郭欣怡 趙雙明

1 武漢大學(xué)遙感信息工程學(xué)院，湖北武漢，430079

城市內(nèi)澇是北京市洪澇災(zāi)害的主要類型，是全球變暖引發(fā)的高頻的極端氣候，不斷推進(jìn)的城市化進(jìn)程帶來的不透水面持續(xù)增加，排水格局發(fā)生變化［1］等共同作用的結(jié)果。中國許多大中城市頻繁遭受城市內(nèi)澇災(zāi)害［2］，使用遙感影像監(jiān)測(cè)暴雨短期積水情況，并將其作為治理城市內(nèi)澇災(zāi)害的基礎(chǔ)信息來源之一，對(duì)及時(shí)規(guī)避人員和財(cái)產(chǎn)損失，推進(jìn)中國城市化平穩(wěn)發(fā)展有重要意義。

主動(dòng)式遙感可以全天時(shí)全天候地獲取與表面粗糙度及相對(duì)幾何屬性等信息相關(guān)的地物后向反射率。而光學(xué)遙感基于光譜特征識(shí)別物體，易受云層影響，并且重訪周期小的傳感器空間分辨率相對(duì)較低［3］。Twele等［4］提出基于Sentinel?1影像的自動(dòng)處理鏈，使得在提供數(shù)據(jù)集后的45 min內(nèi)可獲得關(guān)鍵災(zāi)難信息；湯玲英等［5］使用Sentinel?1數(shù)據(jù)基于面向?qū)ο蠓诸惙ūO(jiān)測(cè)洪水，減弱了云層干擾，但缺少光學(xué)影像的驗(yàn)證分析，精度有待提升；Chang等［6］使用Sentinel?1/2影像繪制地中海灌叢生物量的研究說明使用光學(xué)和雷達(dá)融合影像分類的準(zhǔn)確度比單傳感器影像分類準(zhǔn)確度高。

面向?qū)ο蠓诸愔笇?shí)現(xiàn)對(duì)象水平的地物分類，可減弱“椒鹽效應(yīng)”及削弱基于像元分類難以避免的“同物異譜”及“同譜異物”現(xiàn)象［7］。該方法可以有效改善高分辨率雷達(dá)圖像識(shí)別城市內(nèi)部洪水的能力［8］，減弱城市內(nèi)部常出現(xiàn)的二面角反射效應(yīng)。張麗文等［9］以提取武漢市汛期不同水體類型為例，指出面向?qū)ο蠓诸愝^歸一化水指數(shù)閾值法精度高。本文通過比較晴雨影像的面向?qū)ο蠓诸惤Y(jié)果，得到暴雨造成的水體分布，并結(jié)合北京市城區(qū)圖分析潛在內(nèi)澇災(zāi)害風(fēng)險(xiǎn)。

1 短期積水研究區(qū)域和數(shù)據(jù)

研究區(qū)域?yàn)楸本┦兄鞒菂^(qū)，其路網(wǎng)復(fù)雜，人口稠密，城市化發(fā)展迅速，且北京市近年來暴雨頻發(fā)。本文數(shù)據(jù)為北京市2017年8月12日暴雨期間的Sentinel?1A數(shù)據(jù)、2017年3月9日晴朗天氣下的Sentinel?1A和Sentinel?2A數(shù)據(jù)。

Sentinel?1由A、B兩顆衛(wèi)星的星座組成，均搭載一個(gè)基于C波段的雷達(dá)成像系統(tǒng)，重訪時(shí)間為6天。本文選取干涉寬幅模式的地距探測(cè)（interferometric wide swath ground range detected，IW GRD）產(chǎn)品為研究數(shù)據(jù)，空間分辨率為5 m×20 m，極化方式為VV+VH。Sentinel?2為多光譜衛(wèi)星，同樣由A、B兩顆衛(wèi)星組成星座，重訪時(shí)間為5天，可提供分辨率為10 m、20 m、60 m的13個(gè)波段。本文使用的Level?1C數(shù)據(jù)是經(jīng)過幾何精校正的正射影像，可提供大氣頂層的反射狀況。

2 雷達(dá)及光學(xué)影像水體提取

圖1為研究工作流程。首先，對(duì)雷達(dá)影像與光學(xué)遙感影像進(jìn)行預(yù)處理，再結(jié)合北京市主城區(qū)矢量圖完成影像裁剪；然后，將晴天的光學(xué)影像與雷達(dá)影像融合，對(duì)融合影像和暴雨期間獲取的雷達(dá)影像基于面向?qū)ο蠓诸惙ㄟM(jìn)行分類；最后，利用積水點(diǎn)數(shù)據(jù)以混淆矩陣的方法檢驗(yàn)精度，并用可視化的方式展示結(jié)果。

1）影像預(yù)處理。使用Sentinel數(shù)據(jù)應(yīng)用平臺(tái)（Sentinel application platform，SNAP）開源軟件預(yù)處理Sentinel?1影像，依次實(shí)現(xiàn)應(yīng)用精確軌道、熱噪音去除、輻射定標(biāo)、斑點(diǎn)濾波、距離多普勒算法地形矯正等步驟，如圖1所示。而Sentinel?2光學(xué)遙感影像預(yù)處理由歐洲航天局（European Space Agency，ESA）發(fā)布的Sen2Cor插件實(shí)現(xiàn)，包括大氣校正等操作。

圖1 技術(shù)流程圖Fig.1 Technical Flow Chart

2）影像融合。Sentinel?1影像的空間分辨率較高，且雷達(dá)回波強(qiáng)度受到雷達(dá)參數(shù)（極化方式、波長(zhǎng)、斜傾角）及地物表面粗糙度影響，反映地物紋理特征更客觀，但缺乏光譜信息。而具有豐富光譜信息的Sentinel?2影像空間分辨率相對(duì)較低。因此，將Sen?tinel?1影像中利于提取水體的VV極化波段［10］與Sentinel?2光學(xué)遙感影像通過最近鄰擴(kuò)散泛銳化（nearest neighbor diffusion pan sharpening，NNDif?fuse pan sharpening）算法實(shí)現(xiàn)融合，提高空間分辨率的同時(shí)豐富光譜信息。NNDiffuse pan sharpening算法假設(shè)全色波段中的每個(gè)像素由它的相鄰超像素在光譜波段的加權(quán)線性混合而成，在融合影像品質(zhì)及處理速度等方面具有更突出的優(yōu)勢(shì)［11］。

3）面向?qū)ο蠓诸?。面向?qū)ο蠓诸愂侵赶确指钣跋?，再結(jié)合光譜、空間及紋理等特征完成監(jiān)督分類的方法，可提升高分辨率影像的分類精度。本文使用的軟件為eCognition［7］。分割是分類的基礎(chǔ)，多尺度分割是一種局部?jī)?yōu)化自下而上的分割方法，尺度、形狀、平滑度等分割參數(shù)通過多次嘗試確定。監(jiān)督分類使用的特征不局限于光譜特征，還有各波段反射率均值、標(biāo)準(zhǔn)差等基本統(tǒng)計(jì)特征，以及形狀特征、紋理特征等。監(jiān)督分類基于分類與回歸樹（classification and regression tree，CART）算法［12］完成，采用基尼系數(shù)最小化準(zhǔn)則來進(jìn)行特征選擇，根據(jù)特征閾值將當(dāng)前樣本不斷劃分為兩個(gè)子樣本，直到每一地物都被識(shí)別出來，最后生成的決策樹是結(jié)構(gòu)簡(jiǎn)潔的二叉樹［13］。

3 面向?qū)ο蠓诸惤Y(jié)果與評(píng)價(jià)

圖2為用于提取既有水域的基礎(chǔ)影像。圖3為用于提取暴雨期間水體范圍的Sentinel?1雷達(dá)遙感影像。水體表面較為光滑，可近似看作鏡面，后向散射強(qiáng)度弱，因此在圖2（a）和圖3中以黑色呈現(xiàn)，與其他地物極化特征差別大，可以被快速簡(jiǎn)單地識(shí)別出來。

圖2 晴朗天氣影像數(shù)據(jù)Fig.2 Image Data in Clear Weather

圖3 暴雨期間Sentinel‐1雷達(dá)遙感影像Fig.3 Sentinel?1 Radar Image During Heavy Rain

圖4中既有水域指融合影像的水體提取結(jié)果，故宮護(hù)城河、北海公園、頤和園及河流等有清晰輪廓，說明水體被準(zhǔn)確識(shí)別，但仍可觀察到有細(xì)碎對(duì)象被錯(cuò)誤識(shí)別。這是因?yàn)楸M管面向?qū)ο蠓诸愐呀?jīng)受到廣泛關(guān)注，并且已有多種方法可評(píng)估圖像分割的準(zhǔn)確性，但仍處于未成熟階段［14］，還存在很多分割不足或過度分割現(xiàn)象。圖4中藍(lán)色區(qū)域?yàn)楸┯暝斐傻亩唐诜e水分布情況，湖泊、河流邊緣比既有水域略有擴(kuò)大，暴雨期與晴天相比，其影像分類精度略有下降?？紤]到暴雨的影響、水體表面的反射及城區(qū)內(nèi)密集的建筑物會(huì)使得雷達(dá)圖像的后向散射特定因素嚴(yán)重阻礙洪水檢測(cè)［15］，例如眾多的角反射器效應(yīng)等，可認(rèn)為分類結(jié)果較為良好。

由北京市積水點(diǎn)數(shù)據(jù)可得混淆矩陣精度評(píng)價(jià)結(jié)果，見表1。晴天融合影像分類結(jié)果的用戶精度、生產(chǎn)精度、總體精度均大于75%，甚至達(dá)到98.74%；雨天雷達(dá)影像分類結(jié)果的用戶精度、生產(chǎn)精度、總體精度均大于70%，這表明兩者的分類結(jié)果都較精確，且后者分類精度略低于前者，與圖示一致。

表1 精度驗(yàn)證結(jié)果/%Tab.1 Accuracy Assessment Result/%

由圖4可知，暴雨期間水量顯著增加，且結(jié)合北京市城區(qū)圖可知，積水主要表現(xiàn)在遠(yuǎn)離市區(qū)的邊緣地區(qū)，尤其是位于北京市城區(qū)西北方向的溝壑眾多的丘陵地區(qū)；其次，積水主要集中在豐臺(tái)區(qū)、朝陽區(qū)及萬柳地區(qū)等地勢(shì)低洼處，例如西三環(huán)豐臺(tái)北路路口、北二環(huán)和平里西路及望和橋等。積水十分影響人民正常生活和道路交通。

圖4 面向?qū)ο蠓诸愃w提取及變化檢測(cè)結(jié)果Fig.4 Object?Oriented Classification Water Extraction and Change Detection Results

4 結(jié)束語

Sentinel影像的優(yōu)勢(shì)在于它由ESA免費(fèi)提供，并且ESA也提供了簡(jiǎn)單預(yù)處理影像的插件［16］，通過雷達(dá)和光學(xué)影像的融合及面向?qū)ο蠓诸惖姆椒?，可以在保證空間分辨率和光譜分辨率的同時(shí)，利用更多的空間紋理特征，獲得準(zhǔn)確的積水空間分布情況。本文研究了基于雷達(dá)影像和光學(xué)遙感影像實(shí)時(shí)監(jiān)控城市內(nèi)部暴雨積水情況的基本技術(shù)流程，可將研究結(jié)果與當(dāng)?shù)嘏潘到y(tǒng)及地面高程信息結(jié)合起來，以獲取精準(zhǔn)的城市內(nèi)澇信息。