遙感影像水體提取與洪水監(jiān)測應用綜述

孟令奎，郭善昕，李 爽

（武漢大學 遙感信息工程學院，湖北 武漢 430079）

0 引言

遙感觀測技術的出現(xiàn)，為人類更好地管理和利用水資源，提供了一種全新的視角。衛(wèi)星遙感觀測技術由于觀測范圍廣、周期性重訪等獨特優(yōu)勢，已經引起包括水利、環(huán)境保護、防災減災等多個領域的廣泛關注。利用遙感數(shù)據(jù)有效地提取水體信息，已經成為當前水利遙感技術研究重點?，F(xiàn)階段衛(wèi)星遙感已經成為綜合對地觀測的重要組成部分，呈現(xiàn)出高空間、光譜、時間分辨率，和多平臺、傳感器、角度的發(fā)展趨勢[1]。但是在相關部門，遙感影像水體范圍提取目前還處于人工數(shù)據(jù)操作的層面，無法利用有效的計算資源，完成水體信息從發(fā)現(xiàn)、識別到提取的全自動過程。針對這一問題，國內外相關科研單位進行了長期的研究，目的在于有效利用計算機完成對遙感影像的自動解譯和信息提取。

遙感技術應用于洪澇監(jiān)測需要克服 4 個主要問題，首先必須準確識別水體，其次需要排除云的干擾，再者需要精確評估洪水覆蓋面積，最后需要對洪水進行動態(tài)監(jiān)測[2]。針對高空間分辨率遙感影像，由于其紋理信息豐富，需要先對影像進行有效的分割，然后基于分割后的影像，利用水體的相關光譜信息進行有效識別，從而確定水體的覆蓋范圍；對于中低分辨率的遙感影像，可以直接根據(jù)相應水體的光譜信息對水體信息進行有效提取，在此過程中需要對混合像元的問題加以考慮。

1 遙感影像分割方法

隨著遙感數(shù)據(jù)空間分辨率的不斷提升，影像分割成為遙感影像解譯的必要途徑之一。“先分割、再分類”的解譯思想將傳統(tǒng)的像素級別的解譯提升為面向對象的解譯方法。而水體信息的提取，在高分辨率遙感影像中，往往包含了很多紋理信息，“城中水，池塘”等小型水體的提取，需要影像有效分割后，才能與其他地物進行辨別。遙感影像由于成像原理的復雜性，導致針對不同類型的遙感影像，存在不同的影像分割方法。針對這一情況，通常采用多種混合分割方法對不同的影像進行分割。從傳感器的類型來看，可以分為光譜和微波傳感器 2 大類；從分割方法的分類來看，大致可以分為基于聚類、區(qū)域和特征的影像分割方法。

1.1 基于聚類的遙感影像分割方法

在影像分割分類體系中，聚類方法是常用的影像分割方法。同時聚類也是模式識別的重要研究領域，廣泛應用于模式分析、決策、模式分類、數(shù)據(jù)挖掘、信息提取等多個方向。聚類是通過特定的相似性原則，例如特征空間距離最短等，對特征空間中的眾多特征向量進行自動分組的過程。從而達到各個類別內差異最小、類別之間差異最大的效果。如果將遙感影像中像元的各種信息進行特征矢量的抽象，則影像分割問題就轉化為 1 個聚類的問題?？梢圆捎媚Ｊ阶R別領域中大量的關于聚類的方法，對圖像分割問題加以解決。當然這種分割方法由于其采用方法的特殊性，具有收斂速度較慢、聚類參數(shù)依賴性強等弊端，很難達到全局最優(yōu)狀態(tài)。

K 均值聚類方法進行影像分割經歷了以下幾個階段：K 均值聚類法；采用 K 均值方法對 RGB 彩色空間進行聚類；利用 K 均值方法對特征空間進行聚類；采用模糊 K 均值的方法，對事先得到的特征空間進行聚類，實現(xiàn)紋理分割。此后出現(xiàn)的ISODATA（Iterative Self-Organization DATA analysis technique）方法由于在分類過程中引入類間合并-分裂的機制，一定程度上解決了聚類方法類別參數(shù)固定的局面。徐德啟和汪志華[3]（2002）利用 Garbor小波對影像的紋理特征進行表達后，利用 ISODATA方法進行聚類，并將分割圖像與人工分類圖像進行相應的對比分析。

聚類算法中聚類參數(shù)的選取至關重要，合理的聚類參數(shù)才能引導完成較好的影像分割。針對這一問題，有關非參數(shù)聚類方法的研究得到開展。Comaniciu 和 Meer（1997）等[4]人提出了 1 種非參數(shù)均值移動算法。該方法通過對特征空間中的密度梯度進行合理的估計，通過迭代調整，使得特征矢量向局部空間密度最大的方向移動，從而完成迭代聚類的過程。

競爭學習（CL）方法對影像進行分割，具有算法收斂速度較快，能夠自動調節(jié)類別個數(shù)等優(yōu)勢，但該類方法存在收斂速度不穩(wěn)定的情況。競爭學習的基本思想類似于項目招標過程，當 1 個特征矢量輸入后，所有權矢量都對該特征矢量進行爭取，與該特征矢量相似度最大的權矢量成為爭取的勝利者，此時勝利的權矢量利用新的特征矢量進行學習，獲得相應的學習率，而失敗的權矢量則維持較低的學習率。針對競爭學習中類別個數(shù)無法自動獲取的缺點，Xu 等[5]（1993）提出次勝者受罰競爭學習方法（RPCL），通過對次勝者權矢量按照一定的遺忘率進行調整，使得輸入矢量與次勝者權矢量的距離變遠，對勝者施加引力，而對次勝者施加斥力。在學習過程中，RPCL 能夠將多余單元剔除，使得 RPCL 具有自動識別數(shù)據(jù)集類別個數(shù)的能力。Cheung[6]（2002）在 RPCL 的基礎上，提出次勝者有限受罰競爭學習方法（RPCCL），通過自動的選取合適的遺忘率，來緩解 RPCL 對遺忘率敏感的弊端。但收斂速度不穩(wěn)定的問題依然存在。

1.2 基于區(qū)域的遙感影像分割方法

區(qū)域增長是一種簡單的基于區(qū)域的分割方法，它不斷地從圖像中抽取空間上連通且特征相似的像素群所組成的區(qū)域[7]（Pham 等，2000）。區(qū)域增長方法通常從若干種子點或區(qū)域出發(fā)，按照一定的增長準則，對鄰域像元進行判別并連接，重復此過程直至圖像中的所有像元被歸并到相應的區(qū)域中。Adams[8]等（1994）年提出了種子區(qū)域增長（SRG）方法，通過選取相應的種子點，結合增長原則，采用順序排序表的數(shù)據(jù)結構（SSL）來記錄像元的在影像中的位置，完成對整個圖像的分割。SRG 方法相比傳統(tǒng)的區(qū)域增長方法在分割效率和進度上都有較大提高。之后 ISRG 算法（Improved Seeded Region Growing）[9]提出，該算法消除 SRG 算法本身存在的次序依賴性。為了使得區(qū)域增長的方法更好地應用于遙感影像分割，周成虎等[10]（2008）對區(qū)域增長算法提出基于四鄰域增長的改進措施。該方法通過構建相鄰像元的特征差異矩陣對特定像元與其鄰近像元的特征差異進行記錄，并通過由粗到細的種子確定原則，結合外接像元區(qū)域進行區(qū)域增長，提高了區(qū)域增長的效率。

枸杞子藥材中12種有機酸類成分含量測定與分析…………………………………………………… 李佳興等（24）：3344

針對區(qū)域增長后產生的過分割現(xiàn)象，需要對分割后的區(qū)域進行合并。區(qū)域合并是按照一定的合并原則，將相似度較高的區(qū)域進行連接合并的過程。Bow 等[11]（1992）提出區(qū)域鄰接圖（Region Adjacency Graph，RAG）的概念，RAG 記錄了區(qū)域之間的相互拓撲關系，并且以一系列代表區(qū)域的節(jié)點和相鄰節(jié)點的一系列鏈接構成，是一種無向圖結構。利用這種拓撲表達方式，對其中的節(jié)點進行合并即完成對區(qū)域的合并過程。但 RAG 算法實現(xiàn)效率不高。Haris[12]（1998）在 RAG 的基礎上，提出了最近鄰圖（NNG）的概念。NNG 是一種有向圖結構，在 NNG 中每個節(jié)點只記錄該節(jié)點與相鄰節(jié)點中代價最小的鏈接。因此，NNA 中的每個鏈接可以看作是指向了與該區(qū)域最相似的鄰接區(qū)域，這給完成區(qū)域合并提供便利。

1.3 基于特征的遙感影像分割方法

遙感影像中地物的特征主要包括其形狀、光譜、紋理和鄰域等特征，早期的影像分割及分類方法都是以地物的光譜特征作為圖像分割的依據(jù)。類比人眼目視判讀的識別過程，地物的識別是通過綜合考慮地物的多種特征反復判斷得到的。因此基于特征的遙感影像分割方法希望能夠實現(xiàn)類似目視判讀般的智能分割。隨著遙感影像空間分辨率的提升，在影像分割過程中，除傳統(tǒng)的光譜特征外，形狀和紋理特征表達方法也成為近幾年的研究重點。

關于水體形狀特征的表達，都金康等[13]（2001）在針對 SPOT 影像的水體提取過程中，采用自定義的周長和面積函數(shù)對水體的形狀特征進行表達，通過形狀指數(shù)對已經分割的水體進行再分類，以確定水體的具體類別。而后周成虎等[10]（2008）關于地物的形狀特征表達方法進行了總結，指出形狀表達方法主要包括基于傅里葉描述算子、邊界矩和直方圖的目標形狀表達。

紋理特征是地物的基本特征，也是輔助目視解譯的重要信息來源，特別在高空間分辨率遙感影像中，地物的細節(jié)被清晰地表達出來，整個影像具有更為詳細的紋理特征。因此在高空間分辨率的遙感影像分割過程中，紋理信息的表達起著至關重要的作用。紋理信息包括很多方面，對復雜紋理的表達往往變得非常困難，常用的紋理表達的方式有灰度共生矩陣法、Markov 隨機場模型，Gibbs 隨機場模型、分型模型、小波變換分析法等。如今國內外研究主要集中于 Markov 隨機場（MRF）和小波變換2 種方式。具有代表性的有 Zheng 等[14]（1999）通過將離散小波分解與多分辨率 Markov 隨機場相結合，實現(xiàn)對 SAR 影像的分割。此后 Dong[15]（2003）分別利用 Gaussian-MRF 和 Gamma-MRF模型對 SAR 影像進行分割，并對 2 種模型分割后的方法進行了詳細比較。黃昕等[16]（2006）在基于小波的紋理分類算法的基礎上，提出了逐點特征加權和活動窗口算法，使小波紋理分析能夠用于高分辨率遙感影像的分類。但是單一的特征表達具有較大的局限性，如何結合地物的多個特征來指導影像分割或分類，成為當前學者廣泛關注的問題。黃昕等[17]（2006）提出了高分辨率遙感影像分類的 SSMC（Spatial and Spectral Mixed Classifier）方法，同時采用光譜和空間特征進行遙感影像分類。通過多尺度的空間金字塔構造每個像元的空間參數(shù)，整合影像的光譜信號和空間信息進行高分辨率遙感影像分類。此后，于 2007 黃昕[18]提出了 1 種多尺度空間特征融合的分類方法，針對不同尺度特點，基于小波變換和支持向量機得到不同尺度下的分類結果，建立尺度選擇因子為每個像元選擇最佳的類別。

2 水體特征描述

2.1 光譜指數(shù)法

2.1.1 歸一化差異水體指數(shù)

Mcfeeters[19]（1996）提出的歸一化差異水體指數(shù) NDWI，公式如下：

式中：Green 代表綠光波段；NIR 代表近紅外波段。水體的反射從可見光到中紅外波段逐漸減弱，在近紅外和中紅外波長范圍內吸收性最強，幾乎無反射，因此用可見光波段和近紅外波段的反差構成的NDWI 可以突出影像中的水體信息。另外由于植被在近紅外波段的反射率一般最強，因此采用綠光波段與近紅外波段的比值可以最大程度地抑制植被的信息，從而達到突出水體信息的目的。但是在很多情況下，用 NDWI 提取的水體信息中仍然夾雜著許多非水體信息，不利于提取城市范圍內的水體。

2.1.2 改進歸一化差異水體指數(shù)

針對 NDWI 存在的問題，提出改進歸一化差異水體指數(shù)（MNDWI）[20]，以改進 NDWI 在城市范圍內水體提取的不足：

式中：MIR 為中紅外波段，如 TM / ETM + 的第 5 波段。利用中紅外波段替換近紅外波段構成的 MNDWI可快速、簡便和準確地提取水體信息，比 NDWI 指數(shù)有著更廣泛的應用范圍。MNDWI 除了可用于植被區(qū)的水體提取以外，還可以用于準確地提取城鎮(zhèn)范圍內的水體信息。

閆霈等[21]（2007）在分析半干旱地區(qū)水系與背景噪音反射特點的基礎上，提出了增強型水體指數(shù)EWI（Enhanced Water Index），有效區(qū)分了半干涸河道與背景噪音。在利用形狀指數(shù)去噪音方法的基礎上，使用 GIS 技術去除背景噪音，彌補了形狀指數(shù)去噪音方法的缺陷，更好地去除水系提取過程中混入的背景噪音。EWI 定義如下：

徐涵秋[22]（2008）對 EWI 進行了分析和討論，分別用經過和未經大氣校正的 2 種影像對該指數(shù)作了驗證，并與 MNDWI 進行比較。結果表明該指數(shù)在經過大氣校正的影像中對水體的增強和提取效果不理想，許多水體影像特征不但未能得到增強，反而受到抑制而被漏提，指出該指數(shù)忽略了大氣因素的影響。

2.2 光譜關系模型

光譜關系模型是指研究特定地物在各個波段的光譜特性響應曲線，通過光譜間的比較、組合、變換，建立相應的關系模型，從而達到地物提取的目的。水體信息的光譜特性響應曲線具有很強的代表性，因此針對不同的遙感傳感器，可以采用光譜關系模型有效地將水體從其他背景地物中提取出來。毛先成等[23]（2007），以 MOS-1b/MESSR 湖南洞庭湖區(qū)域影像數(shù)據(jù)作為遙感信息源，結合枯水期和洪水期 2 個不同時相的各波段影像數(shù)據(jù)進行組合運算、比值變換等處理，以及影像、光譜、直方圖的對比分析，建立了水體分類模型（B1+B2）/（B3+B4）＞ t；（B1+B2）/（B3+B4）＞ t，其中 B1，B2，B3，B4 代表影像 1～4 波段，t 為閥值。該模型可以有效地從 MOS/MESSR 中提取水體信息。鄧勁松等[24]（2005）指出在 SPOT 影像的不同波段之間，只有水體具有 B3（green）＞B4（SW）且 B2（red）＞B1（IR）；B2（Red）＞B1（IR）的特殊關系，同時在短波紅外波段（SW）上，水體與其它地物亮度值差異明顯，可以通過設置閥值加以區(qū)分。通過建立相關決策樹模型完成對水體信息的提取，但這種譜間關系在不同成像條件的影像中，差異性很大，相關的閾值也會在不同成像條件下波動較大，因此該方法的適用性有限。都金康等[13]（2001）在針對山區(qū)水體提取過程中，水體與山體陰影難以區(qū)分的問題，提出 1 套基于光譜決策樹的模型，對水體的提取采用 2 次重復提取的方式，有效地將水體從陰影中分離出來，同時保證水體信息提取的完整性。

楊瑩[25]（2010）以洪澤湖 Landsat TM 影像為研究對象，綜合利用多波段譜間關系 TM2＋TM3＞TM4＋TM5和單波段 TM5建立適合于平原湖泊水域的水體提取方法，其中 TM1～TM5分別代表TM 影像1～5 波段。王培培[26]（2009）利用 ETM + 遙感影像數(shù)據(jù)，通過光譜特征分析將水體信息從其他地物中區(qū)分開來，并使用 NDVI 來進一步區(qū)分水體和陰影，最終利用水體形狀因子對水體信息進行分類。

此外針對雷達影像，胡德勇[27]（2008）等，以單波段單極化 Radarsat-1 SAR 圖像為研究對象，利用半變異函數(shù)分析樣本圖像的結構特性來確定紋理信息；然后，基于灰度共生矩陣計算 SAR 圖像均值、角二階矩和熵 3 種紋理測度，從而有效地增強了水體和居民地信息；使用支持向量機對水體和居民地信息提取，并采用近期歸一化植被指數(shù)（NDVI）數(shù)據(jù)和分類結果進行目標層融合來消除山體因素的影響，較準確地提取了水體和居民地信息。

3 洪水監(jiān)測應用

洪澇災害監(jiān)測是衛(wèi)星遙感數(shù)據(jù)水利應用的重要組成部分。遙感影像在洪澇災害中的應用按照應用時間大致可以分為災前、中和后 3 部分。災前主要進行常態(tài)化的監(jiān)測，對洪峰、降水過程進行預測；災中主要利用微波遙感技術對洪峰經過區(qū)域進行監(jiān)控；災后主要利用多時相遙感影像進行變化監(jiān)測，評估災害損失。其中災前應用存在一定的難度，目前沒有形成較好的方法加以解決，尚處于探索階段。災中監(jiān)測光譜傳感器很大程度上受到觀測條件的限制，處于被動狀態(tài)，僅僅依靠微波傳感器，數(shù)據(jù)類型單一，獲取的地物信息有限，但仍然能夠較好地反映洪水的淹沒范圍等重要數(shù)據(jù)。災后應用能夠對災后損失進行相應的評估，但時效性欠佳，需要較好的觀測條件。由此看來，如何較好地消除云的干擾，有效地利用遙感技術準確地判定洪水及其淹沒的范圍成為衛(wèi)星遙感數(shù)據(jù)洪澇災害監(jiān)測的 2 大關鍵問題。

3.1 光譜傳感器監(jiān)測

光譜傳感器雖然在洪澇災害發(fā)生過程中處于十分被動的地位，但由于光譜信息量大，易于從中有效地提取水體信息，因此在洪澇監(jiān)測應用中也起到十分重要的作用，其應用重點主要在災后的損失評估和水質調查等方面。如何有效地利用光譜信息進行洪澇災害監(jiān)測，Sheng[2]（2001）指出好的洪水監(jiān)測系統(tǒng)需要攻破的 4 個難題。由 NOAA 氣象衛(wèi)星得到的 AVHRR 數(shù)據(jù)在洪水監(jiān)測方面的優(yōu)點是，數(shù)據(jù)時間分辨率高，重訪周期短，提高了在泛洪區(qū)域獲得優(yōu)質影像的機率，給收集多時相歷史數(shù)據(jù)提供條件。同時 AVHRR 數(shù)據(jù)覆蓋范圍廣，地域性大，適合大面積洪水監(jiān)測。但空間分辨率低是 AVHRR 數(shù)據(jù)的主要缺點。

通過利用光譜傳感器對洪澇易發(fā)區(qū)域進行長期監(jiān)測，實現(xiàn)常態(tài)化的監(jiān)測機制，從而建立相應經驗模型。對洪水或河道變化進行預測，已經成為衛(wèi)星遙感災前預測的重要組成部分。結合遙感技術進行災前預測模型建立，目前仍然存在較大的困難，不少學者在這方面仍然進行不懈的努力。Nagarajan等[28]（1993）利用長序列的 TM MSS 數(shù)據(jù)對印度Rapti 河流進行分析，并采用形態(tài)學的理論和沉降分析數(shù)據(jù)，對河道的遷移過程進行了監(jiān)測，并對河道遷移過程進行預測，確定洪水易發(fā)泛濫的區(qū)域，減少洪災的損失。Frazier 等[29]（2003）指出，當河流流量經常發(fā)生變化時，水位與洪水淹沒范圍的關系就很難建立。Billa 等[30]（2006）利用 AVHRR 數(shù)據(jù)來反演云層表面的亮度溫度，同時對云進行分類和等級劃分，通過設定經驗閾值來確定雨量強度較大的區(qū)域，從而對以往的數(shù)值雨量預報進行補充，對洪水災害進行提前預報。Westra 等[31]（2009）利用降雨和 MODIS SWIR 等數(shù)據(jù)對 Waza-Logone區(qū)域逐年洪澇淹沒范圍建立預測模型，該模型使用了水體保持檢測曲線（SCS-CN）及降水估計數(shù)據(jù)（RFEs）對該區(qū)域 1.5 個月的洪澇淹沒范圍進行估計，經過與實際淹沒范圍的比較，該模型準確精度達到 0.95。Yilmaz 等[32]（2010）結合 TMPA 方法，利用 TRMM 數(shù)據(jù)估計降水量，并通過簡單水文模型和相關方法將降水量換算為地表凈流量，從而對全球尺度下大規(guī)模降雨監(jiān)測和洪水預報有積極作用。

其中各種洪水指數(shù)的提出，為快速發(fā)現(xiàn)洪澇災害提供了定量的參考。Jin[33]（1999）指出洪水的發(fā)生與局部的地理環(huán)境有著密切的關系。傳統(tǒng)針對DMSP SSM/I 數(shù)據(jù)驗證的全局最優(yōu)算法 TB22v -TB19v ＞4 K，在不考慮區(qū)域地理環(huán)境特征的情況下，將存在較大的偏差。其中 TB 代表地表溫度；22和 19 分別對應 22，19 GHz 頻率的波段；v 代表垂直極化方式；K 為開氏溫度。文章提出 1 種新的洪水監(jiān)測指數(shù) FI = TB37h - TB85h，以及根據(jù)不同區(qū)域而有所變化的區(qū)域閾值 F0，指出當 FI＜F0 時，表明該區(qū)域發(fā)生洪水，并以 1996 中國武漢和婺源山區(qū)洪澇災害作為實驗區(qū)域，對方法進行了驗證。式中37 與 85 分別代表37 和 85 GHz 的波段；h 代表水平極化方式。Lacava 等[34]（2010）利用 RAT（Robust AVHRR Technique）技術對 2000年4 月匈牙利地區(qū)的洪水進行檢測，提出了針對 AVHRR 數(shù)據(jù)的 2 個洪水指數(shù)。同時指出 AVHRR 數(shù)據(jù)由于其高時間分辨率和重訪周期短，對大面積的洪水災害監(jiān)控可以實現(xiàn)自動化處理，并不需要提供其他數(shù)據(jù)支持。

此外，災害期間和發(fā)生后的地物光譜信息，對災害發(fā)生狀態(tài)和損失評估具有重大意義。Wang 等[35]（2002）利用災前和災中 2 個時間段的 TM 數(shù)據(jù)，對美國卡羅萊納州北部 1999年12月30日的洪澇淹沒情況進行檢測，并指出只依靠 TM4 和 TM7 波段數(shù)據(jù)淹沒范圍沒有考慮到被植被所覆蓋的淹沒區(qū)域。結合 DEM 數(shù)據(jù)將很好地對被指被所覆蓋的淹沒區(qū)域進行估計，修正淹沒面積，同時對淹沒區(qū)域不同地物的淹沒范圍進行統(tǒng)計，對災害損失進行評估。Wang[36]（2004）利用 TM 影像的第 4 和 7 波段進行疊加來進行水體和非水體的分割，取得了一定的效果，但由于在洪水災害期間，獲取 TM 影像有一定的困難，因此用 TM 影像有一定的局限性。Zhou等[37]（2004）對國產中巴資源二號衛(wèi)星的災害評估能力、水體提取精度和洪水災害正射影像生產3 個方面進行了評價，指出中巴資源二號適合于土地利用分類、多尺度正射影像生產及常規(guī)洪澇監(jiān)測并結合其他數(shù)據(jù)生產相應的監(jiān)測產品。Amini 等[38]（2010）通過結合 DEM 數(shù)據(jù)建立洪水潮位線地圖數(shù)據(jù)，通過區(qū)域增長、克里金差值等方法建立洪水深度地圖，并利用多層反響神經網絡對 IKONOS 多波段融合影像進行分類，精度提高 15%。通過將洪水深度地圖與分類結果圖疊加，確定洪水淹沒后各個類別地物的淹沒信息，從而形成洪水淹沒圖。

3.2 微波傳感器監(jiān)測

微波傳感器能夠有效穿透云霧，獲取洪澇災害期間地面的水情信息。同時由于水體對雷達波束的鏡面反射，使得水體能夠較好地從雷達影像中提取出來；但由于雷達影像信息有限，雷達成像方式的特殊性，有效區(qū)分水體和陰影成為洪澇監(jiān)測的重要問題之一。Nico 等[39]（2000）指出通過雷達影像探測洪水淹沒范圍有以下 2 種方法：1）通過獲取洪水前、后的影像進行分析，得到淹沒范圍；2）通過雷達干涉測量技術獲取振幅信息，從而獲取相關的洪水信息。通過將雷達影像的振幅和反射信息相結合對洪水覆蓋范圍進行探測，取得了一定的成果。

Liu 等[40]（2002）利用雷達影像和由 TM 影像解譯的 1∶100000 土地覆蓋數(shù)據(jù)，對 1998 年發(fā)生在吉林省嫩江的特大洪澇災害進行檢測并對災害損失進行估計。文章采用 1 種類似于 NOAA 數(shù)據(jù)去云 MVC方法，來提高不同時期洪水淹沒范圍邊界的提取精度；同時對洪水淹沒范圍進行矢量化，并對不同區(qū)域洪水的淹沒范圍進行監(jiān)控。Kiage 等[41]（2005）利用 Radarsat-1 數(shù)據(jù)對颶風登陸后濕地的淹沒范圍進行監(jiān)控，利用數(shù)值差分和多時相影像差分對 SAR 數(shù)據(jù)水體后向散射系數(shù)與水位信息的關系進行總結，并揭示兩者之間的正相關關系。同時指出由于城市區(qū)域角反射體復雜，所以從 SAR 影像上不能很好地獲取城市的洪水淹沒信息。Henry 等[42]（2006）對 Envisat 衛(wèi)星上搭載的 ASAR 微波傳感器就洪澇監(jiān)測方面的性能進行了評價，并將檢測結果與 TM 和ERS-2 的監(jiān)測結果進行比較。并對該傳感器的 3 種極化方式的監(jiān)測能力進行了對比，實驗結果表明：HH 極化方式更適合與洪水淹沒范圍的識別，HV 數(shù)據(jù)在洪水探測方面能夠對 HH 數(shù)據(jù)進行支撐，VV數(shù)據(jù)容易受到地面粗糙程度的影響。Waisurasingha等[43]（2008）利用 RADARSAT-1 數(shù)據(jù)并結合 DEM數(shù)據(jù)，通過相應的水深算法，對洪水泛濫區(qū)域水深進行估計，從而評估不同區(qū)域水稻的受災情況，生成相應的水稻受災分布圖。Rudorff[45]利用 EO-1 數(shù)據(jù)對亞馬遜河流域洪水泛濫期和正常時期的水體波譜特性響應曲線進行檢測分析，證實了 EO-1 上的Hyperion 數(shù)據(jù)對水質的監(jiān)測作用，從而防止洪水過后水質災害發(fā)生。

4 結語

隨著遙感技術的不斷發(fā)展，衛(wèi)星遙感水利應用需求不斷加大，相關研究工作也得到了開展。但目前遙感水利應用仍存在以下 3 個方面的問題：1）目前遙感技術還沒有很好地與地面水文數(shù)據(jù)進行有效結合。遙感數(shù)據(jù)是眾多水文數(shù)據(jù)中的一部分，在水文信息的提取過程中占有重要的地位，但傳統(tǒng)水文數(shù)據(jù)、模型有著不可替代的優(yōu)勢和作用。如何將遙感數(shù)據(jù)分析與地面水文數(shù)據(jù)有效結合，是需要關注的重點問題。2）多傳感器組合觀測技術?，F(xiàn)階段衛(wèi)星遙感傳感器品種較多，但每種傳感器都局限于某一技術參數(shù)中，具有優(yōu)勢的同時，也有不足。通過對衛(wèi)星遙感水利核心機理研究，如何組合多傳感器，讓多個傳感器服務于統(tǒng)一的觀測需求，是目前水利遙感必須考慮的問題。3）缺少關于衛(wèi)星遙感數(shù)據(jù)精度的評價體系。目前，雖然可以通過遙感技術，對洪澇、旱情等水文信息進行提取，但如何評價遙感數(shù)據(jù)，多尺度下每份數(shù)據(jù)的可靠性和準確性如何度量，是需要進一步研究的重點。

雖然充滿挑戰(zhàn)，但遙感技術水利應用的前景是光明的。高性能、高精度衛(wèi)星傳感器的不斷發(fā)展，必定會給衛(wèi)星遙感水利應用不斷注入新的活力。

[1]李德仁. 論 21 世紀遙感與 GIS 的發(fā)展[J]. 武漢大學學報（信息科學版），2003, 28(2): 127-131.

[2]Sheng, Y., Gong, P. and Xiao, Q. Quantitative dynamic flood monitoring with NOAA AVHRR[J]. International Journal Of Remote Sensing, 2001, 22 (9): 1709-1724.

[3]徐德啟，汪志華. 綜合紋理和顏色的圖像分割方法[J]. 計算技術與自動化，2002, 21 (3): 77-83.

[4]Comaniciu D. and Meer. P. Robust analusis of feature spaces:color image segmentation[C]. Proc. of IEEE Conf. Computer Vision and Pattern Recognition，1997: 750-755.

[5]Xu, L., Krzyzak, A., and Oja, E. Rival. Penalized competitive learning for clustering analysis, RBF net, and curve detection[J]. IEEE Transactions on Neural Networks, 1993, 4 (4):636-649.

[6]Cheung, Y., Rival. penalization controlled competitive learning for data clustering with unknown cluster number[C]Proc.Of 9th Inter. Conf. on Neural Information Processing, Singapore, 2002. Nov.18-22, 2: 467-471.

[7]Pham, D.L., Xu, C. and Prince, J.L. A survery of current methods in medical image segmentation[J]. Annual review of biomedical engineering, 2000 (2): 315-337.

[8]Adams, R. and Bischof, L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1994, 16 (6): 641-647.

[9]Mehnert and Jackway, P., An improved seeded region growing algorithm[J]. Pattern Recognition Letters, 1997, 18 (10):1065-1071.

[10]周成虎，駱劍承. 高分辨率衛(wèi)星遙感影像地學計算[M].北京：科學出版社，2008: 109-112.

[11]Bow, S.T. Pattern recognition and image preprocessing[M].New York: Academic Press, Inc, 1992: 157-159.

[12]Haris, K., Efstratiadis,S.N., Maglaveras, N. Hybrid image segmentation using watersheds and fast region merging[J].IEEE Trans, On Image Processing, 1998, 7 (12) : 1684-1699.

[13]都金康，黃永勝. SPOT 衛(wèi)星影像的水體提取方法及分類研究[J]. 遙感學報，2001, 5 (3): 214-219.

[14]Zheng, L., Chan, A., and Liu, J.S., 1999. DWT based MMRF segmentation algorithm for remote sensing image processing[C]. Proc. of IGARSS, 2: 1332-1334.

[15]Dong, Y., Forster, B.C. and Milne, A.K., Comparison of radar image segmentation by Gaussian and Gamma-Markov random field models [J]. Int.J. Remote Sensing, 2003, 24 (4):711-722.

[16]黃昕，張良培，李平湘. 基于小波的高分辨率遙感影像紋理分類方法研究[J]. 武漢大學學報（信息科學版）2006, 13 (01): 66-69.

[17]黃昕，張良培，李平湘. 高空間分辨率遙感圖像分類的SSMC 方法[J]. 中國圖象圖形學報，2006, 11 (04): 529-534.

[18]黃昕，張良培，李平湘. 基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J]. 遙感學報，2007,11 (01): 48-54.

[19]McFEETERS, S.K., The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features [J]. International Journal Of Remote Sensing,1996, 17 (7): 1425-1432.

[20]Xu, H. Modification of normalised difference water index(NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal Of Remote Sensing,2006, 27 (14): 3025-3033.

[21]閆霈，張友靜，張元. 利用增強型水體指數(shù)（EWI）和GIS 去噪音技術提取半干旱地區(qū)水系信息的研究[J]. 遙感信息2007, (06): 62-67.

[22]徐涵秋. 從增強型水體指數(shù)分析遙感水體指數(shù)的創(chuàng)建[J]. 地球信息科學，2008, 10 (6): 776-780.

[23]毛先成，熊靚輝，高島·勛. 基于 MOS-1b/MESSR 的洪災遙感監(jiān)測[J]. 遙感技術與應用，2007, 22 (6): 685-689.[24]鄧勁松，王珂，李君，等. 決策樹方法從 SPOT-5 衛(wèi)星影像中自動提取水體信息研究[J]. 浙江大學學報（農業(yè)與生命科學版），2005, 31 (2): 171-174.

[25]楊瑩，阮仁宗. 基于 TM 影像的平原湖泊水體信息提取的研究[J]. 遙感信息，2010 (3): 60-64.

[26]王培培. 基于 ETM 影像的水體信息自動提取與分類研究[J]. 首都師范大學學報 (自然科學版)，2009, 30 (06): 75-79.

[27]胡德勇，李京，陳云浩，等. 單波段單極化 SAR 圖像水體和居民地信息提取方法研究[J]. 中國圖象圖形學報，2008, 13 (02): 257-263.

[28]Nagarajan, R., Marathe, G.T. and Collins, W.G., Technical note Identification of flood prone regions of Rapti river using temporal remotely-sensed data[J]. International Journal Of Remote Sensing, 1993,14 (7): 1297-1303.

[29]Frazier, P., Page, K., Louis, J., Briggs, S. et al. Relating wetland inundation to river flow using Landsat TM data[J].International Journal Of Remote Sensing, 2003, 24 (19):3755-3770.

[30]Billa, L., et al. , Modelling rainfall intensity from NOAA AVHRR data for operational flood forecasting in Malaysia[J]. International Journal of Remote Sensing, 2006, 27 (23):5225-5234.

[31]Westra, T. and De Wulf, R.R., Modelling yearly flooding extent of the Waza-Logone floodplain in northern Cameroon based on MODIS and rainfall data[J]. International Journal Of Remote Sensing, 2009, 30 (21): 5527-5548.

[32]Yilmaz, K.K., Adler, R.F., Tian, Y., Hong, Y. and Pierce,H.F. Evaluation of a satellite-based global flood monitoring system[J]. International Journal Of Remote Sensing,2010, 31 (14): 3763-3782.

[33]Jin, Y., A flooding index and its regional threshold value for monitoring floods in China from SSM/I data[J]. International Journal Of Remote Sensing, 1999, 20 (5): 1025-1030.[34]Lacava, T., Filizzola, C., Pergola, N.et al, Improving flood monitoring by the Robust AVHRR Technique (RAT)approach: the case of the April 2000 Hungary flood[J].International Journal Of Remote Sensing, 2010,31 (8):2043-2062.

[35]Wang, Y., Colby, J.D. and Mulcahy, K.A. An efficient method for mapping flood extent in a coastal floodplain using Landsat TM and DEM data[J]. International Journal Of Remote Sensing, 2002, 23 (18): 3681-3696.

[36]Wang, Y. Using Landsat 7 TM data acquired days after a flood event to delineate the maximum flood extent on a coastal floodplain. [J].International Journal Of Remote Sensing, 2004, 25 (5): 959-974.

[37]Zhou, Y., Wang, S., Zhou, W. and Zhuang, P. Applications of CBERS-2 image data in flood disaster remote sensing monitoring[C]. Conference : International Geoscience and Remote Sensing Symposium, Anchorage AK, USA. 2004:4696-4699.

[38]Amini, J. A method for generating floodplain maps using IKONOS images and DEMs[J]. International Journal Of Remote Sensing, 2010,31 (9): 2441-2456.

[39]Nico, G., Pappalepore, M., Pasquariello, G., Refice, A. and Samarelli, S., 2000, Comparison of SAR amplitude vs.coherence flood detection methods - a GIS application[J].International Journal Of Remote Sensing, 2000, 21 (18):1619-1631.

[40]Liu, Z., Huang, F., Li, L.et al, Dynamic monitoring and damage evaluation of flood in north-west Jilin with remote sensing. [J]. International Journal Of Remote Sensing,2002, 23 (18): 3669-3679.

[41]Kiage, L.M., Walker, N.D., Balasubramanian, S.,et al.Applications of Radarsat-1 synthetic aperture radar imagery to assess hurricane-related flooding of coastal Louisiana[J].International Journal Of Remote Sensing, 2005, 26 (24):5359-5380.

[42]Harvey, R. and Bangham, J.A., A fully unsupervised texture segmentation algorithm[J]. Proc. Of British Machine Vision Conference, Norwich, UK, 2003: 519-528.

[43]Waisurasingha, C., Aniya, M., Hirano, A.et al. Use of RADARSAT-1 data and a digital elevation model to assess flood damage and improve rice production in the lower part of the Chi River Basin, Thailand. [J].International Journal Of Remote Sensing, 2008, 29 (20): 5837-5850.

[44]Rudorff, C.M., Galv? O, L.S. and Novo, E.M.L.M.,Reflectance of floodplain waterbodies using EO-1 Hyperion data from high and receding flood periods of the Amazon River [J]. International Journal Of Remote Sensing,2009, 30 (10): 2713-2720.