![]()
气候变化加剧了干旱和半干旱地区的洪水，对洪水监测和测绘提出了重大挑战。虽然卫星，特别是合成孔径雷达 (SAR)，可以对洪水范围进行综合观测，但准确区分干旱地区洪水中的沙地和水仍然是一项悬而未决的挑战。目前的全球洪水测绘产品由于沙地和水的混淆而将干旱地区排除在分析之外，导致观测严重不足，阻碍了这些脆弱地区的响应和恢复。本文探讨了 Sentinel-1 SAR 在改善干旱和半干旱地区近实时洪水测绘方面的全部潜力。通过研究偏振、时间信息和干涉相干性等各种参数的影响，确定了检测干旱洪水的最重要信息源。
利用Sentinel-1和Sentinel-2数据，专注于同一天的SAR和光学数据以提高洪水图的可靠性。通过严格筛选，确定了全球三个不同的洪水案例研究区域（图1）。
![]()
图1.研究区：不同的地理位置及其相关的洪水事件——伊朗锡斯坦（a）、土库曼斯坦埃森古雷（d）和巴基斯坦奥尔马拉（g）。
Sentinel-1 SAR数据：（1）单视复合（SLC）数据用于干涉相干性生成；（2）地面范围检测（GRD）数据用于VV和VH极化的幅度信息。Sentinel-2多光谱数据：用于洪水制图和验证模型结果。ESRI LULC 2019 数据集：提供2017至2021年的土地利用和覆盖信息。 全球陆地数字高程模型（COP-DEM）：提供地形信息。应用改进归一化差异水体指数（MNDWI）及Otsu方法进行阈值分割生成的洪水掩膜，分为水、陆地和无数据三类，但仍然存在边界不确定性，特别是在干旱地区的浑浊洪水中。研究中使用的光学影像主要用于测试方法的准确性，实际应用不依赖于这些光学影像。在幅度处理过程中，GRD数据集被转换为辐射地形校正(RTC)的产品，通过去除噪声和边缘伪影，进行标定，并应用了Lee Sigma散斑滤波器以提高图像清晰度。通过干涉测量（InSAR）技术，比较同一区域的SAR图像以检测洪水区域的地表变化，选用间隔为12天的图像对以增强相关性。下载SLC产品并使用ESA SNAP工具箱进行图像配准，确保像素精确匹配，并通过DEM评估配准精度。最终计算相干性，应用多视因子减少噪声，合并不同时间段的相干性产品为单一图像。通过七个场景（表1）探索干旱地区洪水制图中的不同因素，使用随机森林模型对数据进行分类，确保了模型的可靠性和准确性，最终生成的洪水图与参考图进行了比较。用于评估模型性能的五个二分类准确性指标，包括OA、PA、UA、IOU和F1分数（表2）。表1. 该表概述了各种场景，每种场景都包含不同的图层堆栈。通过置换特征重要性（PFI）评估特征对模型准确性的影响，并在此基础上重训练模型，以提高效率和准确性。比较优化前后的模型，评估其计算效率和准确性，从而确认优化带来的实际益处。![]()
图3展示了三种案例研究中使用的图像，并设计了多个场景以探讨相干性、极化和洪水前信息对干旱地区洪水制图的影响。
![]()
图3.显示了来自伊朗、土库曼斯坦和巴基斯坦的数据。
设计两种不同的场景探索极化对 CD 精度的影响：场景 2，利用 VH 极化，场景 3，重点关注 VV 极化。比较这些场景的一个关键观察结果是，VV CD 方法中的高估和低估都显著减少，在所有三个案例研究中都有所体现（如图4、5和6中的面板“e”和“f”所示）。结合两种极化的场景4也带来了小幅提升，但在某些案例中并未显示明显差异。![]()
图4. 伊朗的实验结果：（a）洪水前和（b）洪水后的 Sentinel 2 假彩色合成图（B8、B11、B2）；（c）表示 ESRI 2019 土地覆盖图。子图（d-j）显示情景 1-7 的对比图，使用颜色编码表示不同的预测：高估区域为红色，低估区域为黑色，正确绘制的洪水区域为蓝色，准确划定的非洪水区域为白色。![]()
图5. 与图 4相同，土库曼斯坦案例研究除外：（a）洪水前和（b）洪水后的Sentinel 2 假彩色合成图（B8、B11、B2）；（c）表示 ESRI 2019 土地覆盖。子图（d-j）显示情景 1-7 的对比图。![]()
图6. 与图 4相同，但巴基斯坦案例研究除外：（a）洪水前和（b）洪水后的Sentinel 2 假彩色合成图（B8、B11、B2）；（c）表示 ESRI 2019 土地覆盖。子图（d-j）显示情景 1-7 的对比图。通过独立基准测试评估相干性对干旱洪水检测精度的影响。比较伊朗的幅度（情景4）与相干性（情景5）时，发现低估量明显减少（图 4 'g' 和 'h' 中的黑色区域），但过度预测显著增加，尤其是在上部区域（图4 'g' 和 'h' 中的红色区域）。雷达图（图 7 'a'）显示，情景5的用户准确度（UA）低于情景4，而生产者准确度（PA）则高于情景4，说明相干性在某些情况下提高了检测准确性。在土库曼斯坦和巴基斯坦，使用相干性相比于幅度信息显著提高了干旱洪水检测的精度(图7的雷达图 'b' 和 'c')。土库曼斯坦中总体视觉效果改善，但新出现的过度预测区域特别是在洪水边界附近引起注意（图 5 'g' 和 'h' 中洪水边界附近的红色区域增加）。巴基斯坦的情况类似，右下角出现的过度预测在幅度信息中未见（图6 'g' 和 'h'）。将幅度与洪水相干性结合的情景6（图4 'i' 显示）显示出相较于情景5（图 4'h'），过度预测在伊朗的左上角显著减少，洪水边界的改善也很明显。在巴基斯坦（图5
'h' 和 'i'），图像下半部分的过度预测同样减少。融合相干性与幅度数据的情景6在各项指标上均表现出显著提高。与仅使用幅度的情景4相比，伊朗、土库曼斯坦和巴基斯坦的IOU和F1得分都有明显提升。雷达图（图 7 a-c）清晰表明，情景6在所有案例研究中均优于仅使用幅度和相干性的方法。![]()
图7. Spyder图：对应于三个案例研究的准确度评估图。图的每个角代表不同的准确度指标，而图中的七条线表示在测试的七种不同场景中的表现。场景1仅使用VV和VH极化的洪水后振幅图像，结果显示洪水区域存在高估和低估现象。相比之下，场景4结合洪水前后的图像显著减少了这些错误分类（比较图4、5和6中的面板“d”和“g”）。雷达图（图 7 a-c）显示红线始终高于洋红色，进一步证明了制图精度的提升。探讨洪水前一致性信息的添加是否能改善洪水检测(情景7)。结果显示，视觉变化不明显（图 4、5、6中的子图“i”和“j” ），且仅在土库曼斯坦的IOU上略有1%的提升，而伊朗和巴基斯坦并未表现出进一步改善。雷达图（图7）显示情景6和7的线条重叠，表明添加洪水前一致性未能显著提高模型性能。在所有案例中，“Coh VV”被确定为最重要特征，伊朗、土库曼斯坦和巴基斯坦的平均准确度分别下降16%、20%和28%时，表明其独特的重要性。土库曼斯坦和巴基斯坦的相关性分析显示，“Coh VV”与其他特征无高度相关性，而在伊朗中则与“Coh VH”有较高相关性（0.8），可能导致“Coh VH”的重要性较低。继“Coh VV”之后，“VV Pre”和“VV Post”也是重要特征，其中“VV Post”的排列使伊朗准确率下降11%，土库曼斯坦下降3%；“VV Pre”在伊朗、土库曼斯坦和巴基斯坦分别导致6%、2%和9%的下降，表明VV极化的变化提升了模型的准确率。![]()
图8. 第一列显示 x 轴上八个特征的 IOU 平均下降图，表示它们在干旱地区洪水检测中的重要性。准确率下降幅度越大，表明该特定特征在模型性能中起着至关重要的作用。第二列显示特征相关性热图，显示每个颜色单元格中不同特征之间的皮尔逊相关性。研究选定了Coh VV、VV洪水后和VV洪水前作为关键特征，并基于这三个特征训练了一个随机森林模型，以平衡模型准确性、时间效率和可解释性。结果显示，尽管使用三特征集的预测与完整特征集相比存在细微差异(表3)，如伊朗和巴基斯坦的轻微过度预测，但整体准确度变化很小 (图9)，且三特征集在性能上与全特征集相当，同时显著减少了计算时间。![]()
表 3.准确度指标比较——伊朗、土库曼斯坦（“Turk”）和巴基斯坦（“Pak”）的所有层堆栈（“All”）与最佳三层堆栈（“Opt”）。![]()
本文研究了如何通过整合双时相SAR的振幅和相干性数据来改善干旱洪水测绘，重点分析了伊朗、土库曼斯坦和巴基斯坦的实际洪水事件。研究发现，结合洪水前后图像显著提高了测绘准确性，VV极化的振幅数据效果优于VH极化。整合相干性和振幅信息在所有测试中均显著提升了IOU和F1分数，特征重要性分析确定了VV极化中的振幅CD和相干性为关键特征，这种精简特征集在准确性和处理时间上表现良好。尽管整合相干性数据存在挑战，研究结果显示其在洪水监测中的潜在优势，未来应利用云计算和更多案例研究以优化SAR数据的应用。
以上总结仅代表个人对论文的理解，仅供研究参考所用，不用于商业用途。若上述理解内容有误，请以论文原文为主。未经同意，禁止转载。
https://doi.org/10.1016/j.rse.2024.114417点击左下方 “阅读原文” 可下载论文原文。
湖泊遥感与智慧流域创新团队，主要围绕湖泊开展历史重构、现状观测和未来变化模拟等模型研制和应用实践工作，并在流域尺度开展大数据智慧管理平台研究，保障湖泊水质安全。团队拥有博士和硕士导师5人（段洪涛，罗菊花，刘东，谭振宇，邱银国），可分别在中国科学院南京地理与湖泊研究所、西北大学以及南京信息工程大学（国科大南京学院联合培养）等招收博、硕士研究生，欢迎报考！同时，长期招收联合培养研究生，欢迎咨询！
联系人：段洪涛研究员，htduan@niglas.ac.cn。
