遥感大数据在水利中的应用及发展

洪勇豪，亓郑男，张丽丽

（河海大学计算机与信息学院，江苏 南京 210098）

1 遥感发展史

1.1 国外遥感发展史

1858 年法国用系留气球拍摄了巴黎的鸟瞰相片，1903 年莱特兄弟发明了飞机，并于1909年得到第1张航空相片，从此开启了俯瞰大地的技术研究。一战期间（1914—1918 年）形成独立的航空摄影测量学的学科体系；二战期间（1931—1945 年）彩色摄影、红外摄影、雷达技术、多光谱摄影、扫描技术及运载工具和判读成图设备开始投入使用；1957 年前苏联发射了人类第1颗人造地球卫星；20 世纪60年代美国发射了 TIROS，ATS，ESSA 等气象卫星和载人宇宙飞船，其中1972年美国发射的地球资源技术卫星 ERTS-1（后改名为 Landsat-1）装有 MSS 传感器，分辨率为79m，1982 年发射的Landsat-4，装有 TM 传感器，分辨率提高到30m。1986 年法国发射了 SPOT-1，装载了 PAN 和 XS 遥感器，分辨率提高到10m。1999 年美国又发射了IKNOS，空间分辨率继续提高到1m。2000 年，以色列发射了 1.8 m 分辨率的地球资源观测卫星1号；2003 年美国成功发射了分辨率为61cm 的快鸟2号遥感卫星；2011 和2012年法国 SPOT 卫星公司先后成功发射 Pleiades 高分辨率卫星组；2013 年2月11 日，Landsat-8 卫星在加州范登堡空军基地进行发射。遥感卫星在短短几十年内从百米分辨率进入了亚米级高分辨率时代，为科学研究带来了巨大变化。

1.2 国内遥感发展史

我国遥感卫星应用起步于20世纪70年代末，由于起步较晚，我国遥感技术在前期阶段落后于国外的发展，自主数据匮乏，多以引进国外卫星数据为主。经过数年快速发展，我国遥感事业取得了长足进步。到目前为止我国自主研发并发射卫星50余颗，拥有风云气象、海洋、中巴资源、环境减灾、遥感卫星等系列，以及北京1号、天绘等众多自主遥感卫星[1]，标志着我国遥感事业已迈入国际领先行列。2013 年我国成功发射高分1号卫星，作为中国高分对地观测系统的首发星，高分1号突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术。高分1号搭载了2台2m 分辨率全色/8 m分辨率多光谱相机，4 台16m 分辨率多光谱相机，并于同年12月30日正式投入使用，已经在资源勘探、农业、气象和水利等领域进行了相关研究。高分2号于2014年发射成功，搭载了2台1m 分辨率全色/4 m 分辨率多光谱相机，并于2015年3月6日正式投入使用。高分3号成功发射，不同于高分1号和2号，高分3号是首颗分辨率达到1m 的 C 频段多极化合成孔径雷达（SAR）成像卫星，2016 年发射，并经过5个月的在轨运行测试，于2017年1月23 日投入使用。高分4号于2015年成功发射，是中国首颗地球同步轨道高分辨率遥感卫星，搭载有1 台可见光50m/中波红外400m 分辨率的面阵相机，于2016年6月13日正式投入使用。2018 年5—6 月，我国相继发射首颗实现对大气及陆地综合观测的全谱段高光谱卫星高分5号和首颗精准农业观测的高分卫星高分6号，并于2019年3月21日2 颗卫星同时正式投入使用。

20 世纪80年代，我国将遥感技术引入到水利事业中来，服务于洪涝灾害、旱情监测、水源监测和水土保持等多方面，开启了遥感技术应用于水利的新篇章。

2 遥感在水利中的应用现状

2.1 洪涝灾害监测评估

我国幅员辽阔，大陆性季风气候特征十分显著，因此我国的洪涝灾害具有发生范围广、频次高、损失大、突发性强的特点。洪涝灾害的突发性决定了洪涝灾害的预报信息需要进行及时有效的反馈，传统的人工信息采集手段，已经无法满足洪涝灾害监测的需要。

遥感技术具有快速、有效、实时、范围广的特点，利用遥感监测洪涝，不仅可以动态监测水情，还可以进行灾情评估。目前光学遥感影像广泛应用于洪水动态监测及灾情评估。其中 MODIS 遥感数据又凭其高时间分辨率（0.5 d）、高空间分辨率（250 m）和高光谱等显著优点， 能很好地捕捉到洪水期间水体淹没的动态变化过程，成为光学遥感灾情监测评估的代表。潘继亚等[2]利用 MODIS 数据通过单波段阈值法对曼谷洪水淹没区进行了信息提取，绘制了淹没范围面积的动态变化曲线，其基本原理是利用水体在近红外波段上反射率低，容易与其它地物区分开来的特点，是提取水体比较简单易行的方法；饶品增等[3]利用 MODIS 数据时间分辨率较高的特点，提出了基于多期影像叠加的方式，利用随机森林的方法确定了洪水水体淹没范围，并且基于获取的洪水水体淹没范围统计了可能造成的农作物损失情况等。光学遥感卫星通过丰富的光谱信息可以准确监测地物，但是易受环境的影响，各地物的光谱灰度值会随季节、气象等条件而发生变化。另外，光学卫星波段穿透性有限，特别是在洪水发生期间，多为连续阴雨天气，使得光学数据的获取受到了极大限制。SAR 由于分辨率较高，能够全天时全天候工作，并且能够穿云透雾，在洪水期间可为汛情监测、灾情评估提供重要的数据支持。杨存健等[4]利用 DEM 数据结合 SAR 图像的成像参数生成相应的模拟雷达图像，根据模拟雷达图像上的阴影和原始雷达图像提取的水体范围，剔除被误提为水体的阴影；汤玲英等[5]基于 Sentinel-1A 卫星 SAR 数据，利用面向对象的方法构建了洪水淹没范围提取流程，实现了对广西临桂会仙岩溶湿地区域不同时期洪水的动态监测，同样结合 DEM 数据剔除了山体阴影对提取结果的影响。单纯使用 SAR 图像在包含山体建筑物等区域而言，提取洪水存在水体与阴影混淆的问题，容易造成误提取，除了结合 DEM 数据的方法，现在洪水监测中较为先进的是利用光学遥感和 SAR 图像结合的方法，结合多种数据源，增加了影像的光谱信息，提高了地物的可区分性。赵昕等[6]综合采用了MODIS 和 ASAR 数据提取了鄱阳湖地区洪水淹没范围，ASAR 和 MODIS 光谱指数综合数据集的分类结果正确识别了被洪水淹没的植被区域，比单纯使用ASAR 数据集有了较大改进；王嘉芃等[7]利用面向对象的方法提取了受灾时 COSMO-SkyMed SAR 影像中的所有水体信息，然后利用多光谱影像的波段运算和决策树分类提取灾前 SPOT-5 图像中的水体信息，最后进行差值运算，提取了灾时洪水淹没的水体空间信息，为洪灾监测和灾情评估提供了参考。

微波成像机理与光学遥感不同，在实际的洪涝监测中往往综合使用以有效弥补各自的不足，达到优势互补的效果。

2.2 旱情灾害监测

以往国内对应机构对旱情监测并没有行之有效的方法，一般多是布设土壤墒情监测点，由于布设位置点带有强烈的时域性和地域性缺点，耗时耗力，不适宜大面积应用。

旱情遥感监测方法具有监测范围广、空间分辨率高、信息采集实时性强和业务应用性好等特性。旱情遥感监测是监测土壤水分含量，通过土壤含水量的分布和多少反映干旱的分布区域和程度，目前较为常用的遥感干旱监测评估的方法主要有4类：基于土壤热惯量、土壤波谱特征、蒸散模型和植被指数等的旱情监测方法[8]。土壤热惯量是引起土壤表层温度变化的内在因素，它与土壤水分含量之间有着密切的相关关系，马春锋等[9]以 MODIS 数据为基础，选用真实热惯量模型，反演得到了黑河流域的土壤热惯量，克服了以往表观热惯量模型在农田生态系中应用的局限性。土壤在不同湿度下在可见光及近红外表现出不同的波谱特性，使利用光学和微波遥感进行土壤水分监测评估成为可能，张红卫等[10]基于不同湿度的土壤的光谱反射特性，提出的地表含水量指数（Surface Water Content Index，SWCI）模型能够较好地反映地表的含水量值及其变化，可用于大面积、快速的浅层土壤墒情遥感监测；基于蒸散模型法主要是基于能量守恒，利用蒸散能量的变化反映地表湿度情况，通过遥感影像反演地表反射率、辐射率和表面温度的同时，辅以地面观测资料直接估算区域蒸散率，张长春等[11]人采用地表能量平衡系统（Surface Energy Balance System，SEBS）模型，利用美国国家海洋大气局的第三代实用气象观测卫星 NOAA/AVHRR 获得的数据对中国重要的粮食和石油生产基地黄河三角洲区域蒸散量进行了研究，与同期降雨量对比确定了该地区的干旱程度，但是该方法涉及到一些地表热力学参数，带有较强地域性，无法业务化使用。

植被的生长状态和土壤背景有着密切的关系，因此基于多光谱信息构建的植被指数成为旱情监测评估的重要理论基础，杨婷等[12]以青藏高原地区为例，提出一种基于光学及微波遥感数据融合反演土壤水分的新方法，首先使用修正型土壤调整植被指数（Modified Soil Adjusted Vegetation Index，MSAVI）参数代替归一化差异植被指数（Normalized Difference Vegetation Index，NDVI），减少 NDVI 易饱和的缺点，并利用 Aster GDEM（先进星载热发射和反射辐射仪全球数字高程模型）数据对地表温度进行修正，然后结合降雨数据，建立了研究区的 BP 神经网络模型，并以此反演了观测区的土壤水分分布。

旱情的发生通常涉及发生区域的水文变化并会影响该区域的植被长势状况，综合利用土壤水分因素和植被含水量的旱情遥感监测，更有利于提高遥感监测的精度及对旱情时空发展的综合评估能力。

2.3 地表水源监测

地表水源是人类经济社会用水的重要储蓄源，传统的地表水源监测是通过地面监测站网人工或自动获取点上的水体信息，由于地势地形险峻及存有监测盲区等问题，使得监测结果没有达到一定的精确程度[13]，而遥感技术恰恰弥补了这些短板。

通过遥感技术提取水体边界、面积是进行地表水监测的重要步骤之一，属于对面状地物的提取。Kloiber[14]利用 TM 影像、航空影像等数据对美国10 个主要城市的湖泊透明度进行评估，利用非监督类的方法将 TM 影像分为10类，并将分类后的影像聚类成水体和陆地2类，利用聚类后的影像作为二值掩膜进一步生成只有水体的影像；李戈伟[15]利用 TM 遥感影像和水体指数法实现对洪水淹没范围的提取；李畅游[16]利用 ETM 遥感影像数据和多波段组合运算法提取乌梁素海的水体范围，得到水体面积及边界信息之后，结合地面监测数据估算水深和蓄水量等地表水参数，通过不同时期影像操作实现动态监测。1989 年，Harris等[17]采用 TM 和AVHRR 影像计算了北爱尔兰 Lough 湖的面积，并分析了其面积变化成因，同时建立了该湖泊面积和水位的相关性模型；1996 年，Guirguis 等[18]以多个时相的假彩色合成图像为数据源，采用主成分分析法研究了埃及 Brullus 湖近10a 的面积变化状况，得出湖泊面积平均每年缩减 8.6 km2与围湖造田有关；2015 年，陈文倩等[19]利用高分1号影像的第 1，2，4 波段构造了阴影水体指数（Shadow Water Index，SWI），克服了山区水体提取过程中山体阴影的干扰；2016 年，冯沛华等[20]通过数次试验发现归一化差异植被指数，归一化差异水体指数（Normalized Difference Water Index，NDWI）和改进的归一化差异水体指数（Modified Normalized Difference Water Index，MNDWI）3 种水体提取方法存在互补性，通过对3种指数进行组合，得到了水体信息提取优化模型，去除了部分阴影对水体提取的影响。随着遥感技术的快速发展，人们对地表水源监测的精确程度和效率及针对观测结果做出的决策也随之提高和改善。

2.4 水土保持

中国是世界上水土流失最为严重的国家之一，由于特殊的自然地理和社会经济条件，使水土流失成为主要的环境问题。土壤侵蚀是造成水土流失现象的主要因素。

土壤侵蚀是发生在陆地表面自然与人文交互耦合的复杂地理过程，人们长期以来对土壤侵蚀进行定性和定量分析，并在此基础上通过严格的数学方程建立土壤侵蚀研究模型。Cook 等[21]对水蚀因子与土壤侵蚀流失量分析并建立了数学模型，标志着土壤侵蚀定量理论研究的开始。我国学者基于国外模型也进行了相应研究，张光辉等[22]认为，根据土壤侵蚀模型的建模手段和方法，土壤侵蚀模型可以分为经验统计和侵蚀机理过程模型；李国瑞[23]将其中的物理成因模型分为了物理过程和动力学模拟模型。随着土壤侵蚀模型应用的成熟，利用遥感技术获取数据资料的手段也应运而生，这是观测手段的一次革命性变化。澳大利亚 Metternicht 等[24]基于ERDAS 软件采用监督分类方法进行土壤侵蚀特征信息提取，利用 JERS-1 SAR 和 Landsat TM2 类遥感影像中可见光、红外、热红外和微波光谱特征，实现研究区土壤侵蚀特征监测和制图；Alice Servenay等[25]通过3期航空像片和1期 SPOT 影像，监测墨西哥境内的硬化火山上土壤侵蚀时空变化，对航空像片采用分割和图像掩膜技术获取不同时期的土壤侵蚀范围，通过 SPOT 不同波段组合采用非监督分类获取土壤侵蚀范围。通过对获得的土壤侵蚀遥感影像进行定量、定性分析，以及模型匹配之后则可对相应区域进行信息提取并采取治理措施。其中植被覆盖度、叶面积指数等环境因子也是影响土壤侵蚀的关键。植被覆盖度遥感反演方法主要为统计模型法、植被指数法和混合像元分解模型方法。Kerdiles 等[26]将 TM 图像与 AVHRR 数据相结合，利用 NOAA/AVHRR NDVI 数据进行了混合像元分解，采用线性混合像元分解方法，对南美大草原的农作物种植面积进行了估算。基于遥感技术的叶面积指数法有经验统计和基于冠层反射率模型法2种。经验统计模型法即通过实测数据建立植被指数与叶面积指数（Leaf Area Index，LAI）之间的回归方程，用来估算 LAI，简便易行，但普适性差，且需要先验知识，同时没有考虑非植被因素（土壤背景特征、地形、大气特征）。基于冠层反射率模型法计算 LAI 时主要采用了几何光学或辐射传输模型，但模型反演复杂，需要的参数较多，一定程度上限制了其应用[27]。

通过提取并分析某监测区域内土壤侵蚀状况和各类环境因子信息，可做出相应水土保持治理措施；并且通过对各类参数的动态监测还可达到一定的预测效果。

3 遥感大数据在水利应用中的展望

3.1 水利大数据

天地一体化空间信息网络的形成，带来的是海量、多源、异构数据的爆发式增长，当前的遥感信息技术正逐渐进入遥感大数据时代。水利行业作为遥感技术应用的重要领域，遥感大数据是水利大数据的重要组成部分。由于遥感数据的不准确性，因此在其为水利服务的同时，还需结合物联网设备的实测数据，人工普查的信息数据，以构成和拓展水利大数据体系，才能准确高效地为水利信息化的发展提供强有力的数据支持。水利大数据既包含关系型数据库中的结构化数据，也包括采集的图片、语音、视频和文本等非结构化数据，现有的技术架构还无法高效地处理这些多源异构的海量数据[28]。水利行业的特殊性决定了水利数据需要及时高效的反馈，例如在旱涝灾害监测方面。因此，大数据时代，不仅包含大数据本身，也包含了对智能化信息提取手段的需求。

3.2 知识库

遥感大数据时代下，最突出的技术是数据驱动模型代替传统的基于统计的知识模型，以深度学习算法为代表的机器学习算法，通过大量样本数据学习目标的本质特征，并且采用面向对象的知识表达模型，从知识表示着手，建立统一的知识库模型，将各类地物以对象组织描述，不仅记录单一地物，还记录其特征性的存在背景和关联数据，使复杂的地物内部属性和地物之间的相互关系清晰化，更贴近人类的思维方式[29]。张兵等[30]基于面向对象的遥感知识库和融合遥感大数据特征的深度学习网络，开发了一套基于深度学习的遥感大数据智能信息提取系统，并利用其工程化处理能力，利用 1.19 m 分辨率遥感影像实现了全国室外运动场的提取。

3.3 知识图谱

知识图谱由 Google 公司于2012年5月正式提出，致力于描述海量实体、实体属性和实体关系，谷歌高级副总裁艾米特·辛格博士一语道破知识图谱的重要意义所在：“构成这个世界的是实体，而非字符串（things，not strings）”。知识图谱作为知识库更高级的抽象，能够全方位揭示知识的来源和发展规律，虽从语义网诞生，但是这种重在抽取实体关系建立高关联的概念已经开始被其他行业所吸收，也是未来各领域在大数据时代下新的发展趋势。国网已经开始将知识图谱应用于开发的全业务统一数据中心中，首先通过人为定义和语义描述算法对全业务统一数据中心的电网数据进行知识抽取，并消除异构数据中的实体冲突，之后使用知识融合算法计算知识实体间详细的关系，构建三元组保存至知识图谱库中，从而实现数据搜索的智能化[31]。水利领域在大数据时代下，面对水利信息资源应用服务适用性弱、难以共享的问题，也可以构建水利知识图谱，通过对水利工程设施、水利管理等静态数据和实时水情，水文水质等动态数据等进行分析，抽取和整理，利用知识计算工具及现有的业务数据进行实体、属性识别，并建立实体属性链接集成构建水资源、水利移民、农村水利、水利概况、水土保持等专题知识图谱[32]。

3.4 大数据时代背景下遥感大数据的应用框架

大数据时代背景下，遥感数据必然要与地面数据结合、关联及融合使用，才能发挥遥感数据时空连续特性和地面观测数据的准确特性，最终实现监测、管理和决策的及时，精准。在此指导思想及现代信息技术快速发展的背景下，提出应用框架，如图1所示。

图1 遥感大数据水利应用框架图

遥感大数据在与地面监测站网数据结合时，由于数据来源广泛，数据类型和格式多种多样，在发送给存储和数据中间件系统进行处理时，为了避免受到噪声数据、数据值缺失与数据冲突等影响，需要开展数据清洗、归约、转换等数据处理工作[33]，这样有利于提高数据后续的利用效率；其次需要对二者的数据进行时空匹配，空间上多以地面监测站点为准，时间上多以卫星过境时间为准，剔除时域或空域上产生的无效和错误数据，利用相应的算法对匹配之后的数据进行分析，得到所需的研究结果，从而实现遥感大数据与水利信息的转化。遥感大数据的优势主要体现在监测范围广，易于获取，不足之处在于其精度依赖于源数据的误差和遥感信息提取算法，而地面监测站网的数据则在精度上有一定的保证，其缺陷在于空间密度不足。因此，二者的结合可以优势互补，相辅相成，并且由于地面监测站网的数据存在被篡改的可能性，而遥感大数据具有实时传输的优点，可以形成与地面监测站网数据的相互校验，提高数据的整体准确性。

遥感大数据通过卫星可以实时监测大范围的地表水资源情况，进而分析观测区域的水文信息，而这些信息由于范围广，且处于动态变化之中，难以通过人工地面监测。而在可视化应用平台层面，则可以将众多环境变量纳入到分析模型中，并结合实时更新的遥感数据，对流域进行水资源监测，并以图表形式将数据可视化，优化管理水平，协助管理者作出合理决策。现存的水利行业监管方式随着时代的发展逐渐暴露出一些问题，如水资源管理投入不足、机制及管理能力不适应需求的问题，无论从精度还是效率上都无法满足水利行业强监管的需求，实现严格的水利行业强监管制度无疑需要快速准确的信息，以实现水资源信息及时的采集、传输、分析和评价，从而作出高效合理的决策。因此借助人工智能、深度学习等技术进行多源知识获取形成水利知识库，以水利大数据为基础，以水利知识库为过渡，结合先进的数据挖掘方法，基于水利需求进行知识归类和关联，构建水利知识图谱，可以客观地揭示水利相关特点、业务实体之间的联系，利用微观宏观知识的融合，最终服务于水利科学机理揭示。由于遥感大数据具有实时传输、不易被篡改的优点，保证了上层应用利用数据的真实性，即可采取一种自上而下的管理方式[34]，在可视化应用平台层，将分布式数据转变成直观的信息发布，将结果与水利行业指标或红线比照，通过以遥感大数据为主的数据实时反馈，形成连续不断反馈的动态管理过程，满足水利行业强监管的需求。目前，山东省水利信息中心通过构建水利知识图谱，建立了山东水利数据垂直搜索模型，对水利结构化、网页分析提取、非结构化文献影像图像等数据进行分析和整理，确定数据之间关联关系，建立索引，实现水利信息资源的全文检索和精准查询[32]。

4 结语

随着水利信息化与遥感技术的发展，遥感大数据在水利中的应用范围在不断扩大，应用深度在不断纵深。水利业务部门都基本建成了满足本部门需求的水利信息系统，所获取的地面监测数据急需与遥感大数据结合、关联和融合使用。结合大数据时代背景下其他现代信息技术的发展及应用，提出了一种可实现宏观、微观信息融合的应用框架，可实现遥感数据与地面观测数据的有效融合，贴近目前水利强监管的水利信息化新的形势和要求，有望在水资源、旱情、水环境等管理领域发挥重要作用。