朱 輝，何祺勝，李金陽，陳 麗

(1.河海大學水文水資源學院，江蘇 南京 210098；2. 江蘇省水利科學研究院，江蘇 南京 210017)

我國地域遼闊、自然地理和氣候條件復雜、各地自然災害頻繁發(fā)生，并且在全球變暖以及人為干擾的影響下，極端降水頻發(fā)[1]，導致洪澇災害的發(fā)生。洪澇災害被認為是最具破壞性、最廣泛和最頻繁的災害之一[2-3]，是自然災害鏈中造成巨大損失的重要一環(huán)[4-6]，已成為制約經濟社會持續(xù)健康發(fā)展的突出瓶頸[7]。為了科學有效地應對洪澇災害，降低災害造成的經濟財產損失，快速準確地提取洪澇災害范圍，尤其是近實時、高頻次的洪澇動態(tài)監(jiān)測制圖，以及災后對洪澇災害受災區(qū)域的時空變化特征進行詳細準確的分析至關重要，是洪澇災害治理領域研究的重要內容。

由于遙感技術的時效性和低成本性，衛(wèi)星數據在洪澇災害淹沒范圍提取中發(fā)揮了重要的作用[8-11]。湯玲英等[12]基于Sentinel-1A SAR數據，采用面向對象的方法提取廣西壯族自治區(qū)桂林市臨桂縣會仙巖溶濕地區(qū)域的洪澇災害淹沒范圍，繪制災前、災中、災后水體變化監(jiān)測圖。蘇亞麗等[13]利用多源衛(wèi)星遙感數據，采用一種基于NDVI變化特征值的方法對安徽省巢湖地區(qū)進行洪澇災害動態(tài)信息的提取。Liu等[14]采用時空上下文學習的方法和Modest AdaBoost分類器，實現了在HJ-1A和GF-4影像上提取洪澇范圍。Wan等[15]根據SAR影像，采用結合閾值自動選擇、面向像元和面向對象分類以及雙向區(qū)域增長的一種洪水自動提取混合方法對吉林省的洪澇災害淹沒范圍進行提取。Abdelhakim等[16]采用SAR和sentinel-2訓練監(jiān)督分類器，實現洪水范圍的自動提取。Son等[17]利用含水率模型(WFM)，在MODIS影像中提取越南南方的洪澇災害動態(tài)淹沒范圍。Xie等[18]引入大津算法，實現基于Landsat 8影像的洪水無監(jiān)督自動提取。高偉等[19]利用MODIS數據和達特茅斯洪水數據庫，通過數據協(xié)同的方法對舉水流域洪水范圍進行時間序列分析。李思慧[20]基于GF-1和MODIS遙感數據，結合地面氣象觀測數據和基礎地理信息數據，對通遼市洪水范圍進行提取及分析。上述研究注重于洪澇災害信息提取的精確性，在洪澇災害信息的時效性和高頻次方面有所欠缺，而時效性和高頻次對于快速制定響應計劃和減小損失非常重要。在時效性方面，需要考慮信息提取方法的效率問題；在高頻次方面，由于衛(wèi)星的重訪周期以及洪澇災害期間云量較大，光學影像質量差，需要考慮數據源的選取問題。

蓄滯洪區(qū)是指河堤外洪水臨時貯存的低洼地區(qū)及湖泊等，包括行洪區(qū)、分洪區(qū)、蓄洪區(qū)和滯洪區(qū)，是流域防洪工程體系中的重要組成部分，是減輕災害損失、保障人民生命財產安全的重大工程。如鄱陽湖區(qū)設有康山、珠湖、黃湖、方洲斜塘4座蓄滯洪區(qū)，極大地提升了鄱陽湖區(qū)防洪體系的災害防御能力[21]；大名泛區(qū)是承擔著漳衛(wèi)河系滯瀝和漳河超量洪水分洪任務的蓄滯洪區(qū)[22]；位于安徽省阜陽市的蒙洼蓄洪區(qū)是淮河流域極其重要的防汛工程，從1954—2020年期間已開閘蓄洪16次，在淮河流域抗洪救災中具有不可替代的地位。開閘蓄洪對蒙洼蓄洪區(qū)造成相當大的經濟損失，據統(tǒng)計，2003年蒙洼蓄洪區(qū)開閘蓄洪直接經濟損失達3.8億元，2007年直接經濟損失達6億元，2020年7—8月直接經濟損失達6.7億元。

基于此，本文借助遙感和GIS技術，以蒙洼蓄洪區(qū)為研究區(qū)，選取哨兵一號、二號和高分系列衛(wèi)星影像作為數據源，采用區(qū)域生長算法對覆蓋研究區(qū)的9景高質量遙感影像進行洪澇信息快速提取，分析洪澇期間蒙洼蓄洪區(qū)受災區(qū)域的時空變化，并結合研究區(qū)的土地利用類型覆蓋圖，分析蒙洼蓄洪區(qū)各土地利用類型受災情況的時空變化，以期為蓄洪期間減災救災、降低蒙洼蓄洪區(qū)經濟損失等提供參考。

1 研究區(qū)概況

蒙洼蓄洪區(qū)位于安徽省阜陽市阜南縣境內(115°35′20″E～115°56′38″E、32°25′1″N～32°36′47″N)，淮河干流洪河口至南照集間，南臨淮河，北臨蒙河分洪道，汛期四面環(huán)水[23]。蒙洼蓄洪區(qū)東西長約40 km，南北寬2～10 km，呈西南—東北走向的狹長地帶，地勢由上游王家壩向下游曹臺孜傾斜，由淮堤漸向蒙河分洪道傾斜[24]。其總面積約180.4 km2，設計蓄洪量7.5億m3，涉及4個鄉(xiāng)鎮(zhèn)，75個行政村、131座莊臺、17萬余人，耕地面積約13 160 hm2。圖1為研究區(qū)Landsat 8 OLI 7、3、2波段遙感影像。

圖1 蒙洼蓄洪區(qū)Landsat 8 OLI遙感影像(7、3、2波段)Fig.1 Landsat 8 OLI remote sensing image of Mengwa flood storage area (7, 3 and 2 bands)

2020年7月20日，由于淮河上游汛情緊張，王家壩閘開閘蓄洪，蒙洼蓄洪區(qū)第16次啟用。7月23日，王家壩閘關閘。8月1日，經過12 d的蓄滯洪后，蒙洼蓄洪區(qū)退水閘正式開閘退水。

2 研究數據與研究方法

2.1 數據源

選取災前、災中質量較高的哨兵一號(Sentinel-1A)、二號(Sentinel-2A)數據和高分系列衛(wèi)星(GF-1、GF-3和GF-4)2020年7—8月數據進行洪澇災害淹沒范圍的提取，包括7月8日(災前)、7月20日、7月21日、7月26日、8月1日、8月4日、8月17日、8月18日和8月24日的影像，各影像數據的成像時間及級別見表1，其他輔助數據包括Google高分辨率影像和研究區(qū)矢量邊界。

表1 遙感衛(wèi)星2020年7—8月數據信息

Sentinel-1A衛(wèi)星于2014年4月3日發(fā)射，是歐洲空間局哥白尼計劃發(fā)射的首顆環(huán)境監(jiān)測衛(wèi)星，在近極地太陽同步軌道上運行，軌道高度約700 km，重訪周期為12 d。它搭載一臺C波段合成孔徑雷達，成像系統(tǒng)采用4種成像模式，分別為WV(wave mode)、EW(extra-wide swath mode)、IW(interferometric wide swath)和SW(strip map mode)，極化方式為VV/VH，其中WV模式為單極化成像，EW、IW和SW模式均分為單極化和雙極化成像。

Sentinel-2A衛(wèi)星是2015年發(fā)射的一顆新星高分辨率多光譜成像衛(wèi)星，在可見光、近紅外(VNIR)和短波紅外(SWIR)光譜波段上設置有13個光譜波段(4個10 m波段，6個20 m波段，3個60 m波段)，主要用于陸地植被、土壤及水資源等在內的全球陸地觀測[25]。Sentinel-2A衛(wèi)星搭載一臺多光譜成像儀，幅寬為290 km，輻射分辨率為12 bit，是第一個包含3條紅邊波段的陸地觀測光學衛(wèi)星。

GF-1衛(wèi)星是2013年發(fā)射的我國第一顆高分辨率對地觀測衛(wèi)星，搭載了2臺高分辨率相機，分別是1臺2 m空間分辨率的全色相機、1臺8 m空間分辨率的多光譜相機，以及4臺16 m空間分辨率的中低分辨率多光譜寬幅相機。全色相機的重訪周期為4 d，多光譜相機的重訪周期為2 d，其中全色相機的波長范圍為0.45～0.90 μm，包含藍色波段(0.45～0.52 μm)、綠色波段(0.52～0.59 μm)、紅色波段(0.63～0.69 μm)和近紅外波段(0.77～0.89 μm)，幅寬大于60 km；多光譜寬幅相機幅寬大于800 km，因此GF-1影像具有探測范圍大、空間分辨率高的優(yōu)點。

GF-3衛(wèi)星是我國于2016年8月10日發(fā)射的首顆全極化雷達衛(wèi)星，軌道高度為755 km，軌道類型為太陽同步回歸晨昏軌道，天線類型為波導縫隙相控陣，重訪周期為 2～3 d[26]。GF-3衛(wèi)星具有12種常規(guī)成像工作模式，4種在軌試驗工作模式，分辨率為1～500 m，成像幅寬10～650 km，具有單極化、雙極化、全極化成像能力，最長單次成像時間50 min。

GF-4衛(wèi)星是我國于2015年12月29日發(fā)射的第一顆地球同步軌道對地觀測遙感衛(wèi)星，搭載了一臺可見光和近紅外50 m/中波紅外400 m分辨率、幅寬大于400 km的凝視相機，通過面陣凝視方式成像，具備可見光、近紅外和中紅外同時成像的能力[27]。

2.2 數據預處理

Sentinel-1 GRD產品是經過多視和地理編碼矯正處理的SAR數據，無需進行地理配準。使用歐洲航天局(European Space Agency)研發(fā)的SNAP(Sentinel Application Platform)軟件對其進行預處理，主要流程包括輻射校正、幾何地形校正、去除噪聲和后向散射系數影像轉換，并重采樣為30 m分辨率。

Sentinel-2 L1C產品是已經過系統(tǒng)幾何精校正的光學影像，無需再進行幾何精校正。使用SNAP軟件對其進行預處理，調用SNAP軟件的Sen2Cor模塊進行大氣校正，然后對校正好的數據進行重采樣。

GF-1和GF-4影像屬于光學影像，以Sentinel-2為基準進行幾何校正，誤差控制在1個像素以內。GF-3影像屬于雷達影像，使用航天宏圖信息技術股份有限公司研發(fā)的PIE-SAR(Pixel Information Expert for SAR)軟件進行預處理，主要流程包括輻射定標、極化濾波、正射校正和地理編碼，最后利用ArcMap將影像重采樣為30 m分辨率。

2.3 土地利用分類

為了得到蒙洼蓄洪區(qū)土地利用類型分布圖，用于分析研究區(qū)內各土地利用類型受災情況及其時空變化特征，同時考慮到蒙洼蓄洪區(qū)面積較小，人類活動因素對其土地利用類型分布影響較大，故基于谷歌地球引擎(Google Earth Engine)云平臺，參照2020年4月的Google影像進行目視解譯，以確保解譯結果的準確性。蒙洼蓄洪區(qū)的土地利用類型分為農田、養(yǎng)殖塘、莊臺、保莊圩、河流、道路和其他，其土地利用類型分布圖如圖2所示。

圖2 蒙洼蓄洪區(qū)土地利用類型Fig.2 Land-use type of Mengwa flood storage area

2.4 水體提取

利用遙感技術獲取大范圍水體的空間信息具有很大的優(yōu)勢，目前水體提取較為常用的方法主要有單波段閾值法、水體指數法、譜間關系法、監(jiān)督分類法以及區(qū)域生長法。①單波段閾值法是利用水體在近紅外波段反射率較低、易與其他地物區(qū)分的特點，根據確定的分類閾值進行水體提取[28]。②水體指數法是根據水體和其他地物類型的光譜特征，選取相應波段進行代數運算，從而在影像上突出水體信息，通過閾值分析提取水體。該方法常用的水體指數有歸一化差異水體指數(NDWI)、改進的歸一化差異水體指數(MNDWI)和修訂型歸一化差異水體指數(RNDWI)等。③譜間關系法是通過分析地物的光譜曲線特征，利用邏輯判別運算進行水體提取[29]。上述3種方法操作流程簡單，但易受到陰影、建筑物等地物的影響，且水體指數法和譜間關系法不能用于雷達影像。④監(jiān)督分類法是根據選取的訓練區(qū)樣本，建立和訓練分類器，利用分類器進行圖像分類。該方法雖然精度較高，但需要選取樣本，耗時過長，且同樣不能用于雷達影像。⑤區(qū)域生長法是目前應用較為廣泛的圖像分割方法之一，思路簡單，只需提供若干種子點即可完成，能夠提供良好的邊界信息，產生較好的分割結果及較快的分割速度[30-31]。該方法側重于集中連片水體的提取，適合洪澇水體這類大范圍水體的快速提取[32]。

本文選擇區(qū)域生長法進行水體提取。區(qū)域生長法適合于光學和雷達影像，其基本思想是根據事先定義的準則將像素點聚合在一起，即以一組種子點作為生長的起點，根據定義的準則，將種子點周圍的像素點與種子點進行對比，合并具有相似性質(光譜特征或紋理特征等)的像素點，并繼續(xù)向外生長，直到沒有滿足同質準則的相鄰像素點為止，然后進行區(qū)域合并以減少區(qū)域的數量[33]。

選擇合適的種子點是區(qū)域生長法水體提取精度的關鍵因素，合適的種子點應該符合以下條件：①必須位于水體之內，最好位于水體的中央區(qū)域；②應選擇在光譜反射或后向散射較為均勻的水體區(qū)域內，并且種子點的像素值在該區(qū)域內具有一定的代表性，否則會導致聚類結果的區(qū)域過小，影響水體提取的效率。若影像上水體區(qū)域的光譜反射或后向散射不均勻，需要將影像進行分塊后再進行水體提取。

合適的閾值是水體提取的另一關鍵因素。區(qū)域生長法的閾值代表在同一景影像中用于判別像素點是否同質的光譜信息或后向散射信息的差值。閾值過小將導致聚類結果的區(qū)域太小，影響水體提取的效率；閾值過大將導致其他地物被劃分在水體之中，降低水體提取的精度。圖3(a)～(c)分別為基于2020年8月1日Sentinel-1雷達影像，選擇同一種子點(紅色點)，閾值設為10、20和40時，區(qū)域生長法提取的水體(圖中藍色邊框)，圖3(d)(e)分別為基于2020年8月4日GF-1光學影像，選擇同一種子點，閾值設為5、10和15時，區(qū)域生長法提取的水體。由圖3(a)～(c)可以看出，對于Sentienl-1影像，20是水體提取較為合適的閾值，閾值為10時聚類結果的區(qū)域偏小，閾值為40時其他地物被劃分在水體之中，提取精度不高；而對于圖3(d)(e)的GF-1影像，10是較為合適的閾值。

圖3 區(qū)域生長法水體提取結果Fig.3 Water extraction results of region growing algorithm

采用區(qū)域生長法初步提取水體之后，參照對應影像，通過目視解譯進行驗證，并使用ArcGIS軟件對提取的水體進行人工修改，得到高精度的水體矢量數據。

3 結果與分析

3.1 水體提取結果

采用區(qū)域生長法提取水體，并結合目視解譯進行人工修改，得到研究區(qū)的水體分布數據。圖4(a)～ (j)分別為蒙洼蓄洪區(qū)2020年7月8日、7月20日、7月21日、7月23日、7月26日、8月1日、8月4日、8月17日、8月18日和8月24日的水體范圍。其中7月23日缺少高質量的遙感影像提取水體，但由于該日王家壩閘關閘，理論上7月23日是受災最嚴重的一天，因此根據7月21日和26日的水體，使用ArcGIS進行疊加操作，以此作為7月23日當天的水體。

圖4 蒙洼蓄洪區(qū)水體提取分布Fig.4 Extraction distribution of water body in Mengwa flood storage area

3.2 受災區(qū)域的空間變化特征

根據提取的蒙洼蓄洪區(qū)水體分布數據，分析受災區(qū)域的空間變化特征。使用ArcGIS軟件的空間分析模塊，對除7月8日(災前)外的所有水體矢量數據進行空間分析，得到蒙洼蓄洪區(qū)各個區(qū)域淹沒持續(xù)時間分布圖，以此判斷各個區(qū)域的受災程度。蒙洼蓄洪區(qū)淹沒持續(xù)時間分布如圖5所示。

圖5 蒙洼蓄洪區(qū)淹沒時間分布Fig.5 Distribution of inundation time in Mengwa flood storage area

根據研究區(qū)的最大淹沒歷時，設淹沒歷時大于20 d的區(qū)域為重度受災區(qū)，5～20 d為中度受災區(qū)，小于5 d為輕度受災區(qū)。從圖5可以看出，蒙洼蓄洪區(qū)中部和東北部地區(qū)受災情況較為嚴重，淹沒歷時均達20 d以上，為重度受災區(qū)；輕度受災區(qū)和中度受災區(qū)大部分位于蒙洼蓄洪區(qū)的西南部地區(qū)；無受災區(qū)，即未淹沒的區(qū)域，大部分分布在蒙洼蓄洪區(qū)的圈堤附近，少部分分布比較廣泛，無規(guī)律。

結合蒙洼蓄洪區(qū)的地域特征和土地利用類型分布圖，分析蓄洪區(qū)受災區(qū)域空間變化特征的原因為：①蒙洼蓄洪區(qū)的地勢由上游王家壩向下游曹臺孜傾斜，西南高，東北低，蓄洪期間洪水匯聚在地勢低的區(qū)域，因此蓄洪區(qū)輕度受災區(qū)和中度受災區(qū)大部分位于西南部，重度受災區(qū)位于中部和東北部；②保莊圩是由新建圩堤和淮河大堤連接起來形成的圩區(qū)，莊臺是截面為正梯形的土臺，地勢較高，皆可有效預防洪澇災害。無受災區(qū)的地理位置與蓄洪區(qū)內的保莊圩和莊臺的分布基本一致，因此蒙洼蓄洪區(qū)內的無受災區(qū)基本是保莊圩和莊臺。

3.3 受災區(qū)域的時間變化特征

根據提取的蒙洼蓄洪區(qū)水體分布數據，統(tǒng)計出蒙洼蓄洪區(qū)2020年7月20日、7月21日、7月23日、7月26日、8月1日、8月4日、8月17日、8月18日和8月24日的淹沒面積分別為38.08 km2、102.33 km2、150.29 km2、133.09 km2、125.02 km2、119.61 km2、91.80 km2、76.99 km2和40.14 km2?？梢钥闯觯転钠陂g以7月23日的淹沒面積最大，20日水體面積最??； 23日之前淹沒面積呈上升趨勢，23日之后呈下降趨勢。

綜上，總結研究區(qū)受災區(qū)域時間變化特征為：①7月20日，西南部最先受災，并逐漸向東北部延伸，淹沒面積增長明顯，至7月23日達到最大值；②7月26日，西南部開始退洪，總體淹沒面積逐漸下降，下降趨勢不大；③8月4日開始，淹沒面積明顯下降，至8月18日，淹沒面積下降至最大淹沒面積的一半以下。

蒙洼蓄洪區(qū)啟用各措施的時間是7月20日開始蓄洪、23日王家壩閘關閘、8月1日開始退洪，上述淹沒面積時間變化特征與蒙洼蓄洪區(qū)開展蓄洪措施的時間基本吻合。

3.4 各土地利用類型受災情況的時空變化特征

根據圖2，使用ArcGIS計算出各土地利用類型的面積為：農田120.7 km2，養(yǎng)殖塘37.7 km2，保莊圩9.6 km2，莊臺5.7 km2，河流2.1 km2，道路1.4 km2，其他6.1 km2。可以看出，農田是蒙洼蓄洪區(qū)面積最大的土地利用類型，養(yǎng)殖塘其次，而其余土地利用類型的面積相對于農田和養(yǎng)殖塘都較小，蓄洪前后其受災面積不會發(fā)生明顯變化。此外，農田和養(yǎng)殖塘是蒙洼蓄洪區(qū)的主要經濟來源，其洪澇災害受災情況與造成的經濟損失密切相關，而保莊圩和莊臺不會受洪澇災害的影響，因此主要分析農田和養(yǎng)殖塘這兩種土地利用類型的淹沒面積時間變化。

表2為2020年7月8日、7月20日、7月21日、7月23日、7月26日、8月1日、8月4日、8月17日、8月18日和8月24日蒙洼蓄洪區(qū)內農田、養(yǎng)殖塘淹沒面積的時間變化。由表2可以看出，蒙洼蓄洪區(qū)農田和養(yǎng)殖塘的淹沒面積在7月23日達到最大值，分別為109.01 km2和35.30 km2，23日之前淹沒面積呈上升趨勢，23日之后淹沒面積呈下降趨勢；7月20日至8月18日農田和養(yǎng)殖塘的平均淹沒面積分別為74.77 km2和24.19 km2，占各自總面積的61.95%和64.16%，受災情況均較為嚴重。

表2 蒙洼蓄洪區(qū)農田、養(yǎng)殖塘淹沒面積時間變化

由圖2可以看出，農田和養(yǎng)殖塘在蓄洪區(qū)內的分布相對均勻，因此其淹沒面積的時間變化特征與總區(qū)域淹沒面積的時間變化特征基本一致。此外，農田在蓄洪區(qū)的東北部地區(qū)分布較多，養(yǎng)殖塘在蓄洪區(qū)的中部地區(qū)分布較多，而東北部和中部地區(qū)均為重度受災區(qū)，因此農田和養(yǎng)殖塘受災情況均較為嚴重。

4 結 論

a.區(qū)域生長算法能夠高效精確地識別大面積連片的水體，并且適用于光學和雷達影像；該算法結合多源衛(wèi)星遙感數據能夠實現洪澇災害動態(tài)監(jiān)測的時效性和高頻次。

b.2020年7月20日至8月18日蒙洼蓄洪區(qū)平均受災面積約105 km2。蒙洼蓄洪區(qū)中部區(qū)域為受災面積最大的區(qū)域，其次是東北部區(qū)域，最小是西南部區(qū)域。基于蒙洼蓄洪區(qū)西南部地勢高、東北部地勢低的地域特征，結合蒙洼蓄洪區(qū)受災區(qū)域的空間變化特征，風險較高的區(qū)域主要位于蒙洼蓄洪區(qū)的中部和東北部；蒙洼蓄洪區(qū)內的農田和養(yǎng)殖塘受災均較為嚴重，原因在于農田在蓄洪區(qū)的東北部分布較多，養(yǎng)殖塘在蓄洪區(qū)的中部分布較多，均為高風險、受災嚴重地區(qū)。

c.蒙洼蓄洪區(qū)受災情況的時間變化特征與蓄洪措施存在有很強的相關性。洪澇災害期間連續(xù)降雨，云量較多，7月23日沒有高質量的光學影像，而由于重訪周期的原因同樣沒有相應雷達影像，因此7月23日的水體覆蓋數據是疊加合成的數據，在后續(xù)研究中可增加更多的衛(wèi)星影像，確保數據的獲取。