葛艷琴,李彥榮

(太原理工大學 礦業(yè)工程學院，山西 太原 030024)

0 引言

中國黃土高原氣候相對干旱、降雨集中、雨熱同期，晉陜甘寧是中國黃土分布的中心區(qū)域，約占全國黃土總面積的72%。黃土地區(qū)因具有土結(jié)構(gòu)疏松、溝壑縱橫、地形破碎以及氣候干燥等特點，其地質(zhì)環(huán)境極為脆弱，在降雨集中時易造成水土流失和生態(tài)環(huán)境惡化[1-2]。流域是氣象降雨的地表水流匯集地，強降雨條件下流域周邊衍生的落水洞加劇了黃土地區(qū)的地貌侵蝕問題，易發(fā)生坍塌、滑坡等黃土地質(zhì)災害，因而需探明降雨導致的地表匯水對流域周邊地貌侵蝕的影響。研究該影響的首要任務是高效提取大范圍地表匯水的時空分布信息，鑒于遙感對地觀測技術(shù)在監(jiān)測地表水環(huán)境的傳統(tǒng)優(yōu)勢，亟需利用水體提取方法開展地表匯水的遙感監(jiān)測研究。

在區(qū)域發(fā)生強降雨(24 h降雨量超50 mm)現(xiàn)象時，地表徑流極易造成短時的局部匯水，匯水形成的地表水體分布較為離散，低分辨率遙感影像難以準確地識別其邊界。水體信息遙感提取方法中應用最為廣泛的是閾值分析法。單通道的閾值分析依據(jù)水體在近紅外和中紅外光譜通道上顯著的吸收特性[3]，但無法有效區(qū)分水體與山體陰影[4]；基于多譜段關(guān)系分析和水體指數(shù)的多通道閾值分析是利用水體在不同光譜通道上的組合關(guān)系或計算模型，得到更高解譯質(zhì)量的特征影像。多譜段關(guān)系分析能夠應用于地形起伏地小的地區(qū)[5-6]，與單通道法結(jié)合時可應用于山體陰影的去除[7]。水體指數(shù)法的代表性工作是McFeeters等[8]提出的歸一化差異水體指數(shù)，既可消除建筑物和裸土影響，也部分抑制了植被、陰影等的地表弱反射特征。徐涵秋[9]提出了適用于城市水體提取的改進歸一化差異水體指數(shù)，閆霈等[10]提出了修訂歸一化差異水體指數(shù)可抑制山體陰影和混合像元問題，沈占鋒等[11]提出基于高斯轉(zhuǎn)換的歸一化差異水體指數(shù)來保存水體提取形態(tài)完整性。增強水體指數(shù)[12]、新型水體指數(shù)[13]、更具普適性的自動水體提取指數(shù)[14]和陰影水體指數(shù)[15]等方法也被發(fā)展用于特定場景的水體提取問題或削弱陰影、建筑物等噪聲的干擾。

基于分類思想的水體提取方法中，決策樹、支持向量機(Support Vector Machines,SVM)、面向?qū)ο笫腔趯W習的主要方法。監(jiān)督分類器[16]能夠去除水體掩膜中的高反射特征地物，可利用相鄰景影像重疊區(qū)域[17]或進行自組織訓練[18]拓展樣本。決策樹分類是由上至下逐級細分得到水體像元，可與IHS(Intensity Hue Saturation)變換[19]、密度聚類、水體指數(shù)等進行組合分析，解決樣本噪聲與屬性缺失問題[20]。SVM法在水體類型標記樣本量很少的情況下能保持好的分類質(zhì)量[21]，在水體分布差異復雜度高時，比指數(shù)分析法和面向?qū)ο蠓ǖ奶崛【雀遊22]。面向?qū)ο蠓椒山鉀Q提取結(jié)果破碎化與混合像元問題，如結(jié)合水體指數(shù)與多尺度分割的方法[23]、結(jié)合光譜特征與拓撲關(guān)系的方法[24]等。此外，深度學習方法充分利用影像中水體的空譜信息，如深度學習與SVM分類[25]、多尺度融合[26]等方法可聯(lián)合進行水體提取，并可改進從水體視覺特征到語義特征的自下向上的識別結(jié)構(gòu)[27]。

現(xiàn)有研究表明，SAR傳感器數(shù)據(jù)在水體信息遙感提取方面具有顯著優(yōu)勢，但應用瓶頸在于傳統(tǒng)水體提取方法難以自適應確定水體與非水體像元的光譜分割閾值。有鑒于此，結(jié)合分貝化與種子點擴散思想，提出了一種基于SAR影像的自適應水體提取方法，該方法通過SAR影像直方圖分析能夠自動化確定水體分割閾值，可用于高效監(jiān)測黃土地區(qū)流域周邊地表匯水的時空分布信息。

1 研究區(qū)與數(shù)據(jù)源

實驗選取的研究區(qū)位于汾河下游新絳段，屬暖溫帶大陸性氣候，地理坐標為東經(jīng)111°11′32″～111°14′37″、北緯35°35′11″～35°37′48″，平均海拔約392 m，分布有黃土丘陵植被、平原植被和汾河沼澤植被等多類型植被區(qū)。區(qū)內(nèi)河道為汾河高低階地構(gòu)成的沖/湖積平原區(qū)，河道整體呈東西向展布，長約6 000 m、寬約200 m，年平均流量48.7 m3/s，年徑流量約15.4億m3，南北兩側(cè)為農(nóng)田和新絳縣城區(qū)。

為監(jiān)測強降雨條件下區(qū)內(nèi)地表匯水的變化過程，選取了高分一號(GF-1)多光譜數(shù)據(jù)、高分三號(GF-3)和哨兵一號(Sentinel-1)C波段SAR數(shù)據(jù)以及無人機航攝多光譜數(shù)據(jù)來進行水體信息的遙感提取與驗證，其中SAR數(shù)據(jù)用于地表匯水信息的自動化提取，衛(wèi)星與航空多光譜數(shù)據(jù)作為參考數(shù)據(jù)源用于對部分提取結(jié)果進行精度評價。所采用的實驗數(shù)據(jù)源及其元數(shù)據(jù)信息如表1所示。

表1 研究區(qū)實驗數(shù)據(jù)源

在利用Sentinel-1和GF-3 SAR衛(wèi)星數(shù)據(jù)進行水體提取前，需要進行初步的數(shù)據(jù)預處理，主要包括多視處理、濾波處理、輻射定標以及地理編碼。首先將斜距復數(shù)數(shù)據(jù)轉(zhuǎn)換為SAR強度數(shù)據(jù)，弱化相干斑的影響，增強2種SAR衛(wèi)星影像的解譯特征；然后利用Refined Lee濾波器對SAR強度數(shù)據(jù)進行濾波，消除其中的斑點噪聲，提升圖像信噪比；Sentinel-1和GF-3影像中通常存在顯著的輻射偏差，需借助輻射定標處理將SAR影像強度值轉(zhuǎn)換為地距后向散射系數(shù)值；最后，為消除因SAR衛(wèi)星側(cè)視成像造成其對地形起伏較為敏感且易產(chǎn)生幾何畸變的問題，應對SAR影像進行幾何校正，以消除透視收縮、疊掩和陰影等問題，即地理編碼處理。

采用GF-1衛(wèi)星和無人機航空攝影2種方式對2021年10月12日(對應無人機航攝數(shù)據(jù))和17日(對應GF-1衛(wèi)星數(shù)據(jù))的Sentinel-1 SAR衛(wèi)星影像水體提取結(jié)果進行驗證。GF-1衛(wèi)星全色-多光譜(PAN-Multispectral，PMS)數(shù)據(jù)在完成幾何與輻射處理后，采用基于Gram-Schmidt的Pansharpening方法將全色波段(2 m)和多光譜波段(4 m)融合成2 m分辨率的多光譜影像。無人機的航攝載荷為多光譜相機，采集流程包括新絳縣河道周邊的測區(qū)踏勘、航線設計、像控點布設以及現(xiàn)場航空攝影測量等步驟，像控點信息需利用RTK測量方法采集，采集到的航空相片空間分辨率優(yōu)于10 cm；然后，對采集到的原始無人機影像依次進行幾何畸變糾正、特征提取與匹配、空三加密、影像鑲嵌等處理，生成研究區(qū)的多光譜數(shù)字正射影像圖(Digital Orthophoto Map，DOM)。此外，本研究中涉及的所有多源多模態(tài)實驗數(shù)據(jù)均需進行幾何糾正與影像配準，并下采樣到統(tǒng)一的像元尺寸下，便于后續(xù)水體提取結(jié)果的對比分析與驗證。

2 研究方法

監(jiān)測強降雨條件下汾河下游新絳段地表匯水時空分布信息的整體思路為：先將經(jīng)預處理后的多時相SAR影像進行分貝化處理，然后根據(jù)直方圖分析法確定水體與非水體的閾值分割點，再利用閾值分割結(jié)果作為水體種子點構(gòu)建區(qū)域生長模型，最后基于區(qū)域生長算法實現(xiàn)對多時相SAR數(shù)據(jù)的水體提取，得到研究區(qū)地表匯水的時空分布信息。具體提取方案如圖1所示。

圖1 本文發(fā)展的流域洪災匯水信息提取方案Fig.1 Proposed scheme of water body extraction

2.1 基于智能種子點擴散的地表匯水信息提取

在利用種子點擴散方法進行水體提取前，對SAR影像進行分貝化處理(即對數(shù)變換)，使其能夠?qū)AR影像中的水體類別進行特征增強，提高其解譯標志的顯著性與可判別性。分貝化處理可表達為：

dB(σ0)=10×lgσ0，

(1)

式中，σ0為SAR衛(wèi)星數(shù)據(jù)的同極化后向散射系數(shù)；dB(·)為分貝化后的分貝值。SAR影像經(jīng)分貝化處理后，其數(shù)據(jù)分布呈現(xiàn)出明顯的高斯分布特征。

水體種子點確定是區(qū)域生長算法提取水體的起始步驟，它對于水體區(qū)域的生長至關(guān)重要。傳統(tǒng)的種子點確定方法是基于人機交互解譯的手動選取方式，該方法執(zhí)行效率低且生長結(jié)果受主觀因素影響，不適用于區(qū)域級的水體提取研究。本文通過分析SAR影像dB值的統(tǒng)計分布特征，提出了一種結(jié)合直方圖分析與區(qū)域種子點擴散的自動化水體提取方法，該方法利用直方圖分析方法來確定水體種子像元的分割閾值，在篩選出水體種子區(qū)域的基礎上利用種子點擴散方法得到最終的水體分布掩膜圖。

首先對經(jīng)分貝化的dB值SAR影像進行直方圖分析，研究區(qū)時序SAR影像dB值的直方圖分布既存在單峰分布也存在雙峰結(jié)構(gòu)。研究區(qū)部分時相下SAR影像單峰和雙峰直方圖結(jié)構(gòu)的分析圖。如圖2和圖3所示。

圖2 基于單峰直方圖分析的SAR影像水體種子像元提取Fig.2 Seed extraction of water body in SAR images based on unimodal histogram analysis

圖3 基于雙峰直方圖分析的SAR影像水體種子像元提取Fig.3 Seed extraction of water body in SAR images based on bimodal histogram analysis

對于單峰直方圖分布情形(圖2)，在dB值符合高斯正態(tài)分布的前提下，其兩側(cè)拐點指示了顯著的地物類別區(qū)分特征，根據(jù)水體的dB值分布特點，選取其左側(cè)拐點作為水體目標與非水體目標的閾值分割點，該位置所對應的dB值通常為影像標準差(STD)的負值，可表達為-STD，則水體種子像元的判別依據(jù)可表達為：

dB(σ0)≤-STD。

(2)

對于SAR影像dB值呈雙峰結(jié)構(gòu)的直方圖分布情形(圖3)，其dB值分布范圍定義為[σ1,σn]，采用雙峰法分析其直方圖分布特征，即通過計算2個波峰(對應圖3中σi和σj)間峰谷σt的位置來確定閾值分割的基本依據(jù)。具體實現(xiàn)途徑是：① 搜索直方圖中最大峰值σj；② 直方圖平滑/濾波處理；③ 統(tǒng)計最大峰值左側(cè)的其他峰值；④ 基于其他各峰值及其與最大峰值距離找出第2個波峰σi；⑤ 根據(jù)最大和第2個峰值計算兩峰之間的峰谷值σt。則水體種子像元可根據(jù)式(3)判別：

dB(σ0)≤σt。

(3)

在利用直方圖分析方法確定出水體種子點像元的分割閾值后，可得到初步的水體“種子區(qū)域”掩膜圖，并以篩選出的水體種子像元作為區(qū)域生長的起始生長點。區(qū)域生長是從水體“種子區(qū)域”對應的灰度矩陣中多個種子點開始，當水體種子點像元Pi與其鄰近像元Pj間滿足如下條件時，則將像元Pj加入到水體種子點集合中：

|dB(Pi)-dB(Pj)|≤K，

(4)

式中，K為區(qū)域生長預設的生長閾值。

在首次擴散得到擴展后的水體種子點集合后，按照更新后的種子點集合重新進行區(qū)域生長，重復上述生長過程直到遍歷所有SAR影像像元，最終篩選出所有符合條件的水體類別像元。

2.2 地表匯水信息提取精度評價

為精確檢驗2.1中所述方法的水體分布信息提取質(zhì)量，主要采用基于人工目視解譯的方法從光學遙感影像(GF-1 PMS和無人機多光譜數(shù)據(jù))中精確提取水體分布邊界，作為提取質(zhì)量評價的標準參考掩膜。在對水體目標進行目視提取前，可利用歸一化水體指數(shù)(Normalized Difference Water Index，NDWI)將衛(wèi)星或無人機多光譜遙感數(shù)據(jù)轉(zhuǎn)換為水體專題圖，并通過閾值分析等方法作為多光譜數(shù)據(jù)的解譯參考。某多光譜像元的水體指數(shù)NDWI的生成算法表示為：

(5)

式中，ρgreen和ρNIR分別為經(jīng)輻射定標與大氣校正處理后綠光波段、近紅外波段的像元反射率，由于無人機成像時距離地面高度較小，因此在航攝數(shù)據(jù)采集時只需利用定標板進行基礎的輻射定標處理即可。

在對本文算法的水體提取結(jié)果與標準參考掩膜進行質(zhì)量評價時，采用總體一致性(精度)po、漏檢率、誤檢率以及Kappa系數(shù)等質(zhì)量評價指標進行綜合評估。其中，總體一致性po是待處理圖像中識別出的與參考掩膜一致的正確水體像元占圖像總像元數(shù)量的比值，漏檢率是待處理圖像中未識別出的參考掩膜中的水體像元占圖像總像元數(shù)量的比值，誤檢率是待處理圖像中識別錯誤的水體像元占圖像總像元數(shù)量的比值。Kappa系數(shù)的計算式為：

(6)

(7)

式中，Wa和Wr分別為標準參考掩膜中的水體類別像元個數(shù)以及其中算法識別出的水體像元個數(shù)；NWa和NWr分別為標準參考掩膜中的非水體類別像元個數(shù)以及其中算法識別出的非水體像元個數(shù)；n為水體掩膜圖像中的像元總數(shù)。

3 實驗結(jié)果與分析

實驗采用所發(fā)展的基于智能種子點擴散的水體信息提取方法，將依次采集于2021年9月30日、10月5日、10月12日、10月17日的Sentinel-1時間序列SAR衛(wèi)星影像以及10月10日下的GF-3衛(wèi)星SAR影像全部作為研究區(qū)地表匯水信息提取實驗的基礎研究數(shù)據(jù)，利用采集于10月12日的無人機航攝多光譜影像和10月17日下的GF-1 PMS影像進行地表匯水分布信息的人工目視解譯，目視解譯的結(jié)果用于對10月12日和17日的Sentinel-1衛(wèi)星SAR影像水體提取結(jié)果進行精度檢驗。此外，上述所有實驗數(shù)據(jù)均已經(jīng)過相應的數(shù)據(jù)預處理，包括幾何配準與重采樣操作。

圖4為2021年9月30日、10月5日、10月10日、10月12日以及10月17日共5個時相下Sentinel-1或GF-3衛(wèi)星的分貝化影像、水體種子點(區(qū)域)以及水體提取結(jié)果，其中分貝化影像(圖4(a)，(d)，(g)，(j)，(m))上疊加的紅色實線為水體提取結(jié)果掩膜的矢量邊界;圖5展示了研究區(qū)10月12日的UAV航攝DOM產(chǎn)品、10月17日GF-1 PMS融合影像及其目視解譯結(jié)果，該結(jié)果將作為參考的精細水體提取結(jié)果來評價圖4中的SAR衛(wèi)星影像水體提取掩膜(圖4(c)，(f)，(i)，(l)，(o))；圖6為10月12日和17日的SAR影像水體提取結(jié)果與參考水體掩膜的對比分析圖，包括本文水體提取結(jié)果在2個時相下的正確檢測掩膜(圖6(a)，(d))、漏檢測掩膜(圖6(b)，(e))、誤檢測掩膜(圖6(c)，(f))以及這3類掩膜在UAV多光譜影像(圖6(g))和高分一號多光譜影像(圖6(h))上的疊加展示圖；其中，圖6(g)，(h)中標注的紅色實線為對應時相下SAR影像正確提取的水體掩膜邊界、綠色實線為漏提取的水體掩膜邊界、藍色實線為誤提取的水體掩膜邊界。

表2為研究區(qū)在2021年10月12日和17日下本文算法提取結(jié)果與參考水體掩膜的質(zhì)量評價指標，包括總體檢測精度、誤檢率、漏檢率以及Kappa系數(shù)等；圖7為圖4中所示的5個時相(2021年9月30日、10月5日、10月10日、10月12日以及10月17日)下基于SAR衛(wèi)星影像提取的水體分布面積變化曲線，它直接展示了汾河下游新絳縣段在強降雨條件下地表匯水信息的時序變化及影響范圍。其中，10月5日相對于9月30日的地表匯水面積增加了0.32 km2，10月10日相對于10月5日的地表匯水面積增加了2.3 km2，10月12日相對于10月5日的地表匯水面積減少了0.21 km2，10月17日相對于10月12日的水體提取面積進一步減少了1.57 km2。圖8為研究區(qū)氣象地基雷達的降雨強度掃描圖，指示了區(qū)內(nèi)的降雨時點和降雨強度，其中降雨強度以組合反射率(單位dBz)形式呈現(xiàn)，紅色星標注區(qū)域為研究區(qū)地理位置。

表2 研究區(qū)水體提取結(jié)果質(zhì)量評價指標

(a) 9月30日Sentinel-1影像

(b)9月30日水體種子點

(c)9月30日水體提取結(jié)果

(e)10月5日水體種子點

(f)10月5日水體提取結(jié)果

(g)10月10日GF-3影像

(h)10月10日水體種子點

(i)10月10日水體提取結(jié)果

(j)10月12日Sentinel-1影像

(k)10月12日水體種子點

(l)10月12日水體提取結(jié)果

(m)10月17日Sentinel-1影像

(n)10月17日水體種子點

(a)10月12日UAV多光譜影像

(b)10月12日水體目視解譯結(jié)果

(c)10月17日GF-1多光譜影像

(d)10月17日水體目視解譯結(jié)果

(a)10月12日正確檢測掩膜

(b)10月12日漏檢測掩膜

(c)10月12日誤檢測掩膜

(d)10月17日正確檢測掩膜

(e)10月17日漏檢測掩膜

(f)10月17日誤檢測掩膜

(g)10月12日多掩膜疊加

(h)10月17日多掩膜疊加

圖7 基于SAR影像提取的地表匯水信息變化曲線Fig.7 Variation curve of surface catchment distribution derived from SAR images

(a) 9-30 21:48

(b) 10-3 21:30

(c) 10-4 23:12

(d) 10-5 17:36

(e) 10-6 15:00

(f) 10-7 21:12

圖4中時序SAR影像的地表匯水提取結(jié)果表明：本文發(fā)展的基于智能種子點擴散的水體提取方法在種子點生成過程中既能夠較為全面地捕捉研究區(qū)內(nèi)明顯的水體種子像元，這些水體種子像元在接下來的區(qū)域生長構(gòu)建中連通了成團簇的水體分布區(qū)域，實現(xiàn)了黃土地區(qū)流域周邊地表匯水分布信息的精確監(jiān)測，同時避免了顯著的區(qū)域漏檢與誤檢問題。另一方面，由于Sentinel-1衛(wèi)星影像在成像幾何上的時序輻射偏差及其與GF-3衛(wèi)星影像在成像幾何與空間分辨率(Sentinel-1分辨率為15 m，GF-3分辨率為1 m)上的差異性，5個時相下的SAR衛(wèi)星影像在水體提取結(jié)果上也存在少量的不一致性，但實驗結(jié)果也表明該問題對水體提取精度無顯著影響。

對比圖4中10月12日、17日下Sentinel-1 SAR影像水體提取結(jié)果與10月12日UAV航攝影像及10月17日GF-1多光譜影像的水體目視解譯參考結(jié)果可發(fā)現(xiàn)，在檢測精度上，SAR影像的總體水體提取精度優(yōu)于87%，與GF-1光學衛(wèi)星數(shù)據(jù)解譯結(jié)果的總體一致性達90%以上，這表明光學衛(wèi)星(分辨率為2 m)得到的水體目視解譯結(jié)果更多地被SAR衛(wèi)星影像捕捉到；但SAR影像水體提取結(jié)果與無人機航攝影像得到的水體掩膜的Kappa系數(shù)顯著高于其與GF-1光學影像，這說明前二者在水體和非水體識別上的整體一致性更好。此外，SAR影像水體解譯結(jié)果與無人機航攝影像解譯結(jié)果間的漏檢率更高(>10%)，則主要是因SAR衛(wèi)星數(shù)據(jù)(分辨率為15 m)與參考數(shù)據(jù)源(UAV分辨率為0.1 m、GF-1 PMS分辨率為1 m)的空間尺度差異程度不同所引起的。在水體類別像元的形態(tài)分布特征上，基于人工目視解譯的水體掩膜在聚集性和完整性上具有天然優(yōu)勢，但難以精細刻畫水體在復雜地形地物條件下的分布輪廓，這主要受解譯過程中的專家經(jīng)驗與解譯時效性(效率)的影響；基于本文算法的水體提取結(jié)果能夠檢測出參考水體掩膜中的絕大部分水體像元，水體分布區(qū)域的邊界特征不夠平滑，這一方面是由于區(qū)域生長過程的算法結(jié)構(gòu)造成，但另一方面更為重要的是由于作為水體提取實驗的SAR衛(wèi)星數(shù)據(jù)源空間分辨率大大低于作為參考水體掩膜的無人機和光學衛(wèi)星高分辨率遙感影像，而利用人工目視解譯方法從SAR影像中提取水體的復雜性也高于人眼觀測的光學影像。因此，不考慮研究區(qū)數(shù)據(jù)采集條件的情況，綜合這些多源、多模態(tài)、多尺度的遙感數(shù)據(jù)源進行地表匯水分布信息監(jiān)測，其本身就存在系統(tǒng)觀測誤差。

在上述質(zhì)量評價及不確定性分析的基礎上，通過對研究區(qū)9月30日—10月17日間5個觀測時相下SAR衛(wèi)星影像的水體智能提取結(jié)果分析表明，研究區(qū)地表匯水面積從9月30日(約0.78 km2)起整體呈現(xiàn)出先增加后減少的分布特征。災害前期的地表匯水面積呈加速遞增的發(fā)展趨勢，在10月10日的SAR影像提取得到的匯水面積達到峰值(約3.41 km2)，此后匯水面積急速減少至1.63 km2(10月17日)，這表明強降雨下黃土地區(qū)流域周邊地表匯水具有短時、高匯流特點。對比圖8的氣象地基雷達掃描圖可發(fā)現(xiàn)，研究區(qū)主要降雨時點均發(fā)生在10月8日之前，期間的持續(xù)強降雨造成了10月10日的地表匯水峰值現(xiàn)象。

4 結(jié)束語

為提取強降雨條件下黃土地區(qū)流域周邊地表匯水的時空分布信息，進而用于分析其對于地貌侵蝕的影響，綜合分貝化處理、直方圖分析以及區(qū)域種子點擴散思想提出了一種針對地表匯水的自動化提取方法，基于汾河下游新絳段的實驗結(jié)果表明，該方法可用于監(jiān)測短時強降雨引致的地表匯水變化信息。最終可得出如下結(jié)論：

① 所提出的直方圖特征分析方法能夠處理具有單峰和雙峰分布結(jié)構(gòu)特征的分貝化SAR數(shù)據(jù)，自動化確定水體與非水體像元的分割閾值，再通過發(fā)展基于水體種子點擴散的區(qū)域生長算法可準確提取水體像元簇，可避免地表匯水像元檢測結(jié)果的破碎化問題。

② 本文方法提取結(jié)果與高分辨率星載/機載多光譜影像解譯結(jié)果的總體一致性約90%，表明該方法可用于監(jiān)測黃土地區(qū)流域周邊的地表匯水過程；同時，該方法對于水深較淺的地表匯水區(qū)域的提取偏差較大，這主要是由于SAR衛(wèi)星影像的空間分辨率較低所致，可通過提升其時空分辨率來改善提取結(jié)果。

③ 強降雨氣象條件下通常伴有大量的云覆蓋現(xiàn)象，基于SAR影像的地表匯水區(qū)域提取技術(shù)能夠避免光學衛(wèi)星影像中地表信息的云遮擋問題，利用所發(fā)展的水體智能閾值分割與信息提取方法能夠進一步提升地表匯水監(jiān)測的自適應性，推動解決SAR影像中水體與非水體地物的自動化精確判別問題。