CN113191292B - 一种溃决洪水淹没范围快速提取方法 - Google Patents

一种溃决洪水淹没范围快速提取方法 Download PDF

Info

Publication number
CN113191292B
CN113191292B CN202110509827.5A CN202110509827A CN113191292B CN 113191292 B CN113191292 B CN 113191292B CN 202110509827 A CN202110509827 A CN 202110509827A CN 113191292 B CN113191292 B CN 113191292B
Authority
CN
China
Prior art keywords
flood
sentinel
area
image
cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110509827.5A
Other languages
English (en)
Other versions
CN113191292A (zh
Inventor
魏进兵
杨仲康
邓建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202110509827.5A priority Critical patent/CN113191292B/zh
Publication of CN113191292A publication Critical patent/CN113191292A/zh
Application granted granted Critical
Publication of CN113191292B publication Critical patent/CN113191292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种溃决洪水淹没范围快速提取方法，该方法通过融合光学影像、SAR影像和DEM数据实现溃决洪水淹没范围快速提取。在无云区，构建光学影像时间序列光谱指数，根据洪水过境前后光谱指数差异，提取已过境洪水区域最佳分离洪水指标及其阈值，进行洪水淹没范围提取；在云层遮挡区，根据洪水过境前后SAR影像后向散射系数的变化，提取VV和VH极化数据和DEM数据构建特征集，以无云区数据构建训练样本，云层覆盖区作为预测样本，采用随机森林算法对云层遮挡区进行过境洪水淹没范围提取。本发明方法能够在不依赖洪水峰值时的遥感影像的前提下快速获取溃决洪水淹没范围，有利于洪水灾害快速评估和应急响应。

Description

一种溃决洪水淹没范围快速提取方法
技术领域
本发明属于洪水灾害评价领域，具体涉及一种溃决洪水淹没范围快速提取方法。
背景技术
大型滑坡堰塞坝溃决形成的爆发性洪水会对沿岸数百至上千公里造成灾难性破坏，及时准确的洪水范围对评估和减缓灾害至关重要。近年来，利用遥感影像进行洪水范围快速提取的方法开始发展，主要有两类：一类是利用光学影像中水体与非水体的光谱指数差异来进行水陆分离，另一类是利用合成孔径雷达(SAR)遥感数据极化分析进行洪水范围提取。目前这两类方法均需要使用洪水峰值时的遥感影像。山区堰塞坝溃决洪水历时短，难以获取洪水峰值时的遥感数据，给洪水淹没范围快速提取带来了新的难题。
发明内容
本发明的目的在于针对现有技术的不足，提供一种溃决洪水淹没范围快速提取方法，在不依赖洪水峰值时的遥感影像的前提下快速获取溃决洪水淹没范围，有利于洪水灾害快速评估和应急响应。
本发明提供的溃决洪水淹没范围快速提取方法，包括以下内容:
(1)数据预处理
准备覆盖洪水灾区的欧洲航天局(ESA)开放的Sentinel系列数据，包括Sentinel-1SAR影像和Sentinel-2光学影像；采用Sentinel应用程序平台SNAP8.0.0对Sentinel-1SAR影像进行校准、去噪、滤波及配准，得到VV和VH极化后向散射系数；在Sen2Cor V2.8插件中对Sentinel-2光学影像进行辐射校准和大气校正；在ArcGIS10.2软件中，按10m的空间分辨率对Sentinel-1和Sentinel-2影像进行重新采样，并重新投影到统一的WGS-84UTM坐标系中。
(2)工作区划分与溃决洪水制图场景分类
在ArcGIS10.2软件的水文分析模块中，利用DEM数据提取集水流域，并将集水流域获取的矢量面转换为多边形，作为集水单元。计算每个集水单元最小高程，将原始DEM与各个集水单元最小高程做差值，获取高差，根据洪水灾情设置高差阈值，进行高差掩膜提取工作区。采用云检测算法将高差掩膜得到的工作区划分为无云区和云层遮挡区，再依据影像采集时间、溃决洪水过境时间和云层覆盖情况，将溃决洪水制图场景分为三种：第一种，无云层遮挡，溃决洪水过境时间与影像时间相同，为光学影像区行进中洪水制图；第二种：无云层遮挡，影像时间滞后于溃决洪水，为光学影像区已过境洪水制图；第三种：云层遮挡，光学影像数据缺失，为SAR影像洪水制图。
(3)基于Sentinel-2光学影像的无云区洪水淹没范围提取
针对无云区行进中洪水，采用水体指数(NDWI)和改进的水体指数(MNDWI)进行淹没范围提取，NDWI阈值为0、MNDWI阈值为0.1，并进行人工目视调整；针对无云区已过境洪水，通过比较归一化植被指数(NDVI)、归一化水体指数(NDWI)、改进的水体指数(MNDWI)和自动水体指数(AWEInsh)，选出最佳光谱指数和阈值范围，再进行淹没范围提取。
(4)基于Sentinel-1SAR影像的云层遮挡区洪水淹没范围提取
根据洪水过境前后Sentinel-1SAR影像和DEM数据，创建多类型的特征变量集，采用随机森林算法进行洪水淹没范围预测，具体方法为：
1)伪彩色合成图像颜色特征提取
采用伪彩色融合方法，将洪水过境前后Sentinel-1SAR影像VV极化后向散射系数在SNAP8.0.0软件中以不同的比例组合，分别赋予R、G、B三个颜色通道，得到RGB伪彩色图像，从而将多极化图像中蕴藏在灰度等级中的细节信息以彩色的方式显示。组合方法为：R-洪水前VV极化数据，G-洪水之后VV极化数据，B-洪水之后VV极化数据。
2)构建特征变量集
将RGB伪彩色图像转换到HSV色彩空间，对其颜色特征进行量化表达。颜色特征包括色调、饱和度、亮度。色调为所处光谱颜色的位置，单位为度，红、绿、蓝分别相隔120°；饱和度表示所选颜色饱和度与该颜色最大饱和度之间的比率，范围为0～1；亮度表示色彩的明亮程度，范围为0～1。
为充分挖掘后向散射系数变化信息，混合交叉VV和VH极化数据，构建多组极化散射系数特征变量。计算公式如下：
Figure GDA0003374697890000021
Figure GDA0003374697890000031
式中：g(x,y)表示差值特征；f(x,y)表示比率特征；x、y分别表示像素中行和列；VV(x,y)N+1表示洪水后VV极化后向散射系数；VV(x,y)N表示洪水前VV极化后向散射系数；VH(x,y)N+1表示洪水后VH极化后向散射系数；VH(x,y)N表示洪水前VH极化后向散射系数。
数字高程模型(DEM)也是映射洪水像素的重要辅助数据，地势低洼、平坦地带往往更容易成为洪泛区，从DEM数据中获取高差和坡度，作为第三类特征变量。
从SAR影像颜色特征、散射特征和DEM地形特征中提取13个变量组成特征变量集，如表1所示。
表1随机森林算法溃决洪水预测模型特征变量集
Figure GDA0003374697890000032
3)生成训练和预测样本
将无云区基于Sentinel-2光学影像获取的洪水像素作为训练样本的标签集(淹没/非淹没像素分别为0/1)，与对应区域特征变量集共同构成随机森林算法的训练样本；云层遮挡区的特征变量作为预测样本，未知洪水像素作为预测输出。
4)随机森林模型构建
随机森林模型构建过程主要分3步，训练集的生成、决策树的构建和算法参数产生，在Python 3.7中搭建并完成随机森林模型，进行云层遮挡区洪水像素预测。
5)淹没范围提取
基于无云区Sentinel-2光学影像阈值分析成果和云层遮挡区Sentinel-1SAR影像随机森林算法预测成果，采用GIS系统完成溃决洪水淹没范围提取和制图。
进一步地，步骤(2)中云检测算法包括两部分内容：
(1)SNAP8.0.0软件自带模块Sen2Cor，自动检测云和阴影；(2)为进一步提高云和阴影检测准确率，采用基于近红外光谱波段时间序列和蓝色、近红外和短波红外波段间归一化差异的多时相分类方法来检测云和阴影，如果像素的近红外光谱值低于时间序列的第5百分位，且近红外和短波红外波段的最大值与蓝色波段的归一化差在-0.25～0.25，则将像素划分为云和阴影。
进一步地，步骤(2)中高差阈值优选为比最大洪水深度高200m。
进一步地，步骤(3)中，进行比较的光谱指数的计算公式和指数特征如表2所示。
表2光谱指数计算公式和基本特征表
Figure GDA0003374697890000041
进一步地，步骤(4)中将RGB伪彩色图像转换到HSV色彩空间的转换公式如下：
V＝max(R,G,B) (3)
Figure GDA0003374697890000042
Figure GDA0003374697890000043
式中：R、G、B为红、绿、蓝分量，R为洪水之前VV极化；G为洪水之后VV极化；B为洪水之后VV极化；max为R、G、B的最大值，min为R、G、B的最小值。
进一步地，步骤(4)随机森林算法中，考虑到准确性和处理速度，每个“随机森林”分类中树数量设置为128，最小节点设置为5，以限制树的深度，并定量评估每个特征指标的重要性。
与现有技术相比，本发明具有以下有益效果：
(1)传统的淹没范围评估采用水文站监测数据及现场实测，由于山区流域水文观测台站稀少，环境恶劣，洪水灾害后道路损毁严重，现场调查工作难度大。本方法基于卫星遥感影像，可在室内对溃决洪水淹没范围进行快速提取和评估。
(2)现有的遥感提取方法基于根据水体与非水体遥感信息的差异，需要洪水过境期间的遥感影像。因山区溃决洪水过境时间短，受卫星观测频次的限制，往往难以获取洪水峰值时的遥感影像。本发明所述方法可基于淹没区域在洪水前后遥感信息的差异提取洪水淹没范围，不需要洪水峰值时的遥感影像，适用范围更广。
(3)本发明克服了云层遮挡导致的数据缺失限制，建立了具有云层穿透性的SAR影像为应用主体的随机森林算法模型，提出了新的公式来构建种类多样且相关的特征变量，成功融合SAR影像、光学影像和DEM多源数据进行溃决洪水淹没范围提取。以SAR影像为主体的多源数据融合方法和海量样本制备策略能够为同类遥感机器学习提供有益的示范。
附图说明
图1为本发明所述溃决洪水淹没范围快速提取方法流程图；
图2为测试区位置图；
图3为溃决洪水制图场景分类示意图；
图4为Sentinel-2光学影像时间序列光谱指数变化图；
图5为Sentinel-2光学影像观测剖面B时间序列光谱指数变化图；
图6为Sentinel-2光学影像阈值制图与验证；
图7为Sentinel-1SAR影像伪彩色合成影像；
图8为Sentinel-1SAR影像随机森林算法洪水范围预测结果，(a)训练样本集、预测样本集空间分布；(b)随机森林算法预测结果；(c)预测结果局部放大图；
图9为随机森林算法洪水范围制图结果验证图；
图10各乡镇溃决洪水淹没范围。
具体实施方式
下面通过实施例对本发明做进一步说明。有必要指出，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，所属领域技术人员根据上述发明内容，对本发明做出一些非本质的改进和调整进行具体实施，仍属于发明保护的范围。
实施例1
以2018年金沙江上游白格滑坡堰塞湖溃决洪水为例，研究区域位置如图2所示。白格堰塞湖溃决洪水事件起源于西藏江达县波罗乡白格村金沙江右岸山体滑坡，在2018年10月10日发生滑坡堵江溃坝事件，因溃决洪水流量有限未对下游造成严重灾害。2018年11月3日同一地点再次发生山体滑坡，形成库容5.79×108m3的堰塞湖，回水淹没长度约为60km。11月13日18:00堰塞湖发生溃决(以下简称“1103白格滑坡堰塞湖溃决洪水”)，溃决洪水流经川、藏、滇三省区，造成沿线约650公里河段受到不同程度的破坏，47个乡镇受灾。据统计，溃决洪水造成10.2万人受灾，淹没或损毁房屋3万余间，农作物受灾0.35万公顷，损毁桥梁8座，国道G318线和G214线多处阻断，造成直接经济损失74.3亿元。由于交通闭塞和现有技术限制，溃决洪水淹没范围难以及时获取，给此类超广域自然灾害评估与应急管理造成了极大的困难。采用本实施例方法进行溃决洪水淹没范围快速提取，具体方法如下：
(1)数据预处理
从欧洲航天局(ESA)的相关网站(https://scihub.copernicus.eu/dhus/#/home)获取溃决洪水流经区域的Sentinel系列数据，包括Sentinel-1SAR影像和Sentinel-2光学影像。Sentinel-2为Level-1C数据集，共11张影像，成像时间为2018年11月9日、11月12日、11月14日和11月19日。Sentinel-2Level-1C影像数据集已经进行了正射校正，在Sen2CorV2.8插件中执行辐射校准和大气校正。
在干涉宽幅模式下(IW)，总共下载6景Sentinel-1SAR图像，空间分辨率为10m，成像时间2018年11月3日和11月15日。采用Sentinel应用程序平台SNAP8.0.0对Sentinel-1SAR影像进行以下预处理：(1)轨道校正；(2)热噪声去除；(3)边界噪声消除；(4)辐射定标，将后向散射系数信号转换为有单位的物理量，sigma0(σ°)；(5)多视；(6)使用Refine Lee滤波器进行斑点滤波；(7)多普勒地形校正；(8)将线性数据转换为分贝Db；最后得到VV和VH极化后向散射系数。
在ArcGIS10.2软件中，按10m的空间分辨率对Sentinel-1和Sentinel-2影像进行重新采样，并重新投影到统一的WGS-84UTM坐标系中。
(2)工作区划分与溃决洪水制图场景分类
高山峡谷地区，由于地形束缚，洪水淹没范围主要在金沙江干流。获取研究区的DEM数据，数据来源为ASTER GDEM V2(http://www.gscloud.cn/)，分辨率为30m，在ArcGIS10.2水文分析模块中提取金沙江干流沿岸200m以下的低洼地带作为工作区，具体过程为：1)利用DEM数据提取集水流域，并将集水流域获取的矢量面转换为多边形，作为集水单元；2)计算每个集水流域最小高程；3)将原始DEM与各个集水单元最小高程做差值，获取高差；4)设置阈值200m，进行高差掩膜；5)通过设置地形滤波器和影像裁剪，得到1103白格滑坡堰塞湖溃决洪水制图工作区，面积为587.31km2。
在使用Sentinel-2光学影像之前，需要进行云和阴影检测。采用Sen2Cor云检测算法自动检测云和阴影，配合使用基于近红外光谱波段时间序列和蓝色、近红外和短波红外波段间归一化差异的多时相分类方法进一步提取Sen2Cor云检测算法未检测到的云和阴影。如果像素的近红外光谱值低于时间序列的第5百分位，且近红外和短波红外波段的最大值与蓝色波段的归一化差在-0.25～0.25，则将像素划分为云和阴影。如图2所示，在金沙江干流沿岸，Sentinel-2光学影像数据缺失区主要有4处，C4为最大云层遮挡区，位于石鼓镇附近(NO.42)。
按照洪水运动过程、云层覆盖和影像时间，将溃决洪水场景分为3种类型，如图3所示。第一种类型为无云区行进中洪水，影像时间与行进中洪水同步，行进中洪水能够被观测到，如图3a(滑坡堰塞湖，影像时间11月12日)、图3b(洪水正在过境，影像时间11月14日)；第二种类型为无云区已过境洪水，洪水在11月15日已经结束，而最近的遥感影像时间为11月19日，如图3c(已过境洪水，成像时间11月19日)；第三种类型为云层遮挡区洪水，无论是行进中洪水或者已过境洪水，洪水淹没区被云层遮挡，如图3d。
(3)基于Sentinel-2光学影像的无云区行进中洪水淹没范围提取
对于无云区行进中洪水，采用水体指数(NDWI)和改进的水体指数(MNDWI)指数进行淹没范围提取，NDWI阈值为0、MNDWI阈值为0.1，取共同洪水像素为淹没范围。
(4)基于Sentinel-2光学影像的无云区已过境洪水淹没范围提取
无云区已过境洪水，通过比较归一化植被指数(NDVI)、归一化水体指数(NDWI)、改进的水体指数(MNDWI)和自动水体指数(AWEInsh)，选出最佳光谱指数和阈值，再进行淹没范围提取。光谱指数计算公式和指数特征介绍如表3所示，最佳光谱指数和阈值确定过程如下。
表3光谱指数计算公式和基本特征表
Figure GDA0003374697890000081
第一步，比较洪水发生前后光谱指数值变化特征，确定最佳的光谱指数。如图4所示，11月14日-11月19日两期影像内，表示为水体或潮湿地表的深色区域显著增多，4种光谱指数中NDVI指数对洪水过境造成沿岸潮湿变化最为敏感，NDWI指数次之。
第二步，截取河流剖面B确定最佳光谱指数NDVI和NDWI阈值范围。如图5所示，现场调查剖面b，洪水高程为1853m，洪水区主要集中在河流右岸宽谷(0～0.8km)。11月19日洪水已过境，这些区域值域降低为(-0.1～0.2)，显著低于标准干燥地表但略高于典型水体，表示为潮湿地表状态。在这4类指数中，仅有NDVI和NDWI指数能够通过选取适宜的阈值将洪水高程1853m以下的淹没区域成功分割，通过时间序列曲线对比分析，它们洪水制图阈值范围分别为(0～0.2)和(-0.25～0)。
第三步，参照现场洪水实景照片，经过人工目视优化，进一步确定NDVI指数和NDWI指数的最佳阈值，分别为0.15、-0.19。如图6所示，当NDVI＝0.15、NDWI＝-0.19时，已过境影像洪水制图结果最接近实际。在淹没区，洪水边界几何形态(图6中A、B和C)十分相似；在非淹没区，洪水内部未淹没高地(图6中F)和非淹没区(图6中D)也基本吻合。
(5)基于Sentinel-1SAR影像的云层遮挡区洪水淹没范围提取
根据洪水过境前后Sentinel-1SAR影像和DEM数据，创建多类型的特征变量集，采用随机森林算法进行洪水淹没范围预测，具体方法如下：
第一步，伪彩色合成图像颜色特征提取。采用伪彩色融合方法，将洪水前后Sentinel-1影像VV极化后向散射强度在SNAP8.0.0软件中以不同的比例组合，进行伪彩色融合(图7)。当以R:11.03VV,G:11.15VV；B:11.15VV组合进行伪彩色融合时，呈现显著不同色调(深色或浅白色)的地区(图7(3))与Sentinel-2光学影像获取的洪水淹没范围(图6)基本吻合。
第二步，构建特征变量集。将RGB伪彩色图像转换到HSV色彩空间，将其颜色特征进行量化表达，分解为色调(Hue)、饱和度(Sturation)、亮度(Value)，转换公式如下：
V＝max(R,G,B) (1)
Figure GDA0003374697890000091
Figure GDA0003374697890000092
式中：R、G、B为红、绿、蓝分量，R为11月3日VV极化；G为11月15日VV极化；B为11月15日VV极化；max为R、G、B的最大值，min为R、G、B的最小值。
交叉VV和VH极化数据，构建后向散射差异/比率特征集，计算公式如下：
Figure GDA0003374697890000093
Figure GDA0003374697890000094
式中：g(x,y)表示差值特征；f(x,y)表示比率特征；x、y分别表示像素中行和列；VV(x,y)N+1表示洪水后VV极化后向散射系数；VV(x,y)N表示洪水前VV极化后向散射系数；VH(x,y)N+1表示洪水后VH极化后向散射系数；VH(x,y)N表示洪水前VH极化后向散射系数。
从DEM数据中获取高差和坡度，作为第三类特征变量。从SAR影像颜色特征、散射特征和DEM地形特征中提取13个变量组成特征变量集，如表4所示。
表4随机森林算法溃决洪水预测特征变量集
Figure GDA0003374697890000101
第三步，生成训练和预测样本。将无云区Sentinel-2光学影像已获取的洪水像素作为训练样本的标签集(淹没/非淹没像素分别为0/1)，与对应区域13个特征变量集一起，共同构成随机森林算法的训练样本；云层遮挡区的特征变量作为预测样本，未知洪水像素作为预测输出。共准备训练样本126.35万个，预测样本64.29万个，如图8a所示。
第四步，淹没范围提取。采用Python 3.7中的pandas和scikit-learn模块搭建并完成随机森林模型，输入训练样本获取13个特征变量集与标签集的映射关系，云层遮挡区作为预测样本进行预测。考虑准确性和处理速度，每个“随机森林”分类中树数设置为128，最小节点设置为5以限制数的深度，预测结果如图8b所示。
为验证本发明新提出的方法的准确性，将图8b矩形虚线矩形框局部放大，如图8c所示。RF算法将洪水淹没区内部划分为更纯净致密的对象，淹没区与非淹没区有清晰完整的类型边界，区分性强。图9为预测洪水范围与现场实拍照片对比，淹没边界特征点A、B、C、D、E、F与洪水现场照片十分吻合，在已过境洪水识别中具有优良的性能。
(6)研究区洪水淹没范围制图
综合Sentinel-1SAR影像和Sentinel-2光学影像分析结果，绘制1103白格滑坡堰塞湖溃决洪水淹没范围。剔除原金沙江河道面积，以乡镇级行政区划为统计单元，统计洪水灾害中47个乡镇的洪水淹没面积，如图10所示。洪水淹没总面积为101.75km2。堰塞坝上游回水淹没长度67.58km，4个乡镇受灾，波罗乡淹没面积最大，为9.86km2；堰塞坝下游洪水淹没面积高值区受到地形地貌的强烈制约，主要集中在金沙江下游宽浅河谷地带，与距溃决点距离关系不密切。受灾最严重的5个乡镇均位于下游云南省丽江市境内，依次为巨甸镇、石鼓镇、金江镇、上江乡和虎跳峡镇，平均淹没面积为10.83km2，距离堰塞坝500km以上。
(7)结论
大型滑坡堰塞坝溃决形成的爆发性洪水导致的灾害往往比滑坡灾害本身严重。以1103白格滑坡堰塞坝溃决洪水为例，利用洪水前后可用的Sentinel-1SAR影像和Sentinel-2光学影像，发明了一中融合光学、SAR影像和DEM多源数据协同学习的溃决洪水淹没范围快速提取方法，进行了溃决洪水淹没范围快速制图，并从47个乡镇中识别出受灾最严重的5个乡镇。该方法对山区滑坡堰塞坝溃决洪水灾害快速评估和应急响应具有重要意义。

Claims (6)

1.一种溃决洪水淹没范围快速提取方法，其特征在于，包括以下内容:
(1)数据预处理
准备覆盖洪水灾区的欧洲航天局开放的Sentinel系列数据，包括Sentinel-1 SAR影像和Sentinel-2光学影像；采用Sentinel应用程序平台SNAP8.0.0对Sentinel-1 SAR影像进行校准、去噪、滤波及配准，得到VV和VH极化后向散射系数；在Sen2Cor V2.8插件中对Sentinel-2光学影像进行辐射校准和大气校正；在ArcGIS10.2软件中，对Sentinel-1和Sentinel-2影像进行重新采样，并重新投影到WGS-84 UTM坐标系中；
(2)工作区划分与溃决洪水制图场景分类
在ArcGIS10.2软件中，利用DEM数据提取集水流域，并将集水流域获取的矢量面转换为多边形，作为集水单元；计算每个集水单元最小高程，将原始DEM与各个集水单元最小高程做差值，获取高差，根据洪水灾情设置高差阈值，进行高差掩膜提取工作区；采用云检测算法将高差掩膜得到的工作区划分为无云区和云层遮挡区，再依据影像采集时间、溃决洪水过境时间和云层覆盖情况，将溃决洪水制图场景分为三种：第一种，无云层遮挡，溃决洪水过境时间与影像时间相同，为光学影像区行进中洪水制图；第二种：无云层遮挡，影像时间滞后于溃决洪水，为光学影像区已过境洪水制图；第三种：云层遮挡，光学影像数据缺失，为SAR影像洪水制图；
(3)基于Sentinel-2光学影像的无云区洪水淹没范围提取
针对无云区行进中洪水，采用水体指数NDWI和改进的水体指数MNDWI进行淹没范围提取，NDWI阈值为0、MNDWI阈值为0.1，并进行人工目视调整；针对无云区已过境洪水，通过比较归一化植被指数NDVI、归一化水体指数NDWI、改进的水体指数MNDWI和自动水体指数AWEInsh，选出最佳光谱指数和阈值范围，再进行淹没范围提取；
(4)基于Sentinel-1 SAR影像的云层遮挡区洪水淹没范围提取
根据洪水过境前后Sentinel-1 SAR影像和DEM数据，创建多类型的特征变量集，采用随机森林算法进行洪水淹没范围预测，包括以下步骤：
1)伪彩色合成图像颜色特征提取
采用伪彩色融合方法，将洪水过境前后Sentinel-1 SAR影像VV极化后向散射系数在SNAP8.0.0软件中以不同的比例组合，分别赋予R、G、B三个颜色通道，得到RGB伪彩色图像，组合方法为：R-洪水前VV极化数据，G-洪水之后VV极化数据，B-洪水之后VV极化数据；
2)构建特征变量集
将RGB伪彩色图像转换到HSV色彩空间，对其颜色特征进行量化表达，颜色特征包括色调、饱和度、亮度；混合交叉VV和VH极化数据，构建多组极化散射系数特征变量，计算公式如下：
Figure FDA0003387843680000021
Figure FDA0003387843680000022
式中：g(x,y)表示差值特征；f(x,y)表示比率特征；x、y分别表示像素中行和列；VV(x,y)N+1表示洪水后VV极化后向散射系数；VV(x,y)N表示洪水前VV极化后向散射系数；VH(x,y)N+1表示洪水后VH极化后向散射系数；VH(x,y)N表示洪水前VH极化后向散射系数；
从DEM数据中获取高差和坡度，作为第三类特征变量；
从SAR影像颜色特征、散射特征和DEM地形特征中提取13个变量组成特征变量集，各特征变量如下所示：
HSV色彩特征：色调、饱和度、亮度；
差值特征g(x,y)：VVN+1-VVN、VHN+1-VHN、VVN+1-VHN、VHN+1-VVN；
比率特征f(x,y)：VVN+1/VVN、VHN+1/VHN、VVN+1/VHN、VHN+1/VVN；
地形特征：高差、坡度；
3)生成训练和预测样本
将无云区基于Sentinel-2光学影像获取的洪水像素作为训练样本的标签集，与对应区域特征变量集共同构成随机森林算法的训练样本；云层遮挡区的特征变量作为预测样本，未知洪水像素作为预测输出；
4)随机森林模型构建
在Python 3.7中搭建并完成随机森林模型，进行云层遮挡区洪水像素预测；
5)淹没范围提取
基于无云区Sentinel-2光学影像阈值分析成果和云层遮挡区Sentinel-1SAR影像随机森林算法预测成果，采用GIS系统完成溃决洪水淹没范围提取和制图。
2.根据权利要求1所述方法，其特征在于，步骤(2)中云检测算法包括两部分内容：
(1)SNAP8.0.0软件自带模块Sen2Cor，自动检测云和阴影；
(2)采用基于近红外光谱波段时间序列和蓝色、近红外和短波红外波段间归一化差异的多时相分类方法来检测云和阴影，如果像素的近红外光谱值低于时间序列的第5百分位，且近红外和短波红外波段的最大值与蓝色波段的归一化差在-0.25～0.25，则将像素划分为云和阴影。
3.根据权利要求1所述方法，其特征在于，步骤(2)中高差阈值为比最大洪水深度高200m。
4.根据权利要求1所述方法，其特征在于，步骤(3)中，进行比较的光谱指数的计算公式和指数特征如表2所示，
表2光谱指数计算公式和基本特征表
Figure FDA0003387843680000031
5.根据权利要求1所述方法，其特征在于，步骤(4)中将RGB伪彩色图像转换到HSV色彩空间的转换公式如下：
V＝max(R,G,B) (3)
Figure FDA0003387843680000032
Figure FDA0003387843680000041
式中：R、G、B为红、绿、蓝分量，R为洪水之前VV极化；G为洪水之后VV极化；B为洪水之后VV极化；max为R、G、B的最大值，min为R、G、B的最小值。
6.根据权利要求1所述方法，其特征在于，步骤(4)随机森林算法中，每个“随机森林”分类中树数量设置为128，最小节点设置为5，以限制树的深度，并定量评估每个特征指标的重要性。
CN202110509827.5A 2021-05-11 2021-05-11 一种溃决洪水淹没范围快速提取方法 Active CN113191292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110509827.5A CN113191292B (zh) 2021-05-11 2021-05-11 一种溃决洪水淹没范围快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110509827.5A CN113191292B (zh) 2021-05-11 2021-05-11 一种溃决洪水淹没范围快速提取方法

Publications (2)

Publication Number Publication Date
CN113191292A CN113191292A (zh) 2021-07-30
CN113191292B true CN113191292B (zh) 2022-01-04

Family

ID=76981213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110509827.5A Active CN113191292B (zh) 2021-05-11 2021-05-11 一种溃决洪水淹没范围快速提取方法

Country Status (1)

Country Link
CN (1) CN113191292B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258959B (zh) * 2022-12-30 2023-09-26 北京师范大学 基于云计算快速评估洪水对作物长势影响的方法及系统
CN116630426A (zh) * 2023-07-21 2023-08-22 海南卫星海洋应用研究院有限公司 一种洪涝淹没区提取方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017005742A1 (en) * 2015-07-06 2017-01-12 Luxembourg Institute Of Science And Technology (List) Hierarchical tiling method for identifying a type of surface in a digital image
CN110532952A (zh) * 2019-08-30 2019-12-03 四川大学 基于gis定位技术的洪灾风险预警及撤离系统
CN111259876A (zh) * 2020-05-06 2020-06-09 中国水利水电科学研究院 一种基于陆表水体产品的雷达数据水体信息提取方法及系统
CN111999733A (zh) * 2020-08-11 2020-11-27 中国海洋大学 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统
CN112084712A (zh) * 2020-09-07 2020-12-15 长江水利委员会长江科学院 融合主被动微波遥感信息的洪水淹没范围动态模拟方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017005742A1 (en) * 2015-07-06 2017-01-12 Luxembourg Institute Of Science And Technology (List) Hierarchical tiling method for identifying a type of surface in a digital image
CN110532952A (zh) * 2019-08-30 2019-12-03 四川大学 基于gis定位技术的洪灾风险预警及撤离系统
CN111259876A (zh) * 2020-05-06 2020-06-09 中国水利水电科学研究院 一种基于陆表水体产品的雷达数据水体信息提取方法及系统
CN111999733A (zh) * 2020-08-11 2020-11-27 中国海洋大学 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统
CN112084712A (zh) * 2020-09-07 2020-12-15 长江水利委员会长江科学院 融合主被动微波遥感信息的洪水淹没范围动态模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms;Andrew Whyte et al.;《Environmental Modelling & Software》;20180322;第40-54页 *
Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine;Ben DeVries et al.;《Remote Sensing of Environment》;20200131;第1-15页 *

Also Published As

Publication number Publication date
CN113191292A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Jain et al. Flood inundation mapping using NOAA AVHRR data
Long et al. Flood extent mapping for Namibia using change detection and thresholding with SAR
Ouma et al. A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM+ data
Sheng et al. Quantitative dynamic flood monitoring with NOAA AVHRR
Chen et al. An automated cloud detection method for daily NOAA-14 AVHRR data for Texas, USA
CN113191292B (zh) 一种溃决洪水淹没范围快速提取方法
CN108195767B (zh) 河口湿地外来种监测方法
CN111046613B (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN106485254A (zh) 一种输电线路通道地表特征变化自动提取方法
Guo et al. Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images
Visitacion et al. Detection of algal bloom in the coastal waters of boracay, philippines using Normalized Difference Vegetation Index (NDVI) and Floating Algae Index (FAI)
Omran Evolving waterlogged identification system to assess spatiotemporal impact of the new Suez Canal corridor, Egypt
Liu et al. Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices
Sun et al. Hazard or non-hazard flood: Post analysis for paddy rice, wetland, and other potential non-hazard flood extraction from the VIIRS flood products
ÖZELKAN Comparison of remote sensing classification techniques for water body detection: a case studY in Atikhisar Dam Lake (Çanakkale)
Kwak et al. Nationwide flood inundation mapping in Bangladesh by using modified land surface water index
Olthof Automated surface water extraction from RapidEye imagery including cloud and cloud shadow detection
Sharif et al. Mapping of Urban Flood Inundation using 3D Digital Surface Model and Sentinel-1 Images
Islam Bank erosion and movement of river channel: A study of Padma and Jamuna Rivers in Bangladesh using remote sensing and GIS
Sohail Mapping landcover/landuse and coastline change in the Eastern Mekong Delta (Viet Nam) from 1989 to 2002 using remote sensing
Qin et al. Mapping the flood inundation area for climate adaptation planning: A Chinese case in Xinxiang City, Henan Province China
Irimescu et al. Sentinel data for flood disaster monitoring and assessment: Case studies in Romania
Liang et al. Water Body Extraction Research Based on S Band SAR Satellite of
Wale et al. Flood inundation mapping from synthetic aperture radar and optical data using support vector machine: a case study from Kopili River basin during Cyclone Amphan
Gabriele Dectecting and mapping flash flooding with synthetic aperture radar (SAR) satellite data: The Metaponto plain cultural landscape case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant