基于Sentinel-1B SAR數(shù)據(jù)的2018年壽光洪水遙感監(jiān)測(cè)及災(zāi)害分析

欒玉潔，郭金運(yùn)，高永剛，劉 新

(1.山東科技大學(xué) 測(cè)繪與空間信息學(xué)院，山東 青島266590； 2.福州大學(xué) 環(huán)境與資源學(xué)院，福建 福州 350116)

星載合成孔徑雷達(dá)(SAR)工作于微波波段，具有一定的地表穿透能力，不受云霧限制，在洪水監(jiān)測(cè)方面具有獨(dú)特的優(yōu)勢(shì)，受到了許多學(xué)者的重視。Shu等[1]、湯玲英等[2]分別基于SAR數(shù)據(jù)進(jìn)行洪水監(jiān)測(cè)，指出了雷達(dá)傳感器在洪水監(jiān)測(cè)方面的獨(dú)特優(yōu)勢(shì)，驗(yàn)證了利用SAR數(shù)據(jù)監(jiān)測(cè)洪澇災(zāi)害的準(zhǔn)確性。Geudtner等[3]、郭欣等[4]證明了利用InSAR技術(shù)提取洪水淹沒(méi)區(qū)的可行性。目前，基于SAR影像的水體信息提取方法主要有閾值法[5]、結(jié)合DEM輔助提取[6]以及利用紋理信息提取[7]，其中閾值法簡(jiǎn)單易行，應(yīng)用廣泛。

面向?qū)ο筇崛》椒ㄊ且跃哂邢嗤卣鞯挠跋駥?duì)象為基本單元進(jìn)行處理的一種方法，通過(guò)對(duì)影像進(jìn)行分割形成具有相同特征的對(duì)象，然后綜合影像的光譜特征、幾何特征以及各類(lèi)指數(shù)等特征構(gòu)建合理的知識(shí)庫(kù)完成目標(biāo)地物的提取，解決了傳統(tǒng)提取方法中的“椒鹽”噪聲現(xiàn)象[8]。Laso等[9]、楊朝輝等[10]分別采用面向?qū)ο蠓椒▽?shí)現(xiàn)地物分類(lèi)，證明了面向?qū)ο蠓椒ㄔ诰壬系膬?yōu)勢(shì)。

本文采用Sentinel-1B SAR數(shù)據(jù)利用面向?qū)ο蟮拈撝捣指罘椒▽?duì)2018年8月山東省壽光洪災(zāi)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，并結(jié)合利用Sentienl-2A光學(xué)數(shù)據(jù)進(jìn)行面向?qū)ο驝ART決策樹(shù)分類(lèi)所得到的研究區(qū)土地利用現(xiàn)狀進(jìn)行災(zāi)害評(píng)估，為災(zāi)后重建提供數(shù)據(jù)支持和參考。

1 研究數(shù)據(jù)和方法

2018年8月18-20日，受熱帶風(fēng)暴“溫比亞”的影響，山東省彌河流域遭受了特大暴雨，彌河上游的冶源水庫(kù)、黑虎山水庫(kù)和嵩山水庫(kù)水位高漲，入庫(kù)流量遠(yuǎn)大于出庫(kù)流量，為確保水庫(kù)安全，三座水庫(kù)向下游泄洪，彌河及其支流所流經(jīng)的縣市受暴雨和上游水庫(kù)泄洪的雙重影響發(fā)生了嚴(yán)重的洪澇災(zāi)害，損失嚴(yán)重。本文選擇彌河流域(36°04′～37°19′N(xiāo)，118°10′～119°10′E)作為研究區(qū)進(jìn)行洪水監(jiān)測(cè)，該研究區(qū)包括壽光市、青州市、臨朐縣和昌樂(lè)縣(圖1)。

圖1 研究區(qū)地理位置及土地利用類(lèi)型分類(lèi)圖Fig.1 Geographic location and land use types classification map of the study area

1.1 數(shù)據(jù)源

本文選取災(zāi)前、災(zāi)中、災(zāi)后3個(gè)時(shí)期的Sentinel-1B SAR數(shù)據(jù)進(jìn)行洪水淹沒(méi)面積監(jiān)測(cè)，數(shù)據(jù)下載于歐洲航天局官方網(wǎng)站(http://scihub.copernicus.eu)。Sentinel-1B SAR數(shù)據(jù)采用Level-1級(jí)的地距多視(GRD)產(chǎn)品影像，該產(chǎn)品是經(jīng)過(guò)多視處理并采用WGS84橢球投影至地距的聚焦數(shù)據(jù)[11]。數(shù)據(jù)獲取時(shí)間和具體參數(shù)見(jiàn)表1。

表1 Sentinel-1B SAR影像Table 1 Sentinel-1B SAR image

本文選擇平水期(2018年6月6日)的Sentinel-2A多光譜數(shù)據(jù)進(jìn)行研究區(qū)土地利用類(lèi)型分類(lèi)，數(shù)據(jù)下載于歐洲航天局官方網(wǎng)站(http://scihub.copernicus.eu)。Sentinel-2A光學(xué)數(shù)據(jù)采用Level1-C級(jí)產(chǎn)品，該產(chǎn)品是經(jīng)過(guò)幾何精校正的正射影像。本文只使用了分辨率為10 m的2、3、4、8波段，數(shù)據(jù)具體參數(shù)見(jiàn)表2。

表2 Sentinel-2A光學(xué)影像Table 2 Sentinel-2A optical image

另外，本文還利用了研究區(qū)行政區(qū)劃、DEM等數(shù)據(jù)來(lái)輔助進(jìn)行淹沒(méi)區(qū)的提取與分析。其中，DEM數(shù)據(jù)采用美國(guó)NASA和NIMA聯(lián)合研制的30m分辨率的SRTM-1高程數(shù)據(jù)。

1.2 研究方法

1.2.1 數(shù)據(jù)預(yù)處理

本文使用歐空局發(fā)布的SNAP軟件對(duì)Sentinel-1B SAR數(shù)據(jù)進(jìn)行預(yù)處理，主要包括軌道糾正、輻射定標(biāo)、幾何校正、濾波、鑲嵌、裁剪、后向散射系數(shù)轉(zhuǎn)換等。幾何校正采用SNAP內(nèi)嵌的Range-Doppler算法，在校正的同時(shí)將影像重投影到UTM Zone50N/WGS84坐標(biāo)系下，濾波采用Refined Lee算法，在抑制斑點(diǎn)噪聲的同時(shí)保留地物的邊緣信息。

Sentinel-2A的L1C級(jí)多光譜數(shù)據(jù)是經(jīng)過(guò)幾何精校正的正射影像，還需對(duì)其進(jìn)行大氣校正處理來(lái)得到L2A級(jí)數(shù)據(jù)。本文基于歐空局發(fā)布的專(zhuān)門(mén)用于生產(chǎn)L2A級(jí)數(shù)據(jù)的SNAP插件Sen2cor對(duì)Sentinel-2A數(shù)據(jù)進(jìn)行大氣校正。利用SNAP軟件對(duì)大氣校正后的影像進(jìn)行地形校正，并同時(shí)重投影到UTM Zone50N/WGS84坐標(biāo)系下。對(duì)Sentinel-2A的兩景影像進(jìn)行鑲嵌、裁剪，得到2018年6月6日的高清衛(wèi)星影像。

1.2.2 基于Sentinel-1B SAR數(shù)據(jù)的水體提取

在影像預(yù)處理的基礎(chǔ)上，本文采用面向?qū)ο蠓椒ㄟM(jìn)行水體提取，主要包括影像分割和水體提取兩個(gè)過(guò)程。本文使用eCognition Developer軟件對(duì)研究區(qū)域進(jìn)行面向?qū)ο笏w提取，技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖Fig.2 Technology road map

本文采用eCognition Developer軟件中的多尺度分割方法對(duì)影像進(jìn)行分割。在進(jìn)行多尺度分割時(shí)需要設(shè)置合適的分割參數(shù)：分割尺度、波段權(quán)重、光譜因子、形狀因子、光滑度和緊致度。結(jié)合研究區(qū)水體分布情況，經(jīng)過(guò)多次試驗(yàn)，最終確定出本文的分割參數(shù)：分割尺度為30，顏色因子為0.9，形狀因子為0.1，緊致度為0.5，平滑度為0.5。在該參數(shù)下得到的分割效果最好，水體與非水體分離界限明顯，圖斑邊界較完整。

水體在微波范圍內(nèi)較低的后向散射特性為在SAR影像上確定洪水范圍提供了依據(jù)[12]，如：平靜的水面在SAR影像上呈現(xiàn)黑色，而建筑物、植被等在SAR影像上則呈現(xiàn)明亮色調(diào)。為研究水體與其他地物在微波波段后向散射特性的區(qū)別，本文借助Google Earth高分辨率影像，在洪水未發(fā)生時(shí)(2018年8月8日)的SAR影像上均勻選擇林地、耕地、住宅用地、設(shè)施農(nóng)用地、水域5種占研究區(qū)比例較大的地物類(lèi)型作為感興趣區(qū)域，并統(tǒng)計(jì)了5種地物的后向散射特性，結(jié)果如圖3所示。通過(guò)分析圖3可知，水體的后向散射系數(shù)較其他地物的小。根據(jù)水體的這一特性，本文選擇用影像的后向散射均值來(lái)構(gòu)建知識(shí)庫(kù)，然后利用閾值分割法將水體提取出來(lái)。

圖3 研究區(qū)主要地物后向散射特性Fig.3 Backscattering coefficient of main lands in the study area

1.2.3 基于DEM數(shù)據(jù)的山體陰影剔除

由于SAR影像是側(cè)視斜距成像，所以當(dāng)雷達(dá)經(jīng)過(guò)山區(qū)時(shí)會(huì)出現(xiàn)透視收縮、疊掩和陰影等現(xiàn)象。山體陰影的后向散射系數(shù)與水體相近[7]，在SAR影像也呈現(xiàn)黑色或暗色，在利用面向?qū)ο箝撝捣ㄌ崛∷w時(shí)無(wú)法完全將水體與山體陰影區(qū)分開(kāi)來(lái)，所以提取的水體中混雜著大量的山體陰影，影響了水體提取結(jié)果的精度。

臨朐縣南邊和青州市南邊地形以山地為主，地勢(shì)高低起伏，所以本文借助DEM數(shù)據(jù)通過(guò)對(duì)臨朐縣和青州市進(jìn)行地形分析來(lái)剔除山體陰影的影響，主要思路為：使用ArcGIS對(duì)DEM進(jìn)行處理，提取出坡度信息和高程信息，基于坡度和高程信息分別設(shè)置合適的閾值提取出山體陰影。

1.2.4 基于Sentinel-2A數(shù)據(jù)的土地利用類(lèi)型分類(lèi)

為分析研究區(qū)內(nèi)各類(lèi)地物的淹沒(méi)情況，本文利用洪水未發(fā)生時(shí)(2018年6月6日)的Sentinel-2A光學(xué)影像對(duì)研究區(qū)進(jìn)行土地利用類(lèi)型分類(lèi)。參考2017年國(guó)土資源部組織修訂的國(guó)家標(biāo)準(zhǔn)《土地利用現(xiàn)狀分類(lèi)》(GB/T 21010-2017),并結(jié)合本文的研究目的和研究區(qū)實(shí)際情況，將研究區(qū)分為8類(lèi)：耕地、林地、工礦倉(cāng)儲(chǔ)用地(工業(yè)用地、鹽田)、住宅用地(城鎮(zhèn)住宅用地、農(nóng)村宅基地)、交通用地、水域(河流、湖泊、水庫(kù))、設(shè)施農(nóng)用地(蔬菜大棚、花卉大棚)和裸土地。

本文利用eCognition Developer軟件采用面向?qū)ο驝ART決策樹(shù)方法進(jìn)行研究區(qū)土地利用類(lèi)型分類(lèi)。首先對(duì)預(yù)處理后的Sentinel-2A數(shù)據(jù)進(jìn)行多尺度分割，在多次試驗(yàn)的基礎(chǔ)上，最終確定分割參數(shù)為：分割尺度為45，顏色因子為0.6，形狀因子為0.4，緊致度為0.6，平滑度為0.4。在該分割參數(shù)下得到的分割影像區(qū)別明顯且圖斑完整，滿足“最大同質(zhì)性，最小異質(zhì)性”的準(zhǔn)則[13]，滿足后續(xù)的分類(lèi)要求。對(duì)照Google Earth高分辨率影像在eCognition Developer軟件中選取各類(lèi)地物的訓(xùn)練樣本，然后選取Sentinel-2A影像的4個(gè)波段、歸一化植被指數(shù)(NDVI)、歸一化差異水體指數(shù)(NDWI)、長(zhǎng)寬比(Length/Width)、形狀指數(shù)(Shape index)、亮度值(Brightness)和同質(zhì)性(GLCM Homogeneity)10個(gè)特征變量作為輸入數(shù)據(jù)集，利用CART分類(lèi)器對(duì)樣本進(jìn)行訓(xùn)練生成CART決策樹(shù)分類(lèi)規(guī)則，最后根據(jù)生成的分類(lèi)規(guī)則對(duì)影像進(jìn)行分類(lèi)[14]。分類(lèi)完成后再根據(jù)研究區(qū)實(shí)際情況通過(guò)人機(jī)交互解譯的方法對(duì)分類(lèi)結(jié)果進(jìn)行修正,得到最終分類(lèi)結(jié)果。

2 結(jié)果與分析

2.1 Sentinel-1B SAR水體提取結(jié)果

2.1.1 提取結(jié)果

通過(guò)分析影像的后向散射均值，確定出洪災(zāi)前(2018年8月8日)、洪災(zāi)中(2018年8月20日)、洪災(zāi)后(2018年9月1日)水體提取的閾值分別為-15.68 dB、-11.98 dB、-14.70 dB， 小于該閾值的為水體， 大于該閾值的為非水體，利用eCognition Developer軟件中的Assign Class函數(shù)設(shè)置閾值范圍將水體與非水體區(qū)分開(kāi)來(lái)，然后利用軟件中的平滑算法對(duì)提取結(jié)果進(jìn)行處理。提取的水體結(jié)果中混雜著部分山體陰影，為減少山體陰影對(duì)水體提取結(jié)果的影響，本文結(jié)合SRTM-1 DEM數(shù)據(jù)對(duì)研究區(qū)進(jìn)行高程和坡度分析，確定出地形起伏較大區(qū)域的高程閾值為302 m，坡度閾值為12°，通過(guò)閾值分割的方法提取出山體，進(jìn)而剔除誤提的山體陰影。將剔除山體陰影后的水體提取結(jié)果與原始影像疊加，如圖4所示。

圖4 壽光洪災(zāi)前、中、后水體提取結(jié)果輪廓示意圖Fig.4 Outline drawing of water extraction results in pre-flood, flooding and after-flood of Shouguang

從圖4可以看出，本文提取的水體信息與原始影像上的水體高度吻合，3大水庫(kù)輪廓較完整，彌河流域除部分地方出現(xiàn)斷流現(xiàn)象外，整體邊緣信息較好。

2.1.2 精度評(píng)價(jià)

本文參照Google Earth高分辨率影像，通過(guò)人工目視解譯的方法利用ENVI軟件在研究區(qū)內(nèi)隨機(jī)選取了一定數(shù)量的樣本作為精度評(píng)價(jià)的驗(yàn)證樣本。然后利用eCognition Developer軟件中的基于對(duì)象樣本的混淆矩陣精度評(píng)價(jià)方法對(duì)水體提取結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如表3所示。

表3 水體提取結(jié)果混淆矩陣Table 3 Confusion matrix of water extraction results

由表3可知，基于Sentinel-1B SAR數(shù)據(jù)的面向?qū)ο笏w提取結(jié)果總體精度均在95%以上，Kappa系數(shù)均在0.85以上，水體提取結(jié)果比較理想，可以用于洪水災(zāi)害監(jiān)測(cè)，這同時(shí)也表明基于SAR數(shù)據(jù)進(jìn)行洪災(zāi)監(jiān)測(cè)的有效性和可行性。提取結(jié)果中出現(xiàn)的誤提和漏提現(xiàn)象主要有3方面的原因：1是受SAR成像方式的影響，研究區(qū)中的一些細(xì)小的河流、湖泊無(wú)法被提取出來(lái)；2是參考影像與Sentinel-1B影像獲取日期間的微小差異造成的；3是DEM精度較低，利用DEM得到的山體陰影中混雜著水體，導(dǎo)致少量水體被當(dāng)作山體陰影剔除。

2.2 Sentinel-2A土地利用類(lèi)型分類(lèi)結(jié)果

2.2.1 分類(lèi)結(jié)果

研究區(qū)的土地利用類(lèi)型分類(lèi)結(jié)果如```圖1所示，各類(lèi)地物所占面積及比例如表4所示。分析分類(lèi)結(jié)果可知，研究區(qū)內(nèi)主要地物類(lèi)型為耕地、林地、設(shè)施農(nóng)用地以及住宅用地，分別占研究區(qū)總面積的37.3%，28.5%，11.2%和9.8%。

表4 研究區(qū)各類(lèi)地物所占面積及比例Table 4 The area and proportion of different lands in the study area

2.2.2 精度評(píng)價(jià)

為驗(yàn)證面向?qū)ο驝ART決策樹(shù)分類(lèi)方法的準(zhǔn)確性，本文基于Google Earth高分辨率影像在研究區(qū)內(nèi)均勻選擇了各類(lèi)地物的驗(yàn)證樣本，然后利用eCognition Developer軟件中的基于對(duì)象樣本的混淆矩陣精度評(píng)價(jià)方法對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如表5所示，包括總體分類(lèi)精度、Kappa系數(shù)、混淆矩陣、用戶精度和生產(chǎn)者精度。

表5 研究區(qū)土地利用類(lèi)型分類(lèi)結(jié)果混淆矩陣Table 5 Confusion matrix of classification results of land use types in the study area

分析表5可知，分類(lèi)總體精度為85.7%，Kappa系數(shù)為0.835，分類(lèi)結(jié)果與研究區(qū)實(shí)際情況基本吻合，可以用于后續(xù)的災(zāi)情分析。

2.3 洪水災(zāi)害評(píng)估

本文對(duì)研究區(qū)內(nèi)各分縣在洪水過(guò)程中的水體面積進(jìn)行統(tǒng)計(jì)，結(jié)果如表6所示。監(jiān)測(cè)結(jié)果顯示，災(zāi)前水體總面積為305.98 km2，災(zāi)中水體總面積為504.57 km2，災(zāi)后水體總面積為371.08 km2。對(duì)比災(zāi)前災(zāi)中水體面積，壽光市水體面積增加最多，為167.44 km2，受災(zāi)狀況最嚴(yán)重；臨朐縣、昌樂(lè)縣、青州市水體增加面積依次為12.21 km2、10.29 km2、8.65 km2，這3個(gè)分縣的水體面積增加相對(duì)較少，受災(zāi)狀況較輕。對(duì)比災(zāi)中災(zāi)后水體面積，洪水發(fā)生12天后，昌樂(lè)縣、臨朐縣和青州市的洪水基本消退，受災(zāi)最嚴(yán)重的壽光市地勢(shì)低于其他3個(gè)分縣，洪水短時(shí)間內(nèi)難以完全消退。

表6 壽光洪水前、中、后研究區(qū)各分縣水體面積Table 6 Water area of each county in pre-flood, flooding and after-flood of Shouguang

為研究洪水在研究區(qū)內(nèi)的空間分布，本文利用ArcGIS軟件對(duì)洪水過(guò)程中不同時(shí)間段的水體信息進(jìn)行疊加分析，結(jié)果如圖5所示。

分析圖5(a)可知，研究區(qū)內(nèi)水體面積增加的形式主要有河道拓寬、低洼地區(qū)積水和湖泊面積增加3種，受洪災(zāi)影響最嚴(yán)重的區(qū)域位于彌河兩岸以及壽光市北部。結(jié)合圖5(a)和圖5(b)可知，臨朐縣、青州市和昌樂(lè)縣三地洪水基本消退，水體面積下降較快。壽光市由于地勢(shì)較低且彌河上游水庫(kù)泄洪量巨大，洪水下降速度緩慢，退水周期較長(zhǎng)。由圖5(c)可知，壽光市是此次洪災(zāi)中受災(zāi)最嚴(yán)重的縣市,尤其是北部沿海的原鹽生產(chǎn)基地，受降雨和潮水水位的雙重影響，出現(xiàn)嚴(yán)重洪澇災(zāi)害。另外，強(qiáng)降雨導(dǎo)致彌河兩岸大量的蔬菜大棚被淹沒(méi)，并且大棚內(nèi)地下滲水現(xiàn)象嚴(yán)重，洪水消退緩慢。

圖5 水體動(dòng)態(tài)變化圖Fig.5 Dynamic change map of water

本文結(jié)合洪水空間分布圖與研究區(qū)土地利用類(lèi)型分類(lèi)圖對(duì)研究區(qū)內(nèi)各類(lèi)地物的淹沒(méi)情況進(jìn)行分析，結(jié)果如表7所示。由表7可知，洪水淹沒(méi)的主要地物類(lèi)型為工礦倉(cāng)儲(chǔ)用地、交通用地和耕地，分別占總受災(zāi)面積的48.90%、13.90%、12.35%。被淹的工礦倉(cāng)儲(chǔ)用地主要集中在壽光市北部的大型鹽場(chǎng)，淹沒(méi)的交通用地集中分布在壽光市以及昌樂(lè)縣東部地形平坦的地區(qū)，大多數(shù)為蔬菜大棚間的道路，研究區(qū)內(nèi)淹沒(méi)的耕地主要分布在壽光南部、青州東部以及昌樂(lè)北部，位于壽光市北部的大多數(shù)村莊受地勢(shì)影響，許多房屋和養(yǎng)殖基地被淹沒(méi)。

表7 研究區(qū)各類(lèi)地物受淹面積Table 7 Submerged area of different lands in the study area

另外，如表7所示，受強(qiáng)降雨、海水漲潮和地下水位的多重影響，洪水過(guò)后，工礦倉(cāng)儲(chǔ)用地和交通用地仍有大量積水，淹沒(méi)面積分別達(dá)38.06 km2、8.47 km2，結(jié)合洪水動(dòng)態(tài)變化圖可知，退水緩慢的工礦倉(cāng)儲(chǔ)用地主要為北部鹽田區(qū)域，交通用地主要分布于被淹沒(méi)的蔬菜大棚間。

分析不同時(shí)期的水體空間分布圖可知，此次洪水主要分布在彌河沿岸以及彌河下游的壽光市。由于管理不善，彌河河道被大面積占用，房屋、耕地、養(yǎng)殖棚等違建隨處可見(jiàn)，給彌河的正常泄洪造成隱患，所以政府應(yīng)加大整治力度，拆除一切違法建筑，恢復(fù)河道原有寬度，提高河道泄洪能力。位于彌河下游的壽光市受到暴雨和上游泄洪的雙重影響損失最嚴(yán)重，壽光市地形為半山區(qū)半平原，地勢(shì)西南高東北低，所以在洪水到來(lái)之前位于地勢(shì)低洼處的村莊應(yīng)該及時(shí)撤離到附近地勢(shì)較高的地區(qū)，尤其是彌河經(jīng)過(guò)的村莊。另外，在雨季來(lái)臨之前，各村莊應(yīng)做好防洪工作，如修建大壩、蓄水池、引水溝渠等。在洪災(zāi)后應(yīng)做好防疫消毒工作，采用無(wú)人機(jī)和噴灑車(chē)等方式持續(xù)對(duì)被淹沒(méi)的村莊和農(nóng)田等進(jìn)行全方位消毒，避免災(zāi)后疫情的出現(xiàn)。

3 結(jié)論與討論

根據(jù)水體的后向散射特性，本文基于Sentinel-1B SAR數(shù)據(jù)對(duì)2018年壽光洪災(zāi)進(jìn)行遙感監(jiān)測(cè)，統(tǒng)計(jì)出了研究區(qū)內(nèi)各分縣在洪水過(guò)程中的水體面積變化以及各地物的淹沒(méi)情況，主要得到以下幾點(diǎn)結(jié)論：

(1)SAR數(shù)據(jù)具有對(duì)地觀測(cè)的全天時(shí)、全天候等特點(diǎn)，本文基于Sentinel-1B SAR數(shù)據(jù)得到的水體提取結(jié)果精度較高，總體精度均在95%以上，Kappa系數(shù)均在0.85以上，證明Sentine-1B SAR數(shù)據(jù)可以對(duì)受災(zāi)地區(qū)進(jìn)行快速且準(zhǔn)確的監(jiān)測(cè)，在洪災(zāi)監(jiān)測(cè)領(lǐng)域具有很大優(yōu)勢(shì)。

(2)研究區(qū)內(nèi)水域面積總共增加198.59 km2，受災(zāi)最嚴(yán)重的區(qū)域位于彌河、水庫(kù)、湖泊周?chē)貏?shì)相對(duì)平坦低洼的地區(qū)，其中位于彌河下游的壽光市受淹面積最大，達(dá)167.44 km2。

(3)通過(guò)對(duì)研究區(qū)各地物類(lèi)型受淹面積進(jìn)行統(tǒng)計(jì)，工礦倉(cāng)儲(chǔ)用地、交通用地和耕地受災(zāi)情況最為嚴(yán)重，受淹面積分別為90.25 km2、25.65 km2和22.79 km2，其中被淹沒(méi)的工礦倉(cāng)儲(chǔ)用地主要位于壽光市北部鹽區(qū)。

Sentinel-1B SAR數(shù)據(jù)在洪水監(jiān)測(cè)方面具有很大的優(yōu)勢(shì)，但單一的遙感數(shù)據(jù)無(wú)法保證監(jiān)測(cè)結(jié)果的精度，所以在后期的研究中應(yīng)該加強(qiáng)以下方面的研究：

(1)結(jié)合Sentinel-1A SAR數(shù)據(jù)，選擇更多時(shí)相的數(shù)據(jù)對(duì)洪水過(guò)程進(jìn)行監(jiān)測(cè)，并充分利用Sentinel-1 SAR的雙極化數(shù)據(jù)來(lái)增強(qiáng)水體特性，探討更為快速準(zhǔn)確的水體提取方法。

(2)在保證精度的前提下，探討薄云覆蓋下的光學(xué)數(shù)據(jù)水體提取方法，與SAR數(shù)據(jù)的監(jiān)測(cè)結(jié)果相結(jié)合，在保證監(jiān)測(cè)時(shí)效性的同時(shí)降低監(jiān)測(cè)成本。