基于Sentinel-1和Sentinel-2影像的河南扶溝縣洪澇災害遙感監測評估研究

姜晗兵 鄧文彬

（新疆大學，烏魯木齊 830017）

0 引 言

河南鄭州“7·20”特大暴雨洪澇災害造成城市內澇、山體滑坡、河流漫堤等險情，導致重大人員傷亡及經濟財產損失。2021 年7 月20 日8 時至21 日6 時，河南中北部地區出現歷史極值降雨，鄭州、新鄉、開封、周口和焦作等地降雨強度較大。7 月21 日，河南省部分地區極端降雨形勢持續，賈魯河上游洪水嚴重超出其承載能力，部分地方潰堤。據評估，從鄭州等地泄洪的洪水流量達到1 000～1 200 m3/s，而賈魯河一般可承受的洪水流量僅為200 m3/s，周口市河段存在潰堤風險，態勢非常危急。賈魯河泄洪至周口市首先經過位于其西北部的扶溝縣，因此本次特大暴雨及賈魯河泄洪對扶溝縣造成了一定影響。

遙感技術因其具有宏觀、綜合、快速、動態等特征，可為洪澇災害監測預報提供非常重要的幫助，遙感技術在洪水范圍提取方面已有非常多的應用[1]。洪澇災害監測的關鍵在于水體范圍的提取，遙感技術用于水體信息的提取主要分為光學遙感和雷達遙感，由于洪澇災害發生的同時往往伴隨著暴雨的出現，會有較厚的云層覆蓋，因此難以獲取高質量的光學影像[2-5]。雷達數據具有全天時、全天候、穿透性的特點，越來越多的學者將雷達數據運用在洪澇災害的研究中[6-8]。閾值法、譜間分析法和多波段運算法是遙感上較常應用于水體范圍提取的幾種算法。Shu等[9]利用雷達影像得到洪水范圍監測圖，得出SAR 數據在洪澇災害監測方面具有重要作用。李景剛等[10]利用歐洲環境衛星提供的數據提取了2007 年洞庭湖枯水期和洪水期兩景影像上的水體范圍，結果顯示其改進的閾值法最優閾值的水體范圍提取的精度高于雙峰法和最大類間方差法。湯玲英等[4]基于Sentinel-1 影像，利用面向對象的方法繪制出西桂林會仙巖溶濕地的受災前后洪水面積變化圖。孫書騰等[11]將Sentinel-1 和Sentinel-2 數據相結合利用水體指數SDWI 提取出河南?？h“7·20”洪澇災害前后的洪水面積，并對土地利用類別的災情進行分析。

本文選取Sentinel-1 和Sentinel-2 影像數據，利用雷達和光學數據優勢互補的特點，對研究區災中、災后洪澇災害受災范圍進行快速提取，分析扶溝縣在“7·20”特大暴雨影響下的受災情況。

1 研究區概況及數據

1.1 研究區概況

扶溝縣隸屬于周口市，坐落于周口市西北地區，總面積1 173 km2。截至2022 年，扶溝縣共轄8 個鎮、6 個鄉；境內河流均屬淮河流域，總長度206.4 km，年平均排澇量0.88 億m3，最長河流為賈魯河，總長為47.2 km，賈魯河主要支流有雙洎河、康溝河、盧義溝等。境內另有大浪溝、清水河、廟陵崗泓、東西黃水溝等；人工河流有幸福河、豐收河等。

在遭受極端強降雨及賈魯河上游泄洪后，被譽為“蔬菜之鄉”的扶溝縣損失慘重，過水行政村達39 個，農田受災面積達5.64 萬hm2，受災人口達56.1 萬人，水利、交通、市政等基礎設施受到不同程度影響，直接經濟損失達28.4 億元。

1.2 數據源

Sentinel-1是歐洲航天局哥白尼計劃（GMES）中的對地觀測衛星，由兩顆衛星星座組成，有4 種成像模式，分別為SM、IW、EW、WV 模式，IW 模式是Sentinel-1 提供的主要數據[12]。Sentinel-2由兩個星座組成，A星座于2015年6月開始使 用，B 星 座 于2017 年3 月 開 始 使 用。Sentinel-2 包 含13 個波段，分為10 m、20 m 和60 m 3 個空間分辨率等級的多光譜影像[13]。本文選用Sentinel-2數據是已經過正射校正和幾何精校正的L1C級數據，選取其中3個空間分辨率都為10 m的B2、B3、B4波段，研究所需的Sentinel-1和Sentinel-2影像數據如表1所示。除此之外，還獲取了扶溝縣的行政邊界數據及30 m分辨率的數字高程模型（DEM）。

表1 Sentinel-1和Sentinel-2影像數據

1.3 數據預處理

本文選取的是IW 拍攝模式下的level-1 級地距影像（GRD）數據，地距影像產品經過多視處理[14]。經判斷，下載的影像數據都為升軌數據。本研究基于歐洲航天局提供的專業軟件SNAP 8.0 對Sentinel-1 數據進行預處理，首先進行軌道校正，軌道校正時會自動下載精密的軌道數據并更新元文件中的衛星軌道狀態信息，能夠獲取更準確的衛星軌道位置；再是輻射定標，這一步是為了將沒有單位的后向散射信號轉化為有單位的物理量，由于SAR數據具有云層的穿透性，因此輻射校正中只需進行輻射定標；而后進行相干斑濾波，在本次研究中運用的是Refined Lee 濾波器；之后進行影像裁剪，再地形校正，在地形校正這一步中不僅會給影像賦予真實的坐標信息，還會進行地形輻射校正，用的是30 m 分辨率的DEM 數據；最后進行分貝化，經過上述處理的后向散射系數的值較小，將雷達數據經過分貝化后，對雷達數據的分析會更加方便可用。

研究結果表明，在一系列對Sentinel-2 L1C 級產品進行大氣校正的模型中，Sen2Cor 模型具有較高的精度。因此，本研究采用Sen2Sor 模型對三期Sentinel-2 L1C 產品數據進行預處理，利用SNAP 8.0 的重采樣工具對B2、B3、B4這3 個波段進行重采樣，輸出為ENVI 格式，利用ENVI5.3進行波段合成、鑲嵌、裁剪等操作。

2 研究方法

本研究的主要流程分為3 個部分：研究區災前土地利用分類、洪澇災害淹沒范圍提取、洪澇災害的空間分析。

2.1 基于支持向量機的土地利用分類

利用支持向量機的方法對預處理后的Sentinel-2 影像進行土地利用分類。支持向量機分類（SVM）是一種建立在統計學習理論（SLT）基礎上的機器學習方法[15]。支持向量機是一種適合小樣本的學習方法，一般不會涉及概率測度及大數定律等，因此將分類和回歸等問題變得簡便了。支持向量的個數而不是樣本的空間維數決定計算的復雜程度，這也在某種程度上避免了“維數災難”的問題。支持向量機算法的學習過程可以概括為凸優化問題，因此能夠運用已有的算法發現目標函數的全局最小值。參考《土地利用現狀分類》[16]，再結合扶溝縣的真實土地利用狀況，將其分為耕地、水體、建設用地和其他用地4 種土地利用類型。在4 月17 日的影像上隨機選擇一定數量的樣本，判斷每個類別樣本之間的可分離性是否符合要求，可分離性均大于0.8，滿足分類要求。利用ENVI 混淆矩陣工具評價分類精度，利用ROI 工具建立驗證樣本集，結果顯示：總體的分類精度是95.85%，Kappa 系數是0.94，表明得到的災前土地利用分類圖可為后續的災情分析 提供必要支持。2021 年4 月7 日Sentinel-2 土地利 用 分類圖如圖1 所示。

圖1 2021年4月7日Sentinel-2土地利用分類圖

2.2 基于SDWI 的洪澇災害范圍提取

由于傳感器接收的微波后向散射的強弱不同，非水體表面一般比較粗糙，水體表面比較平整，因此在雷達影像上就會呈現出深淺不一的色調。水體表面較平整，因此微波的后向散射能力較小，呈現出黑色或者較暗的顏色[17]。

由于洪澇災害一般具有突發性、短時性，因此對于洪澇災害范圍的提取應考慮到簡單、快速。賈詩超等[18]根據雷達數據上水體和非水體的不同點及NDWI、NDVI兩種指數計算方法的特點，探索出雷達影像的VV 極化數據結合VH 極化數據提取水體信息的初始關系式，通過持續的改進和實驗逐漸完善提取水體信息的擬合關系式，最終探索出了基于Sentinel-1雙極化數據的SDWI水體提取指數，公式如下：

式中：KSDWI為水體提取指數；VV、VH為Sentinel-1 極化影像。理論上講，當KSDWI大于0 時為水體，KSDWI小于0 時為非水體，可根據實際情況，選擇最合適的閾值。

式（1）的核心思想是通過將VV和VH極化數據相乘之后再乘以10，來擴大水陸之間的差異，然后再取自然對數，當自然對數大于1時，曲線的斜率也會慢慢變小，以此來找到合適的經驗閾值。

3 試驗結果與分析

3.1 災中、災后水體范圍提取

經過預處理后的VV、VH極化影像在ENVI5.3中顯示，利用波段計算器計算SDWI，從VV、VH、SDWI 3 個直方圖的分布情況來看，SDWI 的雙峰形態最為明顯，VV 次之、VH 最差。因此，SDWI 最適合利用雙峰法進行快速提取洪澇災害的范圍。

通過反復實驗對比分析，最終確定提取災中、災后水體信息的閾值為-0.2。由于扶溝縣為平原地區，沒有山體，地形起伏不大，因此不考慮地形產生的陰影對水體信息提取的影響。通過決策樹分類得到水體初步提取結果。

初步提取的水體范圍會缺少空間連續性，需要進行小斑塊的去除，首先進行聚類處理，聚類處理可以使原本的分類結果更加平滑，原理是利用數學形態學算子（腐蝕和膨脹），將鄰近的類似分類區域聚類并進行合并。再進行最大值、最小值（Majority、Minority）分析，將較大類別中的虛假像元歸到該類中，分析完成后一些較小的斑點被分到了背景類別中，使得水體范圍提取結果更加平滑。經過以上處理，大量斑點像元被剔除，水體邊緣得到了增強。災中、災后水體范圍提取結果如圖2和圖3所示。

圖2 7月27日水體范圍提取結果

圖3 8月8日水體范圍提取結果

利用基于地面真實樣本的混淆矩陣的方法對提取的災中、災后的水體范圍進行精度評價，在Sentinel-2影像上隨機生成200 個點作為精度驗證的真實樣本。隨機點分布位置如圖4 所示。由此基于SDWI 進行水體范圍提取結果的精度為：7 月27 日的總體精度是97.6%，8 月8 日的總體精度是95.4%；災中、災后提取的水體范圍精度均高于95%，因此滿足實驗需求。

圖4 隨機點分布位置圖

3.2 洪澇災害面積統計

將洪澇災害前基于Sentinel-2 影像提取出的土地利用圖及災中、災后提取出的水體面積統一投影在WGS_1984_UTM_Zone_50N坐標系下，得出研究區災前、災中、災后的水體面積變化情況，結果如表2所示。

表2 研究區災前、災中、災后水體面積變化情況km2

結果表明，研究區在2021 年4 月17 日、7 月27 日、8 月8 日的水體總面積分別為4.068 km2、36.468 km2、18.770 km2，可以看出災中水體面積比災前的水體面積擴大了近9 倍。從7 月20 日暴雨開始，疊加賈魯河上游的泄洪，到7月27日水體面積急速增長到36.468 km2，洪澇災害面積高達32.382 km2，隨著強降雨的過境和泄洪結束，洪水的面積也在逐漸減少，8 月8 日水體面積縮減到18.770 km2。對比災前、災中、災后各鄉（鎮）的水體面積，曹里鄉受災面積最大，水體最大變化面積達到12.630 km2。扶溝縣地處賈魯河與雙洎河交匯處，受強降雨和兩條河流上游泄洪影響，扶溝縣發生嚴重洪澇災害，其中曹里鄉受災最重，26個行政村全部受災，11個行政村受災較為嚴重，房屋進水，受災人口42 667人，直接經濟損失5.95億元；白潭鎮受災情況次之，水體最大變化面積6.432 km2，由災中、災后水體面積變化可知，白潭鎮洪澇災害面積消退較快，8月8日基本同災前面積接近；練寺鎮、汴崗鎮、韭園鎮、城郊鄉的受災情況較輕，最大水體面積變化在2～4 km2，但這幾個鄉（鎮）災情較為持久，洪水消退較慢；其余幾個鄉（鎮）由于距離賈魯河和雙洎河較遠，因此受此次暴雨和上游泄洪的影響不大。

3.3 洪澇災害空間分析與災情評估

扶溝縣本次洪澇災害事發突然，7 月19—22 日，持續超強降雨造成的汛情、洪峰均達到扶溝縣氣象、水文有記錄以來的最高值，周口市水利局2021 年7 月21 日2 時起，將水旱災害防御Ⅳ級應急響應提升至Ⅱ級。賈魯河上游向下游加大泄洪量，同時南水北調干渠水量也向賈魯河下游泄洪，周口市賈魯河出現近40 年來的最大洪水。曹里鄉位于賈魯河與雙洎河交界處，受此次泄洪影響最大，從Sentinel-2 影像上可以看出，賈魯河及雙洎河在曹里鄉境內河堤發生了不同程度的潰堤，導致曹里鄉的行政村全部受災?；跒那巴恋乩梅诸惣盀闹兴w范圍提取結果，統計出全縣農田受災面積為22.793 km2，主要集中在曹里鄉。

4 結論與展望

本文選擇周口扶溝縣為研究區，基于Sentinel-1 和Sentinel-2 雷達影像快速提取研究區受洪澇災害影響范圍，本研究對洪澇災害發生時快速獲取受災情況有一定的借鑒意義。主要結論如下。

（1）基于雷達數據進行洪澇災害范圍提取的研究中，閾值分割法提取速度較快，特別對于平原地區，無山地陰影影響的區域，可以快速、準確地提取出洪澇災害的范圍，在洪澇災害應急監測方面發揮著非常重要的作用。

（2）本文利用Sentinel-2 光學影像結合支持向量機算法進行災前的土地利用分類，精度達95.85%。利用Sentinel-1雷達影像結合SDWI對災中、災后的水體范圍進行提取。最終提取結果的總體精度分別為97.6%和95.4%，均在95%以上。表明利用Sentinel-1雷達影像結合SDWI能夠快速準確進行洪澇災害范圍的提取。

（3）扶溝縣災中的水體面積呈現出“突增”的變化趨勢，災中水體面積相比于災前增加了32.382 km2，災中水體面積為災前水體面積的近9倍。

（4）扶溝縣境內兩條河流賈魯河、雙洎河在曹里鄉匯流，由于連日強降雨及賈魯河上游泄洪，部分河堤河水漫溢決堤，導致曹里鄉受災最嚴重，水體最大變化面積達12.630 km2。

運用主被動遙感相結合的方法在洪澇災害發生時進行水體范圍的提取，這在災害發生前后對災情進行評估及制定救援策略方面發揮著非常重要的作用。洪澇災害發生時一般伴隨著特大暴雨，由于此時云層較厚、水汽較為充足，僅利用光學影像進行水體范圍提取會受到一定的限制。而具有穿透性、不受天氣影響的雷達影像此時能發揮更好的作用。但由于雷達影像的成像原理比較復雜，數據處理的難度較大，因此使用的領域和范圍受到限制，所以，本文采用雷達和光學遙感協同處理的方法進行研究區洪澇災害范圍的提取分析。

影響本研究精度的主要因素有：利用閾值分割法進行水體信息提取時，閾值比較難確定，需要進行反復試驗：利用光學影像對雷達影像提取的水體范圍進行精度驗證時，驗證樣本與提取影像存在時間差。因此，未來可以加強以下幾方面的研究。

（1）增加災害發生過程中可用的遙感數據源，由此可以解決單一遙感數據在洪澇災害監測方面的不足，縮短洪澇災害監測的時間間隔，更好地繪制洪澇災害期間淹沒情況。

（2）加強不同場景水體散射特性的研究，對有些受災情況不是很嚴重的農田范圍進行提取，精確洪澇災害淹沒范圍。

（3）加強多源遙感數據融合的研究，利用光學遙感和雷達遙感優勢互補的特點提高洪澇災害范圍提取的準確性。