研究区概况及数据源
研究区位于河南省北部,见图 1,地理坐标 11338’~114°43E,3536 ~3622,覆盖安阳市鹤壁市、新乡市3个地级市，共包括 18 个市区县,临近太行山，总体地势西高东低，总面积为 7 610 km温带大陆性季风气候,雨热同期,全年 10C 以上活动积温在4 000~5000C左右,年均降雨量580 mm,降水量在季节分配上极不均匀,与冬、夏季风的进退大致相同。研究区种植的主要农作物是玉米、小麦,东部种植了很多花生,玉米和花生在五月左右播种,九月底左右收获，小麦在十月中旬播种,次年五月底六月初收获。
台风“烟花”于 2021 年7月中旬开始影响中国的东部和中部地区,7月 21 日开始,强降雨北移河南省北部洪涝灾害严重，其中受洪涝影响最严重的4个城市是郑州市、洛阳市、新乡市和鹤壁市。
本研究使用了基于 Sentinel -2 彩色合成影像进行人工目视解译后得到的样本点来训练和验证农田洪涝淹没范围和未淹没范围。根据 2021 年 8月对研究区进行野外调查获得的实测样本点，在Sentinel-2假彩色合成影像中,可以看出水体呈现黑色,植被呈现红色。水体呈现黑色是因为水体在电磁波谱的近红外波段的强烈吸收作用,植被呈现红色是因为其在近红外波段反射强烈。根据此原理在Sentinel-2假彩色合成影像中选择研究所需样本点,其中被淹农田样本来自完全和不完全淹没的农田区域,最终获得被淹农田样本点和未被淹农田样本点各 110 个,采用随机抽样方法选择被淹农田样本点和未被淹农田样本点各 40 个作为验证样本,剩余为训练样本。
图1 研究区区位、高程、Sentinel-2影像
根据2021年7月15日-31日20 时安阳市新乡市、鹤壁市3 个地级市和凌县、淇县2个县的气象站点监测的降水量,见图 2,可以看出，总体上五地17、18 日出现小规模降雨,大暴雨,特大暴雨从 19日持续到 23日.后逐渐消退,21 日降雨量达到顶峰,五个观测站中淇县 21日降雨量最大,超过 350mm。
图2 豫北部分气象观测站7月15-31日降水量
数据源与预处理
本研究采用的研究数据包括国产 GF -3 SAR数据、土地覆被类型数据、Sentinel-2数据降水数据。GF -3 SAR 数据下载自中国资源卫星应用中心,成像时间为洪涝发生后(2021 年7月27 日),10 m 分率条带成像模式为精细条带(FSII),L1A 级产品极化方式为双极化的HHHV。基于Sentinel-1和Sentinel-2数据的10米分辨率的2021 年土地覆被类型数据来源于欧空局Sentinel-2- Level-1C 级产品数据获取于欧空局，成像时间为2021 年7月27 日。降水数据来自气象站点的监测数据.包括安阳市、鹤壁市、新乡市、渗县、淇县共五个观测站,采集时间为 2021 年7月 15日-31日的20时。
在 PIE - SAR 软件中对 GF -3 影像进行预处理,依次进行复数据转换、多视处理、滤波操作、地理编码、DB 转换的操作。
在本研究中,GF -3 SAR 影像在方位向和距离向视数为 3 x3 时被重采样为 10 米分辨率的规则网格。基于3mx3m的滤波窗口,采用增强型 Lee 滤波(EnLee 滤波)降低影像噪声。然后,利用外部的数字高程模型(digital elevation model,DEM)数据对GF-3SAR 影像的 L1级产品数据进行地形辐射校正,生成L2 级地理编码产品。最后,进行 DB 转换输出雷达后向散射系数,获得对应地物绝对的后向散射值。再利用土地覆被类型数据作为掩模来剔除研究区内非农田的地物类型.最终获得研究区范围内预处理完的SAR影像数据。
研究方法
本研究首先将 HHHV 极化的 GF-3 影像数据进行预处理,获得 HH 和 HV 通道的后向散射系数将训练样本连同 HH 和 HV 极化的后向散射作为输入.通过 GMM 的弱监督分类和 RFSVM、KNN、PC分类的监督分类共五种分类方法来提取研究区的农田洪涝淹没范围。最后基于验证样本评价上述五种分类方法的精度。技术流程见图 3。
图3 技术流程
为对比不同方法的精度,基于提取的农田洪涝淹没结果及验证样本建立混淆矩阵,计算四种精度评价指标,包括总体精度(overall accuracy，OA)Kappa 系数、生产者精度(producer accuracy,PA)、用户精度(user accuracy,UA)。
结果与分析
1.后向散射特征分析
分别统计被淹农田未被淹农田样本在 HH 和HV 极化的后向散射特征，见图 4。从图中可以看出,HV 极化中被淹农田与未被淹农田的可分性高于 HH 极化,因为 HH 极化对二次散射敏感在洪涝场景下,仅有水位较高,且植被保持垂直结构时才会构成此类散射机制。研究区农田农作物主要为玉米,由于此次洪涝较为严重,玉米大多被完全淹没，因此上述类别的被淹玉米在研究区内并不占据主导;而 HV 对于体积散射较为敏感,虽然被淹没玉米区域以镜面反射为主,但未被淹玉米的体积散射贡献仍可作为区分其与被淹玉米的有效机制,这导致 HV 比HH 具有更高的敏感性。
图4 被淹农田与未被淹农田在 HH、HV 极化的后向散射系数
2.提取农田洪涝淹没范围对比与精度验证
为对比机器学习方法的性能,选取 4 种场景,分别为建筑物稀疏区域的被淹农田、建筑物密集区城的被淹农田、以未被淹农田为主的农田区域、有河流存在的山区,见图5。对于完全被淹的农田,其表面被镜面反射主导,导致低后向散射系数,而建筑物密集区内建筑物与开阔水域之间的相互作用会产生二次散射.导致该地区 SAR 影像的后向散射系数上升。因此,影像中农田与建筑物边缘存在的亮斑,可能会干扰农田洪涝识别;此外,山区地形起伏较大会使 SAR 影像产生几何位移顶底倒置和局部形变等失真现象,因此通常需要额外的辅助数据或处理步骤消除。
图5 Sentinel-2 光学影像和分类结果的局部图
根据图6,GMM 的0A 为0.95,Kappa 系数为0.90,0A 和 Kappa 系数均最高。GMM(图5(b))方法所得结果的斑点噪声少于其他四种方法,被淹农田分布连贯。GF-3影像中存在着很多小面积的被淹农田像元与未被淹农田像元亮度值接近的情况，这部分地物在分类时容易被混淆，所以 PC(图5(d))分类结果存在大量零星的斑点噪声。RF(图 5(e))SVM(图5(f) 把部分未被淹农田山体阴影误分为被淹农田,也有一些遗漏的被淹农田,这类农田为轻度淹没，淹没水位较低,绝大部分已下渗为地下水。在 SVM 分类中,不同训练样本被映射到不同的特征空间并用于构建分类超平面，然而,在某些情况下,SVM 可能无法发现相应的决策边界,例如,部分未被淹农田、山体阴影的特征与被淹农田的反射特征区分度较小,这可能导致将其误分为被淹农田;KNN(图5(c))PC 错分漏分现象多且明显，各类精度指标都较低(图6),这些错分、漏分现象多与KNNPC 算法本身原理简单有关。其中 KNN 存在大量、小面积的错分现象和许多漏分现象,在非洪涝区把许多农田误分为被淹农田，因为 KNN 算法对样本的依赖性高,往往需要大量训练样本以保证运行分类算法时结果收敛,注重考虑像元领域间的空间关系.对于小面积,破碎的洪涝区域敏感度低。
图6 5种机器学习方法结果精度验证
3.洪涝范围的空间分布分析
图7为 Sentinel -2光学影像和5 种机器学习方法的农田洪涝淹没全局图,总体来看,研究区西北部山地较多,被淹没相对较少,被淹农田主要集中在研究区的中部和北部,大部分在蓄滞洪区，此次河南省暴雨的国家蓄滞洪区共有九处,涉及安阳市鹤警市、新乡市的汤阴县、内黄县、安阳县、凌县、淇县、卫辉市等六个市区县。河流距离对洪涝发生有显著影响,距离河流越近,越容易发生洪涝,尤其是大江大河沿岸地区[23],研究区属于卫河流域,卫河流域是此次暴雨事件重灾区，卫河流经研究区的新乡县、淇县、凌县、汤阴县,河流很多地方流水湍急,洪涝发生时淹没影响较大,中下游洼地多,部分被扩建为正式行洪滞洪区，安阳地区和汤阴县有大型水库可一定程度上减缓洪涝影响。安阳市南部有郑庄山.北部有灵寿山,山地较多,相比鹤壁市和新乡市,高程值较大,因此洪涝淹没情况也较轻。
图7 Sentinel2 光学影像和分类结果的全局图
GMM 估计的各市区县的被淹农田面积见表1被淹农田总面积为 398 km,占研究区农田总面积的9.44%,农田淹没最严重的 3 个地区是牧野区风泉区和卫辉市,3 个地区都地处新乡市内,其中卫辉市农田洪涝淹没面积最大,有 100.13 km而安阳市总体淹没水平相比其他两市较低,GMM 分类结果与实际农田受灾情况基本相符。
表1 各市区县农田洪涝淹没面积
本研究以 2021 年 7 月 20日河南北部特大洪涝事件为背景,利用国产高分三号(GF -3)双极化达影像(HH -HV),构建了一种基于督高斯混合模型(gaussian mixture model,CMM)的洪涝没作物监测方法通过该方法提取了豫北部分区域农田洪涉淹没范围。通过对比4 种典型的机器学习方法,包括随机森林、支持向量机、K 最近邻分类和平行六面体方法，发现研究所构建的弱监督 GMM 方法的精度最高,其总体精度为 0.95,Kappa 系数为0.90。该研究对于提高基于合成孔径雷达(svnthetic aperture radarSAR)遥感技术监测区城尺度作物洪的准确性和普适性性目有重要竟义。
引用文献：阳驰轶，官海翔，吴玮，刘美玉，李颖，苏伟。基于国产 GF-3 雷达影像的洪涝农田遥感监测方法[J/OL].自然资源遥感。
//////////
微博：零重力实验室
官网：www.cubesatgarage.com
我们关注你所关注的一切
只要它与微纳卫星有关
