基于Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍提取模型

摘要：遙感是監(jiān)測(cè)洪水淹沒(méi)范圍、掌握洪澇災(zāi)情演變的重要手段，而光學(xué)影像在洪水發(fā)生時(shí)往往有較多缺失，全天候的SAR影像在提取水體時(shí)精度略低。為快速、精準(zhǔn)提取洪水淹沒(méi)范圍，構(gòu)建了一種綜合利用Sentinel-2光學(xué)影像和Sentinel-1雷達(dá)影像數(shù)據(jù)的洪水淹沒(méi)范圍提取模型，采用一種自適應(yīng)閾值分割算法即大津算法（OTSU）分別對(duì)兩種數(shù)據(jù)以及該模型進(jìn)行了水體范圍提取試驗(yàn)，并以河北省保定市為例進(jìn)行了應(yīng)用分析。結(jié)果顯示：云量較少的Sentinel-2影像水體提取效果最好，總體精度（OA）達(dá)到95.6%；所構(gòu)建的模型在引入部分可用Sentinel-2數(shù)據(jù)后，OA達(dá)到95%，相比單獨(dú)使用Sentinel-1數(shù)據(jù)OA和Kappa系數(shù)分別提升1.2%和2.4%。該模型搭載于Google Earth Engine平臺(tái)，能實(shí)現(xiàn)快速、準(zhǔn)確、低成本的地表水體空間范圍連續(xù)輸出，不受限于云霧且比單獨(dú)使用Sentinel-1影像的提取精度更高，在云覆蓋嚴(yán)重導(dǎo)致Sentinel-2數(shù)據(jù)缺少的情況下，該模型可作為洪水淹沒(méi)范圍提取方法的一種選擇。

關(guān) 鍵 詞：洪水淹沒(méi)范圍； Sentinel-1； Sentinel-2； 自適應(yīng)閾值分割算法； Google Earth Engine； 保定市

中圖法分類(lèi)號(hào)： P954

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.010

0 引 言

由于地理位置和東亞季風(fēng)的原因，中國(guó)一直飽受洪澇災(zāi)害的侵?jǐn)_。據(jù)《中國(guó)水旱災(zāi)害防御公報(bào)2022》概要中統(tǒng)計(jì)［1］，2022年因洪澇災(zāi)害造成171人死亡失蹤，直接經(jīng)濟(jì)損失達(dá)1 288.99億元（占當(dāng)年自然災(zāi)害總直接經(jīng)濟(jì)損失的54.01%）。及時(shí)、大范圍地掌握洪澇災(zāi)情的演變情況，對(duì)災(zāi)情評(píng)估、災(zāi)后重建有重要的指導(dǎo)意義。

基于水的光譜特性，方便、快速的水體指數(shù)模型法可以在不同復(fù)雜情景的光學(xué)影像中取得較高的水體識(shí)別精度［2-4］，可運(yùn)用于水體的動(dòng)態(tài)監(jiān)測(cè)［5］。但受限于云霧，洪災(zāi)發(fā)生時(shí)段實(shí)際可用的光學(xué)影像較少，因此在監(jiān)測(cè)洪水面積時(shí)很難將光學(xué)影像作為唯一數(shù)據(jù)來(lái)源。SAR影像具有大范圍、全天候、短周期、長(zhǎng)時(shí)序的優(yōu)點(diǎn)，不僅被廣泛應(yīng)用于城市礦山地面沉降［6］，在洪水動(dòng)態(tài)連續(xù)監(jiān)測(cè)方面也具備獨(dú)特的優(yōu)勢(shì)。基于上述背景，國(guó)內(nèi)外學(xué)者對(duì)洪水提取模型進(jìn)行了廣泛研究。例如賈詩(shī)超等［7］分析微波遙感水體信息的影像特點(diǎn)后，提出SDWI指數(shù)模型增強(qiáng)水體特征，提取效果顯著；Amitrano等［8］提出了一種基于Sentinel-1數(shù)據(jù)的無(wú)監(jiān)督洪水提取模型，能夠快速提取洪水發(fā)生范圍；Binh等［9］結(jié)合SAR數(shù)據(jù)（Sentinel-1）和光學(xué)數(shù)據(jù)（Landsat-8）的訓(xùn)練數(shù)據(jù)開(kāi)發(fā)了一種神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，并運(yùn)用于湄公河三角洲，證明該模型有較強(qiáng)魯棒性和較高準(zhǔn)確率。然而上述模型也有一定缺陷：Amitrano等所建模型雖然可以快速提取洪水發(fā)生范圍，但數(shù)據(jù)源單一，精度較低；Binh等所建模型雖取得了較高的精度，但訓(xùn)練模型需要花費(fèi)較長(zhǎng)時(shí)間和較大人力，很難運(yùn)用于強(qiáng)調(diào)時(shí)效性的抗洪救災(zāi)場(chǎng)景中。與此同時(shí)，數(shù)據(jù)的獲取和必要的預(yù)處理也要盡可能方便，以提高計(jì)算效率，而Google Earth Engine（GEE）平臺(tái)正好滿(mǎn)足這一需求。GEE是向全球用戶(hù)開(kāi)放，可在線(xiàn)處理全球尺度衛(wèi)星遙感數(shù)據(jù)并進(jìn)行計(jì)算和可視化分析的平臺(tái)，通過(guò)編碼即可遠(yuǎn)程調(diào)用Landsat系列、Sentinel系列等免費(fèi)數(shù)據(jù)進(jìn)行處理而不占用計(jì)算機(jī)資源，極大提高了用戶(hù)的效率，在水體監(jiān)測(cè)方面得到了廣泛應(yīng)用［10-12］。

綜上所述，本研究考慮綜合利用光學(xué)（Sentinel-2）和SAR（Sentinel-1）兩類(lèi)數(shù)據(jù)，理由如下：一方面，覆蓋范圍廣、全天候的Sentinel-1數(shù)據(jù)可以補(bǔ)足Sentinel-2數(shù)據(jù)的缺失；另一方面，部分存有的Sentinel-2數(shù)據(jù)可以提升模型的精度。在方法上選擇不依賴(lài)前期訓(xùn)練、能夠快速得到水體范圍的自適應(yīng)閾值分割法，搭載于GEE平臺(tái)來(lái)滿(mǎn)足洪水監(jiān)測(cè)的時(shí)效性要求。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證單獨(dú)使用Sentinel-1/2數(shù)據(jù)以及兩者綜合利用構(gòu)建的本文模型在不同場(chǎng)景的適用性和準(zhǔn)確度并進(jìn)行對(duì)比分析。研究成果以期實(shí)現(xiàn)洪水范圍的長(zhǎng)時(shí)序、全自動(dòng)、高精度提取。

1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

研究區(qū)位于河北省保定市東部，包含6個(gè)縣級(jí)行政區(qū)，地理位置約在115°30′E～116°15′E，38°42′N(xiāo)～39°36′N(xiāo)之間。區(qū)域內(nèi)地表永久性水體主要為位于涿州市的北拒馬河與位于安新縣的白洋淀，除了建成區(qū)以外，境內(nèi)大部分土地類(lèi)型為耕地，通過(guò)實(shí)地走訪調(diào)查得知，種植的主要作物為玉米、小麥。2023年受到臺(tái)風(fēng)“杜蘇芮”等多重因素影響，河北省多地發(fā)生特大暴雨從而造成洪水，研究區(qū)作為受洪災(zāi)影響最嚴(yán)重的區(qū)域，引起了社會(huì)廣泛關(guān)注。

1.2 數(shù)據(jù)預(yù)處理

本研究SAR影像數(shù)據(jù)采用Sentinel-1A數(shù)據(jù)，數(shù)據(jù)分辨率為10 m，按工作模式為干涉寬幅模式（IW），數(shù)據(jù)類(lèi)型為地距多視（GRD），極化方式為VV和VH雙極化，成像軌道為升軌的條件篩選影像。隨后按研究區(qū)范圍對(duì)影像進(jìn)行裁剪并用Refined Lee濾波［13］消除一定的SAR影像相干斑噪聲。光學(xué)影像數(shù)據(jù)使用Sentinel-2數(shù)據(jù)，由多光譜成像儀（MSI）成像，包含可見(jiàn)光、近紅外、短波紅外等13個(gè)波段，分辨率包含10，20，60 m三種，本文選用10 m分辨率以獲得更高的提取精度。光學(xué)影像去云處理采用GEE平臺(tái)自帶的云量分?jǐn)?shù)S2_CLOUD_PROBABILITY數(shù)據(jù)集，該數(shù)據(jù)集通過(guò)s2cloudless算法計(jì)算每一景Sentinel-2影像像元的云量分?jǐn)?shù)，像元云量分?jǐn)?shù)越大，含云的概率越大。本研究所有Sentinel-2影像數(shù)據(jù)均按照云量分?jǐn)?shù)小于50的準(zhǔn)則進(jìn)行去云處理。經(jīng)過(guò)預(yù)處理，得到覆蓋整個(gè)研究區(qū)的多幅Sentinel-1/2影像，每幅影像的數(shù)據(jù)類(lèi)型及其對(duì)應(yīng)的時(shí)間信息如表1所列。最后，SAR側(cè)視成像還存在山體陰影和水體相互混淆的問(wèn)題，因此利用美國(guó)航天飛機(jī)雷達(dá)地形測(cè)繪計(jì)劃SRTM（Shuttle Radar Topography Mission）DEM數(shù)據(jù)計(jì)算坡度柵格［14］，設(shè)置坡度閾值對(duì)Sentinel-1數(shù)據(jù)水體范圍進(jìn)行掩膜以去除山體陰影的影響。

2 原理與方法

閾值法分割圖像的關(guān)鍵在于閾值的準(zhǔn)確度。在地表水體提取的情景中，當(dāng)時(shí)間跨度較大時(shí)，同一地理位置的大氣條件、地面作物的生長(zhǎng)階段等不同會(huì)引起最佳分割閾值的變化，此時(shí)利用固定的閾值分割會(huì)導(dǎo)致較為嚴(yán)重的誤分。大津算法（OTSU）作為閾值算法的一種，具備計(jì)算快速、準(zhǔn)確率較高的優(yōu)點(diǎn)，相比于直方圖雙峰法受限于明顯的雙峰特性，其在閾值的選取上脫離人工分析，能夠滿(mǎn)足大批量遙感影像洪水淹沒(méi)范圍自動(dòng)提取的需求。

2.1 自適應(yīng)閾值分割原理

大津算法，又被稱(chēng)為最大類(lèi)間方差法［15］，通過(guò)遍歷圖像的灰度值，尋找使得圖像的前景和背景的類(lèi)間方差最大的閾值，從而實(shí)現(xiàn)二值化閾值分割。其具體計(jì)算方式如下：

設(shè)圖像的灰度空間為［0，T］，某個(gè)灰度級(jí)ti的像素個(gè)數(shù)為f（ti），N為圖像像素的個(gè)數(shù)，則該灰度級(jí)出現(xiàn)的概率Pi為

Pi=ftiN（1）

設(shè)灰度級(jí)t為當(dāng)前閾值，圖像被分為A、B兩類(lèi)，兩類(lèi)像素的概率PA、PB及均值灰度MA、MB分別為

PA=ti=0Pi（2）

PB=Ti=tPi=1-PA（3）

MA=ti=0i（Pi/PA）（4）

MB=Ti=ti（Pi/PB）（5）

整幅影像的均值灰度M為

M=Ti=0tiPi=MAPA+MBPB（6）

兩類(lèi)的類(lèi)間方差δ2為

δ2=PAMA-M2+PBMB-M2

=PAPBMA-MB2（7）

遍歷圖像的灰度空間使得δ2最大的灰度值即為需要求得的最佳閾值。

2.2 Sentinel-1數(shù)據(jù)的水體提取方法

SAR衛(wèi)星傳感器發(fā)射的微波對(duì)于地表目標(biāo)的散射特性為：在粗糙表面（建筑、裸土等）的反射為漫反射，回波信號(hào)強(qiáng)，后向散射系數(shù)大，在影像中呈現(xiàn)亮白色；在光滑表面（水體等）的反射為鏡面反射，回波信號(hào)弱，后向散射系數(shù)較小，在影像中呈現(xiàn)為暗黑色。因此可以選擇合適的閾值來(lái)提取SAR影像中的水體。

Sentinel-1A影像由VV和VH兩種極化方式成像，在雙重反彈效應(yīng)（電磁波在水面散射到部分被淹沒(méi)的樹(shù)干等處，然后直接反射回SAR傳感器）下，VV極化相比VH極化對(duì)表面粗糙度更為敏感，并顯示出更強(qiáng)烈的信號(hào)響應(yīng)，有利于提取洪水中的半淹沒(méi)區(qū)域，具有更好的洪水監(jiān)測(cè)適用性［16］。因此，本研究采用OTSU算法自動(dòng)提取VV極化SAR圖像的分割閾值完成水體提取，即VV-OTSU的Sentinel-1A影像水體自動(dòng)提取方法。

2.3 Sentinel-2數(shù)據(jù)的水體提取方法

光學(xué)影像的水體指數(shù)法是水體提取的一種常用方法。其原理是基于水體對(duì)綠光波段的高反射率以及近紅外光波段的高吸收率特性，通過(guò)比值運(yùn)算構(gòu)建水體指數(shù)來(lái)增強(qiáng)水體在影像中的特征，而后使用簡(jiǎn)單的分割算法完成水體范圍的提取。

水體指數(shù)中NDWI最為常見(jiàn)和流行［17］，其計(jì)算公式如下：

NDWI=（ρ3-ρ8）/（ρ3+ρ8）（8）

式中：ρ3、ρ8分別為Sentinel-2數(shù)據(jù)中綠光波段B3和近紅外波段B8的反射率值。

Xu［18］通過(guò)研究改進(jìn)NDWI指數(shù)提出了MNDWI，可以在水、建筑物以及植被混合的區(qū)域取得更高的水體提取精度。由于短波紅外波段中水的吸收比近紅外波段強(qiáng)，因此使用短波紅外波段代替近紅外波段。MNDWI的計(jì)算公式如下：

MNDWI=（ρ3-ρ11）/（ρ3+ρ11）（9）

式中：ρ3、ρ11分別為Sentinel-2數(shù)據(jù)中綠光波段B3和短波紅外波段B11的反射率值。

需要注意的是，Sentinel-2數(shù)據(jù)中B3、B8波段的分辨率為10 m，而B(niǎo)11波段的分辨率為20 m，在計(jì)算MNDWI之前先將B11波段使用最鄰近重采樣至10 m。為了比較NDWI和MNDWI在研究區(qū)內(nèi)的適用性，在同一時(shí)期的兩個(gè)不同地點(diǎn)的Sentinel-2 NDWI/MNDWI圖像上分別使用OTSU閾值對(duì)水體提取范圍進(jìn)行比較。圖1顯示了兩者在典型區(qū)域的視覺(jué)結(jié)果，可以看出NDWI在建筑和水體混合的拒馬河區(qū)域識(shí)別出了多余的噪聲斑點(diǎn)，并且將白洋淀外圍的沙丘誤提為水體，整體表達(dá)效果不如MNDWI精細(xì)、簡(jiǎn)潔。其余部位也反映出類(lèi)似的情況，因此選擇MNDWI-OTSU作為Sentinel-2數(shù)據(jù)水體提取方法。

3 基于Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍快速提取模型構(gòu)建

為了得到準(zhǔn)確的水體提取范圍，本文首先開(kāi)展了不同方法提取效果對(duì)比研究。根據(jù)對(duì)比結(jié)果，構(gòu)建了綜合利用Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍快速提取模型，并對(duì)模型精度進(jìn)行了評(píng)價(jià)。

3.1 MNDWI-OTSU與VV-OTSU水體提取效果對(duì)比

同時(shí)期的地面水體真實(shí)范圍難以實(shí)際測(cè)量［18］，本研究采用目視解譯方式對(duì)研究區(qū)的水體進(jìn)行解譯，作為精度驗(yàn)證的基準(zhǔn)。Sentinel-2 FRB（Full Resolution Browse）數(shù)據(jù)是由短波紅外、近紅外、紅波段進(jìn)行合成，并經(jīng)過(guò)壓縮和拉伸（gamma = 2.0）生成的優(yōu)化高分辨率圖像。該圖像在不剪切極值的情況下能夠突出植被和水體的差異［19］，目視解譯效果較好，適用于研究區(qū)耕地、濕地、水體混合的復(fù)雜情景，如圖2所示為研究區(qū)2023年7月16日的Sentinel-2 FRB影像。因此本研究選擇Sentinel-2 FRB圖像進(jìn)行目視解譯并與水體提取結(jié)果進(jìn)行直觀對(duì)比，從而評(píng)價(jià)本文方法的水體提取精度。Sentinel-2 FRB的時(shí)間信息與本研究使用的Sentinel-2影像一一對(duì)應(yīng)，并且同樣經(jīng)過(guò)去云處理，具體見(jiàn)表1。

由于研究區(qū)內(nèi)永久性水體占比較小，為了減少多余計(jì)算量，提高計(jì)算效率，在研究區(qū)內(nèi)圈定7個(gè)水體占比在5%～30%的樣地（A，B，C，D，E，F(xiàn)，G）來(lái)代替整個(gè)研究區(qū)進(jìn)行精度對(duì)比研究。

選擇2023年7月12日的Sentinel-1影像和云量情況較好的7月16日Sentinel-2影像分別使用VV-OTSU和MNDWI-OTSU方法進(jìn)行水體范圍提取（7月12日至7月16日研究區(qū)內(nèi)無(wú)降雨發(fā)生），并與相同時(shí)段的FRB圖像進(jìn)行一一比對(duì)，由于篇幅原因，僅展示具有代表性的樣地A的比對(duì)效果，如圖3所示，紅圈揭示出兩種方法提取水體的差異?？傮w來(lái)講，兩種方法都取得了較好的效果，但是VV-OTSU方法相對(duì)于MNDWI-OTSU方法在細(xì)小水體較多的場(chǎng)景下仍有不足，主要表現(xiàn)在：

①部分零碎水體漏提、誤提;② 由于SAR圖像濾波處理，弱化了部分水體邊緣，將水體之間的一些空隙連接了起來(lái)，因此在此場(chǎng)景下使用VV極化提取的水體面積比光學(xué)提取的面積更大。

隨后，為了排除時(shí)間上的偶然性，選擇時(shí)間相近且時(shí)間段內(nèi)無(wú)降雨發(fā)生的3組Sentinel-1/2影像對(duì)，每個(gè)影像對(duì)各自影像的成像時(shí)間如表2所列。

分別使用VV-OTSU和MNDWI-OTSU對(duì)7個(gè)樣地的水體范圍進(jìn)行提取，并統(tǒng)計(jì)水體面積占比，共得到21組數(shù)據(jù)，對(duì)其進(jìn)行擬合分析得到圖4中的結(jié)果。由圖4，可以看出兩組數(shù)據(jù)的水體提取結(jié)果具有很強(qiáng)的線(xiàn)性相關(guān)性（R2=0.9，RMSE=2.02%），證明在Sentinel-2數(shù)據(jù)缺失的多云天氣，利用VV-OTSU對(duì)Sentinel-1進(jìn)行提取得到的水體范圍也足夠穩(wěn)定、可靠，可在該方法的基礎(chǔ)上，拓展出后續(xù)模型。

3.2 基于Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍快速提取模型

從3.1節(jié)的實(shí)驗(yàn)結(jié)果來(lái)看，MNDWI-OTSU比VV-OTSU方法更優(yōu)，因此本文構(gòu)建了一種綜合利用Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍快速提取模型來(lái)優(yōu)化單獨(dú)使用Sentinel-1數(shù)據(jù)的提取精度，其流程如圖5所示。

該模型首先篩選出區(qū)域內(nèi)用戶(hù)所需時(shí)間段的Sentinel-1/2影像；然后對(duì)Sentinel-1影像進(jìn)行預(yù)處理（Lee濾波等），并采用VV-OTSU方法提取水體得到區(qū)域水體粗分布圖；接著根據(jù)時(shí)間間隔不超過(guò)3 d、間隔期間不發(fā)生降雨的時(shí)間配對(duì)原則篩選Sentinel-2影像與對(duì)應(yīng)Sentinel-1影像配對(duì)，然后對(duì)配對(duì)的Sentinel-2影像進(jìn)行預(yù)處理，對(duì)s2cloudless去云處理（云量分?jǐn)?shù)閾值設(shè)為50）和MNDWI-OTSU提取水體，得到部分區(qū)域的水體精分布，再對(duì)水體粗分布圖進(jìn)行掩膜得到初步結(jié)果。為了防止Sentinel-2影像缺失時(shí)，Sentinel-1影像山體陰影與水體相互混淆，采用SRTM數(shù)據(jù)計(jì)算坡度柵格，將坡度大于5°的水體像元去除。模型搭載于GEE平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)快速獲取、影像批量調(diào)用，極大提高了模型運(yùn)行效率。

量化驗(yàn)證MNDWI-OTSU、VV-OTSU、本文模型的精度如下：在7個(gè)樣地內(nèi)隨機(jī)采集500個(gè)樣本點(diǎn)，包含250個(gè)水體點(diǎn)和250個(gè)非水體點(diǎn)，然后根據(jù)FRB圖像目視解譯結(jié)果，得到3種方法的水體提取精度，如表3所列。云量較少的Sentinel-2影像配合MNDWI-OTSU方法取得了更好的水體提取精度（總體精度、Kappa系數(shù)均大于90%），而VV-OTSU方法提取精度略低一點(diǎn)，與3.1節(jié)中目視對(duì)比的結(jié)果保持一致；而本文模型相比VV-OTSU精度有一定提升（總體精度、Kappa分別提升1.2%和2.4%），在缺乏可用Sentinel-2影像的情況下，達(dá)到了優(yōu)化VV-OTSU方法的效果。

4 洪水淹沒(méi)范圍時(shí)間序列提取應(yīng)用

利用本文提出的基于Sentinel-1/2數(shù)據(jù)的洪水淹沒(méi)范圍快速提取模型，得到研究區(qū)2023年5～9月的地表水體分布時(shí)間序列，將每幅影像的水體面積進(jìn)行統(tǒng)計(jì)，繪制水體面積變化如圖6所示。

2023年7月24日至8月5日水體面積陡然上升，由107.9 km2擴(kuò)大到308.0 km2，水體大幅擴(kuò)張了近2倍。根據(jù)保定日?qǐng)?bào)報(bào)道：7月29日至8月1日保定市出現(xiàn)大暴雨和特大暴雨，總降水時(shí)長(zhǎng)超過(guò)了80 h。全市平均降水量350 mm，最大雨強(qiáng)82.2 mm/h，250 mm以上（特大暴雨）降水面積占比轄區(qū)面積的90%。暴雨引起了嚴(yán)重的洪水災(zāi)情，研究區(qū)境內(nèi)白溝河、小清河等河道水位一路走高。水利部信息中心（http：∥xxzx.mwr.gov.cn/）數(shù)據(jù)顯示：8月4日08：00，涿州白溝河?xùn)|茨村水文站水位達(dá)27.49 m，超警戒水位（25.50 m）1.99 m。圖7為涿州市洪水現(xiàn)場(chǎng)圖。

以2023年7月24日影像為災(zāi)前影像，連續(xù)繪制后續(xù)時(shí)間點(diǎn)相比災(zāi)前影像新增水體范圍圖。其中，離洪水發(fā)生時(shí)間最近、受災(zāi)面積最廣的8月5日的研究區(qū)水體范圍如圖8所示。

淹沒(méi)面積較廣的行政區(qū)為高碑店市、雄縣以及安新縣，洪水淹沒(méi)的面積分別約為70.1，52.3，40.6 km2。將新增水體與Google地圖進(jìn)行對(duì)比可以發(fā)現(xiàn)，洪水淹沒(méi)首先發(fā)生在漲水的河道周?chē)?，如涿州市東北部的碼頭鎮(zhèn)，該鎮(zhèn)境內(nèi)琉璃河、拒馬河蜿蜒流淌，受暴雨影響出現(xiàn)嚴(yán)重積水；其次是天然的封閉洼地（圖8中高碑店市中部以西、定興東部）；最后是行洪河道（圖8中雄縣中部、安新縣西部），由于地勢(shì)差等因素，洪水通過(guò)這些河道被引至附近的湖泊和河流中。

2023年8月5日至9月22日，各縣相比7月24日新增水體面積統(tǒng)計(jì)如表4所列。

退洪方面，至2023年8月17日，定興縣、涿州市、蓉城縣、高碑店市新增水體面積僅剩約2.2，2.8，0.8，5.6 km2，相比上期分別縮減87.7%，82.1%，77.8%，92.0%；至9月22日，上述四縣水體面積基本恢復(fù)到災(zāi)前水平。雄縣境內(nèi)主要的積水區(qū)域?yàn)榈貏?shì)較低的行洪道，而安新縣內(nèi)則有白洋淀蓄滯洪水，因此這兩縣的水體消退相比上述四縣更為緩慢。

5 結(jié) 論

本研究以Sentinel-1/2數(shù)據(jù)為數(shù)據(jù)源，使用NDWI-OTSU、MNDWI-OTSU、VV-OTSU方法分別提取兩類(lèi)數(shù)據(jù)的地表水體范圍。實(shí)驗(yàn)結(jié)果表明：提取云量較少（<10%）的Sentinel-2影像水體時(shí)，MNDWI-OTSU比NDWI-OTSU閾值模型表達(dá)更為精細(xì)、簡(jiǎn)潔，精度達(dá)到95.6%；VV-OTSU閾值模型提取Sentinel-1影像水體相比MNDWI-OTSU閾值模型存在零碎水體誤提、邊緣模糊的問(wèn)題，但總體精度仍達(dá)到93.8%。兩種閾值模型在時(shí)間上提取的水體范圍擬合度較高（R2=0.9），不隨時(shí)間改變發(fā)生較大變化，具有足夠的可信度。本文在VV-OTSU方法的基礎(chǔ)上引入Sentinel-2數(shù)據(jù)和MNDWI-OTSU方法，構(gòu)建了一種洪水淹沒(méi)范圍快速提取模型，并以保定市東部6縣為例，對(duì)該區(qū)域2023年5～9月時(shí)序地表水體進(jìn)行了提取與分析。結(jié)果表明，該模型精度達(dá)到95%，不受限于云霧且比VV-OTSU方法的精度更高。該模型可通過(guò)編碼搭載于GEE平臺(tái)，從而能快速、準(zhǔn)確、低成本地實(shí)現(xiàn)對(duì)一定時(shí)間范圍內(nèi)某一區(qū)域的地表水體空間演變圖連續(xù)輸出。

參考文獻(xiàn)：

［1］ 《中國(guó)水旱災(zāi)害防御公報(bào)》編寫(xiě)組.《中國(guó)水旱災(zāi)害防御公報(bào)2022》概要［J］.中國(guó)防汛抗旱，2023，33（10）：78-82.

［2］ 胡榮明，姚曉宙，李朋飛，等.Landast-8影像的水體指數(shù)構(gòu)建及穩(wěn)定性研究［J］.測(cè)繪科學(xué)，2022，47（5）：150-155.

［3］ 吳慶雙，汪明秀，申茜，等.Sentinel-2遙感圖像的細(xì)小水體提?。跩］.遙感學(xué)報(bào)，2022，26（4）：781-794.

［4］ 趙文舉，李聰聰，馬宏，等.基于Sentinel-2超分辨率影像的干旱區(qū)水體提取方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（10）：316-328.

［5］ 劉浩，周萬(wàn)蓬，張宇佳，等.基于Landsat影像的1999～2019年鄱陽(yáng)湖面積動(dòng)態(tài)監(jiān)測(cè)［J］.東華理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（1）：68-76.

［6］ 趙蓓蓓，黃海峰，鄧永煌，等.基于Sentinel-1A的三峽庫(kù)區(qū)范家坪滑坡InSAR監(jiān)測(cè)分析［J］.人民長(zhǎng)江，2022，53（10）：103-107.

［7］ 賈詩(shī)超，薛東劍，李成繞，等.基于Sentinel-1數(shù)據(jù)的水體信息提取方法研究［J］.人民長(zhǎng)江，2019，50（2）：213-217.

［8］ AMITRANO D，DI MARTINO G，IODICE A，et al.Unsupervised rapid flood mapping using Sentinel-1 GRD SAR images［J］.IEEE Transactions on Geoscience and Remote Sensing，2018，56（6）：3290-3299.

［9］ BINH P D，CATHERINE P，F(xiàn)ILIPE A.Surface water monitoring within Cambodia and the Vietnamese Mekong Delta over a year，with Sentinel-1 SAR observations［J］.Water，2017，9（6）：366.

［10］劉小燕，崔耀平，史志方，等.GEE平臺(tái)下多源遙感影像對(duì)洪災(zāi)的監(jiān)測(cè)［J］.遙感學(xué)報(bào)，2023，27（9）：2179-2190.

［11］李健鋒.基于多源遙感影像和Google Earth Engine的斯里蘭卡地表水體及洪水信息快速提取研究［D］.西安：長(zhǎng)安大學(xué)，2020.

［12］郝金虎，韋瑋，李勝男，等.基于GEE平臺(tái)的京津冀長(zhǎng)時(shí)序水體時(shí)空格局及其影響因素［J］.生態(tài)環(huán)境學(xué)報(bào)，2023，32（3）：556-566.

［13］LEE J S.Speckle filtering of synthetic aperture radar images ：a review［J］.Remote Sensing Reviews，1994，8（4）：313-340.

［14］孫亞勇，黃詩(shī)峰，李紀(jì)人，等.Sentinel-1A SAR數(shù)據(jù)在緬甸伊洛瓦底江下游區(qū)洪水監(jiān)測(cè)中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2017，32（2）：282-288.

［15］OTSU N.A threshold selection method from Gray-Level Histograms［J］.IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

［16］陳賽楠，蔣彌.Sentinel-1 SAR在洪水范圍提取與極化分析中的應(yīng)用研究［J］.地球信息科學(xué)學(xué)報(bào)，2021，23（6）：1063-1070.

［17］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.

［18］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.

［19］KHUONG H T，MASSIMO M，LI J.Surface water mapping and flood monitoring in the Mekong Delta using Sentinel-1 SAR time series and Otsu threshold［J］.Remote Sensing，2022，14（22）：5721.

（編輯：謝玲嫻）

Research on extraction model of flood inundation range based on Sentinel-1/2 data

DENG Qirui1，2，ZHANG Ying1，2，LIU Jia1，2，QIAO Qinghua1，2，ZHAI Liang1，2

（1.Chinese Academy of Surveying and Mapping，Beijing 100036，China； 2.Key Laboratory of Surveying and Mapping Science and Geospatial Information Technology of Ministry of Natural Resources，Beijing 100036，China）

Abstract：

Remote sensing is an important means of monitoring the extent of flood inundation and understanding the evolution of flood disasters.However，optical images often have many deficiencies during floods，and all-weather SAR images have slightly lower accuracy in extracting water bodies.A flood inundation range extraction model based on Sentinel-2 optical images and Sentinel-1 radar image data was constructed to extract the flood inundation range quickly and accurately.An adaptive threshold segmentation algorithm，the Otsu algorithm，was used to extract the water body range of two types of data and the proposed model，and an application analysis was conducted using Baoding City，Hebei Province as an example.The results showed that Sentinel-2 images with less cloud cover had the best water extraction effect，with an overall accuracy （OA） of 95.6%.After introducing some available Sentinel-2 data，the OA of the constructed model reached 95.0%，OA and Kappa coefficient were increased by 1.2% and 2.4% respectively compared to using Sentinel-1 data alone.This model is installed on the Google Earth Engine platform and can achieve fast，accurate，and low-cost continuous output of the spatial range of surface water bodies.Clouds and mist do not limit it and have higher extraction accuracy than Sentinel-1 images alone.In the case of severe cloud coverage leading to a lack of Sentinel-2 data，this model can be used as an alternative method for extracting flood inundation areas.

Key words：

flood inundation range； Sentinel-1； Sentinel-2； adaptive threshold segmentation algorithm； Google Earth Engine； Baoding City