卡霍夫卡潰壩造成的下游災(zāi)情評(píng)估

劉 波，李英冰*，楊新紅

（1.武漢大學(xué) 測(cè)繪學(xué)院，湖北 武漢 430079；2.中國(guó)地震應(yīng)急搜救中心，北京 100049）

由于水庫蓄水具有巨大的勢(shì)能，潰壩洪水通常會(huì)對(duì)下游的人員和建筑物造成巨大破壞[1]。許多高風(fēng)險(xiǎn)大壩缺乏緊急行動(dòng)計(jì)劃，無法在大壩發(fā)生故障時(shí)，判斷哪些下游地區(qū)將被淹沒[2]。因此，定量評(píng)估潰壩洪水災(zāi)害是大壩應(yīng)急行動(dòng)規(guī)劃的核心，對(duì)救災(zāi)減災(zāi)具有決定性作用[3]。通過數(shù)值模擬[4-10]或物理模型[11-15]追蹤潰壩演進(jìn)過程，可計(jì)算洪水淹沒范圍，如借助二維潰壩數(shù)值模型[10]、元胞自動(dòng)機(jī)[15]等方法可精確計(jì)算潰壩任意時(shí)刻的淹沒情況。在此基礎(chǔ)上，部分學(xué)者結(jié)合歷史潰壩數(shù)據(jù)[16]、高分辨率地形數(shù)據(jù)[17]等進(jìn)一步提高模型準(zhǔn)確度；進(jìn)而構(gòu)建災(zāi)情風(fēng)險(xiǎn)評(píng)估體系，如利用模糊綜合評(píng)價(jià)方法[18]、概率圖[19]等對(duì)不同指標(biāo)、不同地點(diǎn)的淹沒情況進(jìn)行量化，以評(píng)估洪水風(fēng)險(xiǎn)和綜合災(zāi)情。利用全天候、大范圍遙感衛(wèi)星獲取地表實(shí)時(shí)水體信息，可快速計(jì)算洪水淹沒范圍[20-21]。已有研究證明了遙感得出的水位在建模序列中的作用[22]，可為洪澇災(zāi)害管理提供實(shí)際幫助[23]，滿足災(zāi)害應(yīng)急過程中對(duì)不同時(shí)空尺度信息的需求[24]，而具備較強(qiáng)穿云透霧能力的SAR衛(wèi)星在洪水監(jiān)測(cè)中往往更加適用[25]。

卡霍夫卡大壩因戰(zhàn)爭(zhēng)損毀，屬于突發(fā)隨機(jī)事件，缺乏必要的建模參數(shù)，常規(guī)數(shù)學(xué)物理方法應(yīng)用難度較大。為快速評(píng)估下游損失，本文以Sentinel-1 衛(wèi)星影像為數(shù)據(jù)源，利用最大類間方差法（OTSU）提取潰壩前后地表水域，差分求解洪水范圍；并聯(lián)合土地利用數(shù)據(jù)、交通矢量數(shù)據(jù)定量描述災(zāi)情影響。

1 基于遙感影像的潰壩災(zāi)情評(píng)估方法

1.1 技術(shù)路線

本文直接利用谷歌地球引擎（GEE）平臺(tái)內(nèi)置函數(shù)從數(shù)據(jù)庫中篩選出拍攝時(shí)間、覆蓋范圍、含云量均滿足要求的影像進(jìn)行拼接鑲嵌，大大提高了影像處理效率[26]。技術(shù)路線見圖1。

圖1 技術(shù)路線

1.2 洪水淹沒范圍提取方法

根據(jù)地物的光譜特性曲線，對(duì)遙感影像不同波段進(jìn)行組合，達(dá)到增強(qiáng)水域與其他地物區(qū)分度的目的。Sentinel-1 雙極化水體指數(shù)（SDWI）結(jié)合了微波遙感中水域信息在影像中的特點(diǎn)，進(jìn)一步反映了Senti?nel-1 雙極化數(shù)據(jù)之間水體信息提取的關(guān)系，以達(dá)到增強(qiáng)水體特征的目的，同時(shí)消除土壤和植被[27]。其表達(dá)式為：

式中，VV、VH為Sentinel-1影像中的同名波段。

經(jīng)SDWI 增強(qiáng)后的影像，水體與背景之間的差異最大化，再利用OTSU算法進(jìn)行分割。OTSU算法是日本學(xué)者大津于1979年提出的一種圖像二值化閾值分割算法[28]，首先統(tǒng)計(jì)分析影像的灰度分布，并根據(jù)其差異分為兩個(gè)聚類；再利用方差量化描述兩個(gè)聚類之間的差異，二者的類間方差越大，則認(rèn)為構(gòu)成圖像的這兩部分差別越大，通常一部分是需提取的圖像信息，另一部分是無效信息。OTSU算法的基本思路為：

1）假設(shè)圖像的總灰度級(jí)為L(zhǎng)-1，給定初始閾值T0，可將圖像分為待提取目標(biāo)（前景）和背景信息（背景）兩部分。

2）若圖像的像素總數(shù)為N，前景、背景分別為Nf和Nb，每個(gè)灰度級(jí)為Ni，則有（假設(shè)待提取目標(biāo)灰度值高于背景）：

3）分別求解背景、前景和圖像整體的灰度平均值，即

4）求解前景與背景之間的類間方差，即

5）通過設(shè)置不同的閾值T0迭代，使得σ2最大，此時(shí)得到最佳閾值。

理論上，通過OTSU 算法可以最小的錯(cuò)分概率獲取圖像的有效信息，因此該方法通常與各類地物遙感指數(shù)結(jié)合使用，完成不同地物的精確語義分割。利用災(zāi)后水域減去災(zāi)前水域，即可得到新增的水域，也即洪水淹沒區(qū)域。

1.3 洪水災(zāi)情評(píng)估方法

洪水災(zāi)情評(píng)估是對(duì)各種受影響實(shí)體的淹沒情況進(jìn)行全面統(tǒng)計(jì)與分析，以便挖掘出被淹沒實(shí)體的分布規(guī)律。本文評(píng)估工作主要分為典型地物受災(zāi)評(píng)估和交通受災(zāi)評(píng)估兩個(gè)方面，具體流程為：①數(shù)據(jù)格式與空間基準(zhǔn)的統(tǒng)一化處理，在典型地物受災(zāi)評(píng)估中，洪水淹沒數(shù)據(jù)和地物分類數(shù)據(jù)均采用柵格形式，統(tǒng)一重新采樣至30 m 分辨率，且統(tǒng)一采用WGS84 坐標(biāo)基準(zhǔn)，而交通受災(zāi)評(píng)估需利用矢量形式的交通數(shù)據(jù)，因此將洪水淹沒的柵格數(shù)據(jù)轉(zhuǎn)換為矢量形式，并統(tǒng)一至WGS84橢球下的坐標(biāo)系統(tǒng)；②空間疊加處理，通過算數(shù)求和計(jì)算典型地物柵格被淹沒情況，并利用空間相交的方法為交通矢量數(shù)據(jù)賦予布爾類型的淹沒屬性值；③災(zāi)情統(tǒng)計(jì)評(píng)估，詳細(xì)統(tǒng)計(jì)各類地物的總面積、淹沒面積和淹沒比例等指標(biāo)，以量化描述受災(zāi)程度，并統(tǒng)計(jì)分析被淹沒的交通樞紐、交通站點(diǎn)、道路和鐵路等要素?cái)?shù)量，以量化洪水對(duì)交通系統(tǒng)的影響程度。

2 卡霍夫卡潰壩淹沒范圍計(jì)算

2.1 研究區(qū)概況與數(shù)據(jù)來源

本文選取的研究區(qū)為卡霍夫卡水電站及其下游區(qū)域，涵蓋會(huì)受到潰壩洪水影響的第聶伯河下游流域，地理范圍為46.40875°～46.84634°E、32.22158°～33.41634°N，區(qū)域內(nèi)最低高程為-30 m，最高高程為67 m，總面積約為4 500 km2。第聶伯河是歐洲東部的第二大河，歐洲第四大河，源于俄羅斯瓦爾代丘陵南麓；向南流經(jīng)白俄羅斯、烏克蘭，注入黑海；主要支流包括杰斯納河、索日河、普里皮亞季河等；上游有運(yùn)河與涅曼河、西布格河以及西德維納河相通；全長(zhǎng)2 285 km，流域面積為50.3萬km2，總落差為253 m，河口處全年平均流量為1 670 m3/s。

本文采用的土地利用/覆蓋數(shù)據(jù)來源于世界資源研究所提供的Dynamic World 數(shù)據(jù)集（https://www.wri.org/），這是一款10 m分辨率的近實(shí)時(shí)產(chǎn)品，包括9個(gè)類別概率和標(biāo)簽信息，并處于實(shí)時(shí)更新中。本文將分辨率為10 m×10 m 的地表覆蓋圖像重采樣至30 m×30 m，與其余柵格數(shù)據(jù)保持一致。由Dynamic World柵格可知，研究區(qū)內(nèi)存在樹木、草地、農(nóng)田、建筑、裸地、水體、濕地7 種地物類型。統(tǒng)計(jì)分析區(qū)域內(nèi)所有地物分布發(fā)現(xiàn)（圖2），區(qū)域內(nèi)面積最大的地類為農(nóng)田，廣泛分布于東南區(qū)域和第聶伯河以北，總面積占比達(dá)到了44%；其次為草地（占比24%），主要聚集于第聶伯河南側(cè)與樹木交錯(cuò)分布，同時(shí)零散分布于農(nóng)田間隙；建筑面積占比僅約為4%，大致沿河道兩側(cè)帶狀或塊狀分布。

圖2 不同地物分布

本文利用GEE 獲取和處理來源于歐空局（https://scihub.copernicus.eu/）的Sentinel-1 微波遙感影像[26]。通過志愿地理信息平臺(tái)OpenStreetMap（https://www.openstreetmap.org）獲取交通矢量數(shù)據(jù)。該平臺(tái)是一種眾包的世界地圖，涵蓋了全球的建筑、交通等矢量數(shù)據(jù)，全部開放下載。NASA 的DEM 產(chǎn)品（https://cmr.earthdata.nasa.gov/）是借助其他輔助數(shù)據(jù)優(yōu)化90 m 分辨率STRM產(chǎn)品，最終生成的30 m分辨率產(chǎn)品。

2.2 基于遙感影像的水域提取

Sentinel-1 遙感衛(wèi)星能實(shí)現(xiàn)高時(shí)效、大范圍的地表監(jiān)測(cè)，在洪水淹沒區(qū)域提取上具有較大優(yōu)勢(shì)。本文借助GEE 平臺(tái)，利用SDWI 與OTSU 分別對(duì)研究區(qū)受災(zāi)前后進(jìn)行了水域提取，并將水域變化部分作為洪水淹沒范圍。

以2023年6月1日—6月5日為災(zāi)前時(shí)間段、2023年6月6日—6月12日為災(zāi)后時(shí)間段，獲取研究區(qū)遙感影像（圖3），東北角綠色位置為卡霍夫卡水電站大壩，由圖3b可知第聶伯河沿岸水域面積明顯增加，支流河道也顯著拓寬，均達(dá)到數(shù)倍水平；圖3d除了能得到與圖3b相同的結(jié)論外，還能直觀感受到卡霍夫卡水庫的水域面積因大量排水而減小，可視范圍內(nèi)面積減少了30%，表明水庫中水位的下降；圖3e、3f 為二值影像，其中取值為1 的部分（白色）為提取的水體，利用OTSU 能精確提取水體，但將圖3e 與圖2 進(jìn)行空間疊加發(fā)現(xiàn)，超過40%的植被、農(nóng)田等由于含水量較大也被判定為水體，對(duì)地物分類造成一定影響。

圖3 水域提取過程影像

2.3 洪水淹沒范圍計(jì)算

洪水可被定義為河流、湖泊、海洋等水域含水量大幅增加，超過一定水位對(duì)附近地區(qū)產(chǎn)生威脅，甚至造成災(zāi)害的一種水文現(xiàn)象。因此，本文將任意地區(qū)的地表水體劃分為永久水體、季節(jié)性水體和洪水，永久水體是指在較長(zhǎng)時(shí)間內(nèi)穩(wěn)定存在，流量和流域范圍較固定的水體，通常可將旱季最低水位的河流湖泊視為永久水體；季節(jié)性水體是指在不同季節(jié)表現(xiàn)出明顯變化，存在系統(tǒng)性規(guī)律的水體，主要受氣溫、降水等因素影響；洪水則是在上述類型之外，隨機(jī)性與偶發(fā)性較強(qiáng)的水體，主要表現(xiàn)為短暫覆蓋原區(qū)域其他地物而后退去，3類水體之間存在一定的相互影響與轉(zhuǎn)換關(guān)系。

利用災(zāi)后水域減去災(zāi)前水域，即可得到新增水域。根據(jù)前文定義，新增水域中永久水體被消除，且由于災(zāi)前災(zāi)后兩組數(shù)據(jù)的時(shí)間跨度在兩周以內(nèi)，不考慮季節(jié)性水體的影響。圖3 中存在的大量零散的誤分為水域的像元，經(jīng)算術(shù)相減后被消除，不會(huì)影響洪水區(qū)域的提取。由于系統(tǒng)誤差干擾，存在部分零散的洪水像素點(diǎn)，本文根據(jù)連通性原理進(jìn)行平滑處理，消除少于8個(gè)像素的洪水區(qū)域。最終的淹沒分布范圍見圖4。利用DEM數(shù)據(jù)進(jìn)行水文分析，經(jīng)填洼、坡向計(jì)算、流量統(tǒng)計(jì)等步驟后得到研究區(qū)內(nèi)的河網(wǎng)分布。圖4 提取的淹沒范圍與河網(wǎng)分布高度一致，表明提取的淹沒范圍是合理的。洪水主要分布于第聶伯河河岸附近，整個(gè)下游入?？诰谎蜎]，因古列茨河沿岸淹沒情況也較嚴(yán)重。除河流附近的集中淹沒區(qū)域外，還有眾多零散淹沒區(qū)域，這些零散淹沒區(qū)域均沿著計(jì)算的河網(wǎng)走勢(shì)隨機(jī)分布。

圖4 洪水淹沒范圍

3 洪水災(zāi)情分析

3.1 典型地物受災(zāi)情況

不同地物淹沒情況見圖5、6，可以看出，濕地被大量集中淹沒，主要分布于第聶伯河及其支流沿岸；農(nóng)田呈現(xiàn)零散淹沒格局，廣泛分布于整個(gè)區(qū)域；整個(gè)研究區(qū)約有11.48%的區(qū)域被淹沒，面積約為489.24 km2，從面積絕對(duì)值來看，濕地與農(nóng)田的受災(zāi)情況最嚴(yán)重，受災(zāi)面積分別達(dá)到243.55 km2和170.72 km2，但從面積占比來看，69.57%的濕地被淹沒，8.60%的農(nóng)田被淹沒，其余地物被淹沒占比均不足5%。結(jié)合圖2可知，濕地主要分布于第聶伯河的河岸附近，河道水位上升時(shí)大部分都會(huì)被淹沒，因此受災(zāi)情況最嚴(yán)重；農(nóng)田是研究區(qū)內(nèi)分布最廣的地類，面積占比接近50%，因此受災(zāi)情況也較嚴(yán)重；相比之下，建筑僅有2.56%被淹沒，面積約為5.14 km2。

圖5 不同地物被淹沒情況

圖6 不同地物淹沒情況統(tǒng)計(jì)

3.2 交通受災(zāi)情況

由OpenStreetMap 獲取研究區(qū)的交通樞紐（信號(hào)燈、十字路口等）、交通站點(diǎn)（公交站、鐵路站等）、道路（公路、高速公路、城市道路等）和鐵路數(shù)據(jù)（圖7），共計(jì)1 511 個(gè)交通樞紐、506 個(gè)交通站點(diǎn)、19 076 段道路曲線、514 段鐵路曲線。交通樞紐、交通站點(diǎn)主要分布在第聶伯河沿岸的居民區(qū)附近，呈現(xiàn)出明顯的聚集現(xiàn)象；道路網(wǎng)在居民區(qū)密度最大，在農(nóng)田區(qū)域呈規(guī)則形狀排列；鐵路由研究區(qū)西北穿過第聶伯河延伸至研究區(qū)東南。

圖7 交通受災(zāi)情況分布

對(duì)交通數(shù)據(jù)和洪水區(qū)數(shù)據(jù)進(jìn)行疊加分析，統(tǒng)計(jì)交通淹沒情況發(fā)現(xiàn)，交通整體受災(zāi)情況較輕，交通樞紐與交通站點(diǎn)分別僅有1.13%和7.91%被淹沒，由于交通站點(diǎn)中包含了較多位于河道沿岸的渡船碼頭，因此被淹沒比例明顯高于交通樞紐；由于道路網(wǎng)在農(nóng)田區(qū)域大量分布，因此在農(nóng)田被淹沒面積較大的同時(shí)道路網(wǎng)被淹沒比例也有一定升高，達(dá)到了16.63%；鐵路橫跨距離遠(yuǎn)，穿過了多片被淹沒區(qū)域，但淹沒比例較?。?.23%）。

4 結(jié) 語

卡霍夫卡水電站大壩在戰(zhàn)爭(zhēng)中被毀，對(duì)下游區(qū)域造成了重大影響，本文基于Sentinel-1 衛(wèi)星影像對(duì)大壩下游災(zāi)情進(jìn)行統(tǒng)計(jì)分析。

1）基于Sentinel-1衛(wèi)星影像，利用SDWI和OTSU算法提取了卡霍夫卡潰壩造成的淹沒范圍。

2）卡霍夫卡潰壩造成下游489.24 km2被淹，其中濕地、農(nóng)田、建筑被淹沒面積分別為243.55 km2、170 km2和5.14 km2。交通樞紐、交通站點(diǎn)主要分布在建筑群附近，道路淹沒比例超過16%，鐵路從西北向東南橫跨整個(gè)研究區(qū)，存在6.23%的受災(zāi)路段。

從研究過程來看，借助Sentinel-1 衛(wèi)星影像提取洪水淹沒范圍的方法具有快速、高效、大范圍的優(yōu)點(diǎn)。衛(wèi)星遙感可長(zhǎng)期連續(xù)觀測(cè)特定區(qū)域，汛期利用衛(wèi)星遙感技術(shù)及時(shí)有效監(jiān)測(cè)江河、湖泊、水庫空間分布及其面積動(dòng)態(tài)變化對(duì)防洪減災(zāi)具有重要意義。Senti?nel-1 衛(wèi)星在惡劣天氣也能穿過云霧獲取地表信息，因此其在洪水監(jiān)測(cè)等方面具有廣泛的應(yīng)用前景。利用SDWI 和OTSU 算法提取水域時(shí)存在一定的錯(cuò)分現(xiàn)象，但經(jīng)算術(shù)運(yùn)算后對(duì)洪水淹沒范圍判定的影響較小。在此基礎(chǔ)上，結(jié)合土地利用/覆蓋數(shù)據(jù)以及交通矢量數(shù)據(jù)，即可統(tǒng)計(jì)農(nóng)田、建筑、道路等承災(zāi)體的受災(zāi)情況，對(duì)災(zāi)情進(jìn)行快速評(píng)估。然而，由于遙感衛(wèi)星重訪周期限制，本文無法獲取卡霍夫卡水電站大壩被毀當(dāng)日的遙感影像，因此在災(zāi)情評(píng)估時(shí)放棄了短時(shí)間內(nèi)、暫時(shí)性的受災(zāi)情況，主要針對(duì)一周以內(nèi)的中長(zhǎng)期災(zāi)情。后續(xù)研究在地形、河道、管網(wǎng)等數(shù)據(jù)的支撐下，可以嘗試將遙感影像與水文動(dòng)力學(xué)模型相結(jié)合，對(duì)潰壩進(jìn)行物理建模，并以遙感影像進(jìn)行修正，實(shí)現(xiàn)任意時(shí)間節(jié)點(diǎn)的災(zāi)情評(píng)估。