農(nóng)田洪澇災(zāi)害信息遙感自動(dòng)提取方法研究

王來(lái)剛，徐少博，黎世民，郭 燕，程永政，賀 佳

（1. 河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，河南 鄭州 450002；2. 農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450002；3. 河南省農(nóng)作物種植監(jiān)測(cè)與預(yù)警工程研究中心，河南 鄭州 450002）

由于全球氣候變化，洪澇災(zāi)害呈現(xiàn)破壞性強(qiáng)、影響范圍大、頻度增強(qiáng)的趨勢(shì)。我國(guó)一直是洪澇災(zāi)害頻發(fā)國(guó)家之一。2021 年7 月中下旬，河南省大部分地區(qū)出現(xiàn)暴雨、特大暴雨。據(jù)評(píng)估，河南省在此次暴雨災(zāi)害事件中約有1 478.6萬(wàn)人受災(zāi)，造成直接經(jīng)濟(jì)損失1 200.6 億元；河南省全省農(nóng)作物受災(zāi)96.67 萬(wàn)hm2，成 災(zāi) 面 積62.67 萬(wàn)hm2，絕 收 面 積36.67萬(wàn)hm2[1]。利用遙感技術(shù)能夠快速準(zhǔn)確監(jiān)測(cè)農(nóng)田洪澇災(zāi)害，可以為防災(zāi)減災(zāi)和災(zāi)后農(nóng)田管理提供科學(xué)決策數(shù)據(jù)，對(duì)保障糧食安全具有重要意義。遙感技術(shù)可以貫穿于洪澇災(zāi)前、災(zāi)中和災(zāi)后監(jiān)測(cè)全過(guò)程。近年來(lái)，利用遙感技術(shù)對(duì)水體進(jìn)行長(zhǎng)時(shí)序變化監(jiān)測(cè)的研究越來(lái)越深入，大量學(xué)者基于光學(xué)和合成孔徑雷達(dá)（SAR）影像，利用譜間關(guān)系、水體指數(shù)和輔助數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)、閾值分割等方法進(jìn)行水體信息快速提取。MARKERT 等[2]分析了SAR 數(shù)據(jù)不同的預(yù)處理方法對(duì)水體提取精度的影響。欒玉潔等[3]基于Sentinel-1數(shù)據(jù)通過(guò)閾值分割法提取2018年壽光洪災(zāi)前、中、后3 個(gè)時(shí)期水體信息，分析壽光洪水災(zāi)害情況。柳崇斌等[4]利用隨機(jī)森林-遞歸特征消除算法提取GF-3 極化分解和灰度共生矩陣衍生的55維特征的最優(yōu)子集，并通過(guò)隨機(jī)森林方法提取水產(chǎn)養(yǎng)殖塘。郭山川等[5]利用GEE（Google earth engine）云計(jì)算平臺(tái)基于Sentinel-1 數(shù)據(jù)通過(guò)閾值分割算法獲得像元級(jí)水體頻率圖，實(shí)現(xiàn)長(zhǎng)江中下游地區(qū)洪水自動(dòng)檢測(cè)和洪水淹沒(méi)過(guò)程的監(jiān)測(cè)。吳慶雙等[6]通過(guò)分析水體、建筑物、植被、裸土、陰影、混合像元6 種地物的光譜曲線，提出一種植被紅邊水體指數(shù)（Vegetation red edge based water index，RWI），在細(xì)小水體提取中得到較好的結(jié)果。XIA 等[7]利用GEE云計(jì)算平臺(tái)上的陸地衛(wèi)星TM、ETM+和OLI數(shù)據(jù)，通過(guò)植被指數(shù)和水體指數(shù)提取1989—2017 年淮河流域地表水體面積并分析其時(shí)空變化和驅(qū)動(dòng)因素。劉宇晨等[8]基于時(shí)序的多種水體指數(shù)并融合DEM提出一種在大尺度和不同時(shí)空環(huán)境下更具普適性且高精度的水體提取算法。綜合分析前人研究發(fā)現(xiàn)，水體指數(shù)通常與閾值方法相結(jié)合，獲取局部或全局閾值，提取水體，這種方法操作簡(jiǎn)單易實(shí)現(xiàn)，但使用單一的水體指數(shù)特征，容易受噪聲干擾，提取精度較差以及不穩(wěn)定。閾值方法和區(qū)域生長(zhǎng)法相結(jié)合，可以提高單一閾值法的精度，減少破碎度，增強(qiáng)水體的連通性，但方法復(fù)雜繁瑣。

雖然國(guó)內(nèi)外學(xué)者針對(duì)光學(xué)和SAR 影像已提出一系列水體提取算法，但缺少不同數(shù)據(jù)源之間和不同水體提取算法之間的精度對(duì)比研究。在基于不同數(shù)據(jù)源的水體提取方面，光學(xué)影像可以直觀反映水體邊界，通過(guò)不同波段組合或者水體指數(shù)能更加突出水體信息，PEKEL 等[9]通過(guò)時(shí)序陸地衛(wèi)星數(shù)據(jù)制作30 m 空間分辨率的全球水體數(shù)據(jù)集。但光學(xué)影像易受云雨天氣的影響，在洪澇災(zāi)害發(fā)生過(guò)程中較難獲取關(guān)鍵時(shí)期的高質(zhì)量影像。由于SAR 影像不受云雨天氣影響，具有全天候、全天時(shí)的觀測(cè)能力，在洪澇災(zāi)害的災(zāi)中和災(zāi)后得到廣泛應(yīng)用。雖然SAR 數(shù)據(jù)可以提供全球無(wú)障礙圖像，但容易受到地形和斑點(diǎn)噪聲的影響造成圖像偽像的現(xiàn)象[10]。同時(shí)，SAR 圖像依賴(lài)水面的鏡面反射產(chǎn)生的低回波信號(hào)進(jìn)行水體檢測(cè)，這可能與其他光滑表面（如路面、早期水田等）產(chǎn)生誤差[11]。在水體提取方法方面，雖然監(jiān)督學(xué)習(xí)可以取得較高的精度，但在大的時(shí)空范圍下，隨著空間和時(shí)間的變化，水體中的懸浮沉積物和溶解的有機(jī)物及藻類(lèi)，造成水體反射率發(fā)生變化，使訓(xùn)練數(shù)據(jù)頻繁更新才能滿(mǎn)足其普適性[12]。此外，與監(jiān)督分類(lèi)和閾值方法相比，很少在水體提取中使用無(wú)監(jiān)督分類(lèi)[13]。與Sentinel-1相比，我國(guó)自主研發(fā)的C 頻段多極化GF-3 衛(wèi)星具有高空間分辨率、多成像模式的優(yōu)勢(shì)[14]。因此，以2021年7月下旬河南省?？h洪澇災(zāi)害為研究對(duì)象，選擇災(zāi)前、災(zāi)中和災(zāi)后的Sentinel-2 影像以及災(zāi)后的GF-3 影像，分別利用多維非監(jiān)督和Canny-Edge-Otsu 水體自動(dòng)提取方法提取洪災(zāi)過(guò)程中農(nóng)田洪水淹沒(méi)面積，對(duì)比分析不同數(shù)據(jù)源和不同水體提取方法在農(nóng)田洪澇災(zāi)害研究中的優(yōu)缺點(diǎn)，為遙感在農(nóng)田洪澇災(zāi)害中的應(yīng)用提供技術(shù)參考。

1 材料和方法

1.1 研究區(qū)與數(shù)據(jù)源

1.1.1 研究區(qū)概況 研究區(qū)鶴壁市浚縣地處太行山東麓，華北平原南部，河南省北部，鶴壁市東部，東臨濮陽(yáng)市，北接安陽(yáng)市，南接新鄉(xiāng)市，地理范圍N35°24′～35°51′，E114°14′～114°45′（圖1），總面積952.156 km2，絕大部分為平原，中部地勢(shì)較高，東西側(cè)平緩。屬于暖溫帶半濕潤(rùn)型季風(fēng)氣候，全年平均溫度13～16 ℃。地表水資源豐富，主要河流包括衛(wèi)河、共產(chǎn)主義渠和淇河，三河在?？h新鎮(zhèn)鎮(zhèn)淇門(mén)村交匯。研究區(qū)主要種植小麥、玉米、花生、大豆等農(nóng)作物。2021 年7 月17—23 日，河南省遭遇歷史罕見(jiàn)特大暴雨，?？h淇河上游的鶴壁市以及衛(wèi)河上游的新鄉(xiāng)市都是這次特大暴雨的降雨中心，?？h出現(xiàn)有水文記錄以來(lái)的最大降水量，是河南省受災(zāi)最嚴(yán)重的縣區(qū)之一。

圖1 研究區(qū)位置Fig.1 Location of study area

1.1.2 遙感數(shù)據(jù)獲取及處理

1.1.2.1 Sentinel-2 遙感影像 Sentinel-2 衛(wèi)星由歐洲航天局發(fā)射，包含可見(jiàn)光至短波紅外中的13個(gè)光譜波段，空間分辨率為10、20、60 m，組合星座重訪為5 d，具有空間分辨率高、重訪周期短、光譜信息豐富等優(yōu)點(diǎn)。通過(guò)歐洲航天局的數(shù)據(jù)共享網(wǎng)站（https://scihub.copernicus.eu/)下載Sentinel-2 衛(wèi)星的L2A 級(jí)數(shù)據(jù)，L2A 級(jí)產(chǎn)品是經(jīng)過(guò)幾何精校正和大氣校正的地表反射率產(chǎn)品。根據(jù)研究區(qū)洪水發(fā)生時(shí)間，選取災(zāi)前2021 年7 月6 日、災(zāi)中2021 年7 月26日和災(zāi)后2021 年7 月31 日的3 景影像，其中2021年7月26日云量約有15%。

1.1.2.2 GF-3 遙感影像 高分三號(hào)衛(wèi)星是由我國(guó)發(fā)射的首顆民用C 頻段多極化合成孔徑雷達(dá)衛(wèi)星，擁有4種極化方式，可以獲取更全面的地表信息，具有掃描模式、條帶模式等12 種工作模式，可以實(shí)現(xiàn)對(duì)陸地和海洋進(jìn)行大范圍觀測(cè)，萬(wàn)瓦級(jí)發(fā)射功率使得成像性能大幅度提高，三星組網(wǎng)后重訪周期可達(dá)0.2 d。從中國(guó)資源衛(wèi)星應(yīng)用中心獲取研究區(qū)災(zāi)前2021 年7 月15 日、災(zāi)中7 月25 日和災(zāi)后2021 年7 月31 日的GF-3 影像，成像模式是精細(xì)條帶2 模式（FSⅡ），極化方式為HH 和HV 雙極化的Level-1A影像。本研究對(duì)影像進(jìn)行輻射定標(biāo)、多視、濾波、地理編碼等預(yù)處理后，選擇HV極化波段提取洪水。

1.2 研究方法

1.2.1 水體指數(shù)計(jì)算 指數(shù)由遙感影像獲取的光譜波段進(jìn)行組合計(jì)算得到，純水在800 nm 以上有較強(qiáng)的吸收性，為突出水體信息，水體指數(shù)主要由水體強(qiáng)吸收波段和水體強(qiáng)反射波段構(gòu)成。水體強(qiáng)吸收波段有近紅外波段和短波紅外波段，對(duì)應(yīng)Sentinel-2 影像中的B8、B11、B12 波段，水體在綠波段有較強(qiáng)的反射，對(duì)應(yīng)Sentinel-2 影像中的B3 波段。歸一化水體指數(shù)（NDWI）是MCFEETERS 于1996 年提出的[15]，Green 波段對(duì)應(yīng)Sentinel-2 影像的B3 波段，NIR 波段 對(duì)應(yīng)Sentinel-2 影像 的B8 波段。如下式：

改進(jìn)的歸一化水體指數(shù)（MNDWI）是徐涵秋[16]在NDWI 上改進(jìn)的水體指數(shù)，在城市地區(qū)可減少建筑物陰影的影響。Green 對(duì)應(yīng)Sentinel-2 影像的B3波 段，MIR 對(duì) 應(yīng)Sentinel-2 影 像 的B11 波 段。如下式：

WANG 等[17]于2018 年提出的多波段水體指數(shù)（MBWI）最大化增強(qiáng)水體和非水體之間的光譜差異，對(duì)區(qū)分山體陰影和暗區(qū)域有較好的結(jié)果。Green 對(duì) 應(yīng)Sentinel-2 影 像 的B3 波 段，Red 對(duì) 應(yīng)Sentinel-2 影像的B4 波段，SWIR1 和SWIR2 分別對(duì)應(yīng)Sentinel-2影像的B11和B12波段。如下式：

MBWI=Green× 3-Red-NIR-SWIR1-SWIR2（3）

1.2.2 多維非監(jiān)督水體自動(dòng)提取 CORDEIRO 等[13]

于2021 年提出一種結(jié)合多維特征的非監(jiān)督聚類(lèi)算法，快速獲取大場(chǎng)景下的陸表水體信息。多維非監(jiān)督水體自動(dòng)提取方法的主要思想是利用不同的水體指數(shù)和波段作為多維特征進(jìn)行凝聚聚類(lèi)。但凝聚聚類(lèi)具有高的空間復(fù)雜度和時(shí)間復(fù)雜度，為提高執(zhí)行效率隨機(jī)選取影像部分像素作為子集，首先對(duì)像素子集進(jìn)行凝聚聚類(lèi)，通過(guò)Calinsk Harabasz 指數(shù)確定像素子集的最佳聚類(lèi)數(shù)[18]，然后將MBWI 水體指數(shù)的最大值確定為水體聚類(lèi)，其余為非水體聚類(lèi)，再通過(guò)樸素貝葉斯分類(lèi)將聚類(lèi)結(jié)果泛化到整幅影像上，從而完成不規(guī)則水體的自動(dòng)提取?；谇叭藢?duì)不同季節(jié)不同區(qū)域水體提取的研究成果[19]，選擇NDWI、MNDWI、MBWI 水體指數(shù)和B12 波段作為多維特征。

1.2.3 Canny-Edge-Otsu 水體自動(dòng)提取 最大類(lèi)間方差法（簡(jiǎn)稱(chēng)Otsu）由日本學(xué)者大津（Nobuyuki Otsu）提出，又稱(chēng)大津法，是一種基于直方圖的非監(jiān)督閾值分割算法[20]，可以在大場(chǎng)景不同水環(huán)境下獲得一個(gè)動(dòng)態(tài)閾值，在基于SAR 影像的水體提取中得到廣泛應(yīng)用。其基本思想是無(wú)參數(shù)、非監(jiān)督設(shè)定一個(gè)閾值將灰度圖像分割為目標(biāo)區(qū)域和背景區(qū)域，使其類(lèi)內(nèi)方差最小，類(lèi)間方差最大化。根據(jù)目標(biāo)區(qū)域和背景區(qū)域的兩組平均灰度值和兩組像素在整幅影像上出現(xiàn)的概率求解最佳分割閾值。Otsu 法前提是假設(shè)像素直方圖呈雙峰化，但當(dāng)水像素較少或者有多個(gè)類(lèi)別時(shí)，出現(xiàn)非雙峰直方圖，這時(shí)會(huì)出現(xiàn)不穩(wěn)定性。通過(guò)Canny邊緣檢測(cè)與Otsu法相結(jié)合可以克服這種問(wèn)題，將Canny 邊緣檢測(cè)獲取的水陸邊界范圍的像素應(yīng)用到Otsu法[21]，具體步驟如下：使用雙邊濾波器對(duì)影像進(jìn)行保邊去噪處理；通過(guò)Canny邊緣檢測(cè)算法對(duì)影像進(jìn)行邊緣檢測(cè)；對(duì)提取的邊界通過(guò)形態(tài)學(xué)膨脹運(yùn)算，獲得邊界緩沖區(qū)；將緩沖區(qū)中的像素運(yùn)用Otsu 法獲取最佳分割閾值；用最佳分割閾值對(duì)影像進(jìn)行閾值分割。

1.2.4 技術(shù)思路 以災(zāi)前、災(zāi)中和災(zāi)后的Sentienl-2和GF-3 遙感影像為數(shù)據(jù)源，計(jì)算提取Sentienl-2 影像的NDWI、MNDWI、MBWI 水體指數(shù)和B12 波段，采用多維非監(jiān)督水體自動(dòng)提取方法提取水體面積。同時(shí)利用Canny-Edge-Otsu 水體自動(dòng)提取方法分別對(duì)MBWI、MNDWI、NDWI 3 種水體指數(shù)和GF-3 數(shù)據(jù)的HV 極化波段進(jìn)行閾值分割，提取農(nóng)田水體信息。將災(zāi)前正常水體和災(zāi)后水體分布信息進(jìn)行空間疊加計(jì)算得到洪澇災(zāi)害范圍，并對(duì)比不同數(shù)據(jù)源、不同提取方法的水體提取精度。技術(shù)路線如圖2所示。

圖2 技術(shù)路線Fig.2 Flowchart of the study

1.2.5 精度驗(yàn)證 為對(duì)不同數(shù)據(jù)源、不同水體提取方法做定量化精度對(duì)比分析，采用相對(duì)誤差評(píng)價(jià)水體提取精度，如公式（4）所示：

式中，P為相對(duì)誤差；S為遙感自動(dòng)提取水體面積；S0為真實(shí)水體面積，通過(guò)人工目視解譯同時(shí)期的Sentinel-2遙感數(shù)據(jù)獲得。

2 結(jié)果與分析

2.1 多維非監(jiān)督水體自動(dòng)提取結(jié)果

基于多維非監(jiān)督水體自動(dòng)提取方法，以NDWI、MNDWI、MBWI 和B12 為多維特征自動(dòng)提取研究區(qū)災(zāi)前（2021 年7 月6 日）、災(zāi)中（2021 年7 月26 日）和災(zāi)后（2021 年7 月31 日）水體，結(jié)果見(jiàn)圖3。如圖3a所示，多維非監(jiān)督水體自動(dòng)提取方法對(duì)災(zāi)前細(xì)小水體提取效果不好，出現(xiàn)水體漏提，并且河道不連續(xù)?？？h縣城以南衛(wèi)河河道較寬，此區(qū)域雖衛(wèi)河河道提取不連續(xù)但能識(shí)別水體，?？h縣城以北衛(wèi)河河道變狹窄，河道完全漏提。同時(shí)，建筑物陰影和云陰影也被誤判為水體。如圖3b 和3c 所示，被水完全淹沒(méi)的渾濁洪水區(qū)以及被洪水完全覆蓋的農(nóng)作物區(qū)提取效果好，能準(zhǔn)確識(shí)別其邊界，但剛被水淹沒(méi)的區(qū)域即水和植被混合區(qū)，部分植被裸露在水體上面的區(qū)域被完全漏提。

圖3 多維非監(jiān)督水體提取結(jié)果Fig.3 Water extraction based on multi-dimensional unsupervised automatic algorithm

2.2 Canny-Edge-Otsu水體自動(dòng)提取結(jié)果

2.2.1 GF-3 影像水體提取結(jié)果 基于Canny-Edge-Otsu 水體自動(dòng)提取算法分別對(duì)災(zāi)前、災(zāi)中和災(zāi)后的GF-3 影像進(jìn)行水體信息提?。▓D4）。災(zāi)前水體范圍較小，水體信息總體提取效果較好，但有少量光滑表面的建筑和道路被錯(cuò)判為水體的現(xiàn)象。災(zāi)中和災(zāi)后都能精確識(shí)別完全被洪水淹沒(méi)的耕地區(qū)域邊界，但不能準(zhǔn)確識(shí)別洪水和農(nóng)作物混合區(qū)域。因?yàn)镾AR 數(shù)據(jù)后向散射強(qiáng)度與表面粗糙度和含水量有關(guān)，當(dāng)玉米倒伏水中，少量植株露出水面時(shí)，SAR 數(shù)據(jù)后向散射強(qiáng)度較弱，在影像上表現(xiàn)為暗區(qū)域，與水體一致，能準(zhǔn)確識(shí)別。當(dāng)玉米大量倒伏在水面時(shí)，表面較粗糙，洪水和農(nóng)作物的混合表面產(chǎn)生雙回波散射，在灰度圖像上與洪水區(qū)域相比更亮。同時(shí)，種植樹(shù)木的狹窄河道在洪水中被漏提，因?yàn)楫?dāng)發(fā)生洪水河道兩邊的樹(shù)木不能被完全淹沒(méi)，茂盛的樹(shù)木漏出水面表面較粗糙，產(chǎn)生雙回波散射，造成在SAR 影像上直觀反映出的洪水信息仍是狹窄的河道，在灰度圖像上洪水和樹(shù)木混合區(qū)比洪水區(qū)更亮，濾波后造成狹窄河道的洪水信息變?nèi)?，水體漏提現(xiàn)象突出，造成河道不連續(xù)。在城區(qū)光滑表面區(qū)域如建筑屋頂、廣場(chǎng)、道路等區(qū)域被錯(cuò)判為洪水淹沒(méi)區(qū)域。

圖4 基于Canny-Edge-Otsu的GF-3影像水體提取結(jié)果Fig.4 Water extraction from GF-3 based on Canny-Edge-Otsu

2.2.2 3 種水體指數(shù)水體提取結(jié)果 MBWI 水體指數(shù)對(duì)水體的混合像元不敏感，水體的混合像元易被識(shí)別為水體，如圖5 所示，從2021 年7 月6 日水體提取結(jié)果來(lái)看，河面比真實(shí)邊界寬，尤其衛(wèi)河?xùn)|岸種植樹(shù)木，樹(shù)木陰影下的綠色植被易被誤判為水體。MBWI水體指數(shù)受到稀疏林地中的植被和陰影混合像元的干擾嚴(yán)重，造成山地中林地區(qū)域被錯(cuò)判為水體。MBWI水體指數(shù)對(duì)洪水和農(nóng)作物混合區(qū)提取效果較好，并且能識(shí)別薄云下的洪水，但是會(huì)把云陰影區(qū)域錯(cuò)判為洪水，同時(shí)容易受到城區(qū)建筑物陰影的干擾。MNDWI 水體指數(shù)對(duì)衛(wèi)河?？h縣城以南較寬河道邊界識(shí)別準(zhǔn)確，并且河道連續(xù)，但是衛(wèi)河?？h縣城以北狹窄河道完全漏提。同時(shí)，受城區(qū)建筑物陰影、高反射率屋頂干擾嚴(yán)重，城區(qū)出現(xiàn)大量碎斑塊，誤判為水體。在2021年7月31日，MNDWI水體指數(shù)不能完全準(zhǔn)確識(shí)別洪水和農(nóng)作物混合區(qū)，云和云陰影區(qū)域易被誤判為洪水，但能識(shí)別陰影下的洪水。NDWI 水體指數(shù)對(duì)混合像元比較敏感，提取的河道邊界小于真實(shí)邊界，只能識(shí)別完全純凈的水體像元，與MNDWI 一樣，不能完全準(zhǔn)確識(shí)別洪水和農(nóng)作物混合區(qū)。

圖5 基于Canny-Edge-Otsu的3種水體指數(shù)提取結(jié)果Fig.5 Water extraction from three water indexes based on Canny-Edge-Otsu

2.3 精度對(duì)比評(píng)價(jià)

基于Sentinel-2 遙感影像真彩色波段組合，通過(guò)目視解譯判讀災(zāi)前2021年7月6日整個(gè)研究區(qū)水體和災(zāi)后2021年7月31日洪水淹沒(méi)區(qū)域，分別作為災(zāi)前細(xì)小水體和災(zāi)后洪水提取的精度驗(yàn)證真值，其面積分別為2.86 km2和375.65 km2，對(duì)比分析不同水體提取方法的精度（表1）。因2021 年7 月26 日影像受云影響，無(wú)法精準(zhǔn)解譯云下洪水邊界，不對(duì)其進(jìn)行精度驗(yàn)證。在災(zāi)前2021 年7 月6 日，多維非監(jiān)督水體自動(dòng)提取方法和基于MBWI、MNDWI、NDWI水體指數(shù)的Canny-Edge-Otsu 水體自動(dòng)提取方法水體提取面積分別為2.66、3.08、3.27、3.36 km2。與目視解譯值2.86 km2比，多維非監(jiān)督水體自動(dòng)提取方法少提0.20 km2，其相對(duì)誤差為6.99%，MBWI、MNDWI、NDWI 水體指數(shù)相對(duì)誤差分別為7.69%、14.34%、17.48%。多維非監(jiān)督水體自動(dòng)提取方法提取地表水體面積最接近目視解譯值。

表1 不同水體自動(dòng)提取方法誤差分析Tab.1 Error analysis of different water extraction automatic algorithm

在災(zāi)后2021 年7 月31 日，5 種水體提取方法中，多維非監(jiān)督方法和MBWI 水體指數(shù)提取洪水面積具有相對(duì)較高的精度，相對(duì)誤差分別為7.45%和8.97%，提取結(jié)果比較理想，洪水提取效果最佳。MNDWI 水體指數(shù)和NDWI 水體指數(shù)面積誤差都比較大，兩者對(duì)洪水完全淹沒(méi)區(qū)識(shí)別準(zhǔn)確，對(duì)作物與水體混合區(qū)域識(shí)別效果都不好，但MNDWI 水體指數(shù)優(yōu)于NDWI 水體指數(shù)，因此，MNDWI 水體指數(shù)面積誤差比NDWI 水體指數(shù)面積誤差小。GF-3 由于作物與水體混合區(qū)域產(chǎn)生雙回波散射，造成提取的洪水面積比真實(shí)值小。多維非監(jiān)督水體自動(dòng)提取方法由于受到MNDWI 和NDWI 水體指數(shù)的約束，以及貝葉斯分類(lèi)時(shí)選擇凝聚聚類(lèi)中MBWI值最大的一類(lèi)作為樣本，樣本泛化性較差，造成洪水面積提取最少，但提取精度相對(duì)較高。從GF-3 和Sentinel-2 兩種遙感數(shù)據(jù)對(duì)比來(lái)看，GF-3 由于其成像原理不能完全識(shí)別作物和洪水混合區(qū)域，受光滑表面和含水量較大物體干擾，災(zāi)后洪水提取相對(duì)誤差為15.57%，高于Sentinel-2。但GF-3 不受云雨影響，可以24 h晝夜監(jiān)測(cè)洪災(zāi)變化。

3 結(jié)論與討論

本研究以2021 年7 月下旬河南省?？h特大農(nóng)田洪澇災(zāi)害為研究對(duì)象，利用Sentinel-2 多光譜遙感影像和GF-3 雷達(dá)遙感影像提取研究區(qū)農(nóng)田洪澇災(zāi)害范圍。主要結(jié)論如下：GF-3 遙感影像不受云雨天氣影響，可以實(shí)時(shí)對(duì)洪災(zāi)連續(xù)動(dòng)態(tài)監(jiān)測(cè)，但是在農(nóng)田洪澇災(zāi)害信息提取中容易受淹沒(méi)區(qū)域水面上植被的干擾，以及在光滑表面的地物和含水量大的區(qū)域易出現(xiàn)誤判。Sentinel-2 影像最大的優(yōu)點(diǎn)是可以直觀目視解譯洪水淹沒(méi)區(qū)，但在洪災(zāi)發(fā)生過(guò)程中，易受天氣影響無(wú)法獲取影像，或者受云及云陰影干擾。與Canny-Edge-Otsu 相比，多維非監(jiān)督水體自動(dòng)提取方法能夠綜合多維特征信息，在一定程度上減少噪聲干擾，綜合提取精度較高。MBWI 水體指數(shù)對(duì)洪水和農(nóng)作物混合區(qū)提取效果較好，但是易將云陰影區(qū)域錯(cuò)判為洪水。MNDWI 水體指數(shù)不能完全準(zhǔn)確識(shí)別洪水和農(nóng)作物混合區(qū)，且易將云和云陰影區(qū)域誤判為洪水。NDWI水體指數(shù)對(duì)混合像元比較敏感，但只能識(shí)別完全純凈的水體像元，與MNDWI 一樣，不能完全準(zhǔn)確識(shí)別洪水和農(nóng)作物混合區(qū)。3 種水體指數(shù)各有優(yōu)缺點(diǎn)，但總體來(lái)說(shuō)，MBWI提取效果最佳。

常用的洪澇災(zāi)害遙感監(jiān)測(cè)方法主要是基于閾值分割、波段運(yùn)算等方法提取遙感影像中水體信息，但是這些簡(jiǎn)單的算法不能滿(mǎn)足高精度的水體識(shí)別，閾值的科學(xué)設(shè)定、異物同譜和同物異譜等問(wèn)題限制了這些方法的有效應(yīng)用。從本研究結(jié)果來(lái)看，運(yùn)用Otsu 法獲取最佳分割閾值進(jìn)行水體信息提取時(shí)，易將建筑物和云陰影地區(qū)誤判為水體，特別在對(duì)洪水和農(nóng)作物混合區(qū)水體識(shí)別能力差。多維非監(jiān)督水體自動(dòng)提取方法集成了多種水體指數(shù)和波段作為多維特征，在一定程度上提高了提取精度，但對(duì)洪水和農(nóng)作物混合區(qū)提取效果也較差。當(dāng)前，深度學(xué)習(xí)技術(shù)已經(jīng)有多種模型應(yīng)用在遙感影像解譯中。語(yǔ)義分割模型常被用來(lái)解決遙感影像目標(biāo)識(shí)別等問(wèn)題，如何利用深度學(xué)習(xí)技術(shù)對(duì)水體信息提取及淹沒(méi)區(qū)識(shí)別是該領(lǐng)域今后研究的熱點(diǎn)和難點(diǎn)。在本研究中充分證明了雷達(dá)遙感的應(yīng)用價(jià)值，它可以全天候、全天時(shí)成像，不會(huì)受光照和天氣條件的影響，可以動(dòng)態(tài)、精確地監(jiān)測(cè)洪水。然而由于雷達(dá)影像的成像原理，導(dǎo)致所獲取的影像中存在大量的斑點(diǎn)噪聲，影響遙感解譯結(jié)果。未來(lái)的研究工作中，可以將雷達(dá)影像和光學(xué)衛(wèi)星影像融合，進(jìn)一步提高水體識(shí)別的準(zhǔn)確度和效率。