基于SAR衛(wèi)星遙感技術(shù)的農(nóng)田洪澇災(zāi)害信息提取技術(shù)

摘要：為提高農(nóng)田洪澇災(zāi)害信息提取能力，探索了SAR衛(wèi)星遙感影像水體及農(nóng)田邊界信息的自動(dòng)提取方法。以江西豐城某次強(qiáng)降雨過程為例，采用閾值分割法、雷達(dá)及光學(xué)影像融合法，利用Sentinel-1衛(wèi)星影像對(duì)災(zāi)前水體信息進(jìn)行提取，巢湖一號(hào)衛(wèi)星影像對(duì)災(zāi)中的水體信息進(jìn)行提取，將二者提取信息進(jìn)行疊加，得到本次強(qiáng)降水新增水體范圍；利用Sentinel-2衛(wèi)星影像，疊加天地圖影像提取出研究區(qū)域的農(nóng)田邊界范圍，將該邊界與新增水體范圍疊加，得到受本次強(qiáng)降雨影響農(nóng)田洪澇災(zāi)害區(qū)域的范圍。經(jīng)評(píng)價(jià)，該方法可有效提高地物散射特征的分類精度，提取的11處受淹農(nóng)田驗(yàn)證地塊完整率均在80%以上。SAR遙感影像不受云雨天氣影響，能夠在洪澇災(zāi)害應(yīng)急監(jiān)測(cè)中提供有力的數(shù)據(jù)支撐，該分析方法有利于相關(guān)部門全面掌握農(nóng)田災(zāi)情數(shù)據(jù)，迅速做出應(yīng)急響應(yīng)，提高洪災(zāi)的應(yīng)急救助管理能力。

關(guān)鍵詞：雷達(dá)；遙感；洪澇災(zāi)害；閾值分割；數(shù)據(jù)融合；土地分類

中圖分類號(hào)：P237；P426.616" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）08-0188-06

DOI：10.14088/j.cnki.issn0439-8114.2024.08.032 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

The information extraction technology of farmland flood disaster based on SAR satellite remote sensing technology

FAN Bing1，MA Liang1，YUAN Xiu-zhen2，LI Fu-lin1，DUAN Zhou3 ，WU Jia-mei1

（1. Water Resources Research Institute of Shandong Province/Key Laboratory of Water Resources and Environment of Shandong Province，Jinan" 250014，China； 2. Changqing District Bureau of Agriculture and Rural Affairs in Jinan City， Jinan" 250300，China；3.Changsha Tianyi Space Science and Technology Research Institute Co.， Ltd.， Changsha" 410000，China）

Abstract： In order to improve the extraction ability of farmland flood disaster information， the automatic extraction method of water body and farmland boundary information of SAR satellite remote sensing image was explored. Taking a heavy rainfall process in Fengcheng， Jiangxi Province as an example， the threshold segmentation method， radar and optical image fusion method was adopted， Sentinel 1 satellite image was used to extract water information before the disaster， and" chaohu 1 satellite image was used to extract water information in the disaster. The two results were superimposed and the new water body range of the heavy precipitation was obtained. The satellite images of Sentinel 2 were used to superimpose the sky map images to extract the farmland boundary range of the study area， and this boundary was superimposed with the new water body range to obtain the scope of the farmland flood disaster area affected by the heavy rainfall. Through evaluation， this method could effectively improve the classification accuracy of ground scattering features， and the integrity rate of the extracted 11 flooded farmland verification plots was above 80%. SAR remote sensing image was not affected by cloud and rain weather， and could provide strong data support in the emergency monitoring of the flood disaster. This analysis method was conducive to the relevant departments to fully grasp the farmland disaster data， make emergency response quickly， and improve the emergency rescue and management ability of flood.

Key words： radar； remote sensing； flood disaster； threshold segmentation； data fusion； land classification

2023年5月4日20時(shí)，江西宜春豐城市南部地區(qū)開始出現(xiàn)強(qiáng)降雨，48 h累計(jì)降雨量超300 mm，其中5日21時(shí)至6日5時(shí)8 h內(nèi)降雨超過200 mm。豐城市清豐山溪上游豐水河水位迅速上漲，豐城市防汛抗旱指揮部于5月6日0時(shí)啟動(dòng)防汛四級(jí)應(yīng)急響應(yīng)。5月6日6時(shí)左右，京九線鐵路橋下的清豐堤河堤出現(xiàn)漫堤險(xiǎn)情，7時(shí)50分左右，清豐堤開始出現(xiàn)潰口并迅速擴(kuò)大至30 m左右。宜春市防汛抗旱指揮部、豐城市防汛抗旱指揮部于5月6日9時(shí)同時(shí)啟動(dòng)防汛三級(jí)應(yīng)急響應(yīng)，第一時(shí)間轉(zhuǎn)移被困的220名群眾。鑒于此，本研究以江西豐城市為研究區(qū)，Sentinel-1A、巢湖一號(hào)、Sentinel-2A多時(shí)相衛(wèi)星遙感影像為數(shù)據(jù)源，利用閾值法提取強(qiáng)降雨淹沒區(qū)域及面積，進(jìn)一步分析出農(nóng)田受淹區(qū)域，拓展洪澇災(zāi)害高時(shí)效監(jiān)測(cè)手段，旨在為洪澇災(zāi)害損失程度評(píng)估提供科學(xué)依據(jù)，有力推進(jìn)水旱災(zāi)害防御的應(yīng)急監(jiān)測(cè)，為農(nóng)業(yè)、水利應(yīng)急救災(zāi)體系提供實(shí)踐操作方法。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

豐城市位于江西省中部，贛江中下游，鄱陽湖盆地南端，范圍為東經(jīng)115°25′—116°27′，北緯27°42′—28°27′，東臨撫州臨川區(qū)、南昌進(jìn)賢縣，南臨撫州崇仁縣、樂安縣、吉安新干縣，西接宜春樟樹市、高安市，北連南昌新建區(qū)、南昌縣，下轄33個(gè)鄉(xiāng)鎮(zhèn)（街道），面積2 845 km2，戶籍人口148萬人，糧食播種總面積16.54萬hm2，位列全省第一、全國第五，是國家超級(jí)產(chǎn)糧大縣之一。本研究的區(qū)域地理位置如圖1所示。

1.2 數(shù)據(jù)來源

Sentinel-1數(shù)據(jù)是歐洲航天局（European space agency，ESA）哥白尼計(jì)劃中第一顆用于環(huán)境監(jiān)測(cè)的衛(wèi)星，由A、B雙星組成［1］，用以監(jiān)測(cè)海洋環(huán)境、地表形變以及水資源、土壤［2］等動(dòng)態(tài)變化，官網(wǎng)提供Level-0、Level-1、Level-2三個(gè)等級(jí)的Sentinel-1產(chǎn)品供下載［3］。Sentinel-1四種成像模式下的產(chǎn)品均可提供單極化（HH、VV、HV、VH）、雙極化（HHamp;HV、VVamp;VH）等不同極化模式的雷達(dá)影像［4-7］。Sentinel-1洪水前SAR遙感影像如圖2所示，影像參數(shù)如表1所示。

巢湖一號(hào)衛(wèi)星是由長(zhǎng)沙天儀空間科技研究院有限公司研制，中國“天仙星座”項(xiàng)目的首發(fā)星，于2022年2月27日在文昌航天發(fā)射場(chǎng)成功發(fā)射。InSAR（干涉雷達(dá)）衛(wèi)星的先導(dǎo)星，具備區(qū)域多點(diǎn)目標(biāo)的連續(xù)成像能力、精密定軌能力、在軌成像處理和AI處理功能。巢湖一號(hào)洪水中SAR遙感影像如圖3所示，影像參數(shù)如表2所示。

2 研究方法

2.1 SAR衛(wèi)星遙感影響閾值分割

不同于光學(xué)衛(wèi)星豐富的波段信息，SAR數(shù)據(jù)波段和產(chǎn)品比較單一。由于水體在SAR圖像上具有極低的散射系數(shù)，呈現(xiàn)暗色調(diào)［8］，這一特性是區(qū)別水體和其他地物的重要依據(jù)。其經(jīng)歷了單閾值到多閾值的過程，實(shí)現(xiàn)了從單一的水體到某些特定地類的淹沒區(qū)的圖像識(shí)別。單一閾值法的淹沒檢測(cè)，基于數(shù)學(xué)理論，選定適當(dāng)閾值來劃分淹沒與非淹沒區(qū)，大部分的研究通過適當(dāng)?shù)姆椒?，分別提取災(zāi)前、災(zāi)中的開放性水體［9］，然后對(duì)災(zāi)前和災(zāi)中的水體范圍進(jìn)行變化檢測(cè)。

洪澇災(zāi)害遙感監(jiān)測(cè)的方法分為監(jiān)督和非監(jiān)督兩大類，其區(qū)別在于是否需要樣本。監(jiān)督法基于淹沒樣本，利用圖像分類或識(shí)別技術(shù)提取災(zāi)情分布［10-14］。閾值法是最常用的非監(jiān)督方法，基于不同理論誕生了不同的閾值判定方法，其中基于最大類間差值法是最常用的閾值分割方法。閾值法通常以單個(gè)波段或產(chǎn)品結(jié)果為數(shù)據(jù)源，通過適當(dāng)?shù)拈撝捣椒ㄟM(jìn)行圖像分割并進(jìn)行災(zāi)情提取。最大類間差值法（OTSU法）是基于全局像元的單閾值確定方法。OTSU法將圖像分為目標(biāo)像元和背景像元，以單閾值作為兩者的分割標(biāo)準(zhǔn)，選擇類間方差衡量?jī)烧叩牟町?，?dāng)方差最大時(shí)認(rèn)為兩者差別最大，則此時(shí)的閾值作為最佳閾值［15-17］。具體算法為：假設(shè)影像的灰度范圍為［0，T］，對(duì)應(yīng)灰度級(jí)設(shè)圖像灰度級(jí)數(shù)為L(zhǎng)（1，2，…，L），fi表示灰度級(jí)為i的點(diǎn)數(shù)，總的像素點(diǎn)數(shù)為[N=i=1Lfi]直方圖表示概率密度分布為：

[pi=f/N，i=1Lpi=1，pi≥0]" " " "（1）

選取閾值t′使得不同類間分離性最好。設(shè)μ0（t）和μ1（t）分別代表目標(biāo)和背景的中心灰度，μ代表整幅圖像的中心灰度，ω0（t）和ω1（t）分別為目標(biāo)和背景的概率。要使目標(biāo)和背景得到最好的分離，即希望分割出的目標(biāo)盡量遠(yuǎn)離圖像中心，則最佳閾值t′只要滿足下式即可。

g（t′）=[ArgMax0≤t≤m-1]｛ω0（t）［μ0（t）-μ］2+ω1（t）［μ1（t）-μ］2｝（2）

因?yàn)楹罄^識(shí)別的需要，預(yù)處理需要提高分割精度和分割速度，二維OTSU可以達(dá)到分割的精度，但是分割時(shí)間過長(zhǎng)，可通過如下預(yù)處理過程，改善目標(biāo)的內(nèi)聚性，從而保證分割精度。

由于SAR成像本身的原因，SAR圖像存在嚴(yán)重相干斑噪聲。為避免噪聲對(duì)分割的影響，在分割前采用偏微分對(duì)圖像進(jìn)行去噪。由于SAR圖像幅度服從瑞利分布，因此去噪前先用冪變換改善幅值分布，偏微分去噪模型具有能夠同時(shí)去除噪聲和邊緣保持兩方面的優(yōu)點(diǎn)。

[It=??xc（?）Ix] （3）

式中，Ix為處理前SAR 圖像；It為處理后的圖像；[c（?）]為梯度倒數(shù)的線性變換，用作擴(kuò)散算子，用基于背景部分的均值作為分割閾值，得到只包含部分背景和目標(biāo)的SAR圖像，然后用OTSU單閾值分割，這樣就既能保證分割精度也能保證分割速度。

2.2 SAR與光學(xué)圖像融合

本研究以服務(wù)于洪水監(jiān)測(cè)為目的，利用Sentinel-1和光學(xué)圖像融合模型，以提高在洪澇災(zāi)害監(jiān)測(cè)過程中分類的精度。光學(xué)影像具有豐富的波段信息，但是在洪澇災(zāi)害期間通常因成像質(zhì)量而無法使用，SAR數(shù)據(jù)能反映洪澇前后地物散射特征變化，但分類精度較差，所以將災(zāi)前、災(zāi)中的SAR圖像基于同一災(zāi)前高質(zhì)量光學(xué)影像進(jìn)行融合，既能獲取地物散射變化信息，同時(shí)提高分類精度。分別對(duì)Sentinel-1和光學(xué)數(shù)據(jù)產(chǎn)品進(jìn)行預(yù)處理，然后基于指數(shù)模型進(jìn)行SAR和光學(xué)數(shù)據(jù)像元級(jí)的融合，具體過程如下。

1）對(duì)災(zāi)前和災(zāi)中的SAR圖像產(chǎn)品進(jìn)行數(shù)值轉(zhuǎn)換，由于后向散射系數(shù)數(shù)值范圍差異太大，可將后向散射系數(shù)通過類似聲貝轉(zhuǎn)換方法轉(zhuǎn)換處理，轉(zhuǎn)換后的數(shù)值范圍可控。為了避免由于負(fù)值引起的噪聲，本研究對(duì)后向散射系數(shù)做出如式（4）所示的轉(zhuǎn)換。

[S_Gamma = 100 × Gamma]" " " " " "（4）

式中，S_Gamma為數(shù)值變化后的波段，取值范圍為［0，10］；Gamma為Sentinel-1 GRD產(chǎn)品處理得到的不同極化方式下的歸一化散射系數(shù)。

2）將災(zāi)前高質(zhì)量光學(xué)影像波段（NIR）或衍生產(chǎn)品（NDWI、MSAVI）進(jìn)行歸一化處理。

[pi=bi-bminbmax-bmin] （5）

式中，pi為歸一化處理后第i個(gè)像元的值，取值范圍為［0，1］；bi為進(jìn)行歸一化處理的波段上第i個(gè)像元的值；bmax為進(jìn)行歸一化處理的波段最大值；bmin為進(jìn)行歸一化處理的波段最小值。

3）將預(yù)處理后的Sentinel-1和光學(xué)數(shù)據(jù)進(jìn)行圖像融合，以光學(xué)波段或產(chǎn)品為底，分別以災(zāi)前、災(zāi)中的SAR圖像產(chǎn)品為指數(shù)進(jìn)行融合。

[yi=mnii] （6）

式中，[yi]為融合后第i個(gè)像元的值，取值范圍為［0，10］；[m]i為經(jīng)過預(yù)處理的Sentinel-2波段或衍生產(chǎn)品中第i個(gè)像元的值；[ni]為經(jīng)過預(yù)處理的Sentinel-1 GRD產(chǎn)品中兩種極化方式下的散射系數(shù)波段。災(zāi)前融合后結(jié)果如圖4所示，融合影像信息詳見表3，災(zāi)中融合后結(jié)果如圖5所示，融合影像信息詳見表4，圖4、圖5疊加后得到降水導(dǎo)致洪泛區(qū)影響范圍見圖6。

2.3 農(nóng)田洪澇災(zāi)害信息提取

農(nóng)田信息提取使用Sentinel-2數(shù)據(jù)源，通過歐洲航天局的哥白尼數(shù)據(jù)中心下載，輔助數(shù)據(jù)包括1.0 m分辨率的天地圖影像數(shù)據(jù)。利用Esri聯(lián)合Impact Observatory以及Microsoft技術(shù)基于Sentinel-2的10 m分辨率衛(wèi)星數(shù)據(jù)，全球范圍的土地覆蓋數(shù)據(jù)被劃分為700多個(gè)網(wǎng)格，使用歐洲航天局（ESA）官方提供的SNAP軟件和sen2cor插件對(duì)下載的原始影像進(jìn)行大氣校正［18-26］，得到L2A級(jí)數(shù)據(jù)，采用最近鄰插值法將波段重采樣，利用ENVI軟件對(duì)其進(jìn)行幾何校正，數(shù)據(jù)源經(jīng)預(yù)處理后，得到土地類型分類。主要處理流程如圖7所示，處理結(jié)果如圖8所示。

3 結(jié)果與分析

3.1 計(jì)算結(jié)果

通過災(zāi)中巢湖一號(hào)SAR影像水體范圍與災(zāi)前Sentinel-1 SAR影像水體范圍疊加相減，輔以光學(xué)影像融合配準(zhǔn)精修，得到本次新增水體淹沒范圍邊界，該邊界與提取出的農(nóng)田范圍疊加，即可得到本次受災(zāi)范圍內(nèi)農(nóng)田的面積19.62 km2，計(jì)算結(jié)果如表5所示。

3.2 精度評(píng)價(jià)

在淹沒范圍中選擇11個(gè)地塊進(jìn)行精度評(píng)價(jià)，如圖9所示，以無人機(jī)正射影像人工目視解譯成果為評(píng)價(jià)參考數(shù)據(jù)，選用以下4個(gè)評(píng)價(jià)因子評(píng)估提取精度：完整率（Completeness）表示正確提取的結(jié)果占參考數(shù)據(jù)的比例；質(zhì)量（Quality）表示正確提取的結(jié)果占全部數(shù)據(jù)的比例；分叉率（Branch）表示未匹配的提取結(jié)果占正確提取結(jié)果的比例；丟失率（Miss）表示未匹配的參考數(shù)據(jù)占正確提取結(jié)果的比例，公式分別為：

[Completeness=TPTP+FN] " " " （7）

[Quality=TPTP+FP+FN]" " " " " （8）

[Branch=FPTP]" " " " " " （9）

[Miss=FNTP]" " " " " " "（10）

式中，TP表示真正，提取數(shù)據(jù)與參考數(shù)據(jù)相匹配的部分；FP表示假正，表示未與參考數(shù)據(jù)匹配的提取數(shù)據(jù)；FN表示假負(fù)，表示未與提取數(shù)據(jù)匹配的參考數(shù)據(jù)。

由表6可知，11個(gè)洪澇地塊提取的Completeness均在80%以上，其中6個(gè)地塊Completeness在90%以上，Quality均高于78%，其中3個(gè)地塊Quality在90%以上，Branch均小于7%，Miss均小于11%。提取效果較差的區(qū)域經(jīng)分析主要原因?yàn)楦吆恐脖唬抑脖煌?，?dǎo)致閾值分割時(shí)被判斷為水域，如結(jié)合多光譜影像，可進(jìn)一步將誤判區(qū)域刪除，提高洪澇災(zāi)害的提取精度。

4 小結(jié)

本研究提出了以SAR遙感影像融合和影像分類技術(shù)為核心的農(nóng)田洪澇災(zāi)害監(jiān)測(cè)方法。該方法以多時(shí)相SAR衛(wèi)星遙感影像為主要數(shù)據(jù)，通過多源融合技術(shù)、土地分類遙感處理技術(shù)，對(duì)縣域農(nóng)田洪澇災(zāi)情信息進(jìn)行了有效提取。本次分析的強(qiáng)降水導(dǎo)致豐城市麗村鎮(zhèn)清豐河堤下江段河堤潰口30余米，洪水淹沒了下游4個(gè)村莊，約1 000名群眾受災(zāi)。該農(nóng)田洪澇災(zāi)害信息提取方法可第一時(shí)間掌握洪澇災(zāi)害對(duì)農(nóng)田的影響，通過選取11個(gè)地塊對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)，充分證明了雷達(dá)遙感影像的應(yīng)用價(jià)值，可為應(yīng)急救災(zāi)管理部門決策提供輔助信息。下一步，可融合多光譜、高光譜影像，同時(shí)結(jié)合土壤含水量因子分析，進(jìn)一步提高農(nóng)田洪澇信息提取的準(zhǔn)確度，細(xì)化不同土壤濕度下農(nóng)田洪澇災(zāi)害的嚴(yán)重程度分級(jí)。

參考文獻(xiàn)：

［1］ 柳崇斌，徐 佳，陳瑞迪.基于時(shí)序Sentinel-1 SAR影像的水稻種植區(qū)提取［A］.江蘇省測(cè)繪地理信息學(xué)會(huì).江蘇省測(cè)繪地理學(xué)會(huì)2020年學(xué)術(shù)年會(huì)論文集［C］.2020.

［2］ 曾旭靖，邢艷秋，單 煒，等.基于Sentinel-1A與Landsat 8數(shù)據(jù)的北黑高速沿線地表土壤水分遙感反演方法研究［J］.中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2017，25（1）：118-126.

［3］ 王 琦.基于Sentinel-1A和Landsat-8的土壤水分反演［D］.成都：成都理工大學(xué)，2018.

［4］ 程 霞，張永紅，鄧 敏，等. Sentinel-1A衛(wèi)星的黃河三角洲近期地表形變分析［J］.測(cè)繪科學(xué)，2020，45（2）：43-51.

［5］ 鄭少蘭，劉龍威.單時(shí)相Sentinel-1A衛(wèi)星SAR數(shù)據(jù)水稻信息提?。跩］. 地理空間信息，2020，18（4）：61-64，7.

［6］ 劉 昊.基于Sentinel-2影像的河套灌區(qū)作物種植結(jié)構(gòu)提?。跩］.干旱區(qū)資源與環(huán)境，2021，35（2）：88-95.

［7］ 李新堯.基于Sentinel-1 SAR數(shù)據(jù)的表層土壤水分遙感反演［D］.西安：西北大學(xué)，2019.

［8］ SIPPEL S J，HAMILTON S K，MELACK J M. Inundation area and morphometry of lakes on the Amazon River floodplain，Brazil［J］. Arch Hydrobiol，1992，123（4）：385-400.

［9］ SANDRO M，JENS" K， ANDRé T. A fully automated TerraSAR-X based flood service［J］.ISPRS Journal of photogrammetry and remote sensing，2015，104：203-212.

［10］ OTSU N. A Threshold selection method from gray-level histograms［J］.IEEE Transactions on systems，man，and cybernetics，1979，9（1）：62-66.

［11］ LI Y，MARTINIS S，PLANK S，et al. An automatic change detection approach for rapid flood mapping in Sentinel-1 SAR data［J］. International journal of applied earth observations and geoinformation，2018，73：123-135.

［12］ 陳玲艷，劉 智，張 紅.基于水體散射特性的SAR圖像水體檢測(cè)［J］.遙感技術(shù)與應(yīng)用，2014，29（6）：963-969.

［13］ LIANG J Y，LIU D S. A local thresholding approach to flood water delineation using Sentinel-1 SAR imagery［J］. ISPRS Journal of photogrammetry and remote sensing，2020，159（5）：53-62.

［14］ CAO H，ZHANG H，WANG C，et al. Operational flood detection using Sentinel-1 SAR data over large areas［J］.Water，2019，" " " "11（4）：786.

［15］ 賈銀江，姜 濤，蘇中濱，等. 基于改進(jìn)SVM算法的典型作物分類方法研究［J］.東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，51（7）：77-85.

［16］ 谷祥輝，張 英，桑會(huì)勇，等. 基于哨兵2時(shí)間序列組合植被指數(shù)的作物分類研究［J］.遙感技術(shù)與應(yīng)用，2020，35（3）：702-711.

［17］ 吳 波，楊 娜，戴維序，等.淺談遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用——以菏澤市單縣玉米澇災(zāi)定損為例［J］.農(nóng)村實(shí)用技術(shù)，2020（5）：37-39.

［18］ 王冬利，趙安周，李 靜，等.基于GF-1數(shù)據(jù)和非監(jiān)督分類的冬小麥種植信息提取模型［J］.科學(xué)技術(shù)與工程，2019，19（35）：95-100.

［19］ 李耀琛.衛(wèi)星遙感技術(shù)在氣象農(nóng)業(yè)保險(xiǎn)定損中的應(yīng)用［J］.內(nèi)蒙古科技與經(jīng)濟(jì)，2019（23）：51-52.

［20］ 張宏濤，黃宏勝，魏康寧，等.基于面向?qū)ο笈c規(guī)則的Sentinel-2A影像土地覆被分類——以江西省都昌縣為例［J］.測(cè)繪通報(bào)，2020（6）：111-117.

［21］ 李 莉，王麗麗，李長(zhǎng)軍，等.衛(wèi)星遙感提取煙田種植面積應(yīng)用分析［J］.中國農(nóng)學(xué)通報(bào)，2023，39（13）：146-156.

［22］ 劉冰洋，張小全，張鋆鋆，等.氣象因子對(duì)高香氣烤煙品種主要香味前體物含量的影響［J］.中國生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24（9）：1214-1222.

［23］ 王連喜，徐勝男，李 琪，等.基于決策樹和混合像元分解的江蘇省冬小麥種植面積提?。跩］.農(nóng)業(yè)工程學(xué)報(bào)，2016，32（5）：182-187.

［24］ 張 猛，曾永年.基于多時(shí)相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提?。跩］.農(nóng)業(yè)工程學(xué)報(bào)，2015，31（13）：178-185.

［25］ 蘇 偉，姜方方，朱德海，等.基于決策樹和混合像元分解的玉米種植面積提取方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（9）：289-295，301.

［26］ 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.

基金項(xiàng)目：山東省水利科學(xué)研究院自選課題（SDSKYZX202105）；山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2022RZB01007）；國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFC0408000）；國家自然科學(xué)基金項(xiàng)目（40776050）

作者簡(jiǎn)介：樊 冰（1982-），男，山東濟(jì)寧人，高級(jí)工程師，碩士，主要從事地圖制圖學(xué)與地理信息、遙感技術(shù)研究，（電話）13330238860（電話信箱）155395281@qq.com；通信作者，馬 良（1980-），男，山東聊城人，正高級(jí)工程師，博士，主要從事土壤侵蝕及對(duì)氣候變化響應(yīng)、水利信息化研究，（電話）13583175768（電子信箱）skymaliang@shandong.cn。