卡霍夫卡潰壩造成的下游災情評估

劉 波，李英冰*，楊新紅

（1.武漢大學 測繪學院，湖北 武漢 430079；2.中國地震應急搜救中心，北京 100049）

由于水庫蓄水具有巨大的勢能，潰壩洪水通常會對下游的人員和建筑物造成巨大破壞[1]。許多高風險大壩缺乏緊急行動計劃，無法在大壩發生故障時，判斷哪些下游地區將被淹沒[2]。因此，定量評估潰壩洪水災害是大壩應急行動規劃的核心，對救災減災具有決定性作用[3]。通過數值模擬[4-10]或物理模型[11-15]追蹤潰壩演進過程，可計算洪水淹沒范圍，如借助二維潰壩數值模型[10]、元胞自動機[15]等方法可精確計算潰壩任意時刻的淹沒情況。在此基礎上，部分學者結合歷史潰壩數據[16]、高分辨率地形數據[17]等進一步提高模型準確度；進而構建災情風險評估體系，如利用模糊綜合評價方法[18]、概率圖[19]等對不同指標、不同地點的淹沒情況進行量化，以評估洪水風險和綜合災情。利用全天候、大范圍遙感衛星獲取地表實時水體信息，可快速計算洪水淹沒范圍[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]，可為洪澇災害管理提供實際幫助[23]，滿足災害應急過程中對不同時空尺度信息的需求[24]，而具備較強穿云透霧能力的SAR衛星在洪水監測中往往更加適用[25]。

卡霍夫卡大壩因戰爭損毀，屬于突發隨機事件，缺乏必要的建模參數，常規數學物理方法應用難度較大。為快速評估下游損失，本文以Sentinel-1 衛星影像為數據源，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；并聯合土地利用數據、交通矢量數據定量描述災情影響。

1 基于遙感影像的潰壩災情評估方法

1.1 技術路線

本文直接利用谷歌地球引擎（GEE）平臺內置函數從數據庫中篩選出拍攝時間、覆蓋范圍、含云量均滿足要求的影像進行拼接鑲嵌，大大提高了影像處理效率[26]。技術路線見圖1。

圖1 技術路線

1.2 洪水淹沒范圍提取方法

根據地物的光譜特性曲線，對遙感影像不同波段進行組合，達到增強水域與其他地物區分度的目的。Sentinel-1 雙極化水體指數（SDWI）結合了微波遙感中水域信息在影像中的特點，進一步反映了Senti?nel-1 雙極化數據之間水體信息提取的關系，以達到增強水體特征的目的，同時消除土壤和植被[27]。其表達式為：

式中，VV、VH為Sentinel-1影像中的同名波段。

經SDWI 增強后的影像，水體與背景之間的差異最大化，再利用OTSU算法進行分割。OTSU算法是日本學者大津于1979年提出的一種圖像二值化閾值分割算法[28]，首先統計分析影像的灰度分布，并根據其差異分為兩個聚類；再利用方差量化描述兩個聚類之間的差異，二者的類間方差越大，則認為構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）假設圖像的總灰度級為L-1，給定初始閾值T0，可將圖像分為待提取目標（前景）和背景信息（背景）兩部分。

2）若圖像的像素總數為N，前景、背景分別為Nf和Nb，每個灰度級為Ni，則有（假設待提取目標灰度值高于背景）：

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）通過設置不同的閾值T0迭代，使得σ2最大，此時得到最佳閾值。

理論上，通過OTSU 算法可以最小的錯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結合使用，完成不同地物的精確語義分割。利用災后水域減去災前水域，即可得到新增的水域，也即洪水淹沒區域。

1.3 洪水災情評估方法

洪水災情評估是對各種受影響實體的淹沒情況進行全面統計與分析，以便挖掘出被淹沒實體的分布規律。本文評估工作主要分為典型地物受災評估和交通受災評估兩個方面，具體流程為：①數據格式與空間基準的統一化處理，在典型地物受災評估中，洪水淹沒數據和地物分類數據均采用柵格形式，統一重新采樣至30 m 分辨率，且統一采用WGS84 坐標基準，而交通受災評估需利用矢量形式的交通數據，因此將洪水淹沒的柵格數據轉換為矢量形式，并統一至WGS84橢球下的坐標系統；②空間疊加處理，通過算數求和計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據賦予布爾類型的淹沒屬性值；③災情統計評估，詳細統計各類地物的總面積、淹沒面積和淹沒比例等指標，以量化描述受災程度，并統計分析被淹沒的交通樞紐、交通站點、道路和鐵路等要素數量，以量化洪水對交通系統的影響程度。

2 卡霍夫卡潰壩淹沒范圍計算

2.1 研究區概況與數據來源

本文選取的研究區為卡霍夫卡水電站及其下游區域，涵蓋會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，區域內最低高程為-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；上游有運河與涅曼河、西布格河以及西德維納河相通；全長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/覆蓋數據來源于世界資源研究所提供的Dynamic World 數據集（https://www.wri.org/），這是一款10 m分辨率的近實時產品，包括9個類別概率和標簽信息，并處于實時更新中。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，與其余柵格數據保持一致。由Dynamic World柵格可知，研究區內存在樹木、草地、農田、建筑、裸地、水體、濕地7 種地物類型。統計分析區域內所有地物分布發現（圖2），區域內面積最大的地類為農田，廣泛分布于東南區域和第聶伯河以北，總面積占比達到了44%；其次為草地（占比24%），主要聚集于第聶伯河南側與樹木交錯分布，同時零散分布于農田間隙；建筑面積占比僅約為4%，大致沿河道兩側帶狀或塊狀分布。

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OpenStreetMap（https://www.openstreetmap.org）獲取交通矢量數據。該平臺是一種眾包的世界地圖，涵蓋了全球的建筑、交通等矢量數據，全部開放下載。NASA 的DEM 產品（https://cmr.earthdata.nasa.gov/）是借助其他輔助數據優化90 m 分辨率STRM產品，最終生成的30 m分辨率產品。

2.2 基于遙感影像的水域提取

Sentinel-1 遙感衛星能實現高時效、大范圍的地表監測，在洪水淹沒區域提取上具有較大優勢。本文借助GEE 平臺，利用SDWI 與OTSU 分別對研究區受災前后進行了水域提取，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日為災前時間段、2023年6月6日—6月12日為災后時間段，獲取研究區遙感影像（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，均達到數倍水平；圖3d除了能得到與圖3b相同的結論外，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 進行空間疊加發現，超過40%的植被、農田等由于含水量較大也被判定為水體，對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，超過一定水位對附近地區產生威脅，甚至造成災害的一種水文現象。因此，本文將任意地區的地表水體劃分為永久水體、季節性水體和洪水，永久水體是指在較長時間內穩定存在，流量和流域范圍較固定的水體，通?？蓪⒑导咀畹退坏暮恿骱匆暈橛谰盟w；季節性水體是指在不同季節表現出明顯變化，存在系統性規律的水體，主要受氣溫、降水等因素影響；洪水則是在上述類型之外，隨機性與偶發性較強的水體，主要表現為短暫覆蓋原區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換關系。

利用災后水域減去災前水域，即可得到新增水域。根據前文定義，新增水域中永久水體被消除，且由于災前災后兩組數據的時間跨度在兩周以內，不考慮季節性水體的影響。圖3 中存在的大量零散的誤分為水域的像元，經算術相減后被消除，不會影響洪水區域的提取。由于系統誤差干擾，存在部分零散的洪水像素點，本文根據連通性原理進行平滑處理，消除少于8個像素的洪水區域。最終的淹沒分布范圍見圖4。利用DEM數據進行水文分析，經填洼、坡向計算、流量統計等步驟后得到研究區內的河網分布。圖4 提取的淹沒范圍與河網分布高度一致，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，整個下游入?？诰谎蜎]，因古列茨河沿岸淹沒情況也較嚴重。除河流附近的集中淹沒區域外，還有眾多零散淹沒區域，這些零散淹沒區域均沿著計算的河網走勢隨機分布。

圖4 洪水淹沒范圍

3 洪水災情分析

3.1 典型地物受災情況

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；農田呈現零散淹沒格局，廣泛分布于整個區域；整個研究區約有11.48%的區域被淹沒，面積約為489.24 km2，從面積絕對值來看，濕地與農田的受災情況最嚴重，受災面積分別達到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%的農田被淹沒，其余地物被淹沒占比均不足5%。結合圖2可知，濕地主要分布于第聶伯河的河岸附近，河道水位上升時大部分都會被淹沒，因此受災情況最嚴重；農田是研究區內分布最廣的地類，面積占比接近50%，因此受災情況也較嚴重；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計

3.2 交通受災情況

由OpenStreetMap 獲取研究區的交通樞紐（信號燈、十字路口等）、交通站點（公交站、鐵路站等）、道路（公路、高速公路、城市道路等）和鐵路數據（圖7），共計1 511 個交通樞紐、506 個交通站點、19 076 段道路曲線、514 段鐵路曲線。交通樞紐、交通站點主要分布在第聶伯河沿岸的居民區附近，呈現出明顯的聚集現象；道路網在居民區密度最大，在農田區域呈規則形狀排列；鐵路由研究區西北穿過第聶伯河延伸至研究區東南。

圖7 交通受災情況分布

對交通數據和洪水區數據進行疊加分析，統計交通淹沒情況發現，交通整體受災情況較輕，交通樞紐與交通站點分別僅有1.13%和7.91%被淹沒，由于交通站點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；由于道路網在農田區域大量分布，因此在農田被淹沒面積較大的同時道路網被淹沒比例也有一定升高，達到了16.63%；鐵路橫跨距離遠，穿過了多片被淹沒區域，但淹沒比例較?。?.23%）。

4 結 語

卡霍夫卡水電站大壩在戰爭中被毀，對下游區域造成了重大影響，本文基于Sentinel-1 衛星影像對大壩下游災情進行統計分析。

1）基于Sentinel-1衛星影像，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研究區，存在6.23%的受災路段。

從研究過程來看，借助Sentinel-1 衛星影像提取洪水淹沒范圍的方法具有快速、高效、大范圍的優點。衛星遙感可長期連續觀測特定區域，汛期利用衛星遙感技術及時有效監測江河、湖泊、水庫空間分布及其面積動態變化對防洪減災具有重要意義。Senti?nel-1 衛星在惡劣天氣也能穿過云霧獲取地表信息，因此其在洪水監測等方面具有廣泛的應用前景。利用SDWI 和OTSU 算法提取水域時存在一定的錯分現象，但經算術運算后對洪水淹沒范圍判定的影響較小。在此基礎上，結合土地利用/覆蓋數據以及交通矢量數據，即可統計農田、建筑、道路等承災體的受災情況，對災情進行快速評估。然而，由于遙感衛星重訪周期限制，本文無法獲取卡霍夫卡水電站大壩被毀當日的遙感影像，因此在災情評估時放棄了短時間內、暫時性的受災情況，主要針對一周以內的中長期災情。后續研究在地形、河道、管網等數據的支撐下，可以嘗試將遙感影像與水文動力學模型相結合，對潰壩進行物理建模，并以遙感影像進行修正，實現任意時間節點的災情評估。