基于Sentinel-1A的2020年鄱阳湖流域洪水灾害遥感监测

目前用于洪水检测较为成熟的方法主要包括单波段法、监督分类、非监督分类、谱间关系法、水体指数等方法[1-8]，相关专家有大量研究证明其实用性[9-17]。

本文基于Sentinel-1A 数据在水体提取上的优越性，分别采用监督分类（SVM 法）和非监督分类（IsoData 法）2种方法提取鄱阳湖洪涝前后水体变化信息，对比分析2种方法的提取精度及优缺点，为Sentinel-1数据在洪涝灾害监测及灾后评估方面的应用提供参考。

1研究区概况
鄱阳湖位于江西省北部，跨越九江、南昌、上饶三市，是中国面积最大的淡水湖，也是中国第二大
湖，属于长江中下游主要支流之一。

鄱阳湖南北长173km ，东西平均宽16.9km ，最宽达74km ，最窄仅有3km ，湖盆自东南向西北倾斜，湖岸线长约1200km ，
汇集众多河流并经湖口注入长江。

其水位涨落受众多河流及长江水回灌作用共同影响，导致鄱阳湖南侧交汇处的水位变化较为显著，形成分布广泛的滩地、沼泽和沙洲等，成为我国重要的湿地生态系统之一。

在雨季来临时鄱阳湖可有效减弱河流聚集带来的洪峰影响，2020年入汛以来，中国南方地区发生大规模强降雨过程，造成多地发生较严重洪涝灾害。

基于此，本文以鄱阳湖区域为研究区开展洪水变化监测，研究区概况如图1所示。

收稿日期：2021-01-11。

项目来源：河南省自然科学基金资助项目（202300410180）；河南省高校基本科研业务费专项资金资助项目（NSFRF170807）。

（*为通信作者）
基于Sentinel-1A 的2020年鄱阳湖流域洪水灾害遥感监测
王
磊1，连增增2*
（1.河南省有色金属地质矿产局第一地质大队，河南郑州450000；2.河南理工大学测绘与国土信息工程学院，河南焦作454000）
摘
要：基于Sentinel-1ASAR 影像在洪水灾害监测方面的优越性，分别采用监督分类（SVM 法）和非监督分类（IsoData 法）
2种方法对鄱阳湖流域开展灾前、灾后洪涝范围提取，以期为Sentinel-1数据在洪涝灾害监测及灾后评估方面的应用提供参考。

结果表明，基于SVM 与IsoData 方法进行水体提取的总体精度均达到90%以上，Kappa 系数均大于0.8，满足洪水变化监测需求，但SVM 表现出更为稳定的水体信息提取能力。

研究区灾后的洪水面积大约增加1432km 2，受灾较为严重的区域位于鄱阳湖主体水面西南部及地势相对平坦的低洼区域。

利用合成孔径雷达SAR 影像能够有效获取地表水体变化信息，可用于洪水易发区的洪涝灾害灾情分析。

关键词：洪水监测；Sentinel-1A ；鄱阳湖；SVM ；IsoData 中图分类号：P237
文献标志码：B
文章编号：1672-4623（2022）06-0043-04
Remote Sensing Monitoring of Poyang Lake Flood Disaster in 2020Based on Sentinel-1A
WANG Lei 1,LIAN Zengzeng 2
(1.The First Geological Team of Henan Provincial Non-Ferrous Metal Geological and Mineral Resources Bureau,Zhengzhou 450000,
China;2.School of Surveying and Land Information Engineering of Henan Polytechnic University,Jiaozuo 454000,China)
Abstract:Based on Sentinel-1A SAR image,we carried out pre-disaster and post-disaster flood inundation monitoring in Poyang Lake region.SVM and IsoData methods were used to extract water information of Poyang Lake,and the accuracy of the extracted results was evaluated.Final-ly,spatial analysis was made on the changes of Poyang Lake water before and after the disaster.The results show that the water body extraction based on SVM and IsoData method can achieve high accuracy,the overall classification accuracy is more than 90%,and the Kappa coefficient is greater than 0.8,which meets flood change monitoring requirements.The Poyang Lake area water structure extracted from SAR data is very pared with May 9,2020,the water area increased by 1432km2.The submerged areas were mainly concentrated in the southwest of Poyang Lake,and most of the beaches around the lake were submerged.Sentinel-1A series data has great application potential in flood disaster monitoring.
Key words:flood monitoring,Sentinel-1A,Poyang Lake,SVM,IsoData
doi:10.3969/j.issn.1672-4623.2022.06.010
Jun.,2022Vol.20,No.6
地理空间信息
GEOSPATIAL INFORMATION
2022年6月第20卷第6期
地理空间信息第20卷第6期
31°N
30°N
29°N
28°N 27°N
115°E
116°E
117°E 118°E 鄱阳湖
水系
研究区边界
Sentinel-1A 影像
DEM/m 2124
-10
图1研究区概况图
2数据及预处理
2.1
数据介绍
根据2020年鄱阳湖流域洪水爆发的时间，本文选用2020-05-09与2020-07-20成像的Sentinel-1A 影像来提取鄱阳湖灾前和灾后的水体信息。

Sentinel-1A 影像来自欧空局“哥白尼计划”地球观测计划哨兵系列卫星，哨兵1号包含A 、B 两颗合成孔径雷达星座，星座重访周期最短可达6d 。

由于单景影像无法完全覆盖鄱阳湖流域，灾前和灾后均选取两景同轨影像以获取完整鄱阳湖流域的Sentinel-1A 影像。

本次研究所用数据详细信息如表1所示。

表1
Sentinel-1A 数据信息
成像时间
2020-05-09（灾前）2020-07-20（灾后）传感器
Sentinel-1A Sentinel-1A
极化方式VH VH
波段C C
入射角/°39.10839.108
空间分辨率/m 5×205×20
2.2数据预处理
由于原始Sentinel-1A 影像存在内部噪声、轨道信
息基线误差等问题，在提取影像信息之前需要对原始遥感影像进行预处理操作。

影像预处理首先在SNAP 平台进行，将预处理完成后的结果导入ENVI 中进行水体信息提取处理。

1）轨道校正。

由于Sentinel-1A 原始影像的轨道
状态数据精度较低，这里使用精密轨道文件更新Sen ⁃tinel-1A 影像数据中元数据文件中的卫星轨道状态信息，有效降低因轨道问题引起的系统性误差。

2）热噪声去除。

热噪声是SAR 卫星系统自带的噪声，SAR 主动成像特性使得获取到的SAR 影像都带有
热噪声，热噪声会影响得到雷达后向散射信号精度。

3）辐射定标。

辐射定标是将接收的后向散射信
号转化为有单位的物理量，对应SAR 数据的后向散射
系数，由于云层的可穿透性强，只需做辐射定标操作即可，不进行大气校正操作。

4）相干斑滤波。

在进行滤波之前需先对影像进行
deburst 操作，目的是去除Sentinel-1A IW SLC 影像burst 带的无信号部分，效果是将burst 带有效信号部分合并。

相干斑对于SAR 分类等应用来说是存在的噪
声，但是对于SAR 而言是有效信号，这里选择使用Re ⁃fined Lee 滤波器，它是一种自适应滤波器，滤波窗口
可以根据区域自动调整，本次选择滤波窗口大小7×7，
处理效果较好。

5）地形校正。

地形校正除了地理编码（赋予影像
实际坐标信息）外，还会做地形辐射校正，配合高精度DEM 数据，降低影像地形畸变带来的误差影响。

6）分贝化。

上述处理得到的结果是线性比例单位后向散射系数，其值通常是很小的正值，分贝化本质是一种对数变换，分贝化的雷达后向散射系数范围近似高斯分布，数据的存储位数变小，节省存储空间，可视化及数据分析更方便。

7）影像镶嵌。

镶嵌应尽可能使用同源、近乎同一时间的影像进行才可能获得较好的镶嵌效果。

这里使用的是同一天同轨的两幅Sentinel-1A IW SLC 影像来镶嵌，本次研究采用普通SAR 镶嵌方式，在影像重叠区域使用加权平均值达到减弱色差的目的，同时进行归一化处理以得到较好的镶嵌效果，最终得到一幅覆盖整个鄱阳湖区域的SAR 影像。

8）影像裁剪。

对于小研究区裁剪可以在轨道校正之前进行，可以减少后续处理的数据量，降低提取水体信息时流域以外地区对目标区域的干扰，这里使用规则裁剪方式进行裁剪，得到鄱阳湖SAR 影像如图2所示。

3研究方法
3.1
监督分类法（SVM ）
SVM 是一种仅需要少量训练样本即可达到较高分
类精度的监督分类方法，目前在地物分类中得到了广泛应用。

通过引入核变换函数，SVM 将输入的样本数据从低维转换到高维空间，再以样本数据之间的最大空间为目标函数，从而计算出高维空间里的最优分类超平面，该方法具有较强的鲁棒性[18]。

本次研究选择115个水体轮廓清晰、大小不一、均匀分布的感兴趣区，将其他地物归为非水体作为训练样本进行水体信息提取。

·
·44
第20卷第6期
11.6008-9.70331VH/db 10.0525
-5.93402
VH/db N
N
图2Sentinel-1A 影像镶嵌裁剪后的鄱阳湖区域
3.2非监督分类方法（IsoData ）
非监督分类也称为聚类分析或点群分类，适用于
中低分辨率的数据，是一种在多光谱图像中搜寻、定义其自然相似光谱集群的过程。

该方法无需对影像地物获取先验知识，仅依靠影像上不同类地物光谱或纹理信息进行特征提取即可，通过统计特征的差别达到分类目的，最后对已分出的各个类别实际属性进行确认。

本次研究选择IsoData 分类器，设置类别数目为5~15，迭代次数为10进行水体信息提取。

最后，将分类结果合并为水体和非水体两个类别。

4结果与分析
通过以上2种方法分别对灾前与灾后SAR 影像进行水体提取，为分析洪水灾害在研究区的空间分布特征，将洪水灾前水体信息与灾后水体信息进行叠加分析，如图3所示，红色区域灾后洪水淹没区域。

2020-05-09水体覆盖2020-07-20洪水覆盖增加范围
030
60
km
图3基于SVM 和IsoData 法的洪水淹没范围空间识别
基于预处理后的2020-05-09Sentinel-1A 影像，随机选取58个轮廓清晰、大小不一、均匀分布的水体验证点作为测试样本，使用混淆矩阵对分类结果进行评价，确定分类精度和可靠性，统计分类精度如表2所示。

由表2可知，基于SVM 与IsoData 方法的灾前水体提取精度均较高，总体精度均达到99.8%以上，Kappa 系
数达到0.99以上，水体的制图精度和用户精度均达到99%以上。

在灾后水体信息提取方面，SVM 精度略微高于IsoData 法，SVM 法的制图精度、用户精度和总体精度均在99%以上，Kappa 系数为0.9982；尽管Iso ⁃Data 法的用户精度达到了100%，但是其制图精度、总体精度和Kappa 系数均明显低于SVM 法。

由此表明，SVM 和IsoData 2种方法在水体提取上均可达到较好的效果，但是SVM 表现出更为稳定的水体信息提取能力。

因此，当在实际洪水发生过程中若无法及时获取地面验证点时，通过非监督分类也可以达到实时洪水监测。

当获取一定的地面验证信息时，监督分类方法可更为精确地描述洪水淹没区域。

表2
SVM 、IsoData 水体提取结果精度验证
时间
2020-05-09（灾前）
2020-07-20（灾后）
提取方法SVM
IsoData SVM IsoData
地物类别ST FST ST FST ST FST ST
FST 错分误差0.130.070.330.010.110.070.0016.82漏分误差0.070.140.010.350.070.1119.060.00制图精度99.9399.8699.9999.6599.9399.8980.94100.00用户精度99.87
99.9399.67
99.9999.8999.93100.0083.18
总体精度/%99.895699.826099.910990.1897Kappa 系数
0.99790.99650.99820.8048
注：ST 表示水体、FST 表示非水体。

综上所述，为了更为精准地描述鄱阳湖洪水灾害前后的变化，现仅对SVM 分类结果做进一步的分析。

图4表明，鄱阳湖整体轮廓（图4a ）、鄱阳湖体附近的低洼区水产养殖用地（图4b ）和曲折的河流结构（图4c ）均得到了较好的提取。

通过分析洪水变化区域的特征可以发现，湖体周围的湿地、水田、洲滩大多被淹没，淹没地区主要集中在鄱阳湖的西南地区，鄱阳湖主体水面发生大面积增加，地势相对平坦低洼的区域都有大范围的积水，洪水淹没情况如下：①湖泊、水库面积增加（图4a ）；②湖体周围低洼区域淹没（图4b ）；③河流变宽（图4c ）。

a 鄱阳湖水面积增加
b 低洼区域淹没
c 河道拓宽
图4局部洪水淹没空间分布
采用SVM 法的水体提取结果，根据Sentinel-1A 影像
的像元面积（5×20m 2
），分别计算出鄱阳湖区域
2020-05-09（灾前）和2020-07-20（灾后）的水体面
王
磊等：基于Sentinel-1A 的2020年鄱阳湖流域洪水灾害遥感监测
·
·45
地理空间信息第20卷第6期
积。

表3表明，灾前提取的地表水面积为3525.3442km2，
灾后提取的地表水面积为4958.0939km2。

因此，灾后
洪水淹没面积扩张了1432.7497km2。

相关资料显示，
2020年6月以来中国南方降雨不断，受强降水和上游
来水共同影响，截至7月14日鄱阳湖面积达4403km2。

由于本文选取的研究区包含了鄱阳湖整个湖面及其周
围的相关水系，因此水体提取结果应大于鄱阳湖湖面
面积。

综上所述，本文的研究结果整体上与鄱阳湖洪
水发生的实际情况较为接近。

表3鄱阳湖洪灾水体面积变化
时间2020-05-09（灾前）2020-07-20（灾后）分类
方法
SVM
SVM
像元数
35253442
49580939
水面
面积/km2
3525.3442
4958.0939
扩张的洪水
淹没面积/km2
1432.7497
5结论
本研究依据Sentinel－1A卫星SAR雷达影像成像
原理，根据水体的后向散射特性，分别基于监督分类
（SVM）与非监督分类（IsoData）两种洪水淹没范围
快速提取方法，对2020年汛期以来鄱阳湖区域发生的
特大洪水灾害进行监测，主要得到以下结论：1）Sentinel-1A影像具有重访周期短、覆盖范围大、不受云雾天气干扰的优势，在洪水灾害监测领域
具有独特优势。

2）基于SVM与IsoData方法进行洪水淹没范围快速提取均可达到90%以上的精度，但是SVM表现出更为稳定的水体信息提取能力。

因此，当在实际洪水发生过程中若无法及时获取地面验证点时，通过非监督分类也可以达到实时洪水监测。

当获取一定的地面验证信息时，监督分类方法可更为精确地描述洪水淹没区域。

3）研究区洪水面积增加大约1432km2，受灾较为为严重的区域位于鄱阳湖主体水面西南部及地势相对平坦的低洼区域。

利用合成孔径雷达SAR影像能够有效获取地表水体变化信息，可用于洪水易发区的洪涝灾害灾情分析。

参考文献
[1]喻静敏，马力，黄珊，等.基于天空地协同的超标准洪水监测
体系研究[J].人民长江，2020，51(6):29-32
[2]冷英，李宁.一种改进的变化检测方法及其在洪水监测中
的应用[J].雷达学报，2017，6(2):204-212[3]郭交，朱琳，靳标.基于Sentinel-1和Sentinel-2数据融合的
农作物分类[J].农业机械学报，2018，49(4):192-198
[4]赵家锐，柯长青.基于Sentinel-1SAR数据的南极松岛冰川
流速监测[J].冰川冻土，2019，49(1):12-18
[5]蔡杰华，张路，董杰，等.九寨沟震后滑坡隐患雷达遥感早期
识别与形变监测[J].武汉大学学报(信息科学版)，2020，45
(11):1707-1716
[6]邓云凯，禹卫东，张衡，等.未来星载SAR技术发展趋势[J].
雷达学报，2020，9(1):1-33
[7]周晗，叶虎平，魏显虎，等.基于Sentinel-1/2的水体提取方
法对比研究:以斯里兰卡小型水体为例[J].中国科学院大学
学报，2019，36(6):794-802
[8]周鹏，谢元礼，蒋广鑫，等.遥感影像水体信息提取研究进
展[J].遥感信息，2020，35(5):9-18
[9]王庆，廖静娟.基于SAR数据的鄱阳湖水体提取及变化监
测研究[J].国土资源遥感，2010(4):91-97
[10]贾诗超，薛东剑，李成绕，等.基于Sentinel-1数据的水体信
息提取方法研究[J].人民长江，2019，50(2):213-217 [11]Hu S，Qin J，Ren J，et al.Automatic Extraction of Water In-
undation Areas Using Sentinel-1Data for Large Plain Ar-
eas[J].Remote Sensing，2020，12(2):243
[12]孙亚勇，黄诗峰，李纪人，等.Sentinel-1A SAR数据在缅甸
伊洛瓦底江下游区洪水监测中的应用[J].遥感技术与应
用，2017，32(2):282-288
[13]Pham D B，Prigent C，Aires F.Surface Water Monitoring
within Cambodia and the Vietnamese Mekong Delta over a
Year，with Sentinel-1SAR Observations[J].Water，2017，9
(6):366
[14]Tsyganskaya V，Martinis S，Marzahn P.Flood Monitoring in
V egetatedAreas Using Multitemporal Sentinel-1Data:Impact
of Time Series Features[J].Water(Basel)，2019，11(9):1938 [15]PôssaÉM，Maillard P.Precise Delineation of Small Water
Bodies from Sentinel-1Data Using Support Vector Ma-
chine Classification[J].Canadian Journal of Remote Sens-
ing，2018，44(3):179-190
[16]谷鑫志，曾庆伟，谌华，等.高分三号影像水体信息提取[J].
遥感学报，2019，23(3):555-565
[17]湛南渝，李小涛，路京选，等.基于SLIC的哨兵1号雷达数
据水体信息提取[J].人民长江，2020，51(4):213-217 [18]付青，郭晨，罗文浪.基于高分一号卫星遥感影像的土地利用
变化检测[J].激光与光电子学进展，2020，57(16):356-363
第一作者简介：王磊（1987—）工程师，研究方向为InSAR 理论与应用。

··46。