基于Sentinel-1 SAR数据巢湖流域洪水时空动态变化监测研究

洪涝灾害危害巨大,对区域人民生命财产和经济发展造成重大威胁,回溯区域洪水事件,甄别洪水风险区,判断洪水时空特征,并给出规划建议非常重要。以巢湖流域为试验区,基于Sentinel-1合成孔径雷达（SAR）影像,构建了谱间关系与阈值分割相结合的洪水淹没识别方法,应用于Google Earth Engine平台上,获得了2015～2020年巢湖流域洪水时空格局,结合土地利用数据,分析了洪水对巢湖流域农田和以建设用地代表的居民点的影响。结果表明：(1)该方法精度相比单波段阈值和简单指数法提升了3%～7%,能够快速应用遥感数据提取历年流域洪水淹没范围;(2)2015～2020年间,监测到两次特大洪水和一次小规模洪水,淹没范围集中在杭埠河、裕溪河、兆河等河流区域;(3)农田占据受淹面积的86.47%～95.35%,建设用地占据4.47%～5.36%,受到洪水影响的居民点主要为基层村庄及乡镇。研究表明了SAR卫星数据在监测巢湖流域洪水有良好的适用性,有助于掌握洪水对农田和乡村居民点的破坏程度,对于未来制定相关规划战略,加强流域乡村洪水控制保障人员与粮食安全十分关键。     

Sentinel-1A SAR数据在缅甸伊洛瓦底江下游区洪水监测中的应用

星载合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时、实时性和宽覆盖的观测优势,可以广泛应用于洪水灾情监测。2015年7月16日~8月12日,缅甸遭遇近40年罕见的洪涝自然灾害。为此,本研究基于灾前和灾中Sentinel-1ASAR的影像开展缅甸伊洛瓦底江下游地区洪涝淹没范围监测。首先通过分析水体和受淹植被区的雷达微波后向散射机理,分别建立了开放性水体和受淹植被两类淹没区提取模型;然后通过该模型利用灾前、灾中两期Sentinel-1A数据提取了2015年8月11日缅甸伊洛瓦底江下游地区特大洪水淹没范围;同时结合地表覆盖等地理信息,分析了淹没范围内的耕地受灾情况。结果显示,基于Sentinel-1ASAR数据本研究分别提取了伊洛瓦底江下游开放性水体和受淹植被两类淹没区。其中,耕地受灾面积达5 681.05km2,受灾严重。研究表明Sentinel-1ASAR在洪水灾害的淹没范围监测方面具有较大的应用潜力。     

基于Sentinel-1与Landsat 8的巢湖地区洪水淹没灾害分析

为及时准确得到阴雨天气下的洪水淹没区域及受灾情况,以巢湖流域作为研究区域,选择灾前、灾后的Sentinel-1影像作为数据源,基于SDWI指数及直方图双峰法提取水体信息,结合Landsat 8数据对山体阴影进行去除,快速提取洪水淹没范围,分析洪涝灾害前后时空变化特征,并结合Landsat 8数据获取的土地利用类型分类图,对受灾地区进行灾情评估。结果表明：2020年6—9月巢湖流域重灾区域集中于巢湖西部、东部、北部,耕地、居民地受灾程度严重;利用多时相Sentinel-1影像快速提取洪涝受灾情况,可为国家减灾备灾、应急救灾、恢复重建工作提供有力的数据支撑。     

基于Sentinel-1A数据的天津地区PS-InSAR地面沉降监测与分析

为有效预防地面沉降带来的灾害,利用2015年4月~2018年2月天津地区的24景Sentinel-1A数据,进行了永久散射体干涉测量处理,并使用高精度轨道数据和TanDEM-X DEM修正残差相位,提取了3 a的地面沉降结果,结合土地利用类型、水文、地质和交通等数据,分析了多处沉降地区的特征和形成原因,最后和小基线集方法的监测结果进行对比分析。结果表明:近3 a来天津城区沉降治理效果显著,平均沉降速率在8 mm/a以内,郊区沉降仍然严重,沉降速率在50~70 mm/a,沉降最为严重的区域为武清区王庆坨镇,3 a累计沉降量超过200 mm,并且有和其他沉降漏斗连成片的趋势。地面沉降发生的区域与地下水漏斗形成的区域基本一致,且两种方法得到的累积形变量差值95%在5 mm以内,说明本研究结果可以为天津市地质灾害防治提供数据支撑和决策依据。     

基于时序Sentinel-1A数据的农田土壤水分变化检测分析

土壤水分是作物生长的基本条件,同时也是作物长势监测、估产和旱情监测的重要参数。基于变化检测模型,利用不同时相Sentinel-1A数据估算农田土壤水分变化信息。首先利用积分方程模型(Integral Equation Model,IEM)模拟数据分析雷达后向散射系数变化与土壤水分变化之间的关系,在土壤表面粗糙度恒定的情况下,土壤湿度变化与雷达后向散射系数变化具有高度相关性,验证了变化检测模型用于估算土壤水分变化的合理性。在此基础上,利用河北邯郸研究区时序Sentinel-1ASAR数据和现场实测数据构建土壤水分变化检测模型,从而利用雷达后向散射系数变化估算土壤水分变化信息。结合现场实测数据得到,最小二乘和支持向量回归模型反演结果的均方根误差(RMSE)分别为5.1vol%和4.6vol%,决定系数(R2)分别为0.65和0.73。验证了时序Sentinel-1A数据用于监测农田土壤水分变化的实用性。     

基于DEM的洪水淹没计算机算法优化研究

本文以数字高程模型(DEM)为基础,在给定水位条件下进行洪水淹没分析的计算机算法研究,着重介绍了计算机算法的优化过程,包括从递归算法到迭代算法的演变以及两种算法的综合比较。     

基于数字地球的洪水淹没分析及仿真研究

针对洪涝灾害中洪水淹没问题,采用现代信息技术对洪水进行淹没分析和三维仿真。基于瓦片金字塔模型生成研究区域的三维地形,在此基础上按照精度要求构建指定步长的矩形格网模型,对给定洪水水位值和洪水量已知的两种情况分别进行洪水淹没分析,提出洪水淹没仿真系统体系,采用三维仿真技术对洪水淹没进行三维仿真进行淹没过程的三维仿真。实例表明,方法具有较好的实用性,对防洪决策及洪灾后评估等具有重要意义。     

基于GF-1和Sentinel-1A的漓江流域典型地物信息提取

漓江流域是桂林山水的核心,保护漓江流域生态环境已成为国家战略。以漓江流域为研究区域,以GF-1多光谱影像和SAR影像为数据源,采用小波融合算法将GF-1多光谱影像和SAR VV极化的后向散射影像进行影像融合,再利用随机森林算法分别对GF-1多光谱影像、GF-1和Sentinel融合影像构建典型地物高精度识别模型,提取与漓江流域生态环境紧密相关的河流、针叶林、阔叶林、水田、旱地以及居民地等地物类型。研究结果表明:①在95%置信区间内,基于GF-1影像分类的总体分类精度达到96.15%,基于GF-1和Sentinel-1A后向散射系数的影像总体分类精度达到了94.40%;②河流、阔叶林和旱地在基于GF-1多光谱影像的分类精度中分别达到了97.74%、93.20%、90.90%,比基于融合GF-1多光谱和SAR的数据分别高出7.57%、8.96%和1.22%,其余地物类型两者分类精度相近;③GF-1多光谱和SAR数据的融合中,利用了小波变换进行图像融合,发现融合图像的喀斯特地貌突出,增加了地物特征的差异性。     

利用Sentinel-1A合成孔径雷达干涉时间序列监测陇东地区地面沉降变形

基于覆盖陇东地区同一轨道的97景Sentinel-1A卫星影像,在ISCE和StaMPS数据处理平台上利用PS-InSAR技术进行叠加数据处理,获得研究区自2014年10月至2019年5月的年平均地表LOS向形变场,并对形变场结果进行二维网格滤波处理,获取沉降中心的变化特征。研究结果表明：陇东地区主要存在两类形变,一类是由构造活动引起的地表形变,主要分布在海原断裂与六盘山东麓断裂转换区附近,跨海原断裂年平均形变约为1 mm/a,而六盘山东麓断裂附近断层无明显变形,鄂尔多斯块体内部变形微弱;另一类则是由人类工业活动,如煤矿开采、地下水开采活动等导致的地表沉降,主要影响区域为华亭矿区和宁正矿区,均呈现漏斗状沉降形态,年均最大沉降分别约为8 mm/a和30 mm/a。     

基于Sentinel-1A数据反演九寨沟地震地表形变场

针对四川省九寨沟2017年8月8日发生的7.0级地震引起的地表形变,使用欧空局2014年发射的Sentinel-1A卫星C波段雷达影像数据,采用两轨雷达差分干涉技术(D-InSAR)处理得到了研究区范围内同震形变场。干涉结果显示,此次地震造成了明显的地表形变,景区内最大抬升达到了12.6cm,最大沉降达9.8cm。研究结果表明:Sentinel-1A卫星的C波段雷达数据非常适用于对植被覆盖葱郁、地形复杂的区域进行D-InSAR形变监测。D-InSAR技术获取的地表形变信息可用于分析讨论地震受灾范围和地震机理。进一步明确了D-InSAR技术在大范围地表形变探测和地学研究范畴的重要地位。     

沿庭湖地区洪水淹没遥感监测分析系统的研究

本文介绍了洞庭湖地区洪水淹没遥监测分析系统、该作用采用了矢量栅格一体化技术，实现了准时实分析，能够快速、丰富了灾害监测手段。     

利用Sentinel-1A数据的纳木错湖面月际变化监测北大核心CSCD

针对高原湖泊缺乏月际面积变化监测的问题,基于Sentinel-1A SAR数据,以纳木错湖为实验区,采用面向对象分割方法,通过最大类间方差法(Otsu)确定湖泊提取分割阈值,并结合灰度共生矩阵提取的纹理特征,进行湖泊面积提取并分析其变化情况。结果表明:Otsu法提取水体速度快但提取精度低,基于纹理特征方法提取水体边界清晰但存在误提现象,两种方法相结合提取准确率达到95.12%,精度明显提高;通过分析提取结果得到,2018年12个月纳木错水域面积呈现动态变化趋势,1—3月湖泊面积最小,随后缓慢增加,在9—10月达到年内稳定最大值;气温升高和降水增加是影响湖泊面积变化的主要正向驱动因素,风速的增大是主要负向驱动因素,湖面面积的变化与蒸发量、日照时数相关性不明显。     

Sentinel-1A TS-DInSAR津冀核心经济区广域地表沉降监测与分析

津冀地区位于华北平原,严重的地下水开采导致地表沉降十分显著,开展广域沉降监测具有重要的现实意义。以2016年2月至2018年11月获取的59幅Sentinel-1A SAR影像为数据源,采用相干点目标分析(IPTA)方法对该区域开展沉降监测,采用大量水准数据验证监测结果精度,基于验证后结果对研究区域沉降时空分布特点进行详细分析和解释。与水准数据对比,Sentinel-1A IPTA监测结果均方根误差(RSME)为±2.70 mm·a^-1。分析表明：研究区域内存在严重的不均匀地表沉降,最大沉降速率高达218.31 mm·a^-1。同时研究进一步表明Sentinel-1A时序差分干涉应用于广域地表沉降监测具有较高的精度水平和较好的应用潜力。     

基于深度学习的Sentinel-1A影像冰川识别北大核心CSCD

冰川监测对于气候变化研究及区域可持续发展有重要意义,利用遥感影像提取冰川边界是冰川监测的关键。利用Sentinel-1A结合地形数据,通过基于VGG16、MobileNetV2的UNet和DeepLabV3+卷积神经网络对喀喇昆仑地区的冰川进行识别,并比较VH极化和VV极化下的识别精度。结果表明,VH极化的识别精度整体高于VV极化。基于MobileNetV2网络的识别精度不如VGG16高,但实现了精度相当的同时提高了运行效率。基于相同的主干网络,DeepLabV3+较UNet网络识别精度高,即基于VGG16的DeepLabV3+网络精度最高,在VH极化下其识别总体精度可达95.18%,交并比IoU可达84.33%,均交并比mIoU达到88.91%。卷积神经网络对纯净冰川、表碛冰川及冰川湖都有较好的识别效果,且识别出部分前进冰川,为大区域山地冰川的快速且半自动化识别提供了技术基础。     

基于半变异函数的多极化SAR图像地表淹没程度分析

洪涝灾害范围的提取能够为灾害的动态监测、评估提取重要的数据。由于半变异函数能够反映图像数据的随机性和结构性,可以很好的体现地物的空间自相关性。而地物在SAR图像上也表现出很好的空间自相关性和纹理特征,各种淹没程度的地物在图像上也表现出不同的空间自相关性,所以将特定窗口下特定步长的半变异函数应用到地表淹没程度分析,证明该方法的可行性。     

基于多极化SAR图像的鄱阳湖湿地表淹没状况动态变化分析

合成孔径雷达图像对于地表淹没状况的探测有一定的优势。以鄱阳湖湿地为例,基于多极化Envisat ASAR数据,将变化向量分析方法引入地表淹没状况的变化检测中,分析鄱阳湖湿地地表淹没状况的动态变化,然后利用决策树分类方法将变化区域提取出来,并探讨变化向量方法应用于SAR图像变化监测的潜力。     

基于多极化SAR图像的鄱阳湖湿地地表淹没状况动态变化分析

合成孔径雷达图像对于地表淹没状况的探测有一定的优势.以鄱阳湖湿地为例,基于多极化Envisat ASAR数据,将变化向量分析方法引入地表淹没状况的变化检测中,分析鄱阳湖湿地地表淹没状况的动态变化,然后利用决策树分类方法将变化区域提取出来,并探讨变化向量方法应用于SAR图像变化监测的潜力.     

基于图遍历的计算DEM数据洪水淹没范围的算法

针对数字高程模型(digital elevation model,DEM)大区域数据量大,而常用的洪水淹没算法(如种子蔓延法)不适用于对DEM的分块计算和分次存储,且用时和耗内存大,设计了一种使用图遍历来有效计算洪水淹没范围的算法,对DEM数据分条带读入计算机内存,然后采用块码压缩方式将潜在淹没区域压缩成块存入磁盘,使用广度优先搜索的图遍历方法读取数据。该算法设计逻辑清晰、实用性强且运算效率高,适用于大范围地形复杂的淹没区域。选取北京市、四川省的DEM数据进行实验,实验结果验证了该算法满足计算快速、占用内存少的要求。     

基于Sentinel-1数据的黑河中游土壤水分反演

基于Sentinel-1合成孔径雷达 (SAR) 数据及相同时段的中分辨率成像光谱仪（MODIS）和Landsat 8两种归一化植被指数（NDVI）,构建变化检测模型以估算黑河中游的高分辨率土壤水分,并探讨模型中具体参数设置对估算精度的影响。结果表明：①在对后向散射系数时间序列的差值 ( \mathrm{\Delta } \sigma ) 和植被指数 ( \mathrm{V} \mathrm{I} ) 进行线性建模过程中,MODIS NDVI和Landsat 8 NDVI这两种植被产品所构建的模型在 \mathrm{\Delta } \sigma - \mathrm{V} \mathrm{I} 空间中所选取的采样点比例分别为2%和4%时,各自取得最优精度; ②以土壤水分反演为目标,使用Landsat 8 NDVI构建的变化检测模型略优于使用MODIS NDVI构建的变化检测模型,两种模型的均方根误差RMSE分别为0.040 m³/m³和0.044 m³/m³,相关系数R分别为0.86和0.83; ③对于变化检测方法的关键参数,若使用低分辨率的SMAP/Sentinel-1 L2_SM_SP土壤水分数据分别代替站点观测的土壤水分初始值和缩放因子 (即两个连续时相土壤水分变化的最大值 \mathrm{\Delta } M s_{max} ) 这两个参数,则土壤水分RMSE将分别增加0.01 m³/m³和0.04 m³/m³。即土壤水分缩放因子这一参数的误差对反演结果的影响大于土壤水分初始值误差对反演结果的影响,故采用高精度的缩放因子进行变化检测估算。研究结论对于利用新兴的Sentinel-1 SAR数据,通过变化检测算法准确获取高分辨率土壤水分信息具有实际参考价值。     

GF-1 WFV影像的中小流域洪涝淹没水深监测

针对目前水深监测仍主要依赖Landsat、SPOT等国外遥感卫星的问题,提出采用国产高分一号(GF-1)卫星16m分辨率WFV影像进行洪涝淹没水深监测。通过以中小流域为研究区,采取RS和GIS结合的水深测算方法计算淹没水深:在利用RS影像提取淹没范围的基础上,运用GIS方法由水面高程和地面高程之差计算得出淹没水深的空间分布。结果表明,GF-1卫星作为新兴的国产遥感数据源,凭借空间分辨率高和回访周期短的优势,可帮助摆脱对国外卫星遥感数据的依赖;GF-1卫星WFV影像提取水体精度较高,能广泛应用于中小流域洪涝灾害监测;RS和GIS结合的洪涝淹没水深监测算法简单易行,可快速计算在淹没范围已知情况下的水深。相关结果可为洪涝灾害监测与评估提供信息依据。