基于sentinel-1A的武漢市武昌區洪水監測

呂茜雯 周浩瀾 鐘家民

摘 要：洪水淹沒范圍的提取精度是城市內澇監測的關鍵問題之一。洪水一般發生在陰雨天氣，利用光學遙感影像存在大量云層阻擋，無法有效監測洪水淹沒區域，而星載合成孔徑雷達（SAR）可以穿透云層，獲得類似光學的高分辨率雷達圖像，可全天候觀測。基于哨兵1號數據，對武漢市武昌區災前影像采用基于監督分類和非監督分類共5種方法對水體進行了提取。結果表明：支持向量機法的提取精度最高;利用該方法對災后影像進行提取，對災前災后影像進行差值運算，得到城市洪水的淹沒范圍。利用雷達影像進行洪水監測對抗洪救災和改進城市洪水模型具有重要意義。

關鍵詞：遙感;城市洪水;提取

中圖分類號 P237;P407 文獻標識碼 A 文章編號 1007-7731（2021）06-0124-03

洪水是全球最常見和最廣泛的自然災害之一，能造成巨大的經濟損失和人員傷亡，因此洪水事件監測至關重要。合成孔徑雷達（SAR）傳感器能夠穿透通常在洪水時出現的云，并且能夠在夜間和白天成像，是洪水檢測的首選。合成孔徑雷達（SAR）傳感器因其全天候的檢測能力而經常用于成像洪水，現已具有足夠的分辨率來成像城市洪水。從圖像中提取的洪水范圍，可用于洪水救濟管理和改進城市洪水淹沒建模。2020年6月30日武漢市遭遇暴雨和特大暴雨，部分沿河地勢低洼地區受淹較為嚴重。為此，筆者選取武漢市武昌區作為研究區域，采用哨兵1號數據對該區域暴雨前后的洪水淹沒范圍進行了監測分析。

1 材料與方法

1.1 研究區概況 武漢市位于江漢平原東部、長江中下游，除少數山丘和湖泊外，地面標高多在20～24m，部分地區地勢低于長江多年平均洪水位23.87m。武漢市城區雨水主要通過排澇泵站抽排到長江，每年梅雨季節降水集中，易發生洪澇災害。

1.2 數據預處理 選用sentinel-1A雷達數據，選用Level-1地距影像（GRD，Ground Range Detected），成像方式為干涉寬幅（IW，Interferometric Wide swath），極化方式為VV和VH。選用2020年6月19日的數據作為淹沒前水體，2020年7月1日的數據作為大暴雨后的影像。Sentinel-1衛星的數據預處理在SNAP軟件上完成。對數據分別執行軌道校正、熱噪聲去除、輻射定標、多視、相干斑濾波、地形校正、分貝化處理。其中濾波的選擇，對比多種濾波方法處理效果發現采用Refined Lee濾波處理效果較為出色。ENVI軟件進行后處理，打開分貝化處理后的數據，目視對比VV模式和VH模式下的影像，可以看出VH模式水體特征比較強，采用這個模式進行水體信息提取（圖1）。通過2期影像的對比可以看出很多區域已經被洪水淹沒。

1.3 研究方法

1.3.1 閾值分割法 使用閾值法提取水體主要是利用水體在SAR圖像上后向散射系數小的原理，對SAR圖像進行密度分割，經過目視對比得到合適的分割閾值，再將分割結果保存為分類結果文件，對分類結果進行后處理，人機交互刪除誤提圖斑，最終得到水體信息的過程。本研究對于水體閾值的確定通過選擇樣本ROI的方法進行計算。分析水體訓練樣本及整副影像的灰度統計直方圖，經反復實驗比對選取18.456作為閾值分割點，將SAR圖像二值化，提取出研究區的水體。

1.3.2 面向對象 基于規則的面向對象提取主要是基于邊緣監測的多尺度分割。由于不同地物的遙感影像光譜、形狀、紋理特征不同，因此對于不同層次的目標需要進行不同尺度的分割。該方法主要通過設置不同的規則，通過目視對比不同分割尺度的效果，選取最佳分割閾值，將具有類似特征的鄰近像元組成1個對象，新建規則，對影像進行分割。本研究使用基于規則的面向對象的方法，對單極化 SAR 數據（也可用水體指數圖像）進行對象分割、設置規則提取水體，將未分貝的VV模式、未分貝的VH模式、分貝后的VH模式進行波段組合，其中分貝后的VH作為第2波段，選取40.5和91.2 2個閾值尺度以很好地區分水體和非水體。新建規則，閾值分割區間選取第2波段（分貝化后的VH模式），在規則中用歸一化指數，閾值分割點仍然選18.456。

1.3.3 SDWI雙極化水體指數 SDWI雙極化水體指數的基本原理為基于VV和VH后向散射系數，進行波段運算，以此擴大水體與其他地物間的差異。用于提取水體的指數模型如式（1）所示。分析水體訓練樣本及整副影像的灰度統計直方圖，經反復實驗比對選取13.74作為閾值分割點，提取出研究區的水體。

[SDWI=ln（10×VV×VH）-8] （1）

1.3.4 支持向量機 支持向量機是一種淺層機器學習方法，利用其統計學的特點緩解機器學習中函數擬合、高維模式識別以及非線性等情況。由于其統計學上的特點適用于維數方面的問題，對于分類和回歸分析具有一定優勢，因此常用于遙感影像的分類。原理是根據先驗知識選取合適的訓練樣本，然后根據訓練樣本X以及相對應的類別Y計算二次優化，再進行優化操作得到支持向量，將分類函數進行求解運算，最后計算待分類樣本，得到分類樣本結果。計算公式如式（2）、（3）所示。支持向量機法通過模糊加權對樣本進行訓練，分類設定水體和非水體2種類別，選擇訓練樣本計算水體和非水體的分離指數為1.99，分離效果較好。

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

×[fx=sgnli=1yiαkixi×x+b] （3）

1.3.5 神經網絡 卷積神經網絡模型是有監督學習形式，在圖像識別中表現優異。通過對尺度分割后的像元進行特征篩選，選擇合適的樣本傳遞給CNN，對樣本進行卷積、池化等操作，最終由最后一層BP網絡接收修正作為全連接層參數回傳，以達到全網絡的參數精準性。選擇訓練樣本的分離指數為1.99，分類效果較好，進行反復迭代訓練，從而獲得分類結果。

2 結果與分析

2.1 水體信息提取效果 圖2為研究區基于Otsu閾值分割（圖2a）、面向對象法（圖2b）、SDWI雙極化水體指數（圖2c）、支持向量機（圖2d）、神經網絡（圖2e）的水體提取結果，深紫色部分為水體。圖2f為原始影像未分貝的VV模式、未分貝的VH模式、分貝后的VH模式3個波段進行的波段組合，其中分貝后的VH作為第2波段。

2.2 提取精度 比較不同方法的提取結果，以人工目視解譯的方法選擇ROI為驗證樣本，計算不同方法的混淆矩陣，分析不同方法提取的精度，得到的精度指標如表1所示。由表1可知，針對SAR影像的5種水體提取方法的總體分類精度均在96%以上，Kappa系數均在0.95以上，提取效果較精確。提取精度最高的是支持向量機法，總體精度達到99.7606%，Kappa系數為0.9952，神經網絡法精度與其十分接近，表明監督分類精度高于非監督分類;閾值分割法，提取方法簡單，能夠快速區分水體和非水體，提取精度較高;面向對象法精度較閾值分割法更高，表明閾值多尺度的選擇有利于提高分類精度;SDWI雙極化水體指數法提取精度較低，總體分類精度為96.2829%，表明SDWI法具有一定的局限性，對于城市建筑物密集區域水體的提取效果不如閾值分割。

2.3 洪水淹沒范圍 按照上述方法對武漢市武昌區洪水進行提取，將災前和災后水體信息進行疊加分析，綠色代表災前水體，紅色代表淹沒范圍（圖3）。由圖3可知，武漢市境內部分區域被淹沒，根據淹沒區域可作城市洪澇的風險評估。利用波段計算器將DN值進行設計，根據疊加分析結果統計出共有非水體、共有水體和淹沒范圍，統計計算得出武昌區災前水體區域總面積為30856741.34m2，災后水體區域總面積為31527392.72m2，武昌區總淹沒面積為670651m2。

3 結論

研究結果表明：對于城市建筑物密集區域，監督分類較非監督分類提取精度更高，細節提取較為完整;哨兵1號數據能夠有效用于城市洪水監測，對于地表水體信息具有較好的探測能力，且回訪周期短，操作簡單高效;哨兵1號能夠有效監測城市區域淹沒范圍，有利于洪澇災害的風險評估，對改進城市洪水模型意義重大。

參考文獻

[1]賈詩超，薛東劍，李成繞，等.基于Sentinel-1數據的水體信息提取方法研究[J].人民長江，2019，50（02）：213-217.

[2]王露.面向對象的高分辨率遙感影像多尺度分割參數及分類研究[D].長沙：中南大學，2014：82.

[3]趙爽.基于卷積神經網絡的遙感圖像分類方法研究[D].北京：中國地質大學，2015.

[4]黃萍，許小華，李德龍.基于Sentinel-1衛星數據快速提取鄱陽湖水體面積[J].水資源研究，2018，7（5）：483-491.

（責編：徐世紅）