基于Sentinel-1与Landsat 8的巢湖地区洪水淹没灾害分析

李靖霖，张 文，郎丰铠

（1．武汉大学遥感信息工程学院，湖北 武汉 430079；2．中国矿业大学环境与测绘学院，江苏 徐州 221000）

0 引言

我国地域辽阔，自然地理与气候条件复杂，自然灾害发生频繁。每年重大气象灾害影响的人口大约达4亿人次，造成的经济损失占国内生产总值的 1%～3%[1]。在气象灾害中，洪涝灾害被认为是最具破坏性、突发性的自然灾害之一[2]。洪涝灾害会给自然环境和社会经济带来巨大破坏，为减轻洪涝灾害危害，快速有效地监测灾害情况显得尤为重要。卫星遥感技术由于具有覆盖范围广，可以全天多时间对灾害地区进行监测等特性，成为水体信息提取的主要方式。

利用光学遥感提取水体信息的方法主要有阈值法、水体指数法、谱间关系法等。阈值法的基本原理是通过某一阈值获取水体和非水体区域，Mcfeeters[3]提出归一化差异水体指数法（NDWI），在 NDWI 基础上，徐涵秋[4]对原有的 NDWI 所用的波长进行了更改，提出了改进后的 MNDWI 指数并进行实验，效果比 NDWI 好。沈占锋等[5]在 NDWI 基础上，提出高斯归一化水体指数（GNDWI），以 Landsat 为数据源，在伊犁河试验区实现了河流水体信息的自动提取。但是光学遥感由于波长较短，对云雾穿透能力很弱，特别对于阴雨地区的水体信息获取效果欠佳，相比之下，微波遥感受天气影响较小，因此近些年微波遥感被广泛应用于洪涝灾害监测中。

微波遥感的分类方法主要有阈值分割法、影像分类法等。阈值分割法通过设定的阈值，将影像分为感兴趣和非感兴趣区域；影像分类法根据像素的灰度等性质将影像中的物体分为若干类，并进行标记。陈坤等[6]提出基于卷积神经网络的 SAR（主动式侧视雷达系统）图像水体提取方法，实现对水体的高效提取。经波等[7]改进了基于阈值分割法与决策树的 GF-3 SAR 影像水体信息提取方法，构建知识决策树模型提取水体信息。翟庆羽等[8]采用Landsat8和 Sentinel-1 影像，通过 NCIWI 和 SDWI（双极化水体指数）多种指数增大洪灾前后水体和背景差异，采用 Otsu 算法计算最优分割阈值提取洪水淹没信息。汤玲英等[9]基于 Sentinel-1 影像，采用面向对象的方法提取广西桂林临桂县会仙岩溶湿地区域的洪涝淹没范围，绘制灾前、灾中、灾后水体变化监测图。孙亚勇等[10]基于 Sentinel-1 影像，通过开放性水体和受淹植被2类淹没区提取模型得出水体区域，结合地表覆盖类型信息，得出研究区域的耕地受灾情况。

自 2020年入汛以来，长江流域迎来6轮强降雨，河流湖泊水位暴涨，洪灾发生频繁。6—7月，长江流域平均降水量达到 346.9 mm，超过 1998年的 331.9 mm，成为 1961年以来同期第二多的降水量[11]。2020年7—9月，持续强降雨天气导致安徽巢湖地区水位快速上涨，流域内遭受严重的洪涝灾害，防汛形势严峻。

基于此，本研究以巢湖地区为研究区，选取2020年6—9月7 景 Sentinel-1 影像，基于 SDWI 指数对 Sentinel-1 影像进行洪涝信息快速提取，并对洪水淹没范围时空分布信息进行分析；结合 Landsat8影像提取地物覆盖类型，与洪水淹没区域通过叠加计算，分析洪水淹没情况，估计研究区域内耕地和居民地建筑受灾面积。

1 洪水淹没研究区域与数据预处理

1.1 研究区概况

巢湖湖区位于安徽省中部，处于亚热带季风气候区域，流域内水系错综复杂，水量较多，沿江湖泊很多，夏季梅雨时节，降水量较大，加上长江中下游尤其中游地区地势原因及地形构造，导致长江流域为洪涝灾害多发地区。巢湖地区位置重要，紧靠合肥，上游威胁合肥市，下游威胁长江下游南京市区，湖区总面积为13349km2，周围水体错综复杂，对长江流域的水量有着重要的影响。巢湖研究区域示意图如图1所示。

图1 研究区域示意图

1.2 数据预处理

Sentinel-1 卫星搭载1台 C 波段合成孔径雷达，有条带、干涉宽幅、超幅宽、波浪 4种成像模式，中国地区成像模式为干涉宽幅模式。干涉宽幅模式卫星在近极地太阳同步轨道上运行，在693km高空进行观察，重访周期为6d，每幅卫星影像覆盖范围为400km×400 km，像元大小为 17.53 m×17.53 m，具有 VV 和 VH 极化方式成像及产品快速生产的能力[12]。本研究聚焦巢湖地区周围乡镇区域，获取的雷达数据时间为 2020年6月9 和 21日，7月3，15 和 21日，以及 8月1日和 9月1日，共7幅双极化（VV 和 VH 极化） SAR 影像。

影像获取后，对 Sentinel-1 SAR 影像进行数据预处理，预处理步骤主要包括轨道校正、影像裁剪、影像配准、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌等，并重采样15m 分辨率双极化的后向散射分布图。

Landsat8卫星由美国宇航局（NASA）和美国地质调查局（USGS）共同负责[13]。Landsat8具有陆地成像仪（OLI）和热红外传感器（TIRS）2 个传感器，陆地成像仪成像包括9个波段，其中有8个分辨率为30m 的多光谱波段和1个分辨率为15m 的全色波段，成像宽幅为185km×185 km，成像时间为 2020年6月，其中覆盖巢湖地区的图像云量为0。对 Landsat 影像进行辐射定标、大气校正、多波段图像合成、全色波段与多波段图像融合和裁剪等处理，得到研究区分辨率为15m 的融合影像。

辅助数据为全国乡镇级别行政区划矢量图和合肥市降水量数据。

2 洪水淹没范围快速提取与精度评价

当河流、湖泊水位上升导致居民区和农田区被水淹没时，会改变地物对信号的反射类型。当入射波发射到被淹没地区时，水体表面由于镜面反射，使得 SAR 接收机接收的回波信号强度较弱，影像上显示为黑色的暗色调区域。提取影像上暗色调区域，可获取 SAR 影像上的水体区域范围。

SDWI 水体指数是从 NDVI（归一化植被指数）和 NDWI 公式中受到启发，进一步研究了 Sentinel-1 双极化数据之间的水体信息特征的关系，建立的关系模型。该模型扩大了水体和其他地物之间的差异，计算公式如下：

式中：UVV为极化方式为 VV 的 SAR 影像像素值；UVH为极化方式为 VH 的 SAR 影像像素值；USDWI为计算后水体指数影像的像素值。

2.1 阈值分割与水体提取

目前，基于 SAR 影像的水体提取方法中，阈值法使用最为广泛，可以快速提取水体边界范围，传统的阈值确定方法需要大量的先验知识，受人为主观影响较大，精度较低。Otsu 算法[14]是一种全局最优阈值确定方法，通过某一数值将目标和非目标区域分为2类，分别计算两部分区域的类间方差，当数值为最大时，该数值为阈值，公式如下：

式中：σ2（x）为水体和非水体的类间方差；P1和P2分别为水体和非水体的像素概率；U1，U2分别为水体和非水体的像素均值；U为总体像素均值。

直方图双峰法是单阈值分割法，基于影像的灰度直方图，有2个峰值和1个谷值的情况下分割效果较好[17]，选取灰度直方图中峰谷值为分割阈值，根据阈值与其他灰度值之间关系，区分目标与背景 2种地物。对于 SDWI 指数影像，贾诗超等[15]选定分割阈值为0进行水体提取，但并不适用本研究区域。本研究分别采用 Otsu 算法和直方图双峰法获取SDWI 水体指数影像的阈值。通过阈值分割法提取水体信息，提取结果如图2所示。可以看出直方图双峰法提取结果较好，最终确定 0.68 为最佳阈值。对各时期 SAR 影像，利用直方图双峰法获取阈值，提取出各时期水体区域，完成各阶段水体范围提取。

图2 Otsu 算法、直方图双峰法提取效果

2.2 山体阴影去除

在 SAR 影像上，由于山体阴影的后向散射系数值和水体相近，在水体提取时山体阴影会被误当成水体。为减少阴影在水体提取上的干扰，利用 Landsat8影像获得的裸地区域去除阴影。根据研究区土地利用实际情况，在 Landsat8影像中定义了耕地、林地、水体、居民地建筑、裸地 5种土地利用类型。通过目视解译，在研究区内选取各类别样本，样本点选取需要分布均匀、大小不一，并计算样本分离度。利用训练样本对研究区内影像进行监督分类，提取出土地类型为裸地的区域，剔除被错误提取的山体阴影，从而得到较为精确的水体提取结果。

2.3 精度评价

水体信息提取的精度会直接影响洪水区域的监测结果，因此以 Landsat8影像中水体样本集为研究区的水体样本验证点。通过查全率、查准率、虚警率[16]定量评价提取结果的精度，查全率代表提取的水体面积与真实水域范围的差异，查准率代表提取水体的准确性，虚警率表示提取的目标区域范围的准确性，计算公式如下：

式中：I为查全率；P为查准率；PP为虚警率；UA为图像中真实水域像素的集合，采用人工标记的方式在图像中选取；UB为图像中利用阈值提取获得的水域像素集合。

经过计算，本研究水体提取查全率为 96.3%，查准率为 77.5%，虚警率为 22.5%。

3 洪水淹没时空和灾害分析

3.1 水体时空变化分析

为分析洪涝灾害在研究区的空间分布特征，以 2020年6月9日巢湖水域范围视作初期水体范围，7月27日的水域范围视为受到洪涝灾害后的水体范围。将2期水域水体信息进行叠加分析，水面范围超出 6月9日水体的部分即为洪水淹没的范围，视为扩张水体。将2期水域面积进行差分，得到洪水淹没范围变化情况，并计算水体面积变化，洪水淹没范围空间分布如图3所示，水体面积与降雨量变化如图4所示。

图3 洪水淹没范围空间分布

图4 研究区内水体面积与降雨量变化

根据巢湖市气象资料显示，2020年7月强降水频繁，雨量大，8月降雨强度较弱。6月1日到 8月31日期间，降雨主要集中在 7月11—20日，7月22—29日期间，其中 7月13—20日暴雨过程最强，范围最广，7月19日，日降水量达到80mm。结合实际获取的影像产品，整个洪水周期划分为3个阶段，即平水期（6月9日—7月15日），洪水期（7月15—21日）及衰退期（7月21日—9月1日）。将各个时期水体进行叠加，计算各个时期水体范围的面积，统计变化情况。其中 6月9日的水体面积最少，约为 72.71 km2，7月27日水体面积达到最大，约为 200.07 km2，2 个时期的水体面积相差 127.36 km2。通过分析洪涝发生最严重区域的特征，可以发现：洪水淹没主要发生在河渠、湖泊、水塘附近地势较为平坦的区域，淹没范围最大的区域位于巢湖北部、西部、南部区域，尤其在同大镇、长临河镇、西峰乡地区，巢湖西部的杭埠河、白十三河地区，巢湖东部的拓皋河地区，巢湖北部的南淝河地区，周围地势都相对平坦，且发生洪涝灾害较为严重的村镇都分布于河流两岸，如图5所示。

图5 受灾严重区域

3.2 洪水淹没灾害分析

为进一步反映研究区内受灾情况，结合 Landsat 8影像提取地物覆盖类型，分别提取出耕地与居民地建筑地区，分析该地区洪涝灾害对居民地建筑及耕地的损害状况。将洪水淹没范围图与耕地、居民地建筑区土地类型图进行叠加，分别得到耕地、居民地建筑受灾区域面积变化情况；利用乡镇行政区数据进行行政单元分割，得到各乡镇耕地面积、居民地建筑受灾变化情况。统计分析研究区内耕地、居民地建筑的淹没情况，受灾面积如表1所示。

表1 各乡镇耕地、居民地受灾面积 km2

具体分析如下：

1）耕地淹没情况。研究区内耕地受灾面积达到 64.641 km2，受灾面积较为严重的耕地主要分布在同大镇、白山镇和三河镇，其中：同大镇的耕地受灾面积最为严重，达到 17.386 km2；其次是白山镇，耕地受灾面积为 8.840 km2；三河镇耕地受灾面积为8.903 km2。这3个乡镇耕地受灾面积共计 35.129 km2，占被淹耕地面积的 54.50%。

2）居民地建筑淹没情况。居民地受灾面积总计3.774 km2，受灾面积较为严重的建筑设施主要分布在长临河镇、龙塘乡和西峰乡，其中：长临河镇的建筑受灾面积最为严重，达到 0.792 km2；其次是龙塘乡，建筑受灾面积为 0.614 km2；西峰乡建筑受灾面积为 0.528 km2。这3个乡镇居民地建筑受灾面积共计 1.934 km2，占被淹居民地面积的 51.24%。

4 结语

本研究以巢湖地区为研究区，基于 Sentinel-1 卫星、Landsat8等影像对研究区水域进行洪水淹没灾害分析，研究成果为巢湖地区洪涝灾害监测、防洪救灾及灾后重建工作提供了有力的数据支撑。研究结论如下：

1）利用 Sentinel-1 卫星影像，能够克服光学影像难以穿透云雾问题，在阴雨天气下可快速获取洪水淹没面积及时空变化情况。

2）结合 Landsat8影像提取的土地类型利用数据，可进一步了解研究区内洪涝受灾情况。

3）利用光学影像分类结果去除 Sentinel-1 卫星影像中山体阴影等噪声存在去除不彻底问题，受灾区域面积验证还需进一步研究。