CN116303662A - 洪水自动检测与动态监测方法及装置 - Google Patents

Abstract

本说明书实施例提供了一种洪水自动检测与动态监测方法及装置，其中，方法包括：基于GEE进行对地观测数据预处理；对预处理后的对地观测数据进行水体时空分布粗提取；基于水体时空分布粗提取结果进行首期水体精提取；基于首期水体精提取结果进行洪水事件检测与淹没分析。

Description

洪水自动检测与动态监测方法及装置

技术领域

本文件涉及计算机技术领域，尤其涉及一种洪水自动检测与动态监测方法及装置。

背景技术

洪水是全球破坏性最大的自然灾害之一，在过去30年里已造成超过全球范围内50万人死亡，并导致超过30亿经济损失。随着全球变暖不断加速与人类活动的持续深入，极端洪水事件出现的概率与强度持续攀升，洪涝风险急剧上升的同时，洪水发生的时空不确定性增大，其造成的影响正在变得更加难以估计。准确梳理历史洪水变迁对掌握洪水动态，聚焦大尺度、长期、动态监测目标开发可靠、有效的方法以对洪涝灾害时空信息进行准确采集和反馈，开展洪涝灾害及其影响的时空动态特征识别等工作，对于提高防洪减灾能力，降低洪灾损失具有重要意义，尤其对于夯实区域粮食安全保障、筑牢经济与社会基石、优化生态安全屏障体系等工作，具有战略性支撑性用。

已有方法对洪水影响、成因、防控的研究大多受到观测数据的限制，主要使用统计数据，或依赖具有较大不确定性的模型来进行分析研究，在研究区选择上仅仅选取一小部分区域进行细致的分析未能从更大的空间尺度分析。而本项目使用的长序列、高空间覆盖度的遥感数据产品在地表水体淹没区的提取方面具有天然优势，在全球洪水的研究方面存在巨大潜力。卫星遥感观测技术由于观测范围广、周期性重访、空间连续覆盖等优势，已在各类灾害监测中得到了广泛应用。针对洪涝灾害的遥感监测，需要考虑到洪灾的特殊性，如时空分布广、过程动态变化以及常伴随的强降雨、厚云层天气等，具有全天候、全天时观测能力的合成孔径雷达SAR(Synthetic Aperture Radar)影像相较于受云雨天气限制的光学遥感影像，更适用于洪水动态监测。Sentinel-1卫星由同轨A、B双星组成，搭载C波段SAR传感器，形成了全球12d重访周期的观测能力。Sentinel-1数据覆盖范围广、空间分辨率较高、面向全球免费开放，为定期化、精准化和系统化洪水遥感监测带来了更多的机遇与挑战。

合成孔径雷达(SAR)因其对地观测全天候、全天时优势，成为多云多雨天气限制下洪水动态监测中不可或缺的数据来源之一。由于GEE(Google Earth Engine)云计算平台的兴起和短重访Sentinel-1数据的可获取性，洪水监测与灾害评估目前正面向动态化、广域化快速发展。顾及洪水淹没区土地覆盖变化的复杂性和发生时间的不确定性，基于时序Sentinel-1A卫星数据提出了针对大尺度范围、连续长期的汛情自动检测及动态监测方法。该方法首先，利用图像二值化分割时序SAR数据实现水体时空分布粗制图，逐像素计算时间序列中被识别为水体候选点的频率。然后，利用Sentinel-2光学影像对精度较粗的初期SAR水体提取结果进行校正，得到精细的水体分布图。最后，针对不同频率区间的淹没特点，采用差异化的时序异常检测策略识别淹没范围：对低频覆水区利用欧氏距离检测时序断点，以提取扰动强度大、淹没时间短的洪涝灾害区。

GEE是一个旨在存储、处理、分析和可视化地理空间数据的云计算平台。该平台的出现使遥感大数据处理与分析模式发生转变，广泛应用在时间序列分析或大范围制图等环境遥感领域。GEE的优势在于提供了：(1)海量的遥感开放数据集，(2)众多的遥感影像处理算法，(3)强大的数据云计算能力,(4)通用编程语言的支持(JavaScript、Python)。GEE能够极大地提高时序SAR数据处理和分析效率，为广域、动态、长期的汛情监测研究提供了巨大机遇。

在现有技术中，(1)如何提高水体监测精度，规避洪水时段阴雨天气及云层的干扰、如何实现大尺度、多时段洪水淹没范围自动检测及动态提取以及如何评估洪水对城市的影响成为亟需解决的技术问题。

发明内容

本发明的目的在于提供一种洪水自动检测与动态监测方法及装置，旨在解决现有技术中的上述问题。

本发明提供一种洪水自动检测与动态监测方法，包括：

基于GEE进行对地观测数据预处理；

对预处理后的对地观测数据进行水体时空分布粗提取；

基于水体时空分布粗提取结果进行首期水体精提取；

基于首期水体精提取结果进行洪水事件检测与淹没分析。

本发明提供一种洪水自动检测与动态监测装置，包括：

预处理模块，用于基于GEE进行对地观测数据预处理；

粗提取模块，用于对预处理后的对地观测数据进行水体时空分布粗提取；

精提取模块，用于基于水体时空分布粗提取结果进行首期水体精提取；

分析模块，用于基于首期水体精提取结果进行洪水事件检测与淹没分析。

采用本发明实施例，突出了云计算平台(GEE)面向大尺度洪水长期动态监测的优势，可以高效地处理和分析时序数据，以支持汛期大范围的洪水持续监测。实现了理论范围的全球汛情动态监测，能够精确提取了所需要地区在2015年以来洪水淹没范围的时空分布，并且揭示了不同区域汛情发展模式的差异性。创造性的将易损性分析融入到城市遭受洪水的能力评估之中，可以在查看出洪水地区的同时进行易损性评估，进而可以对当地的防洪建设给予指导性建议。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的洪水自动检测与动态监测方法的流程图；

图2是本发明实施例的SENTINEL-1A数据基本参数的示意图；

图3是本发明实施例的SENTINEL2产品波段信息的示意图；

图4是本发明实施例的洪水自动检测与动态监测方法的详细处理流程图；

图5是本发明实施例的洪水自动检测与动态监测装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

方法实施例

根据本发明实施例，提供了一种洪水自动检测与动态监测方法，图1是本发明实施例的洪水自动检测与动态监测方法的流程图，如图1所示，根据本发明实施例的洪水自动检测与动态监测方法具体包括：

步骤101，基于GEE进行对地观测数据预处理；具体包括：面向监测需求确定数据筛选规则，基于所述数据筛选规则对时序数据进行分组、采用中值滤波算子进行滤波、镶嵌和裁剪，构建研究区全覆盖的时序SAR数据集。

步骤102，对预处理后的对地观测数据进行水体时空分布粗提取；具体包括：参考最大类间方差法Otsu确定时序SAR数据集中SAR影像水陆分割阈值，并基于所述水陆分割阈值，利用坡度和HAND数据去除阴影区虚检水体，实现水体时间序列信息粗提取，得到水体时空分布粗提取结果。

步骤103，基于水体时空分布粗提取结果进行首期水体精提取；具体包括：联合Sentinel-2光学数据利用归一化水体指数NDWI校正水体时空分布粗提取结果，精准提取初时相的水体信息，得到首期水体精提取结果。

步骤104，基于首期水体精提取结果进行洪水事件检测与淹没分析。具体包括：

基于首期水体精提取结果中的水体时空分布数据逐一计算每个像元被识别为水体的频率，基于不同的频率区间构建不同的洪水事件检测策略，采用相应的洪水事件检测策略分别提取短暂淹没区和持续淹没区，并分析淹没区的时序变化特征。

以下结合附图，对本发明实施例的上述技术方案进行详细说明。

数据来源：Sentinel-1是欧空局哥白尼全球对地观测任务研发的新一代双极化C波段星载SAR系统，由2014-04发射的Sentinel-1A和2016-04发射的Sentinel-1B组成。GEE存储了干涉宽幅模式(IW)、超宽幅模式(EW)条带模式(SM)下的Sentinel-1GRD数据，并且每日更新、发布最新生产的数据。每期数据发布前利用欧空局SNAP软件包进行了包括轨道文件导入、热噪声去除、辐射定标和正射校正等预处理(Tiwari等，2020)。长江中下游地区Sentinel-1B卫星拍摄范围覆盖不足10％且条带不连续，而Sentinel-1A数据覆盖全范围且形成了12d固定周期的数据积累，因此采用了Sentinel-1A数据，采用Sentinel-1A数据的主要参数如图2所示。覆盖长江中下游区域的Sentinel-1A GRD数据涉及8个相对轨道号。

如图3所示，Sentinel-2是欧空局哥白尼计划的宽扫描、中高分辨率、多光谱成像卫星，包含2A和2B两颗卫星。Sentinel-2卫星携带多光谱仪器(MSI)，覆盖13个光谱波段，地面分辨率为10m、20m和60m。GEE支持Sentinel-2Level-2A地表反射率产品(Sen2Cor校正)的处理与分析。以此数据为基础分析洪水淹没范围，因此使用的Sentinel-2数据观测时间应接近T1期Sentinel-1A数据观测时间。为得到全覆盖的光学影像，需要不同时期拍摄的影像拼接而成。同时考虑到云层覆盖可能造成的影响，因此所需Sentinel-2影像的拍摄时间放宽到水体较为稳定的时期。

本发明实施例的技术方案采用数字高程模型(DEM)和水文模型用来去除山体阴影造成的误识别。DEM采用的是30m空间分辨率美国航天飞机雷达地形测绘计划SRTM(ShuttleRadar Topography Mission)数据。水文模型采用的是流域相对高程模型HAND(HeightAbove the Nearest Drainage)。

洪水淹没导致的地表覆盖类型突变，使地表散射体的雷达后向散射系数在时序上呈现出异常波动。因此，基于时序异常检测理论，本发明实施例提出了一种洪水自动检测与动态监测方法。如图4所示，该方法的主要内容包括：1.基于GEE的数据预处理；2.水体时空分布粗提取；3.首期水体精提取；4.洪水事件检测与淹没分析。在数据预处理阶段面向监测需求确定数据筛选规则，再对时序数据分组、滤波、镶嵌和裁剪以构建研究区全覆盖的时序SAR数据集；水体时空分布粗提取阶段，参考最大类间方差法(Otsu)确定SAR影像水陆分割阈值，利用坡度和HAND数据去除阴影区虚检水体，实现水体时间序列信息粗提取；在水体精细提取阶段，联合Sentinel-2光学数据改进首期水体粗提取结果，以精准提取初时相的水体信息；洪水检测和淹没分析阶段，利用水体时空分布数据逐一计算每个像元被识别为水体的频率，基于不同的频率区间构建不同的洪水事件检测策略，最终分别提取短暂淹没区和持续淹没区，并分析淹没区的时序变化特征。

具体相关算法：

1、中值滤波算子。

该算子是为了减小SAR影像相干斑点噪声产生的误差；中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。本发明实施例的技术方案是用3×3的矩阵模板，将模板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。

yi＝Med{fi-v,……,fi,……fi+v}i∈N,v＝(m-1)/2#(1)

(1)式中设一个一维序列f1，f2......fn，取窗口长度m(m为奇数)，对其进行中值滤波，就是从输入序列中相继取出m个数，在将这m个数进行大小排序，取其序号为中心点的那个数作为滤波输出，在本发明实施例中，m等于3。

2、水陆分割阈值算法。

交叉极化图像主要反映了体散射信息，而对镜面反射的敏感程度较低。水体由于表面光滑、均质性较强，在交叉极化图像中的噪声水平较低，具有较小的类内方差。与同极化数据相比，水体与非水体的重叠区域更小、可分离性更高，更适合水体信息提取，于是本发明实施例采用大津法(otsu)算法进行水陆分割。

大津法又叫最大类间方差法，是于1979年由日本学者大津展之提出的一种对图像进行二值化的高效算法。最基本的有(2)式成立：

ω₀+ω₁＝1#(2)

则图像的总平均灰度值为：

u₀ω₀+u₁ω₁＝u#(3)

类间方差为：

g＝W₀(u₀-u)²+w₁(u₁-u)²#(4)

图像最佳阈值为T，T将图像分为目标和背景。其中目标点数占总图像比例为W0平均灰度值为U0，背景点数占图像比例为W1，平均灰度值为U1。

3、水体初期精提取。

通过上述方法提取到的水体时空分布结果，是包含着可能存在的洪水潜在区域，当把水体精提取的区域进行减合，就可以得到洪水发生的地方；顾及汛情前后土地覆盖变化带来的后向散射系数显著变化特征，再采用时序异常检测方法可识别洪水淹没范围和淹没时间。因此，结合Sentinel-2光学数据，利用归一化水体指数NDWI(NormalizedDifference Water Index)校正SAR水体初提取结果，以反演可靠、精确的初期水体分布信息。

由于水体在绿光波段反射率高和近红外波段反射率低的特性，两者反射值之差与其之和的比值能够有效地反映出地表水体信息。该比值即是NDWI,计算如式(5)所示：

式中，绿光波段(Green)和近红外波段(NIR)分别对应的是Sentinel-2MSI影像的第3和第8波段。

4、洪水事件自动检测。

通过检测水体变化识别洪水事件受限于SAR水体提取的精度不高，同时云雨天气也限制了光学影像同步校正时序的水体提取结果。运用基于时序频率的洪水事件检测方法以适应大尺度范围的洪水动态监测首先利用式(6)计算像元在时间序列中被识别为水体的频率：

式中，fw表示识别为水体的频率，Nw表示识别为水体的次数,Na表示水体提取的总期数。

对于快速淹没—退洪模式的洪水事件，其淹没区被淹时间短暂，在整个时序上被识别为水体频率较低(fw<0.5)。而耕地由于作物的季节性生长，其后向散射系数呈现出季节波动性，且在5，6月份后向散射系数较低，从而易被误判为水体变化事件。洪水淹没和退洪造成了地表覆盖类型改变，其后向散射系数的变化幅度通常高于作物季节性生长的形成波动幅度。因此可以利用该特性来提取快速淹没—退洪模式的短暂淹没区。利用欧氏距离依次度量邻近两期影像后向散射系数的变化强度，计算公式如式(7):

式中，i和j表示前后两期影像的时相；

为像元p在前后两期间的距离；分别表示在VV和VH极化方式下的后向散射系数,D用来判定变化的方向，利用i和j两期影像中vh的差值和差值绝对值的比值计算，正值表示vh增加，负值表示vh减小。

本发明实施例的技术方案基于JavaScript语言在GEE平台上开发完成，整个过程基本不涉及后端，因为作为遥感大数据平台，数据随调随用，除此之外，对于要处理的各种遥感数据，GEE平台具有众多封装好的函数，调用十分快速与方便。

本发明实施例的有益效果如下：

突出了云计算平台(GEE)面向大尺度洪水长期动态监测的优势，可以高效地处理和分析时序数据，以支持汛期大范围的洪水持续监测。实现了理论范围的全球汛情动态监测，能够精确提取了所需要地区在2015年以来洪水淹没范围的时空分布，并且揭示了不同区域汛情发展模式的差异性。创造性的将易损性分析融入到城市遭受洪水的能力评估之中，可以在查看出洪水地区的同时进行易损性评估，进而可以对当地的防洪建设给予指导性建议。

系统实施例

根据本发明实施例，提供了一种洪水自动检测与动态监测装置，图5是本发明实施例的洪水自动检测与动态监测装置的示意图，如图5所示，根据本发明实施例的洪水自动检测与动态监测装置具体包括：

预处理模块50，用于基于GEE进行对地观测数据预处理；具体用于：面向监测需求确定数据筛选规则，基于所述数据筛选规则对时序数据进行分组、采用中值滤波算子进行滤波、镶嵌和裁剪，构建研究区全覆盖的时序SAR数据集。

粗提取模块52，用于对预处理后的对地观测数据进行水体时空分布粗提取；具体用于：参考最大类间方差法Otsu确定时序SAR数据集中SAR影像水陆分割阈值，并基于所述水陆分割阈值，利用坡度和HAND数据去除阴影区虚检水体，实现水体时间序列信息粗提取，得到水体时空分布粗提取结果。

精提取模块54，用于基于水体时空分布粗提取结果进行首期水体精提取；具体用于：联合Sentinel-2光学数据利用归一化水体指数NDWI校正水体时空分布粗提取结果，精准提取初时相的水体信息，得到首期水体精提取结果。

分析模块56，用于基于首期水体精提取结果进行洪水事件检测与淹没分析。具体用于：

基于首期水体精提取结果中的水体时空分布数据逐一计算每个像元被识别为水体的频率，基于不同的频率区间构建不同的洪水事件检测策略，采用相应的洪水事件检测策略分别提取短暂淹没区和持续淹没区，并分析淹没区的时序变化特征。

本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种洪水自动检测与动态监测方法，其特征在于，包括：

基于GEE进行对地观测数据预处理；

对预处理后的对地观测数据进行水体时空分布粗提取；

基于水体时空分布粗提取结果进行首期水体精提取；

基于首期水体精提取结果进行洪水事件检测与淹没分析。

2.根据权利要求1所述的方法，其特征在于，基于GEE进行对地观测数据预处理具体包括：

面向监测需求确定数据筛选规则，基于所述数据筛选规则对时序数据进行分组、采用中值滤波算子进行滤波、镶嵌和裁剪，构建研究区全覆盖的时序SAR数据集。

3.根据权利要求1所述的方法，其特征在于，对预处理后的对地观测数据进行水体时空分布粗提取具体包括：

参考最大类间方差法Otsu确定时序SAR数据集中SAR影像水陆分割阈值，并基于所述水陆分割阈值，利用坡度和HAND数据去除阴影区虚检水体，实现水体时间序列信息粗提取，得到水体时空分布粗提取结果。

4.根据权利要求1所述的方法，其特征在于，基于水体时空分布粗提取结果进行首期水体精提取具体包括：

联合Sentinel-2光学数据利用归一化水体指数NDWI校正水体时空分布粗提取结果，精准提取初时相的水体信息，得到首期水体精提取结果。

5.根据权利要求1所述的方法，其特征在于，基于首期水体精提取结果进行洪水事件检测与淹没分析具体包括：

基于首期水体精提取结果中的水体时空分布数据逐一计算每个像元被识别为水体的频率，基于不同的频率区间构建不同的洪水事件检测策略，采用相应的洪水事件检测策略分别提取短暂淹没区和持续淹没区，并分析淹没区的时序变化特征。

6.一种洪水自动检测与动态监测装置，其特征在于，包括：

预处理模块，用于基于GEE进行对地观测数据预处理；

粗提取模块，用于对预处理后的对地观测数据进行水体时空分布粗提取；

精提取模块，用于基于水体时空分布粗提取结果进行首期水体精提取；

分析模块，用于基于首期水体精提取结果进行洪水事件检测与淹没分析。

7.根据权利要求6所述的装置，其特征在于，预处理模块具体用于：

面向监测需求确定数据筛选规则，基于所述数据筛选规则对时序数据进行分组、采用中值滤波算子进行滤波、镶嵌和裁剪，构建研究区全覆盖的时序SAR数据集。

8.根据权利要求6所述的装置，其特征在于，所述粗提取模块具体用于：

参考最大类间方差法Otsu确定时序SAR数据集中SAR影像水陆分割阈值，并基于所述水陆分割阈值，利用坡度和HAND数据去除阴影区虚检水体，实现水体时间序列信息粗提取，得到水体时空分布粗提取结果。

9.根据权利要求6所述的装置，其特征在于，所述精提取模块具体用于：

联合Sentinel-2光学数据利用归一化水体指数NDWI校正水体时空分布粗提取结果，精准提取初时相的水体信息，得到首期水体精提取结果。

10.根据权利要求8所述的装置，其特征在于，所述分析模块具体用于：

基于首期水体精提取结果中的水体时空分布数据逐一计算每个像元被识别为水体的频率，基于不同的频率区间构建不同的洪水事件检测策略，采用相应的洪水事件检测策略分别提取短暂淹没区和持续淹没区，并分析淹没区的时序变化特征。

Images