农田洪涝灾害信息遥感自动提取方法研究

王来刚，徐少博，黎世民，郭 燕，程永政，贺 佳

（1. 河南省农业科学院 农业经济与信息研究所，河南 郑州 450002；2. 农业农村部黄淮海智慧农业技术重点实验室，河南 郑州 450002；3. 河南省农作物种植监测与预警工程研究中心，河南 郑州 450002）

由于全球气候变化，洪涝灾害呈现破坏性强、影响范围大、频度增强的趋势。我国一直是洪涝灾害频发国家之一。2021 年7 月中下旬，河南省大部分地区出现暴雨、特大暴雨。据评估，河南省在此次暴雨灾害事件中约有1 478.6万人受灾，造成直接经济损失1 200.6 亿元；河南省全省农作物受灾96.67 万hm2，成 灾 面 积62.67 万hm2，绝 收 面 积36.67万hm2[1]。利用遥感技术能够快速准确监测农田洪涝灾害，可以为防灾减灾和灾后农田管理提供科学决策数据，对保障粮食安全具有重要意义。遥感技术可以贯穿于洪涝灾前、灾中和灾后监测全过程。近年来，利用遥感技术对水体进行长时序变化监测的研究越来越深入，大量学者基于光学和合成孔径雷达（SAR）影像，利用谱间关系、水体指数和辅助数据通过机器学习、阈值分割等方法进行水体信息快速提取。MARKERT 等[2]分析了SAR 数据不同的预处理方法对水体提取精度的影响。栾玉洁等[3]基于Sentinel-1数据通过阈值分割法提取2018年寿光洪灾前、中、后3 个时期水体信息，分析寿光洪水灾害情况。柳崇斌等[4]利用随机森林-递归特征消除算法提取GF-3 极化分解和灰度共生矩阵衍生的55维特征的最优子集，并通过随机森林方法提取水产养殖塘。郭山川等[5]利用GEE（Google earth engine）云计算平台基于Sentinel-1 数据通过阈值分割算法获得像元级水体频率图，实现长江中下游地区洪水自动检测和洪水淹没过程的监测。吴庆双等[6]通过分析水体、建筑物、植被、裸土、阴影、混合像元6 种地物的光谱曲线，提出一种植被红边水体指数（Vegetation red edge based water index，RWI），在细小水体提取中得到较好的结果。XIA 等[7]利用GEE云计算平台上的陆地卫星TM、ETM+和OLI数据，通过植被指数和水体指数提取1989—2017 年淮河流域地表水体面积并分析其时空变化和驱动因素。刘宇晨等[8]基于时序的多种水体指数并融合DEM提出一种在大尺度和不同时空环境下更具普适性且高精度的水体提取算法。综合分析前人研究发现，水体指数通常与阈值方法相结合，获取局部或全局阈值，提取水体，这种方法操作简单易实现，但使用单一的水体指数特征，容易受噪声干扰，提取精度较差以及不稳定。阈值方法和区域生长法相结合，可以提高单一阈值法的精度，减少破碎度，增强水体的连通性，但方法复杂繁琐。

虽然国内外学者针对光学和SAR 影像已提出一系列水体提取算法，但缺少不同数据源之间和不同水体提取算法之间的精度对比研究。在基于不同数据源的水体提取方面，光学影像可以直观反映水体边界，通过不同波段组合或者水体指数能更加突出水体信息，PEKEL 等[9]通过时序陆地卫星数据制作30 m 空间分辨率的全球水体数据集。但光学影像易受云雨天气的影响，在洪涝灾害发生过程中较难获取关键时期的高质量影像。由于SAR 影像不受云雨天气影响，具有全天候、全天时的观测能力，在洪涝灾害的灾中和灾后得到广泛应用。虽然SAR 数据可以提供全球无障碍图像，但容易受到地形和斑点噪声的影响造成图像伪像的现象[10]。同时，SAR 图像依赖水面的镜面反射产生的低回波信号进行水体检测，这可能与其他光滑表面（如路面、早期水田等）产生误差[11]。在水体提取方法方面，虽然监督学习可以取得较高的精度，但在大的时空范围下，随着空间和时间的变化，水体中的悬浮沉积物和溶解的有机物及藻类，造成水体反射率发生变化，使训练数据频繁更新才能满足其普适性[12]。此外，与监督分类和阈值方法相比，很少在水体提取中使用无监督分类[13]。与Sentinel-1相比，我国自主研发的C 频段多极化GF-3 卫星具有高空间分辨率、多成像模式的优势[14]。因此，以2021年7月下旬河南省浚县洪涝灾害为研究对象，选择灾前、灾中和灾后的Sentinel-2 影像以及灾后的GF-3 影像，分别利用多维非监督和Canny-Edge-Otsu 水体自动提取方法提取洪灾过程中农田洪水淹没面积，对比分析不同数据源和不同水体提取方法在农田洪涝灾害研究中的优缺点，为遥感在农田洪涝灾害中的应用提供技术参考。

1 材料和方法

1.1 研究区与数据源

1.1.1 研究区概况 研究区鹤壁市浚县地处太行山东麓，华北平原南部，河南省北部，鹤壁市东部，东临濮阳市，北接安阳市，南接新乡市，地理范围N35°24′～35°51′，E114°14′～114°45′（图1），总面积952.156 km2，绝大部分为平原，中部地势较高，东西侧平缓。属于暖温带半湿润型季风气候，全年平均温度13～16 ℃。地表水资源丰富，主要河流包括卫河、共产主义渠和淇河，三河在浚县新镇镇淇门村交汇。研究区主要种植小麦、玉米、花生、大豆等农作物。2021 年7 月17—23 日，河南省遭遇历史罕见特大暴雨，浚县淇河上游的鹤壁市以及卫河上游的新乡市都是这次特大暴雨的降雨中心，浚县出现有水文记录以来的最大降水量，是河南省受灾最严重的县区之一。

图1 研究区位置Fig.1 Location of study area

1.1.2 遥感数据获取及处理

1.1.2.1 Sentinel-2 遥感影像 Sentinel-2 卫星由欧洲航天局发射，包含可见光至短波红外中的13个光谱波段，空间分辨率为10、20、60 m，组合星座重访为5 d，具有空间分辨率高、重访周期短、光谱信息丰富等优点。通过欧洲航天局的数据共享网站（https://scihub.copernicus.eu/)下载Sentinel-2 卫星的L2A 级数据，L2A 级产品是经过几何精校正和大气校正的地表反射率产品。根据研究区洪水发生时间，选取灾前2021 年7 月6 日、灾中2021 年7 月26日和灾后2021 年7 月31 日的3 景影像，其中2021年7月26日云量约有15%。

1.1.2.2 GF-3 遥感影像 高分三号卫星是由我国发射的首颗民用C 频段多极化合成孔径雷达卫星，拥有4种极化方式，可以获取更全面的地表信息，具有扫描模式、条带模式等12 种工作模式，可以实现对陆地和海洋进行大范围观测，万瓦级发射功率使得成像性能大幅度提高，三星组网后重访周期可达0.2 d。从中国资源卫星应用中心获取研究区灾前2021 年7 月15 日、灾中7 月25 日和灾后2021 年7 月31 日的GF-3 影像，成像模式是精细条带2 模式（FSⅡ），极化方式为HH 和HV 双极化的Level-1A影像。本研究对影像进行辐射定标、多视、滤波、地理编码等预处理后，选择HV极化波段提取洪水。

1.2 研究方法

1.2.1 水体指数计算 指数由遥感影像获取的光谱波段进行组合计算得到，纯水在800 nm 以上有较强的吸收性，为突出水体信息，水体指数主要由水体强吸收波段和水体强反射波段构成。水体强吸收波段有近红外波段和短波红外波段，对应Sentinel-2 影像中的B8、B11、B12 波段，水体在绿波段有较强的反射，对应Sentinel-2 影像中的B3 波段。归一化水体指数（NDWI）是MCFEETERS 于1996 年提出的[15]，Green 波段对应Sentinel-2 影像的B3 波段，NIR 波段 对应Sentinel-2 影像 的B8 波段。如下式：

改进的归一化水体指数（MNDWI）是徐涵秋[16]在NDWI 上改进的水体指数，在城市地区可减少建筑物阴影的影响。Green 对应Sentinel-2 影像的B3波 段，MIR 对 应Sentinel-2 影 像 的B11 波 段。如下式：

WANG 等[17]于2018 年提出的多波段水体指数（MBWI）最大化增强水体和非水体之间的光谱差异，对区分山体阴影和暗区域有较好的结果。Green 对 应Sentinel-2 影 像 的B3 波 段，Red 对 应Sentinel-2 影像的B4 波段，SWIR1 和SWIR2 分别对应Sentinel-2影像的B11和B12波段。如下式：

MBWI=Green× 3-Red-NIR-SWIR1-SWIR2（3）

1.2.2 多维非监督水体自动提取 CORDEIRO 等[13]

于2021 年提出一种结合多维特征的非监督聚类算法，快速获取大场景下的陆表水体信息。多维非监督水体自动提取方法的主要思想是利用不同的水体指数和波段作为多维特征进行凝聚聚类。但凝聚聚类具有高的空间复杂度和时间复杂度，为提高执行效率随机选取影像部分像素作为子集，首先对像素子集进行凝聚聚类，通过Calinsk Harabasz 指数确定像素子集的最佳聚类数[18]，然后将MBWI 水体指数的最大值确定为水体聚类，其余为非水体聚类，再通过朴素贝叶斯分类将聚类结果泛化到整幅影像上，从而完成不规则水体的自动提取。基于前人对不同季节不同区域水体提取的研究成果[19]，选择NDWI、MNDWI、MBWI 水体指数和B12 波段作为多维特征。

1.2.3 Canny-Edge-Otsu 水体自动提取 最大类间方差法（简称Otsu）由日本学者大津（Nobuyuki Otsu）提出，又称大津法，是一种基于直方图的非监督阈值分割算法[20]，可以在大场景不同水环境下获得一个动态阈值，在基于SAR 影像的水体提取中得到广泛应用。其基本思想是无参数、非监督设定一个阈值将灰度图像分割为目标区域和背景区域，使其类内方差最小，类间方差最大化。根据目标区域和背景区域的两组平均灰度值和两组像素在整幅影像上出现的概率求解最佳分割阈值。Otsu 法前提是假设像素直方图呈双峰化，但当水像素较少或者有多个类别时，出现非双峰直方图，这时会出现不稳定性。通过Canny边缘检测与Otsu法相结合可以克服这种问题，将Canny 边缘检测获取的水陆边界范围的像素应用到Otsu法[21]，具体步骤如下：使用双边滤波器对影像进行保边去噪处理；通过Canny边缘检测算法对影像进行边缘检测；对提取的边界通过形态学膨胀运算，获得边界缓冲区；将缓冲区中的像素运用Otsu 法获取最佳分割阈值；用最佳分割阈值对影像进行阈值分割。

1.2.4 技术思路 以灾前、灾中和灾后的Sentienl-2和GF-3 遥感影像为数据源，计算提取Sentienl-2 影像的NDWI、MNDWI、MBWI 水体指数和B12 波段，采用多维非监督水体自动提取方法提取水体面积。同时利用Canny-Edge-Otsu 水体自动提取方法分别对MBWI、MNDWI、NDWI 3 种水体指数和GF-3 数据的HV 极化波段进行阈值分割，提取农田水体信息。将灾前正常水体和灾后水体分布信息进行空间叠加计算得到洪涝灾害范围，并对比不同数据源、不同提取方法的水体提取精度。技术路线如图2所示。

图2 技术路线Fig.2 Flowchart of the study

1.2.5 精度验证 为对不同数据源、不同水体提取方法做定量化精度对比分析，采用相对误差评价水体提取精度，如公式（4）所示：

式中，P为相对误差；S为遥感自动提取水体面积；S0为真实水体面积，通过人工目视解译同时期的Sentinel-2遥感数据获得。

2 结果与分析

2.1 多维非监督水体自动提取结果

基于多维非监督水体自动提取方法，以NDWI、MNDWI、MBWI 和B12 为多维特征自动提取研究区灾前（2021 年7 月6 日）、灾中（2021 年7 月26 日）和灾后（2021 年7 月31 日）水体，结果见图3。如图3a所示，多维非监督水体自动提取方法对灾前细小水体提取效果不好，出现水体漏提，并且河道不连续。浚县县城以南卫河河道较宽，此区域虽卫河河道提取不连续但能识别水体，浚县县城以北卫河河道变狭窄，河道完全漏提。同时，建筑物阴影和云阴影也被误判为水体。如图3b 和3c 所示，被水完全淹没的浑浊洪水区以及被洪水完全覆盖的农作物区提取效果好，能准确识别其边界，但刚被水淹没的区域即水和植被混合区，部分植被裸露在水体上面的区域被完全漏提。

图3 多维非监督水体提取结果Fig.3 Water extraction based on multi-dimensional unsupervised automatic algorithm

2.2 Canny-Edge-Otsu水体自动提取结果

2.2.1 GF-3 影像水体提取结果 基于Canny-Edge-Otsu 水体自动提取算法分别对灾前、灾中和灾后的GF-3 影像进行水体信息提取（图4）。灾前水体范围较小，水体信息总体提取效果较好，但有少量光滑表面的建筑和道路被错判为水体的现象。灾中和灾后都能精确识别完全被洪水淹没的耕地区域边界，但不能准确识别洪水和农作物混合区域。因为SAR 数据后向散射强度与表面粗糙度和含水量有关，当玉米倒伏水中，少量植株露出水面时，SAR 数据后向散射强度较弱，在影像上表现为暗区域，与水体一致，能准确识别。当玉米大量倒伏在水面时，表面较粗糙，洪水和农作物的混合表面产生双回波散射，在灰度图像上与洪水区域相比更亮。同时，种植树木的狭窄河道在洪水中被漏提，因为当发生洪水河道两边的树木不能被完全淹没，茂盛的树木漏出水面表面较粗糙，产生双回波散射，造成在SAR 影像上直观反映出的洪水信息仍是狭窄的河道，在灰度图像上洪水和树木混合区比洪水区更亮，滤波后造成狭窄河道的洪水信息变弱，水体漏提现象突出，造成河道不连续。在城区光滑表面区域如建筑屋顶、广场、道路等区域被错判为洪水淹没区域。

图4 基于Canny-Edge-Otsu的GF-3影像水体提取结果Fig.4 Water extraction from GF-3 based on Canny-Edge-Otsu

2.2.2 3 种水体指数水体提取结果 MBWI 水体指数对水体的混合像元不敏感，水体的混合像元易被识别为水体，如图5 所示，从2021 年7 月6 日水体提取结果来看，河面比真实边界宽，尤其卫河东岸种植树木，树木阴影下的绿色植被易被误判为水体。MBWI水体指数受到稀疏林地中的植被和阴影混合像元的干扰严重，造成山地中林地区域被错判为水体。MBWI水体指数对洪水和农作物混合区提取效果较好，并且能识别薄云下的洪水，但是会把云阴影区域错判为洪水，同时容易受到城区建筑物阴影的干扰。MNDWI 水体指数对卫河浚县县城以南较宽河道边界识别准确，并且河道连续，但是卫河浚县县城以北狭窄河道完全漏提。同时，受城区建筑物阴影、高反射率屋顶干扰严重，城区出现大量碎斑块，误判为水体。在2021年7月31日，MNDWI水体指数不能完全准确识别洪水和农作物混合区，云和云阴影区域易被误判为洪水，但能识别阴影下的洪水。NDWI 水体指数对混合像元比较敏感，提取的河道边界小于真实边界，只能识别完全纯净的水体像元，与MNDWI 一样，不能完全准确识别洪水和农作物混合区。

图5 基于Canny-Edge-Otsu的3种水体指数提取结果Fig.5 Water extraction from three water indexes based on Canny-Edge-Otsu

2.3 精度对比评价

基于Sentinel-2 遥感影像真彩色波段组合，通过目视解译判读灾前2021年7月6日整个研究区水体和灾后2021年7月31日洪水淹没区域，分别作为灾前细小水体和灾后洪水提取的精度验证真值，其面积分别为2.86 km2和375.65 km2，对比分析不同水体提取方法的精度（表1）。因2021 年7 月26 日影像受云影响，无法精准解译云下洪水边界，不对其进行精度验证。在灾前2021 年7 月6 日，多维非监督水体自动提取方法和基于MBWI、MNDWI、NDWI水体指数的Canny-Edge-Otsu 水体自动提取方法水体提取面积分别为2.66、3.08、3.27、3.36 km2。与目视解译值2.86 km2比，多维非监督水体自动提取方法少提0.20 km2，其相对误差为6.99%，MBWI、MNDWI、NDWI 水体指数相对误差分别为7.69%、14.34%、17.48%。多维非监督水体自动提取方法提取地表水体面积最接近目视解译值。

表1 不同水体自动提取方法误差分析Tab.1 Error analysis of different water extraction automatic algorithm

在灾后2021 年7 月31 日，5 种水体提取方法中，多维非监督方法和MBWI 水体指数提取洪水面积具有相对较高的精度，相对误差分别为7.45%和8.97%，提取结果比较理想，洪水提取效果最佳。MNDWI 水体指数和NDWI 水体指数面积误差都比较大，两者对洪水完全淹没区识别准确，对作物与水体混合区域识别效果都不好，但MNDWI 水体指数优于NDWI 水体指数，因此，MNDWI 水体指数面积误差比NDWI 水体指数面积误差小。GF-3 由于作物与水体混合区域产生双回波散射，造成提取的洪水面积比真实值小。多维非监督水体自动提取方法由于受到MNDWI 和NDWI 水体指数的约束，以及贝叶斯分类时选择凝聚聚类中MBWI值最大的一类作为样本，样本泛化性较差，造成洪水面积提取最少，但提取精度相对较高。从GF-3 和Sentinel-2 两种遥感数据对比来看，GF-3 由于其成像原理不能完全识别作物和洪水混合区域，受光滑表面和含水量较大物体干扰，灾后洪水提取相对误差为15.57%，高于Sentinel-2。但GF-3 不受云雨影响，可以24 h昼夜监测洪灾变化。

3 结论与讨论

本研究以2021 年7 月下旬河南省浚县特大农田洪涝灾害为研究对象，利用Sentinel-2 多光谱遥感影像和GF-3 雷达遥感影像提取研究区农田洪涝灾害范围。主要结论如下：GF-3 遥感影像不受云雨天气影响，可以实时对洪灾连续动态监测，但是在农田洪涝灾害信息提取中容易受淹没区域水面上植被的干扰，以及在光滑表面的地物和含水量大的区域易出现误判。Sentinel-2 影像最大的优点是可以直观目视解译洪水淹没区，但在洪灾发生过程中，易受天气影响无法获取影像，或者受云及云阴影干扰。与Canny-Edge-Otsu 相比，多维非监督水体自动提取方法能够综合多维特征信息，在一定程度上减少噪声干扰，综合提取精度较高。MBWI 水体指数对洪水和农作物混合区提取效果较好，但是易将云阴影区域错判为洪水。MNDWI 水体指数不能完全准确识别洪水和农作物混合区，且易将云和云阴影区域误判为洪水。NDWI水体指数对混合像元比较敏感，但只能识别完全纯净的水体像元，与MNDWI 一样，不能完全准确识别洪水和农作物混合区。3 种水体指数各有优缺点，但总体来说，MBWI提取效果最佳。

常用的洪涝灾害遥感监测方法主要是基于阈值分割、波段运算等方法提取遥感影像中水体信息，但是这些简单的算法不能满足高精度的水体识别，阈值的科学设定、异物同谱和同物异谱等问题限制了这些方法的有效应用。从本研究结果来看，运用Otsu 法获取最佳分割阈值进行水体信息提取时，易将建筑物和云阴影地区误判为水体，特别在对洪水和农作物混合区水体识别能力差。多维非监督水体自动提取方法集成了多种水体指数和波段作为多维特征，在一定程度上提高了提取精度，但对洪水和农作物混合区提取效果也较差。当前，深度学习技术已经有多种模型应用在遥感影像解译中。语义分割模型常被用来解决遥感影像目标识别等问题，如何利用深度学习技术对水体信息提取及淹没区识别是该领域今后研究的热点和难点。在本研究中充分证明了雷达遥感的应用价值，它可以全天候、全天时成像，不会受光照和天气条件的影响，可以动态、精确地监测洪水。然而由于雷达影像的成像原理，导致所获取的影像中存在大量的斑点噪声，影响遥感解译结果。未来的研究工作中，可以将雷达影像和光学卫星影像融合，进一步提高水体识别的准确度和效率。