1.研究背景
洪水是破坏财产和基础设施，并损害经济发展的一种不能完全预防的自然现象。能够识别和准确绘制易受洪水影响地区的工具，对于有效评估和管理这种日益增长的洪水风险至关重要。虽然Landsat、Sentinel-2等光学影像已成功用于在流域尺度上成像和描述洪水，但是光学影像受云层覆盖问题影响严重，许多洪水事件发生时云量很大，光学影像无法收集有用的数据，而SAR影像具有昼夜活动的能力，不受云量覆盖的影响。本研究提出了一种利用Sentinel-1C-band SAR数据自动绘制非城市洪水范围的新方法，使用基于半自动图块的直方图阈值方法对洪水范围进行分类，并采用一系列后处理过滤器进行细化。该方法的总体精度值大于0.97，kappa值大于0.7，并且能够检测到超过90%的已记录的大于2 公顷的永久水体。
2.研究区
爱尔兰共和国(如图1)，国土面积为70273km²，由宽阔的起伏的中央平原组成，周围是一串破碎的沿海高地和山脉。在过去的十年中，爱尔兰经历了许多极端洪水事件，迫切需要一种系统的、大规模的洪水测绘技术。
图1 显示水景和石灰岩覆盖的爱尔兰共和国地图(注：由于没有必要的背景数据集，北爱尔兰没有纳入)
3.实验数据
3.1 哥白尼数据和衍生产品
洪水检测和制图主要基于Sentinel-1的VV和VH极化。通过API从ESA Copernicus Open Access Hub (https：//scihub.Copernicus.eu/) 批量下载了位置和时间符合用户标准的GRD数据产品，本研究考虑了完全或部分覆盖爱尔兰的8条轨道路径(四条升轨，四条降轨)的影像。使用2016至2021年在洪水高峰季节(10月1日至次年5月31日)获得的8个轨道共5081张Sentinel-1 SAR影像生成了6张季节性洪水地图， 基于2016年夏季的Sentinel-1影像制作植被掩膜和永久水掩膜。最后利用2020年3月4日的Sentinel-2影像进行比较和验证。
3.2 地形数据和衍生产品
利用LiDAR、InSAR和DGPS数据集，为爱尔兰创建了一个国家DTM。LiDAR数据由爱尔兰地质调查局(GSI)、公共工程办公室(OPW)、爱尔兰交通基础设施(TII)和爱尔兰地形测量局(OSI)提供。对于没有LiDAR覆盖的地区，使用了OPW委托的InSAR衍生的DTM，即NEXTMAP。DGPS调查数据也已合并到高优先级位置的DTM中。将所有数据集混合并重新采样为5 × 5 m的水平分辨率。NEXTMAP的垂直分辨率在70cm之间，而LiDAR或GPS点覆盖的区域则在10cm之间。从国家DTM生成了四个子产品，并用于洪水制图过程：1) 地形盆地掩模；2) 地形山丘掩模；3) HAND；4) 梯度掩模。
3.3 土地利用和背景数据
土地利用掩模的范围从OSM和CORINE数据集中获得。
3.4 洪水观测数据
洪水观测数据来源包括：1) 由OPW、地方当局和一般媒体来源提供的航拍照片；2) 在洪水事件期间进行的GPS测量；3) 来自爱尔兰地质调查局地下水洪水监测站(https：//gwlevel.ie/)的水位时间序列。
4.实验方法
洪水测绘工作流程在Python中自动化，分为7个阶段：1) Sentinel-1数据预处理；2) 水分类；3) 多时相滤波；4) 上下文滤波；5) 地形校正；6) 清理；7) 汇编和验证，方法的流程图见图2。
图2 洪水测绘工作流程图
4.1 Sentinel-1数据预处理
卫星影像被分为64个重叠的地理子集(图3)，其目的是平衡三个因素：1) 最大限度地增加永久性水的存在；2) 最小化子集内的入射角范围；以及3) 将子集装入预先存在的栅格内。在定义了地理子集之后，使用SNAP软件对每个区域进行了Sentinel-1 SAR数据的预处理，具体包括：1)切片组装；2)应用轨道文件；3)去除热噪声；4)去除边界噪声；5)校准；6)斑点滤波；7)地形校正；8)转换为对数尺度(dB)，最后得到VV、VH极化图像。
上述预处理步骤中影响最大的是斑点滤波，它造成了雷达影像特有的颗粒状纹理，降低了影像的可读性。为了解决这个问题，使用Refined-Lee和Lee-Sigma过滤器为每张原始影像生成了两个单独的SAR产品，并在之后的阶段加以融合。
4.2 水分类
使用基于图块的半自动直方图阈值化方法，对SAR影像进行初始陆地/水分类。在水体很少的地区，使用基于图块的方法对洪水进行分类时更有效。
在每个区域内(图3)，使用几个图块来生成直方图，并定义将SAR影像用于进行陆地/水分类时的阈值。阈值确定前，首先对直方图的适用性进行了评估，如果认为合适(并且是双峰)，则采用两种阈值确定方法来创建二元图像：Otsu阈值方法和概率密度函数方法。使用两种阈值方法可以实现噪声降低的集成方法，即只保留两种方法中遇到的洪水。
图3 a：64个重叠的地理子集和16个重叠栅格网格。b：用于水分类的图块
一旦直方图确定为双峰，就使用Otsu阈值方法生成二值图。该阈值应用于Refined-Lee和Lee-Sigma SAR产品，将二者的水像素结合形成一个单一的二进制产品，包括两种产品的所有水像素。接下来，采用一种基于概率密度函数(PDF)的附加阈值方法，从Refined-Lee和Lee-Sigma SAR产品中获取最大像素值并将其合并为单个产品，水概率小于0.5的像素被归类为非水。最后，基于降噪标准，将Otsu和PDF两种阈值方法组合在一起，即必须通过两种方法识别出的水，才能保留在最终图像中。
4.3 多时相滤波
通过在特定位置使用多时相SAR影像，利用Sentinel-1卫星在图像获取时的时间和轨道来识别可能与雷达阴影和噪声相关的假阳性值。这种过滤过程与图像聚合过程一起应用，即VH和VV图像堆栈被编译为VH和VV的单个洪水数组。多时相滤波器包括轨道方向滤波器和连续日/图像滤波器，并应用于基于对象而不是基于像素的方法。这意味着，如果在过滤过程中，一个对象（洪水）的至少一个像素没有被丢弃，则整个对象被视为代表一个可能发生洪水的区域。通过这种方式，这些过滤器一旦保留了最终的洪水范围，就包含了每个洪水对象的最大可能范围。
4.4 上下文滤波
到目前为止，仅根据图像本身提供的信息对SAR图像进行过滤。从这一部分起，将聚合的分类图像 (图2中的Flood Array 2) 与外部上下文信息结合使用，以估计洪水的可能性并限制其范围。应用的上下文过滤器是：1) 地形过滤器，2) 土地利用过滤器，和3) 沿海过滤器。一旦应用了这些滤波器，最终将应用基于对象形状的滤波器来识别可能与噪声相关的任何剩余洪水对象。
4.5 地形校正
地形校正包括使用国家DTM对SAR衍生的洪水对象的范围进行校正。开发了一种自动化过程，将SAR图像中的洪水边界与地形数据进行交叉参考，以计算陆水界面的高程。然后将计算出的洪水高程与地形图相结合，描绘出地形校正的洪水范围(以矢量格式输出)。地形校正过程的目的仅是将 “缺失” 像素 (如森林区域) 添加到SAR衍生的洪水对象，而不是从SAR洪水对象中去除像素。对于地形校正来说 <100像素的洪水被直接从栅格格式转换为矢量格式，而不改变形状。地形校正的过程如图4所示。
图4 地形校正过程的概念性说明
4.6 清理
经过地形校正，洪水图进行最后的清理。此过程对于消除没有被任何其他过滤器识别，但在地图生产过程中变得明显的错分是必要的，这些错分包括：1)土地利用掩膜中使用的GIS数据集的错误分类（例如未绘制的运动场、采石场等），2)在农业环境中出现的异常平坦的土地，以及3)沿海的沙丘地区。
4.7 汇编和验证
最后一个阶段是从64个重叠的子集中汇编所有的洪水。在此过程中，相邻子集重叠部分中的重复洪水被合并到单个对象中。最后，利用所有可用数据进行验证和准确性评估计算。
5. 实验结果
5.1 洪水范围
自冬季以来，每个洪水季节都制作了国家洪水地图。虽然只有2016和2020发生了显著的洪水事件，但2017、2018、2019和2021洪水图是评估 “正常” 洪水范围的有用工具，特别是在季节性地下水洪水方面。图5显示了国家范围的洪水图以及两个子区域的更详细的视图。正如预期的那样，虽然个别洪水在2020年或2021年的洪水地图上达到高峰，但是最大的洪水范围来自2016年的洪水地图。(注：洪水范围计算不包括永久水体)。
图5 显示2016-2021年每年洪水范围的洪水图样本。子图A显示戈尔韦公司的地下水洪水，子图B显示罗斯康芒香农河沿岸的河流洪水
5.2 洪水范围准确度
将洪水图与已知水体(EPA GIS data)进行比较，评估的结果呈现在图6中，从图6a中可以看出，根据水体的大小，对水体的检测能力有明显的依赖性。对于600平方米(6像素)的水体，洪水图考虑的最小尺寸，95%的洪水被遗漏，而尺寸大于1000平方米的水体全部都能检测到。此外，图6a 还强调了制图方法的稳定性，每张年度洪水图都显示了几乎相同的检测模式。关于面积大于100,000平方米的遗漏水体，据观察，在大多数情况下，都与有水草的浅层非永久性水体有关（如图6b）。
为了在大范围内评估准确性，本研究选择了在2020年洪水高峰期获得的Sentinel-2影像来与洪水图进行比较(结果见图7a)。使用NDWI从Sentinel-2影像中提取水范围，并根据其不同的洪水特征和缺乏云覆盖范围，选择三个区域进行比较（Sentinel-2参考区域的位置见图7b）。结果本研究的总体精度值（区域1、2和3的组合值）为0.97，kp值为0.78。
图6 来自EPA GIS数据的遗漏水体的比例，与水体的大小有关。
图7 a) 三个研究领域的结果：UAf：被淹没的用户精度; UAnf：未被淹没的用户精度; PAf：被淹没的生产者精度; PAnf：未被淹没的生产者精度; OA：总体精度; Kp：Kappa系数。b) 与Sentinel-2影像的比较。使用2020年3月4日的图像，将SAR 2020年绘制的洪水与使用NDWI绘制的洪水进行了比较。深蓝色：两种方法都表现为洪水，天蓝色：仅在洪水地图上表现为洪水，粉红色：仅在使用NDWI时表现为洪水。
6. 结论
本文描述了一个基于Sentinel-1的稳健运行的洪水测绘过程，该过程产生了自2016年以来每个汛期的全国最大洪水范围。这些地图是使用最好的现有数据集和已建立的技术的组合来制作的，其中一些技术已经针对爱尔兰的条件进行了调整和优化。对多时相SAR图像进行阈值化，并输入一系列自动质量控制和过滤步骤，利用上下文信息来提高准确性。然后计算每个洪水物体的高程，如果合适，则根据地形信息自动校正。
使用GIS数据，替代遥感数据以及观测到的现场数据评估了该方法的性能。结果表明，这些地图在以下方面取得了令人满意的结果：1) 与GIS数据中已知水体的检出率相比(1.2公顷以上洪水的检出率为90%)；2) 与Sentinel-2图像相比的总体覆盖率 (总体精度值高于0.95，Kp值高于0.7)。
该绘图过程首次使爱尔兰能够在全国范围内对已测量和未被测量地点的洪水程度进行年际比较。这些地图以及开发它们的程序将有助于爱尔兰根据欧盟洪水指令承担的义务，并将成为洪水管理的宝贵工具，特别是在气候变化和未来洪水事件可能增加的背景下。
7.文章引用格式
McCormack, T., Campanyà, J., & Naughton, O. (2022). A methodology for mapping annual flood extent using multi-temporal Sentinel-1 imagery. Remote Sensing of Environment, 282, 113273. https://doi.org/10.1016/j.rse.2022.113273.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
