孫斌 李俊鵬 羅哲軒 楊騰 者梅林 劉靖 張浩

基于GF-3影像的金沙江堰塞湖電網(wǎng)受災(zāi)區(qū)域提取

孫斌1李俊鵬1羅哲軒1楊騰1者梅林1劉靖2張浩3

（1 云南電網(wǎng)有限責(zé)任公司輸電分公司，昆明 650000）（2 北京空間飛行器總體設(shè)計部，北京 100094）（3 南昌工程學(xué)院，南昌 330099）

云南地區(qū)降雨頻發(fā)，暴雨易導(dǎo)致洪澇等災(zāi)害發(fā)生，顯著威脅電網(wǎng)的安全運(yùn)行。基于合成孔徑雷達(dá)遙感影像的檢測技術(shù)近年來廣泛應(yīng)用于水體提取。文章提出一種基于深度學(xué)習(xí)的洪澇災(zāi)害區(qū)域提取技術(shù)，通過神經(jīng)網(wǎng)絡(luò)水體提取和差分變化檢測完成電網(wǎng)受災(zāi)單位識別。在云南地區(qū)“高分三號”衛(wèi)星影像上對比了與閾值算法（OTSU）、Snake算法、CV分割算法的提取精度，證實了方法的有效性。結(jié)果顯示，相對經(jīng)典的分割方法，深度學(xué)習(xí)方法可以較好的處理復(fù)雜場景。該方法用于金沙江流域堰塞湖泄洪受災(zāi)檢測應(yīng)用，檢出受災(zāi)電網(wǎng)單位與現(xiàn)場勘察相符，為電網(wǎng)監(jiān)測管控提供了保障。該研究可為水體提取、洪澇災(zāi)害變化監(jiān)測研究與應(yīng)用，以及更廣泛的其他地物分割場景提供參考。

合成孔徑雷達(dá) 洪澇災(zāi)害 水體提取 深度學(xué)習(xí) “高分三號”衛(wèi)星

0 引言

電力工業(yè)是國民經(jīng)濟(jì)與社會發(fā)展的重要支柱產(chǎn)業(yè)。自然災(zāi)害中的洪澇災(zāi)害由于發(fā)生速度快、頻次高，嚴(yán)重地威脅著電力系統(tǒng)的安全運(yùn)行[1]。對水體及其變化信息進(jìn)行提取，有利于電網(wǎng)及時采取應(yīng)急措施，降低安全隱患，做好災(zāi)后評估。近年來，遙感技術(shù)開始廣泛應(yīng)用于水體提取[2]。遙感影像覆蓋廣、頻次高，有利于進(jìn)行災(zāi)害監(jiān)測，尤其是，合成孔徑雷達(dá)（SAR）影像受云雨霧影響較少，水體后向散射特征易于與其他地物區(qū)分，在水體提取方面具有優(yōu)于光學(xué)影像的表現(xiàn)[3]。作為我國首顆C波段的多極化合成孔徑雷達(dá)衛(wèi)星，“高分三號”（GF-3）衛(wèi)星的發(fā)射，為電網(wǎng)洪澇災(zāi)害的SAR水體提取場景應(yīng)用提供了基本數(shù)據(jù)保障。研究一種基于SAR的水體快速提取與變化監(jiān)測方法，對于電網(wǎng)洪澇災(zāi)害監(jiān)測、規(guī)劃管理等具有重要意義。

目前，SAR影像水體提取通?；趫D像分割，主要分為閾值分割法、濾波法和機(jī)器學(xué)習(xí)的方法[4-5]。閾值分割法認(rèn)為不同目標(biāo)或背景的像素在灰度上有差異，在SAR圖像的后向散射強(qiáng)度直方圖中選取閾值，從而將圖像分為水體和非水體[6-7]。大津（OTSU）閾值分割是其中一種經(jīng)典的閾值算法，其利用最大類間方差的思想來決定閾值，方法原理簡單，易于理解，實現(xiàn)速度快[8]。然而，閾值法容易受相干斑噪聲的影響，陸地場景復(fù)雜，有些非水體區(qū)域也呈現(xiàn)黑色暗斑，如山脈中的山谷陰影、平滑的機(jī)場跑道，以及其他的暗斑區(qū)域，這些黑色暗斑的灰度值與水體的非常接近，傳統(tǒng)的水體提取方法會將噪聲區(qū)域一并分類為水體，降低了提取精度。為了消除相干斑噪聲的影響，各類濾波法被提出，濾波法主要采用小波變換、形態(tài)學(xué)濾波和Gmma濾波等算法[9-11]，設(shè)定不同的規(guī)則來抑制SAR的相干斑噪聲，然而該濾波算法提取的水體邊緣不平滑，邊緣特征易被消除，導(dǎo)致檢測精度降低；支持向量機(jī)與灰度共生矩陣是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)的方法[12-15]，該方法將紋理灰度共生矩陣與圖像中的灰度信息相結(jié)合，消除“椒鹽現(xiàn)象”，水體提取的精度較高，其缺點(diǎn)是計算量大，訓(xùn)練時間長，不適用于復(fù)雜的SAR應(yīng)用場景。

總的來說，上述方法均存在其局限性，閾值法、濾波法等非學(xué)習(xí)的方法往往基于人為設(shè)計的分割規(guī)則，容易受到陰影、噪聲等影響，而這些現(xiàn)象在稍復(fù)雜的場景下很常見。支持向量機(jī)與灰度共生矩陣等方法盡管引入了機(jī)器學(xué)習(xí)，但其學(xué)習(xí)樣本能力較弱，仍然無法適用于復(fù)雜場景的SAR應(yīng)用。近年來，深度學(xué)習(xí)在圖像處理方面的研究發(fā)展迅速，應(yīng)用廣泛，各類用于分類和識別的神經(jīng)網(wǎng)絡(luò)模型被相繼提出，例如CNN[16]、FCN[17]和U-Net等[18]。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于SAR圖像的處理也越來越廣泛，憑借神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力和多層的網(wǎng)絡(luò)結(jié)構(gòu)，基于神經(jīng)網(wǎng)絡(luò)的SAR圖像場景識別和分類往往能夠獲得比傳統(tǒng)方法更好的效果[19-20]。Badrinarayanan等人于2015年提出SegNet網(wǎng)絡(luò)[21]，其本身是語義分割常用的網(wǎng)絡(luò)模型，也常用于遙感圖像的分割，2018年Guo等人將Segnet算法用于SAR圖像中海面溢油的檢測，取得了理想的效果[22]。

本文提出了一種基于SegNet算法的水體提取與變化檢測流程方法，其可以改善傳統(tǒng)方法面對復(fù)雜SAR場景的無法適用的情況。通過實驗對比了OTSU閾值算法、Snake模型[23]、CV分割算法[24]與基于SegNet算法的水體提取方法在GF-3衛(wèi)星影像提取上的影像提取效果的優(yōu)劣，結(jié)果表明，基于SegNet的水體提取方法表現(xiàn)出更好的效果。水體提取與變化檢測流程方法應(yīng)用于金沙江流域堰塞湖泄洪受災(zāi)區(qū)域，成功地檢出電網(wǎng)受災(zāi)地區(qū)。本文研究成果可為SAR水體提取研究及電網(wǎng)洪災(zāi)應(yīng)對提供參考。

1 基于SegNet網(wǎng)絡(luò)的水體提取與變化檢測方法

針對GF-3衛(wèi)星圖像數(shù)據(jù)提取洪災(zāi)區(qū)域，監(jiān)測水陸變化，本文首先對GF-3衛(wèi)星圖像進(jìn)行預(yù)處理。常見衛(wèi)星圖像為16bit數(shù)據(jù)，通常應(yīng)先將圖像量化為8bit灰度圖像，并進(jìn)行幾何校正[25]。首先采用線性拉伸的方法將16bit數(shù)據(jù)量化為8bit數(shù)據(jù)，隨后基于參考底圖仿射校正的方法，對提供的衛(wèi)星有理函數(shù)幾何成像模型的有理多項式系數(shù)（Rational Polynomial Coefficients，RPC）進(jìn)行修正，最后通過改正后的RPC參數(shù)對影像做正射校正。校正后的影像作為后續(xù)水體提取與變化檢測輸入，利用深度學(xué)習(xí)技術(shù)提取圖像中的水體，最后對兩個時相的圖像進(jìn)行水體的變化監(jiān)測，技術(shù)路線如圖1所示。

圖1 技術(shù)路線圖

1.1 水體提取

（1）SegNet網(wǎng)絡(luò)結(jié)構(gòu)

SegNet網(wǎng)絡(luò)由編碼器和解碼器組成，具有對稱結(jié)構(gòu)。編碼器的結(jié)構(gòu)與VGG16網(wǎng)絡(luò)[26]相似，由５個層組構(gòu)成，每個層組都包含卷積層、批量歸一化處理層、線性整流函數(shù)激活層、池化層。編碼器用于深層的特征提取，最大池化層能夠簡化和平滑前例特征映射，采集本字段的最大值作為輸出像素；解碼器網(wǎng)絡(luò)可以看作編碼器網(wǎng)絡(luò)的反向過程，解碼器層組構(gòu)成與編碼器層組類似，區(qū)別在于進(jìn)行卷積和池化時，解碼器網(wǎng)絡(luò)使用保存的最大池化索引進(jìn)行上采樣，得到稀疏的特征圖，而后特征圖經(jīng)過解碼器卷積層到致密的特征圖，在解碼器的最后連接一個全連接層，全連接層輸出每個像素的類別概率，具體結(jié)構(gòu)見圖2。

采用編碼解碼結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)易于學(xué)習(xí)，可以輸入不同大小尺寸的圖片，在對縮小的圖片進(jìn)行還原的同時能最大限度的保留像素的位置信息，降低錯誤的分類，適合用于非結(jié)構(gòu)場景中的水體語義分割任務(wù)。

圖2 SegNet網(wǎng)絡(luò)結(jié)構(gòu)

（2）訓(xùn)練與預(yù)測

SegNet的訓(xùn)練過程可概述為以下三個步驟：

1）將訓(xùn)練集中的每個樣本對應(yīng)的標(biāo)簽依次輸入到SegNet網(wǎng)絡(luò)中；

2）將交叉損失熵作為訓(xùn)練模型的目標(biāo)函數(shù)，其值為每個訓(xùn)練樣本中所有像素的加權(quán)值；

3）通過反向傳播算法，根據(jù)最小誤差更新權(quán)重。

步驟1）和步驟2）中的信息向前傳播，通過對輸入和權(quán)重的卷積得到輸出。步驟3）是反向傳播過程，根據(jù)步驟2）的結(jié)果，通過反向傳播算法將權(quán)值傳遞到前一層，并對權(quán)值進(jìn)行更新。

在預(yù)測階段，編碼器輸入尺寸為××的圖像input，這里和表示圖像長寬，表示圖像波段數(shù)，input表示輸入圖像。經(jīng)過歸一化處理和線性整流函數(shù)的作用，進(jìn)入卷積層進(jìn)行運(yùn)算，然后最大池化處理，依次循環(huán)，遍歷所有層組。編碼器完成計算后，將保留在最大池化層和最后一層池化層中所提取的非結(jié)構(gòu)水體特征輸入解碼器，解碼器網(wǎng)絡(luò)算法將輸入進(jìn)行上采樣、卷積操作、批量歸一化和線性整流，最后輸出語義分割結(jié)果，即獲得圖像的水體分割結(jié)果。

1.2 水體變化檢測

（1）SAR影像配準(zhǔn)

盡管影像已經(jīng)進(jìn)行過地理編碼和幾何校正，然而，衛(wèi)星在成像時受噪聲、軌道位置和衛(wèi)星方向影響，不同時間獲取的同地理位置的影像需要經(jīng)過配準(zhǔn)才能夠進(jìn)行變化檢測，否則檢測結(jié)果的準(zhǔn)確性與可靠性有待驗證，因此，首先對用于變化檢測的兩個時相相同區(qū)域影像進(jìn)行配準(zhǔn)。這里采用尺度不變特征變換（Scale-invariant feature transform，SIFT）來進(jìn)行特征點(diǎn)匹配，采用隨機(jī)抽樣一致性算法（Random Sample Consensus，RANSAC）進(jìn)行誤匹配剔除，從而對影像進(jìn)行匹配。

SIFT是用于影像局部特征點(diǎn)檢測與描述的一種算法[27]，算法首先對影像進(jìn)行基于不同尺度高斯濾波器的模糊，隨后對相鄰尺度的模糊影像進(jìn)行差分，構(gòu)建得到尺度空間。在尺度空間中進(jìn)行極值檢測得到極值點(diǎn)的位置，隨后基于該點(diǎn)的局部區(qū)域梯度方向進(jìn)行該極值點(diǎn)的特征描述，最終生成128維的SIFT特征向量。通過特征向量進(jìn)行兩兩比較，找出相互匹配的若干對特征點(diǎn)，建立同名像點(diǎn)間的對應(yīng)關(guān)系。這里采用歐氏距離進(jìn)行匹配，即

RANSAC算法是一種粗差剔除算法[28]。其目的是找出適宜目標(biāo)模型的數(shù)據(jù)，而剔除不能適應(yīng)模型的會對模型參數(shù)估計造成影響的數(shù)據(jù)，如噪聲的極值、錯誤的測量方法、對數(shù)據(jù)的錯誤假設(shè)等。算法認(rèn)為兩幅影像間存在某個仿射變換，不斷的隨機(jī)抽取3個匹配點(diǎn)對進(jìn)行仿射變換估計，統(tǒng)計該仿射變換下匹配點(diǎn)與原匹配點(diǎn)的差異，最終選取到能適宜最多SIFT匹配點(diǎn)的最佳估計仿射變換模型，選取其適宜匹配點(diǎn)對為最終匹配點(diǎn)，其余匹配點(diǎn)對則予以剔除。

（2）變化檢測與受災(zāi)區(qū)域識別

基于配準(zhǔn)后的SAR影像進(jìn)行SegNet水體提取，對得到的兩景水域檢測結(jié)果直接差分，作為最終水體變化檢測的結(jié)果。將電力系統(tǒng)單位的空間坐標(biāo)疊加于識別受災(zāi)區(qū)域中，依據(jù)水域提取與變化檢測結(jié)果，基于該單位所處位置的洪澇受災(zāi)情況，判斷得出該單位是否受到洪澇受災(zāi)影響。

考慮到遙感SAR圖像場景復(fù)雜、干擾因素多，在利用前期技術(shù)進(jìn)行不同時相SAR圖像變化檢測后，對檢測到的虛假目標(biāo)需要進(jìn)一步剔除，以提高災(zāi)害評估的準(zhǔn)確率。因此，通過水域提取和變換檢測等技術(shù)有效提取出不同時刻同一區(qū)域中變化的水域區(qū)域，應(yīng)通過變化區(qū)域面積、變化區(qū)域周圍建筑類型、變化區(qū)域所處位置等特征信息對該區(qū)域進(jìn)行綜合分析，從而有效評估該地區(qū)的洪澇災(zāi)害情況。

2 實驗與結(jié)果分析

2.1 影像概況

GF-3衛(wèi)星為我國首顆C波段多極化SAR衛(wèi)星，是太陽同步回歸晨昏軌道衛(wèi)星，具有12種成像模式，不同成像模式具有不同的分辨率和幅寬，如表1所示，滑塊聚束（SL）模式成像分辨率達(dá)到1m，單景圖像最大幅寬達(dá)到650km。

表1 GF-3衛(wèi)星成像模式

Tab.1 GF-3 satellite imaging mode

2.2 訓(xùn)練數(shù)據(jù)處理與增廣

選取了50景GF-3衛(wèi)星圖像作為樣本數(shù)據(jù)供模型訓(xùn)練。首先將數(shù)據(jù)進(jìn)行人工標(biāo)注添加標(biāo)簽，隨后進(jìn)行數(shù)據(jù)增廣，最后按8:2的樣本比例劃分訓(xùn)練集和測試集。

具體地，首先對幾何校正后的50景SAR數(shù)據(jù)進(jìn)行標(biāo)注，將標(biāo)記圖中的水體區(qū)域二值化，水體為1，非水體為0作為標(biāo)簽。影像與其對應(yīng)的標(biāo)記圖均被裁剪為1 000像素×1 000像素大小的圖像塊。為了對訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，擴(kuò)大訓(xùn)練集的數(shù)據(jù)量，增強(qiáng)模型的魯棒性，更好地適應(yīng)不同地區(qū)SAR圖像場景，減少網(wǎng)絡(luò)的過擬合現(xiàn)象，進(jìn)行縮放、旋轉(zhuǎn)、平移變換三類數(shù)據(jù)增廣。50景GF-3衛(wèi)星圖像原圖及人工標(biāo)記圖在經(jīng)過分割、增廣后，形成了52.7萬個訓(xùn)練樣本的數(shù)據(jù)集。將數(shù)據(jù)集按8:2的比例劃分為訓(xùn)練集和測試集，將數(shù)據(jù)輸入SegNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.3 簡單及復(fù)雜場景下各方法水體提取結(jié)果對比

在2017年7月13日中心經(jīng)緯度為（126.3°，43.5°）的GF-3衛(wèi)星影像及2017年7月25日中心經(jīng)緯度為（126.3°，44.1°）的GF-3衛(wèi)星影像上對比了經(jīng)典圖像分割方法與本文方法的分割效果，前者覆蓋區(qū)域為簡單水域場景，后者覆蓋區(qū)域為復(fù)雜場景。文章選取了OTSU算法、Snake分割算法、CV分割算法與深度學(xué)習(xí)算法對SAR圖像進(jìn)行分割。Snake模型是Michael Kass等人[23]提出的參數(shù)活動輪廓模型，CV模型是Tony F.Chan和Vese[24]提出一種幾何活動輪廓模型，兩者均為經(jīng)典的圖像分割算法。

四種算法分割的對比結(jié)果見圖3及圖4。圖3顯示，對于于灰度層次簡單的圖像來說，四種算法的分割效果差異不大，均能有效捕捉大部分水體區(qū)域。相較于其它三種算法，OTSU算法分割的結(jié)果存在一些斑點(diǎn)，其算法是像素級，在處理整體平滑的區(qū)域時可能出現(xiàn)均勻區(qū)域內(nèi)部各像素分割不一致。圖4顯示，當(dāng)實驗影像變?yōu)閺?fù)雜場景，基于深度學(xué)習(xí)的算法分割效果最好。OTSU算法的分割結(jié)果出現(xiàn)大量虛警像素，分割區(qū)域混亂，幾乎無法使用。Snake模型則容易因初始值不佳而收斂到錯誤的區(qū)域。CV模型同樣無法適應(yīng)復(fù)雜場景。

圖3 簡單場景下局部分割效果對比

圖4 復(fù)雜場景下局部分割效果對比

同時測試了四種算法的檢測率、虛警率與算法耗時，結(jié)果見表2及表3。容易看到，OTSU閾值分割運(yùn)行時間最短，對于灰度層次簡單的圖像來說，其分割結(jié)果好于Snake模型，且虛警率在可控范圍內(nèi)。但對于場景復(fù)雜、灰度層次較多的SAR圖像來說，分割效果較差，虛警率過高。Snake模型對于初始點(diǎn)的位置、迭代次數(shù)以及場景的復(fù)雜度較敏感。在QPSI模式下，對于不同的初始化位置產(chǎn)生的分割結(jié)果差異較大，其檢測率較低且虛警率過高。CV模型對于簡單SAR場景來說，分割效果較好，但是對復(fù)雜SAR圖像來說，檢測率僅為80.96%，低于SegNet網(wǎng)絡(luò)的89.25%分割精度，并且其虛警率高達(dá)53.28%。相較之下，本文的基于SegNet的深度學(xué)習(xí)算法在兩景不同復(fù)雜度場景上都表現(xiàn)出了較好的測試結(jié)果，具有更強(qiáng)的魯棒性。

表2 簡單場景下局部分割結(jié)果對比

Tab.2 Comparison of segmentation accuracy in simple scenes

表3 復(fù)雜場景下局部分割結(jié)果對比

Tab.3 Comparison of segmentation accuracy in complex scenes

3 金沙江流域堰塞湖泄洪受災(zāi)檢測應(yīng)用

3.1 堰塞湖洪災(zāi)區(qū)域與數(shù)據(jù)概況

云南地處以盆地和丘陵為主的西南地區(qū)，位于青藏高原東部的下坡位置，受西南季風(fēng)和西部高海拔影響，年降水量呈現(xiàn)出由東南向西北逐漸減少的態(tài)勢，空間分布不均，受地形和山脈的影響，局部降水量差異大，部分地區(qū)降雨頻發(fā)，暴雨易導(dǎo)致山體滑坡、洪汛災(zāi)害、堰塞湖等自然災(zāi)害[1]。巨甸鎮(zhèn)位于云南省玉龍縣西北部，三面環(huán)山，一面臨江，2018年11月，受白格堰塞湖泄流洪水影響，云南麗江玉龍納西族自治縣沿江鄉(xiāng)鎮(zhèn)遭遇嚴(yán)重洪澇災(zāi)害，產(chǎn)生了明顯的水體區(qū)域變化。

為檢測堰塞湖洪災(zāi)情況，選取兩景不同時間同一區(qū)域成像的GF-3衛(wèi)星圖像，數(shù)據(jù)的成像模式為超精細(xì)條帶（UFS），成像模式分辨率較高，兩景分辨率均為3m，單景圖像幅寬30km，圖像的成像中心坐標(biāo)為：東經(jīng)99.7°，北緯27.3°，兩者的覆蓋范圍見圖5中粉色框體區(qū)域，其中靠右側(cè)朝右偏斜區(qū)域為時相1（洪災(zāi)前）覆蓋區(qū)域，另一區(qū)域為時相2（洪災(zāi)后）覆蓋區(qū)域，圖中淺色細(xì)長區(qū)域為金沙江流域，兩者均覆蓋災(zāi)害區(qū)域巨甸鎮(zhèn)，具體的圖像預(yù)覽如圖6所示。

圖5 GF-3衛(wèi)星數(shù)據(jù)覆蓋區(qū)域

圖6 兩景GF-3衛(wèi)星數(shù)據(jù)預(yù)覽圖

3.2 洪災(zāi)前后時相水域提取

對兩景包含金沙江流域且覆蓋巨甸鎮(zhèn)的預(yù)處理后的研究區(qū)GF-3衛(wèi)星數(shù)據(jù)進(jìn)行配準(zhǔn)，配準(zhǔn)結(jié)果如圖7所示。然后輸入訓(xùn)練得到的SegNet網(wǎng)絡(luò)進(jìn)行水體提取，結(jié)果如圖8所示，圖8（a）為時相1（洪災(zāi)前）的水域提取結(jié)果，圖8（b）為時相2（洪災(zāi)后）的水域提取結(jié)果。

圖7 影像配準(zhǔn)

圖8 水體提取結(jié)果

3.3 堰塞湖洪災(zāi)檢測

基于時相1與時相2的GF-3衛(wèi)星影像水域檢測結(jié)果進(jìn)行變化檢測，結(jié)果如圖9（a）所示，其中白色區(qū)域為水域發(fā)生變化的區(qū)域，紅框為巨甸鎮(zhèn)所在區(qū)域。疊合GF-3衛(wèi)星原始影像與變化區(qū)域得到圖9（b），易見，金沙江水面寬度發(fā)生了明顯變化，紅框區(qū)域內(nèi)的巨甸鎮(zhèn)及周邊農(nóng)田水域覆蓋范圍也發(fā)生了變化，變化區(qū)域明顯，范圍較廣，大部分農(nóng)田被淹，表明本次堰塞湖泄洪給巨甸鎮(zhèn)帶來較大的災(zāi)害影響。通過對變化區(qū)域的像素數(shù)量的統(tǒng)計，可對受災(zāi)面積進(jìn)行估計。

圖9 水域變化檢測結(jié)果

將該區(qū)域電網(wǎng)輸電桿塔、變電站位置的經(jīng)緯度坐標(biāo)與GF-3衛(wèi)星影像檢測的水域變化結(jié)果進(jìn)行疊加，可判斷得出該區(qū)域電網(wǎng)某變電站位于圖9（a）中紅框標(biāo)記的水域內(nèi)，由此判斷，該變電站受災(zāi)。對變電站實地勘察，判斷結(jié)果得到了驗證，受災(zāi)變電站災(zāi)況如圖10所示。災(zāi)前的變電站周圍為農(nóng)田，災(zāi)后農(nóng)田基本被渾濁的泥水淹沒，變電站內(nèi)亦被水淹浸，該區(qū)域存在嚴(yán)重的洪澇災(zāi)害。考慮到災(zāi)害范圍較大，建議繼續(xù)利用GF-3衛(wèi)星和其他光學(xué)衛(wèi)星對受災(zāi)區(qū)域成像，查看災(zāi)害的后續(xù)變化情況，以保障當(dāng)?shù)鼐用竦纳钜约半娋W(wǎng)系統(tǒng)的安全運(yùn)作。

圖10 變電站災(zāi)前災(zāi)后對比

4 結(jié)束語

云南局部降水量高易導(dǎo)致洪災(zāi)，常規(guī)算法進(jìn)行水體提取難以適用復(fù)雜場景。本文基于國產(chǎn)GF-3衛(wèi)星數(shù)據(jù)對洪災(zāi)區(qū)域進(jìn)行提取和變化檢測，提出一種基于深度學(xué)習(xí)的洪澇災(zāi)害區(qū)域提取技術(shù)，通過神經(jīng)網(wǎng)絡(luò)水體提取和差分變化檢測完成電網(wǎng)受災(zāi)單位識別。在云南地區(qū)GF-3衛(wèi)星影像上對比了與OTSU算法、Snake算法、CV分割算法的提取精度，證實了方法的有效性，相對經(jīng)典的對比方法來說，深度學(xué)習(xí)方法可以較好的處理復(fù)雜場景。該方法用于金沙江流域堰塞湖泄洪受災(zāi)檢測應(yīng)用，檢出受災(zāi)電網(wǎng)單位與現(xiàn)場勘察相符，為電網(wǎng)監(jiān)測管控提供了保障。與其它基于SegNet網(wǎng)絡(luò)的分割任務(wù)相比，研究拓展了其在GF-3衛(wèi)星SAR影像及電網(wǎng)場景的應(yīng)用。研究同時可擴(kuò)展到GF-3衛(wèi)星影像中的其他地物分割場景，為更廣泛的地物分割研究提供參考。

[1] 嚴(yán)志濤, 李謝輝, 劉子堂, 等. 氣候變暖背景下西南四省市暴雨洪澇災(zāi)害風(fēng)險變化[J]. 災(zāi)害學(xué), 2021, 36(2): 200-207.

YAN Zhitao, LI Xiehui, LIU Zitang, et al. Risk Change of Rainstorm and Flood Disaster in Four Provinces and Cities of Southwestern China under the Background of Climate Warming[J]. Journal of Catastrophology, 2021, 36(2): 200-207. (in Chinese)

[2] 李勝陽, 許志輝, 陳子琪, 等. 高分3號衛(wèi)星影像在黃河洪水監(jiān)測中的應(yīng)用[J]. 水利信息化, 2017(5): 22-26.

LI Shengyang, XU Zhihui, CHEN Ziqi, et al. Application of GF-3 Satellite Remote Sensing Image on Yellow River Flood Monitoring[J]. Water Resources Informatization, 2017(5): 22-26. (in Chinese)

[3] 黃帥, 丁建麗, 張鈞泳, 等. 基于Radarsat-2衛(wèi)星微波遙感的后向散射系數(shù)研究[J]. 光學(xué)學(xué)報, 2017, 37(9): 317-327.

HUANG Shuai, DING Jianli, ZHANG Junyong, et al. Backscattering Coefficient Research Based on Microwave Remote Sensing of Radarsat-2 Satellite[J]. Acta Optica Sinica, 2017, 37(9): 317-327. (in Chinese)

[4] 蘇龍飛, 李振軒, 高飛, 等. 遙感影像水體提取研究綜述[J]. 國土資源遙感, 2021, 33(1): 9-19.

SU Longfei, LI Zhengxuan, GAO Fei, et al. A Review of Remote Sensing Image Water Extraction[J]. Remote Sensing for Land & Resources, 2021, 33(1): 9-19. (in Chinese)

[5] 陳坤, 郝明, 莊龍, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像水體提取[J]. 電子測量技術(shù), 2021, 44(3): 125-131.

CHEN Kun, HAO Ming, ZHUANG Long, et al. A Method for Water Body Extraction in SAR Image Using CNN[J]. Electronic Measurement Technology, 2021, 44(3): 125-131. (in Chinese)

[6] 孫亞勇, 李小濤, 楊鋒杰, 等. 基于星載SAR數(shù)據(jù)的山區(qū)水體提取方法研究[J]. 中國水利水電科學(xué)研究院學(xué)報, 2014, 12(3): 258-263.

SUN Yayong, LI Xiaotao, YANG Fengjie, et al. Study on the Mountain Water Extraction Method of the Space-borne SAR Image[J]. Journal of China Institute of Water Resources and Hydropower Research, 2014, 12(3): 258-263. (in Chinese)

[7] 李智慧, 陳秀萬, 羅鵬, 等. 基于混合閾值法的Envisat影像水體提取[J]. 遙感信息, 2013, 28(2): 62-65.

LI Zhihui, CHEN Xiuwan, LUO Peng, et al. A Hybrid Thresholding Method for Water Extraction in Envisat Image[J]. Remote Sensing Information, 2013, 28(2): 62-65. (in Chinese)

[8] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.

[9] 陳志國. 高分辨率SAR衛(wèi)星影像洪水區(qū)域提取應(yīng)用研究[D]. 武漢: 武漢大學(xué), 2017.

CHEN Zhiguo. Flooded Area Classification by High-resolution SAR Images[D]. Wuhan: Wuhan University, 2017. (in Chinese)

[10] 龐科臣. 高分辨率SAR圖像水體提取算法研究[D]. 長沙: 長沙理工大學(xué), 2016.

PANG Kechen. Research of High Resolution SAR Image Water Extraction Algorithms[D]. Changsha: Changsha University of Science and Technology, 2016. (in Chinese)

[11] 王慧敏. 基于升降軌SAR數(shù)據(jù)小波融合的水體變化監(jiān)測[D]. 南京: 南京大學(xué), 2012.

WANG Huimin. Water Body Change Detection Based on Ascending and Descending SAR Wavelet Fusion Imagery[D]. Nanjing: Nanjing University, 2012. (in Chinese)

[12] 陳媛媛, 鄭加柱, 魏浩翰, 等. 基于Sentinel-1A數(shù)據(jù)的南京市水體信息提取[J]. 地理空間信息, 2020, 18(9): 62-65.

CHEN Yuanyuan, ZHENG Jiazhu, WEI Haohan, et al. Water Information Extraction of Nanjing City Based on Sentinel-1A Data[J]. Geospatial Information, 2020, 18(9): 62-65. (in Chinese)

[13] 楊龍飛. 基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究[D]. 蘭州: 蘭州大學(xué), 2016.

YANG Longfei. The Study on Texture Feature Extraction Method Based on LBP and GLCM[D]. Lanzhou: Lanzhou University, 2016. (in Chinese)

[14] 高夢瑤. 基于語義和脊波反卷積網(wǎng)絡(luò)的SAR圖像分割[D]. 西安: 西安電子科技大學(xué), 2016.

GAO Mengyao. SAR Image Segmentation Based on Semantic and Ridgelet Deconvolutional Network[D]. Xi'an: Xidian University, 2016. (in Chinese)

[15] 李陸陸. 基于灰度共生矩陣和MRF的紋理圖像分割[D]. 大連: 遼寧師范大學(xué), 2013.

LI Lulu. Texture Image Segmentation is Based on Gray Level Co-occurrence Matrix and MRF[D]. Dalian: Liaoning Normal University, 2013. (in Chinese)

[16] LECUN Y L, BOTTOU L, BENGIO Y, et al. Gradient-based Learning Applied to Document Recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[17] HENRY C, AZIMI S M, MERKLE N. Road Segmentation in SAR Satellite Images with Deep Fully Convolutional Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(12): 1867-1871.

[18] PAI M, MEHROTRA V, AIYAR S, et al. Automatic Segmentation of River and Land in SAR Images: A Deep Learning Approach[C]// 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE), June 3-5, 2019, Sardinia, Italy. IEEE, 2019.

[19] LONG J, SHELHAMER E, DARRELL T. Fully Convolutional Networks for Semantic Segmentation[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition, June 7-12, 2015, Boston, MA, USA. IEEE, 2015.

[20] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-02-14]. http//arxiv.org/pdf/1409.1556.pdf.

[21] BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[22] GUO H, WEI G, AN J. Dark Spot Detection in SAR Images of Oil Spill Using SegNet[J]. Applied Sciences, 2018, 8(12): 2670.

[23] KASS M, WITKIN A, TERZOPOULOS D. Snakes: Active Contour Models[J]. International Journal of Computer Vision, 1988, 1(4): 321-331.

[24] CHAN T F, VESE L A. Active Contours without Edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.

[25] 谷鑫志, 曾慶偉, 諶華, 等. 高分三號影像水體信息提取[J]. 遙感學(xué)報, 2019, 23(3): 555-566.

GU Xinzhi, ZENG Qingwei, SHEN Hua, et al. Study on Water Information Extraction Using Domestic GF-3 Image[J]. Journal of Remote Sensing, 2019, 23(3): 555-566. (in Chinese)

[26] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-05-02]. arxiv.org/abs/1409.1556.

[27] LOWE D G. Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[28] CHUM O, WERNER T, MATAS J. Two-view Geometry Estimation Unaffected by a Dominant Plane[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, June 20-26, 2005, San Diego, CA, USA. IEEE, 2005.

Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images

SUN Bin1LI Junpeng1LUO Zhexuan1YANG Teng1ZHE Meilin1LIU Jing2ZHANG Hao3

（1 Electricity Transmission Company, Yunnan Power Grid Co., Ltd., Kunming 650000, China）（2 Beijing Institute of Spacecraft System Engineering, Beijing 100094, China）（3 Nanchang Institute of Technology, Nanchang 330099, China）

Rainfall is frequent in Yunnan, and heavy rainfall is prone to flooding and other disasters, significantly threatening the safe operation of power grids. Detection techniques based on synthetic aperture radar remote sensing images have been widely used for water body extraction in recent years. This paper proposes a deep learning-based flooding area extraction technique to complete the identification of grid affected units by neural network water extraction and differential change detection. The extraction accuracy is compared with the OTSU threshold algorithm, Snake algorithm, and CV segmentation algorithm on the GF-3 image of Yunnan region, and the effectiveness of the method is confirmed. The results show that compared with the classical segmentation methods, the deep learning method can better deal with complex scenes. The method is used in the application of flood damage detection for the Jinsha River basin weir release, and the detected affected grid units match with the on-site survey, which provides a guarantee for grid monitoring and control.The research can provide a reference for the research and application of water extraction and flood disaster change monitoring, as well as other ground object segmentation scenarios.

synthetic aperture radar; flood; water extraction; deep learning; GF-3 satellite

TP79

A

1009-8518(2021)05-0096-12

10.3969/j.issn.1009-8518.2021.05.011

孫斌，男，1987年生，2017年獲昆明理工大學(xué)電氣工程專業(yè)工程碩士學(xué)位，工程師。主要研究方向為輸電線路智能運(yùn)維。E-mail：447188097@qq.com。

2021-07-06

基于衛(wèi)星技術(shù)的電網(wǎng)“天空地協(xié)同”巡視及風(fēng)險防控策略研究與示范應(yīng)用（YNKJXM20180016）

孫斌, 李俊鵬, 羅哲軒, 等. 基于GF-3影像的金沙江堰塞湖電網(wǎng)受災(zāi)區(qū)域提取[J]. 航天返回與遙感, 2021, 42(5): 96-107.

SUN Bin, LI Junpeng, LUO Zhexuan, et al. Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 96-107. (in Chinese)

（編輯：龐冰）