具有客觀、時效性強、覆蓋范圍廣且不受地面監測條件影響等優勢， 在對洪澇災害開展及時準確的動態監測及影響評估中及為國家相關部門提供重要科學決策數據中發揮著重要作用[6]。不同類型的遙感數據源在洪澇災情信息提取中具有各自的優勢和特點，應用比較廣泛的光學數據主要有風云氣象衛星、MODIS、Landsat、SPOT、環境減災衛星等，微波遙感數據主要有SAR、ASAR、SSM/I、MRI等[5,7-9]。以上中、低等分辨率衛星常用于省域或區域范圍洪澇，難以捕捉城市尺度細小洪澇災情、滿足行業應用精度要求。2013年4月國產高分一號衛星成功發射投入使用，為城市尺度洪澇監測打開了全新的局面。目前針對GF-1影像進行水體信息識別的研究較多，立足于城市洪澇水體監測的案例尚不多見。水體作為洪澇災害的基本載體，但洪澇淹沒區有別于純水體區，淹沒水深及淹沒覆蓋土地類型的不同，往往導致洪澇期水體光譜信息較非災期更為復雜。本文旨在以2016年6月30日—7月6日梅雨期強降水導致的武漢市洪澇災害為例，開展高分一號影像洪澇期不同水體光譜特征分析及水體識別適宜度性對比，彌補現有研究與應用空白。

1 研究背景

1.1 研究區概況

本文以武漢市區邊界到達的四方區域為研究區域，包括武漢市主城區、新洲區、黃陂區、蔡甸區、東西湖區、江夏區、漢南區及其接壤的周邊地區，如2016年6月14日GF-1 WFV 4、3、1（近紅外、紅、藍）三波段合成圖（圖1）所示。研究對象為區內地表水體，包括長江及其支流等河流、湖泊、養殖水域、降雨導致的淹沒區域及其他形式的小面積水體。

圖1 研究區GF1-WFV多通道合成圖Fig. 1 GF1-WFV multi-channel composite map in the study area

1.2 強降雨過程

對2016年梅雨期（6月18日入梅，7月21日出梅）武漢市區5個國家站（蔡甸、黃陂、新洲、江夏和武漢）日降雨量統計顯示，6月30—7月6日（以下簡稱7日）武漢市區出現大范圍連續強降水過程（圖2），據湖北省氣象災害評估報告 （第9卷第2期）記載，江夏、新洲等站7日過程雨量突破歷史極值。同時對武漢市區及周邊地區國家站和區域自動站降雨觀測數據進行IDW空間插值，以顯示7日累積面雨量空間分布特征。由圖3可知，武漢市為強降雨中心所在地，武漢中心城區、江夏區、新洲區、黃陂區及蔡甸區大部地區7日的累積降雨量均超500 mm，局地超700 mm。此次強降雨過程造成以上地區出現嚴重的城市內澇和河流洪澇災害。

2 數據與方法

2.1 數據

根據氣象數據的分析，選擇強降雨過程前后時間最近且為晴空條件的2016年6月14日和7月9日的GF-1 WFV多光譜衛星影像作為本研究遙感數據源。GF-1衛星裝載了WFV1、WFV2、WFV3和WFV4四個WFV傳感器，同時成像的幅寬可達800 km左右。WFV 傳感器的主要參數如表1 所示。

為排除不同傳感器及天氣差異造成的影響，遙感數據的預處理過程包括：首先對來源及時相不同的洪澇前后兩景GF-1 WFV影像進行輻射定標，再通過FLAASH大氣校正方法得到地表反射率。以15 m Landsat8 OLI全色影像和30 m DEM為基準，對洪澇前后兩景影像進行正射校正以消減地理變形和偏差，使兩幅需對比的影像空間高度匹配。最后，選取研究區矢量邊界，對多時相影像進行裁剪，獲得研究區內洪水發生前、發生時的影像及水體動態變化范圍。以上所有GF-1WFV數據的預處理過程均在ENVI5.3和ArcGIS平臺上實現。

同時，還結合研究區鄉鎮界及以GlobeLand30產品為基礎更新的2015年30 m土地覆蓋類型柵格數據開展災情評估。

2.2 方法

2.2.1 水體類型光譜特征分析

以7月6日研究區范圍預處理后的GF-1 影像為例，選擇農田、林地、建筑物、裸地、云、水體及陰影7種地物類型（其中水體又細分成河流、湖泊、養殖池塘及鹽水區4類）的典型樣地作為感興趣區，統計GF-1影像4通道平均地表反射率繪制光譜特征曲線。如圖4a所示，農田和林地都具有相似而典型的植被光譜特征，即低藍光和紅光波段反射、較高綠光反射和極高的近紅外反射，且四個通道的反射率都是農田大于林地。建筑物及裸地信息隨著波段數的增加，反射率不斷增加，但變幅較植被要小。和其他地類相比，云在各個通道都有較高的反射率，在近紅外通道達到最高。而水體信息，則獨特地表現出在從綠光通道到近紅外通道反射率逐漸下降的趨勢。在近紅外波段（B4），水體信息與其他地物信息反射率差距最大。圖4b為洪澇時期（7月9日）不同水體類型GF-1影像四波段光譜曲線，可知洪澇發生時，由于水中泥沙含量明顯增加，且受到不同深度及不同淹沒土地類型的影響，洪澇水體光譜特性變得復雜。

圖2 武漢市區5個國家站2016年梅雨期日降雨量統計分析Fig. 2 Daily rainfall characteristics of five national meteorological stations in Wuhan municipality during the rainy season in 2016

圖3 研究區2016年6月30日—7月6日累積降雨量空間分布圖Fig. 3 Spatial distribution of cumulative rainfall during 30June to 6 July in 2016 in the study area

表1 WFV 傳感器的主要參數Table 1 Main parameters of remote sensors

2.2.2 水體遙感識別方法

圖4 多種地物（a）及洪澇期不同水體（b）GF-1 WFV光譜特征Fig. 4 Spectrum characteristics of GF-1 WFV for various land covers (a) and water bodies during the flooding period (b)

洪水遙感監測的關鍵技術在于水體的識別技術。根據GF-1 WFV波段設置及數據特點，選擇操作容易的歸一化水體指數（NDWI）閾值法和研究較為熱門的面向對象方法來研究不同水體提取方法監測此次區域洪澇災害的適用性，并以GF-1 WFV影像4、3、1通道組合的RGB合成圖為目視參考，評價對比兩種方法提取的水體分布效果。選擇最優方法提取研究區洪澇前后水體分布，得出洪澇分布及面積。

1）NDWI 閾值法

NDWI是根據水體在可見光與近紅外波段的波譜特點，利用綠波段與近紅外波段的比值構建而成[10]。相比于其他指數如歸一化差值植被指數（NDVI）和地表水分指數（LSWI）等，NDWI可以最大程度地抑制植被信息，突出水體信息。式（1）為NDWI的計算公式，其中，ρGreen和ρNir分別對應GF-1 WFV數據的綠光通道（B2）和近紅外通道（B4）的地表反射率。

對預處理后的 GF-1 影像進行 NDWI 運算并對其進行灰度分布統計，根據灰度分布曲線反復調試得到相應閾值，實現普適用于各類水體的水陸最佳分割，將NDWI≥0.11作為6月14日影像水體提取閾值；將NDWI≥0.28作為7月9日影像水體提取閾值。

2）面向對象的水體識別法

本文采用基于規則的面向對象分類來實現洪澇前后水體提取，其基本步驟是先對影像進行尺度分割，然后根據水體的光譜、紋理等特征進行對象特征選取，最后建立規則得到分類結果。最優尺度分割的效果是使分割后的多邊形對象和地物邊界基本吻合，以至于分割對象既不破碎也不過于集中[11]。經多次嘗試，確定最優分割尺度為38、合并閾值為60，同時建立以下分類規則：6月14日NDWI≥0.10且近紅外通道平均反射率在0.174～0.218之間時有最佳水體識別效果；7月9日 NDWI≥0.14且近紅外通道平均反射率在0.040～0.092時有較理想的水體識別效果。其中，近紅外通道平均閾值由各類水體目視解譯樣本感興趣區統計得到。

2.2.3 洪澇遙感監測方法

洪水遙感監測主要是以災前、災后多時相遙感數據為主，輔以災情信息、氣象數據和輿情信息等數據，分別提取災前、災后水體范圍，然后利用變化檢測方法開展災害范圍動態監測，同時結合土地覆蓋類型數據，解譯洪水淹沒類型及面積等信息[5]。

2.2.4 技術流程

綜上，總結本研究的技術流程（圖5）主要包括：在站點降雨數據統計分析的基礎上，選擇強降水導致的洪澇災情前后多時相高質量高分一號影像，經過一系列影像預處理后，首先分析典型地物及典型洪澇期水體類型光譜、紋理特征，進而確定NDWI閾值法和面向對象分類法提取水體的閾值及法則，通過目視對比選擇最優方法提取的災前災后水體范圍做變化檢測，得到洪澇空間范圍，最后疊加最新土地覆蓋類型數據，統計洪澇淹沒土地覆蓋類型及其面積，對災情進行特征分析及評估。

3 結果分析與討論

3.1 不同水體識別方法結果對比

圖5 技術流程圖Fig.5 Technical flow chart

在ArcGIS平臺生成隨機檢驗樣點，以提取總精度為指標開展兩種方法在5種洪澇期水體識別適用性精度評價，提取總精度定義為正確提取的水體像素個數占總樣本像素個數的百分比[12]，不同方法洪澇期不同水體類型提取總精度統計見表2。通過目視解譯對比可知，面向對象分類法及NDWI閾值法對主要河流和典型湖泊水體的提取范圍很一致，都接近于真實水體分布，而在河流分支、養殖水域及淹沒區三種類型中存在一定差異（圖6）。對于河流分支等細長型水體，還有光譜信息復雜的泛洪淹沒區，面向對象分類法識別精度要明顯好于NDWI閾值法，識別出的河流分支連貫性和完整性好，沒有出現河流斷面的情況，識別的淹沒區集中成片，避免了閾值法得到的圖斑碎片化結果的產生。受到混合像元及面向對象法中尺度分割和對象合并的影響，兩種方法對養殖水域（圖7）的提取精度均較低，面積小且有其他地物干擾的養殖區在兩種方法中均出現漏提（如圖7b和7c中白色框區域），集中養殖區面向對象分類法提取效果閾值法但剔除水域內的田坎等地類的效果不佳（如圖7b和7c中黃色框區域）。但總體而言，面向對象分類法對洪澇期各種水體類型識別效果更佳，所以本文最終采用面向對象分類法識別的災前、災后水體范圍作為洪澇災情范圍分析。此分析結論與文獻[13]的結論基本一致。

表2 洪澇期水體識別精度評價表Table 2 Accuracy evaluation table for water bodies in the flooding period

圖6 NDWI閾值法與面向對象分類法識別各類水體效果對比圖Fig. 6 Comparison of NDWI threshold and object-oriented method for identifying various water bodies

圖7 養殖水域（局部）提取結果對比圖（a）4:3:1假彩色合成圖，（b）NDWI閾值法識別結果+假彩色合成圖，（c）面向對象分類法識別結果+假彩色合成圖）Fig. 7 Comparison of extracted results of cultured waters (local)(a) 4:3:1 false color composite map, (b) NDWI threshold method recognition result + false color composite map,(c) object-oriented method recognition result + false color composite map)

3.2 洪澇典型區分析

為更好地顯示洪澇災情分布，在顯示典型洪澇受災區、災前災后GF-1假彩色合成影像的同時，將兩期GF-1影像面向對象水體識別結果進行二值化處理，形成洪澇前后水體變化檢測圖，其中藍色代表（災前）原有水體，紅色代表（災后）新增水體，白色范圍為非水體地類。圖8a顯示黃陂灄水河支流潰口導致的村子洪澇淹沒情況。黃陂區前川街下石村的下石河邊有兩處潰口，潰堤直接讓上游的羅漢寺街和下游前川街總共10多個村子浸泡在水中。圖8b顯示因保障天河機場正常運行對童家湖進行人工分洪后的洪澇淹沒情況。據新聞報道，童家湖漫潰后導致盤龍城經濟開發區附近的村灣6000余畝（1畝≈666.7m2）魚池被淹，臨時轉移安置周邊群眾40余人。這與文本統計的9.87km2的濕地河灘淹沒面積較為接近。府河附近麥家湖/任愷湖連片，淹沒范圍明顯增加。圖8c顯示舉水河新洲段河道顯著增寬，河曲內農田被淹。圖8d顯示的是由于新洲區舉水河支流東河潰口導致的洪澇淹沒情況。據報道，7月1日晚上舉水河水位急速上漲，22時左右，舉水河支流東河在新洲區鳳凰鎮鄭園村陶家河西圩垸處發生潰口，鳳凰鎮、三店街等20多個村莊，近萬名群眾被洪水圍困。

圖8 典型洪澇受災區災前災后GF-1號水體監測對比圖Fig. 8 Comparison of water monitoring of GF-1 before and after disasters in typical flooding areas

將洪澇范圍高分識別結果與重采樣到16m的土地覆蓋類型數據進行疊加，以細致了解受暴雨洪澇災害影響的各種地類面積。據統計（表3），由于河水漫堤、潰口或人工開垸的以上四個典型淹沒區域，涉及淹沒地類包含耕地、林地、草地、濕地河灘和建設用地。耕地淹沒比例四地區均超過50%以上，以舉水河新洲段和黃陂童家湖附近區域農田受淹面積最大。

表3 典型洪澇區淹沒地類面積統計/km2Table 3 Statistics of submerged land area in typical floodplain /km2

3 小結與討論

本文以國產高分一號16 m影像為數據，對2016年梅雨期強降雨過程造成的武漢市洪澇開展了最佳水體遙感識別對比及災情評估。結果顯示，對洪澇期間不同城市水體類型的遙感提取結果，面向對象分類法要優于歸一化水體指數閾值法，對于城市郊區由河水漫堤和河堤潰壩等原因導致的洪澇淹沒范圍可以通過GF-1 WFV數據有效地進行識別，分地類災情統計與實際上報災情結果較為一致。

此次強降水造成武漢主城區多處街道內澇災情嚴重，例如南湖片區文馨街道等地。本研究也試圖對其淹沒范圍災情進行提取，但受GF-1 WFV數據空間及時間分辨率限制影響，城市主干道（＞30 m）滯水信息雖然可以被監測到，但水體范圍受混合像元影響難以準確提取，同時主干道內澇排水較及時，高分衛星觀測時效性不足難以及時捕捉退水變化。所以僅靠GF-1 WFV 16m影像暫時難以滿足城市街道尺度內澇災情遙感監測的服務需求，后續可加強對空間分辨率更高的GF-1 PSM（2 m全色/8 m多光譜）資料在城市內澇監測中的應用研究。另外，不受云雨影響的雷達衛星資料可以實現全天候的洪澇水體監測，利用GF-3等雷達衛星監測城市內澇將具有很好的應用價值。

時間分辨率高、不受天氣條件影響全天候觀測的衛星資料可以實現洪澇消退的動態監測過程，但空間分辨率低、難以滿足空間提取精度要求；而空間分辨率高的衛星影像往往光譜信息少，且重訪周期長，難以實現動態監測，所以現階段城市洪澇遙感監測離真正實時精準的城市尺度洪澇災害遙感監測還尚有差距。目前，我國正逐步構建更為完善的高時空分辨率遙感綜合觀測體系，如國產高分衛星系列和風云氣象衛星系列，可為今后提供更有力的數據保障。如何加強多源遙感資料的融合應用，實現洪澇淹沒范圍、淹沒時長及深度等多維度洪澇災情監測與評價，還有許多科學技術問題亟待解決。