高龍，閻福禮

(1 中國科學(xué)院空天信息創(chuàng)新研究院， 北京 100094； 2 中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院， 北京 100049) (2020年1月13日收稿； 2020年3月12日收修改稿)

洪澇災(zāi)害破壞強(qiáng)度大，突發(fā)性強(qiáng)，后續(xù)影響嚴(yán)重，是當(dāng)今世界最主要的自然災(zāi)害類型之一[1]。研究降雨所導(dǎo)致的河流水系的洪澇災(zāi)害動態(tài)致災(zāi)過程，需要深入探索上游水位變化與下游水位上漲之間的關(guān)系以及由于下游水位上漲造成的洪澇淹沒狀況，這對于流域洪水的預(yù)警預(yù)報、防災(zāi)減災(zāi)工作有著重大意義[2]。

現(xiàn)有研究證明，河段上下游水位之間存在著良好的響應(yīng)關(guān)系[3-4]。在一次洪水事件中，上游斷面發(fā)生水位漲落時，下游斷面水位會在一定時間后發(fā)生同位相漲落。不少學(xué)者利用水文站點(diǎn)監(jiān)測數(shù)據(jù)分析出這種河道上下游水位間的響應(yīng)規(guī)律來預(yù)測下游洪峰水位信息，稱作相應(yīng)水位法[5-8]。此外，國內(nèi)外水利專家還從洪水演進(jìn)過程著手，利用水文站點(diǎn)監(jiān)測數(shù)據(jù)耦合多種水動力模型預(yù)測受災(zāi)地區(qū)的淹沒范圍，如Matkan等[9]利用流量水位監(jiān)測數(shù)據(jù)標(biāo)定HEC-RAS模型進(jìn)而預(yù)測Madarsoo河流域的洪水淹沒范圍，預(yù)測總體精度達(dá)到0.89；Schumann等[10]利用水位實測數(shù)據(jù)校正LISFLOOD-FP SGC模型和VIC模型并預(yù)測Zambezi河下游地區(qū)的洪水淹沒情況，預(yù)測精度達(dá)到2個像素以內(nèi)；謝五三等[11]利用FloodArea模型耦合39個站點(diǎn)的水文監(jiān)測數(shù)據(jù)完成大通河流域的淹沒模擬及檢驗工作，模擬結(jié)果與實測值較為吻合。盡管上述模型在當(dāng)?shù)睾闈愁A(yù)警方面成果顯著，但這些模型的使用大都集中在擁有密集水文站點(diǎn)和豐富實測數(shù)據(jù)的干流水系，其共同點(diǎn)是都需要水文實測數(shù)據(jù)的支撐。而由于水文監(jiān)測的人力、設(shè)備成本巨大，大部分支流水系，尤其是廣大發(fā)展中國家或者欠發(fā)達(dá)地區(qū)的中小流域缺乏必要的水文監(jiān)測站點(diǎn)，這些行之有效的洪澇災(zāi)害預(yù)警方法難以得到應(yīng)用[12-13]。因此，迫切需要探索一種能夠不依賴傳統(tǒng)實測數(shù)據(jù)的洪澇災(zāi)害預(yù)警模型方法，與基于地面實測水文數(shù)據(jù)的洪澇災(zāi)害預(yù)警模型方法互為補(bǔ)充。

作為實測數(shù)據(jù)匱乏情況下的有效數(shù)據(jù)源，遙感衛(wèi)星可以獲取不同空間尺度的地表信息，且遙感技術(shù)具有反饋信息快、監(jiān)測范圍大、數(shù)據(jù)獲取頻次高等特征，能夠準(zhǔn)確、快速、密集地監(jiān)測地面洪水的動態(tài)致災(zāi)過程，為實測數(shù)據(jù)匱乏的流域水系提供獲取水文數(shù)據(jù)的可能[13-15]。近年來，合成孔徑雷達(dá)(synthetic aperture radar, SAR)影像因具備全天時、全天候，且不受云霧天氣干擾等優(yōu)點(diǎn)，在水體范圍提取[16-17]、水位信息反演[13,18]等研究中發(fā)揮著重要作用。作為水文實測數(shù)據(jù)匱乏情況下的有效替代，SAR影像反演出的洪峰水位數(shù)據(jù)能否有效反映上下游水位間的動態(tài)響應(yīng)規(guī)律，能否建立起基于上下游水位響應(yīng)規(guī)律的洪澇預(yù)測模型，并在洪澇最大淹沒范圍預(yù)測工作中發(fā)揮作用，值得進(jìn)一步研究。此外，作為洪澇災(zāi)害預(yù)警工作中的重要基礎(chǔ)數(shù)據(jù)，數(shù)字高程模型(digital elevation model, DEM)數(shù)據(jù)對水位提取精度的影響較大。目前全球范圍內(nèi)應(yīng)用較為廣泛，精度較高的2種開源DEM數(shù)據(jù)(SRTM1數(shù)據(jù)和ASTER GDEMV2數(shù)據(jù))，由于產(chǎn)生機(jī)理不同，其洪峰水位反演結(jié)果和所建預(yù)測模型可能存在一定差異，因此在具體應(yīng)用時也需要開展對比研究。綜上，探索能否完全利用遙感技術(shù)，提取河段上下游洪峰水位信息，建立基于上下游水位響應(yīng)規(guī)律的洪澇預(yù)測方法，進(jìn)而實現(xiàn)以往基于實測臺站數(shù)據(jù)才能開展的洪澇災(zāi)害預(yù)警工作，對中小流域水文實測數(shù)據(jù)匱乏地區(qū)的洪澇預(yù)警和備災(zāi)救災(zāi)工作具有重要意義。

作為“一帶一路”沿線的重要節(jié)點(diǎn)國家，斯里蘭卡地處亞洲南部，屬熱帶季風(fēng)氣候，降雨頻繁，洪澇災(zāi)害季節(jié)特征顯著。位于斯里蘭卡南部的 Nilwara河流域無大型水利工程，且缺乏水文實測數(shù)據(jù)，每逢雨季，該流域多條河段洪水災(zāi)害頻發(fā)，嚴(yán)重威脅到當(dāng)?shù)鼐用竦纳敭a(chǎn)安全。由此，在無水文監(jiān)測站點(diǎn)或?qū)崪y水文數(shù)據(jù)的Nilwara流域，建立一種完全基于遙感技術(shù)的洪澇預(yù)報方法具有重要的推廣價值?；诖?，本文利用Sentinel-1A影像提取Nilwara流域某洪澇多發(fā)河段2015—2017年內(nèi)14期洪澇事件的洪峰水位信息，建立該河段的下游洪峰水位預(yù)測模型，結(jié)合洪水填充算法預(yù)測河段兩側(cè)在不同洪峰水位下的最大淹沒范圍，并對預(yù)測結(jié)果進(jìn)行精度評價。在此基礎(chǔ)上，進(jìn)一步闡述建立起來的洪澇預(yù)測模型是如何在洪澇預(yù)警知識普及程度不高的中小流域發(fā)揮作用的。本研究旨在為水文實測數(shù)據(jù)匱乏地區(qū)的洪澇預(yù)警工作探索出一種簡單、廉價，且具有可操作性的實施方案，以期為遙感大數(shù)據(jù)背景下的水利應(yīng)用提供有益借鑒。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

Nilwara流域位于斯里蘭卡南部地區(qū)(圖1(a))，河流總長度78 km，流域面積971 km2，流域人口45.9萬，每年6—8月，12月—次年2月，該流域多條河段表現(xiàn)出季節(jié)性洪水淹沒，給當(dāng)?shù)鼐用裨斐蓢?yán)重的生命財產(chǎn)威脅。根據(jù)研究區(qū)實際情況，選取Nilwara流域洪水泛濫較為嚴(yán)重的河段開展本次實驗研究(圖1(c))。該河段位于Nilwara流域的西南側(cè)，長約3 km，上游河道寬度約為10 m，下游河道寬度約為30 m，流經(jīng)區(qū)域地勢低平，周邊土地覆蓋類型以田地、林地為主(圖1(b))。

圖1 斯里蘭卡Nilwara河研究區(qū)及地形高程

1.2 數(shù)據(jù)來源與預(yù)處理

Sentinel-1A衛(wèi)星IW模式下的Level-1級別地距影像數(shù)據(jù)(ground range detected，GRD)可以從Sentinel-1科學(xué)數(shù)據(jù)中心(https:∥scihub.esa.int)免費(fèi)獲取，該數(shù)據(jù)時間分辨率為12 d，空間分辨率為5 m×20 m。利用歐空局發(fā)布的開源軟件SNAP對Sentinel-1A衛(wèi)星影像進(jìn)行預(yù)處理工作，主要包括輻射校正、斑點(diǎn)噪聲抑制、影像配準(zhǔn)、幾何校正等[19]。

全球降水測量(global precipitation measurement, GPM)數(shù)據(jù)可從NASA官網(wǎng)(https:∥pmm.nasa.gov/)獲取，該數(shù)據(jù)的時間分辨率最高可達(dá)0.5 h，主要提供研究區(qū)內(nèi)多期洪澇事件發(fā)生時的最大雨強(qiáng)信息，以篩選出能夠記錄河段上下游洪峰淹沒信息的Sentinel-1A影像。考慮到中小流域最大雨強(qiáng)的造峰時間較短(一般為幾小時)[20]，且斯里蘭卡地區(qū)與Nilwara河類似河流的上下游洪峰傳播時間為1～2 d[21]，Sentinel-1A影像的具體篩選原則為：1) 保留最大雨強(qiáng)出現(xiàn)1～2 d后的最新一期Sentinel-1A影像作為記錄洪峰淹沒信息的有效數(shù)據(jù); 2) Sentinel-1A影像的獲取時間應(yīng)盡可能接近下游洪峰到達(dá)時間，以保證影像的時效性(本文控制在6 d以內(nèi))。通過以上原則，利用GPM數(shù)據(jù)對研究區(qū)2014—2018年雨季的54期Sentinel-1A影像進(jìn)行篩選，并最終得到2015—2018年的18期洪澇事件的最大淹沒影像(表1)。

表1 Sentinel-1A數(shù)據(jù)獲取時間和數(shù)據(jù)類型

2 研究方法

2.1 洪峰水位提取

洪峰水位是指一次洪水過程中或者完整洪澇事件內(nèi)某河道斷面的最高水位值,在不考慮外界影響的條件下，近似認(rèn)為洪澇最大淹沒范圍由洪峰水位決定。由此，準(zhǔn)確識別洪澇最大淹沒范圍是確定上下游洪峰水位的首要工作[4]。盡管目前已有多種淹沒自動提取算法，如監(jiān)督分類法、濾波法、灰度閾值分割算法[19]等，但在實際工作中，自動提取算法易受研究區(qū)地勢地形和植被的干擾，在受淹植被區(qū)的提取精度與視覺解譯法相比仍存在較大差距[16,19]。為盡可能獲取高精度的淹沒提取結(jié)果，減少因提取精度造成的不確定性，本文采用目視解譯的方法識別河段兩側(cè)最大淹沒范圍，識別精度控制在1～2個像素范圍之內(nèi)。具體識別原則如下[22]：1) 淹沒區(qū)域的亮度與邊緣形狀與非淹沒區(qū)域形成鮮明對比；2) 淹沒區(qū)域與河道相互連接且大都平行于河道。

根據(jù)研究區(qū)的地勢地形，該河段洪水演進(jìn)過程可以近似視為一維洪水淹沒過程[2]。在這種情況下，河道斷面方向上的水面被近似認(rèn)為處于同一水平高度，通過提取河道斷面方向上被淹沒柵格的最大高程并將其賦值給對應(yīng)的河道斷面來約束該斷面的洪峰水位[23]。

Z洪峰水位=Max(Z1,…,Zn)，

(1)

式中：Z表示河道斷面方向上被淹沒柵格的高程值;n表示河道斷面方向上被淹沒的柵格數(shù)目; Max函數(shù)表示取所有值中的最大值。

2.2 相應(yīng)水位法

根據(jù)相應(yīng)水位法相關(guān)原理，無支流河段的上下游洪峰水位關(guān)系[3]可以概括為

Z下,t+π=f(Z上,t)，

(2)

式中：Z上，t表示t時刻上游的洪峰水位；Z下，t+π表示同一洪澇事件中t+π時刻下游的洪峰水位；f函數(shù)表示河段上下游洪峰水位間的映射關(guān)系，可以由多期上下游洪峰水位數(shù)據(jù)回歸擬合獲得。

2.3 洪水填充算法

與傳統(tǒng)種子填充算法只用單個點(diǎn)的水位信息(點(diǎn)型水位數(shù)據(jù))約束淹沒范圍不同[24]，本文利用整條河段自上而下逐漸降低的洪峰水位線(線型水位數(shù)據(jù))約束沿河兩側(cè)的最大淹沒范圍。當(dāng)給定河段上游洪峰水位時，下游洪峰水位可由下游洪峰水位預(yù)測模型(式(2))預(yù)測得出，上下游之間斷面的洪峰水位可沿河道方向內(nèi)插獲得。對于一維洪水淹沒過程，最大淹沒范圍獲取的主要步驟如下：1) 將洪峰水位沿河道斷面方向向兩側(cè)擴(kuò)展, 高程低于對應(yīng)洪峰水位的區(qū)域被初步判定為淹沒區(qū)；2) 考慮有源淹沒情況，刪除無法與河道相互連接的淹沒區(qū)[25]。水深信息可以通過洪峰水位減去對應(yīng)柵格的DEM獲得，計算公式[26]為

D=Z-EG，

(3)

式中：D表示研究區(qū)域洪水深度；Z表示研究區(qū)域洪水水位高度；EG表示研究區(qū)域地表高程。

相關(guān)技術(shù)流程如圖2所示。

圖2 方法流程圖

3 結(jié)果與分析

3.1 洪峰水位分析

通過研究區(qū)2015—2017年Sentinel-1A衛(wèi)星記錄的14期洪澇事件的最大淹沒影像，結(jié)合ASTER GDEMV2數(shù)據(jù)和SRTM1 DEM數(shù)據(jù)分別得到河段上下游的歷史洪峰水位(圖3)。從上下游洪峰水位所處區(qū)間來看，ASTER GDEMV2數(shù)據(jù)下，上游地區(qū)歷史洪峰水位最小值為15 m，最大值為20 m，洪峰水位抬升幅度為5 m；下游地區(qū)歷史洪峰水位最小值為12 m，最大值為16 m，洪峰水位抬升幅度為4 m；SRTM1 DEM數(shù)據(jù)下，上游地區(qū)歷史洪峰水位最小值為16 m，最大值為20 m，洪峰水位抬升幅度為4 m；下游地區(qū)歷史洪峰水位最小值為13 m，最大值為16 m，洪峰水位抬升幅度為3 m。從河段上下游洪峰水位的對應(yīng)關(guān)系來看，無論是ASTER GDEMV2反演出的洪峰水位數(shù)據(jù)還是SRTM1 DEM反演出的洪峰水位數(shù)據(jù)，上游洪峰水位到達(dá)下游后都有不同程度的降低，這體現(xiàn)了河水從上游傳播到下游的過程中洪水傳播能量逐漸減少，且地勢逐漸降低，水位有所下降的現(xiàn)象。此外，洪峰在向下游傳播的過程中，研究區(qū)河道寬度由10 m變寬為30 m左右，而下游洪峰水位的抬升幅度低于上游洪峰水位的抬升幅度，這說明自上而下河流寬度的逐漸增加對洪峰變化幅度起到了消減的作用，且上游洪水由于谷狹水急的特征，水位波動幅度大；下游谷底寬闊，水流平緩，水位波動幅度小。

圖3 基于ASTER GDEMV2和SRTM1 DEM的上下游洪峰水位提取結(jié)果

通過將多期上下游洪峰水位按照時間順序進(jìn)行排列，我們發(fā)現(xiàn)河段上下游洪峰水位間存在良好的響應(yīng)關(guān)系，即在多期洪澇事件中，上游洪峰水位較前一期發(fā)生升高或者降低時，下游洪峰水位也會發(fā)生升高或者降低，對應(yīng)具體洪澇事件的提取結(jié)果來看，ASTER GDEMV2數(shù)據(jù)和SRTM1 DEM數(shù)據(jù)下的水位反演結(jié)果差異不大。其中2017年6月5日—8月28日的3期洪澇事件的上下游洪峰水位在3年中處于較高水平，這與斯里蘭卡2017年5—9月經(jīng)歷了特大洪澇事件相吻合。

3.2 模型構(gòu)建及精度分析

根據(jù)2015—2017年14期洪水事件提取出的上下游洪峰水位數(shù)據(jù)，通過回歸分析的方法分別建立ASTER GDEMV2和SRTM1 DEM下的指數(shù)、線性、冪乘、二次項形式的下游洪峰水位預(yù)測模型。為進(jìn)一步評估模型回歸效果，選取R2和RMSE作為評價指標(biāo)來評估模型的擬合優(yōu)度和精度。

ASTER GDEMV2數(shù)據(jù)下，指數(shù)、線性、冪乘、二次項模型的R2分別為0.79，0.79，0.79和0.81，4種模型的RMSE分別為0.45，0.51，0.49和0.84(圖4(a))，由此可知該河段上下游洪峰水位之間存在較強(qiáng)相關(guān)性，4種預(yù)測模型擬合效果較好且相差不大。其中，二次項模型的可信度最優(yōu)但RMSE值相對較大，表現(xiàn)出模型的不穩(wěn)定性，其余3種回歸模型的R2和RMSE相差不大。SRTM1 DEM數(shù)據(jù)下，指數(shù)、線性、冪乘、二次項模型的R2分別為0.74，0.73，0.72和0.80，RMSE分別為0.45，0.47，0.46和1.27(圖4(b))。其中二次項模型也表現(xiàn)出可信度略高但模型較不穩(wěn)定的特點(diǎn)，其余3種模型的R2和RMSE相差不大。

圖4 基于ASTER GDEMV2和SRTM1 DEM的上下游洪峰水位回歸關(guān)系

通過對比2種DEM數(shù)據(jù)下所建模型的R2和RMSE，發(fā)現(xiàn)二者對應(yīng)形式的預(yù)測模型擬合效果整體較為接近，其中ASTER GDEMV2數(shù)據(jù)下建立的預(yù)測模型整體效果略好一些，這可能與研究區(qū)特定的地勢地形有關(guān)。綜合二者洪峰水位反演結(jié)果差異不大的情況，說明以上2種DEM數(shù)據(jù)都可應(yīng)用于Nilwara流域的水位提取及預(yù)測模型構(gòu)建工作，這也印證了相關(guān)研究中SRTM1 DEM和ASTER GDEMV2數(shù)據(jù)在地勢較為平緩的平原地區(qū)精度誤差較為接近(二者平均誤差皆不超過0.4 m)的觀點(diǎn)[27]。

基于以上分析，考慮到ASTER GDEMV2數(shù)據(jù)下建立的預(yù)測模型整體效果略好的情況，選取ASTER GDEMV2數(shù)據(jù)下模型回歸可信度較高且RMSE相對較小、模型形式較為簡單的指數(shù)模型作為該河段下游洪峰水位的預(yù)測模型

y=5.5e0.05x，

(4)

式中：x表示研究區(qū)河段上游水位，m；y表示下游洪峰水位，m。

3.3 最大淹沒范圍預(yù)測

根據(jù)下游洪峰水位預(yù)測模型，當(dāng)給定上游洪峰水位時，可以預(yù)測得到河段下游的洪峰水位值。上下游之間河道斷面的洪峰水位可通過線性內(nèi)插獲得。利用ASTER GDEMV2數(shù)據(jù)，根據(jù)2015—2017年14期洪澇事件的上下游洪峰水位分布情況，結(jié)合洪水填充算法及水深公式(式(3))得到14期洪澇事件的最大淹沒范圍及水深分布情況(圖5)。

為準(zhǔn)確評估預(yù)測精度，選取總體精度(overall accuracy, OA)作為評價指標(biāo)來測定被正確預(yù)測的柵格數(shù)目占所有柵格數(shù)目的比例。預(yù)測結(jié)果和觀測結(jié)果的標(biāo)準(zhǔn)混淆矩陣如表2所示，其中N1為預(yù)測結(jié)果中屬于淹沒區(qū)域、觀測結(jié)果中也屬于淹沒區(qū)域的柵格總數(shù)；N2為預(yù)測結(jié)果中屬于淹沒區(qū)域、但觀測結(jié)果中屬于非淹沒區(qū)域的柵格總數(shù)；N3為預(yù)測結(jié)果中屬于非淹沒區(qū)域、但觀測結(jié)果屬于淹沒區(qū)域的柵格總數(shù)；N4為預(yù)測結(jié)果屬于非淹沒區(qū)域、觀測結(jié)果中也屬于非淹沒區(qū)域的柵格總數(shù)[22]。

表2 預(yù)測淹沒面積和觀測淹沒面積的混淆矩陣

由于本文中研究區(qū)范圍通過人為選擇確定，當(dāng)研究區(qū)范圍過大時，N4的數(shù)值隨之增大，會對總體精度造成較大程度上的高估。因此，本文移除了在預(yù)測結(jié)果中屬于非淹沒區(qū)域、在觀測結(jié)果中也屬于非淹沒區(qū)域的柵格總數(shù)，新的總體精度[22]計算公式為

(5)

14期淹沒預(yù)測結(jié)果中(表3)，總體精度最低為0.74，最高為0.81，平均值為0.76，顯示出最大淹沒預(yù)測范圍與觀測范圍在空間位置上較好的一致性，實際淹沒范圍與預(yù)測淹沒范圍的差異分布如圖6所示。

圖6 預(yù)測淹沒范圍與實際淹沒范圍的差異分布

表3 最大淹沒范圍預(yù)測結(jié)果的總體精度

3.4 應(yīng)用模式

通過建立的下游洪峰水位預(yù)測模型，結(jié)合洪水填充算法，可以在知道上游洪峰水位的情況下預(yù)測出下游地區(qū)的洪峰水位及最大淹沒范圍。如表4所示，當(dāng)研究區(qū)上游水位達(dá)到15 m時，下游地區(qū)預(yù)測水位為11.90 m，兩側(cè)最大淹沒范圍為3.56 km2；當(dāng)上游水位為20 m時，下游預(yù)測水位可達(dá)15.38 m，最大淹沒范圍為4.70 km2。

表4 下游洪峰水位及最大淹沒范圍預(yù)測結(jié)果

實際應(yīng)用中，利用本文的技術(shù)方法可以在目標(biāo)河段建立起適宜該河段的下游洪峰水位預(yù)測模型，并可將不同上游水位下的預(yù)測結(jié)果編制成上下游水位對應(yīng)關(guān)系表的形式提供給河段周邊潛在淹沒區(qū)的居民。借助建立起來的上下游水位對應(yīng)關(guān)系表，當(dāng)上游水位到達(dá)一定高度時，上游社區(qū)居民可以通過電話等通信手段將上游水位情況及時告知下游社區(qū)管理者。下游社區(qū)管理者則可以利用編制的上下游水位對應(yīng)關(guān)系表，迅速查閱出他們所在地區(qū)可能發(fā)生的洪水水位及最大淹沒范圍信息，并及時疏散潛在淹沒區(qū)的居民，減少該地區(qū)的生命財產(chǎn)損失。

3.5 真實性檢驗

為進(jìn)一步驗證2015—2017年14期遙感監(jiān)測數(shù)據(jù)所建立的下游洪峰水位預(yù)測模型的準(zhǔn)確性和可靠性，利用2018年4期洪澇事件提取出的洪峰水位數(shù)據(jù)進(jìn)行了真實性檢驗。結(jié)果顯示，4期下游洪峰水位預(yù)測結(jié)果(表5)中，絕對誤差最小值為0.20 m，最大值為1.62 m，平均值為0.83 m，RMSE為1.01 m，顯示出下游洪峰水位預(yù)測模型具有較小的誤差，模型穩(wěn)定(根據(jù)DEM數(shù)據(jù)精度，表中上游、下游洪峰水位值保留到整數(shù)位)。

表5 下游洪峰水位預(yù)測結(jié)果

最大洪澇淹沒范圍預(yù)測中,以上4期洪澇事件預(yù)測結(jié)果的總體精度分別為0.74，0.80，0.74和0.71。其中，最小值為0.71，最大為0.80，平均值為0.75，顯示出預(yù)測結(jié)果較高的可信度。以上結(jié)果證明，利用遙感技術(shù)建立起的下游洪峰水位預(yù)測模型和洪水填充算法能夠在給定上游洪峰水位的情況下較為真實、準(zhǔn)確地預(yù)測該地區(qū)的下游洪峰水位和最大淹沒情況，能夠為當(dāng)?shù)氐暮闈愁A(yù)警工作提供重要參考。

4 討論

已有不少學(xué)者將遙感反演出的河道水位數(shù)據(jù)應(yīng)用于洪澇災(zāi)害研究當(dāng)中，并就不同分辨率 DEM 的應(yīng)用潛力開展了深入探討[13]。如Schumann等[28]利用90 m分辨率的SRTM DEM數(shù)據(jù)在地勢平緩的Alzetee河地區(qū)開展水位提取及淹沒模擬工作，其水位反演結(jié)果的RMSE為1.07 m，淹沒模擬精度為 0.59，證明了粗分辨率DEM在平緩河漫灘地區(qū)的水位反演工作中具備一定潛力；Schumann等[2]和Matgen等[23]利用LIDAR獲取的高精度DEM數(shù)據(jù)(2 m)結(jié)合ENVISAT SAR影像開展洪澇研究工作，其洪峰水位反演的RMSE最高可達(dá)0.18 m，淹沒預(yù)測精度為 0.74，顯示出高精度DEM數(shù)據(jù)在洪澇災(zāi)害研究中的巨大價值。本文使用的是免費(fèi)DEM數(shù)據(jù)，空間分辨率為30 m，在目前無法獲得研究區(qū)更高精度DEM的情況下，其洪峰水位反演的RMSE為1.01 m，最大淹沒范圍預(yù)測的總體精度不低于0.71，基本能夠滿足與研究區(qū)類似的地勢平緩地區(qū)的洪澇淹沒精度要求。而在地形更加復(fù)雜情況下，基于立體像對方法可以生產(chǎn)5 m，甚至2.5 m、1 m的DEM數(shù)據(jù)，在復(fù)雜地形的洪澇淹沒預(yù)警技術(shù)研究方面具有較高的應(yīng)用價值。未來工作中可在高精度DEM數(shù)據(jù)獲取方面進(jìn)一步開展研究，降低高精度DEM數(shù)據(jù)的獲取難度，提升水文參數(shù)反演及洪澇淹沒預(yù)測的準(zhǔn)確性。

此外，在利用水文站點(diǎn)監(jiān)測數(shù)據(jù)結(jié)合相應(yīng)水位法進(jìn)行洪峰水位預(yù)測方面，蘇醒[3]在努爾敏河段開展了下游洪峰水位預(yù)測研究，其預(yù)測洪峰水位的RMSE可達(dá)0.21 m；而傅太生等[5]則分別在鎮(zhèn)江河段低潮位和高潮位的情況下建立了下游水文站的洪峰水位預(yù)測模型，其預(yù)測結(jié)果的平均誤差小于0.10 m。與以上研究相比，本文提出的方法在預(yù)測精度方面還存在一些差距，但在目前中小流域普遍缺乏實測數(shù)據(jù)的情況下，遙感反演出的洪峰水位數(shù)據(jù)可以在水文規(guī)律探索和下游洪峰水位預(yù)測方面發(fā)揮出高效的填補(bǔ)空白的作用，能夠減少因水文實測數(shù)據(jù)不足對洪澇災(zāi)害預(yù)警工作造成的制約。

實際應(yīng)用中，由于發(fā)展中國家和欠發(fā)達(dá)地區(qū)中小流域的居民一般缺乏洪水預(yù)警方面的專業(yè)知識，所以布置上下游水位對應(yīng)關(guān)系表的方法是一種非常直觀、廉價且具有操作性的洪水預(yù)警模式。目前，這一應(yīng)用模式已經(jīng)在斯里蘭卡Kalutara地區(qū)的5個村莊得以應(yīng)用[21]，并起到了良好的預(yù)警效果(其中與Nilwara河類似的Kalu河的預(yù)警時間最長可達(dá)1～2 d)。然而，該地區(qū)洪水預(yù)警表格的編制是當(dāng)?shù)貙W(xué)者實測當(dāng)?shù)氐匦?，并利用該地區(qū)為數(shù)不多的水文監(jiān)測數(shù)據(jù)結(jié)合HEC-RAS模型完成的，在其他缺乏水文監(jiān)測數(shù)據(jù)的區(qū)域，洪水預(yù)警表格的編制仍存在較大難度。與之相比，本文提出的基于遙感技術(shù)的下游洪峰水位預(yù)測模型構(gòu)建方法，可以在無水文實測數(shù)據(jù)的情況下在目標(biāo)河段編制出類似的洪水預(yù)警表，進(jìn)而為水文實測數(shù)據(jù)缺乏地區(qū)的洪澇預(yù)警工作提供幫助。

隨著遙感大數(shù)據(jù)時代的到來，遙感數(shù)據(jù)的時間分辨率、空間分辨率、輻射分辨率、光譜分辨率不斷提高，遙感數(shù)據(jù)類型不斷豐富[29]，為更加準(zhǔn)確地預(yù)測洪水災(zāi)情提供了可能。下一步研究中，我們也將繼續(xù)補(bǔ)充可用遙感數(shù)據(jù)，完善相關(guān)技術(shù)流程，進(jìn)一步提升該方法的預(yù)測精度和可操作性。

5 總結(jié)與展望

本文利用遙感技術(shù)，以Sentinel-1A SAR影像記錄的研究區(qū)河段的多期洪峰淹沒影像為數(shù)據(jù)源，提取河段上下游洪峰水位數(shù)據(jù)，揭示了上下游洪峰水位間的響應(yīng)關(guān)系，通過建立的下游洪峰水位預(yù)測模型及洪水填充算法，對研究區(qū)內(nèi)多期洪澇事件的最大淹沒范圍和水深分布信息進(jìn)行計算。結(jié)果表明：

1)基于遙感技術(shù)反演得到的洪峰水位數(shù)據(jù)能夠較好地反映洪水動態(tài)致災(zāi)過程中的水文規(guī)律，較為準(zhǔn)確地揭示了Nilwara河的上下游洪峰水位響應(yīng)關(guān)系。

2)基于遙感技術(shù)的下游洪峰水位預(yù)測模型和洪水填充算法能夠有效預(yù)測Nilwara河的下游洪峰水位和兩側(cè)最大淹沒范圍，且預(yù)測結(jié)果總體精度較高(OA不低于0.71)。因此，該方法對水文數(shù)據(jù)缺乏地區(qū)的洪水預(yù)報工作有著重要的借鑒意義。

本文目前提出的方法更適用于類似Nilwara河這樣無大型支流匯入、無水利工程擾動的干流河段。對于有支流匯入且存在人類水利工程干擾的河段，需要考慮支流及水利工程的同位相水位對干流洪峰水位的影響。在這種情況下，支流洪峰與干流洪峰到達(dá)匯流點(diǎn)時間可能存在較大差異，需要進(jìn)一步研究洪峰傳播時間對模型的影響。