周翔 羅爽 王成

摘要：水電站圍堰潰決洪水突發(fā)性強(qiáng)且非常規(guī)，應(yīng)急調(diào)查時(shí)效性要求高。為分析水電站圍堰潰決洪水風(fēng)險(xiǎn)，以旭龍水電站為例，提出了一套基于遙感智能解譯技術(shù)的潰堰洪水淹沒分析方法用于實(shí)物指標(biāo)應(yīng)急調(diào)查，并選取與居民財(cái)產(chǎn)安全密切相關(guān)的建筑物為典型對(duì)象，通過構(gòu)建U-Net卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)旭龍水電站下游區(qū)域進(jìn)行建筑物提取。結(jié)果表明：該方法可有效識(shí)別出建筑物分布情況，F(xiàn)-score指標(biāo)精度在93%以上，在算法效率上也明顯優(yōu)于人工解譯。

關(guān)鍵詞：圍堰潰決洪水； 淹沒分析； 遙感智能解譯； 卷積神經(jīng)網(wǎng)絡(luò)； 旭龍水電站

中圖法分類號(hào)：P237；TV122+.4

文獻(xiàn)標(biāo)志碼：A

DOI：10.15974/j.cnki.slsdkb.2024.05.020

文章編號(hào)：1006-0081（2024）05-0111-06

0 引言

水電站上、下游圍堰設(shè)計(jì)采用的洪水標(biāo)準(zhǔn)通常較高，發(fā)生潰決風(fēng)險(xiǎn)的概率較低。但是，如果遭遇地震破壞，超過設(shè)計(jì)標(biāo)準(zhǔn)的暴雨洪水，滲流變形破壞、坍塌、滑坡事故以及施工質(zhì)量差等因素，可能導(dǎo)致潰堰風(fēng)險(xiǎn)。一旦發(fā)生潰決事故，會(huì)對(duì)壩區(qū)及下游造成重大的影響，因此有必要開展?jié)⒀吆樗L(fēng)險(xiǎn)分析。近年來，通過遙感監(jiān)測(cè)手段實(shí)現(xiàn)洪水風(fēng)險(xiǎn)區(qū)實(shí)物指標(biāo)的高效、高精度信息提取，可科學(xué)評(píng)估潰堰洪水對(duì)壩區(qū)和下游人民生命和財(cái)產(chǎn)安全的影響，為制定水電站防洪減災(zāi)預(yù)案提供依據(jù)［1］。

傳統(tǒng)的遙感實(shí)物指標(biāo)調(diào)查主要采用人工解譯的方式，需要耗費(fèi)大量的人力成本和時(shí)間成本，難以快速高效地實(shí)現(xiàn)大范圍遙感解譯［2- 3］。近年來，隨著人工智能技術(shù)的飛速發(fā)展，采用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)高分辨率遙感影像自動(dòng)、快速、精確解譯已經(jīng)成為主流的研究方向。其中，以深度學(xué)習(xí)為代表的人工智能方法憑借其強(qiáng)大的特征學(xué)習(xí)和多層次表達(dá)能力，在遙感影像智能解譯領(lǐng)域已得到廣泛關(guān)注，并取得了成果［4-6］。例如，陳嘉浩等［7］發(fā)展了一種融合級(jí)聯(lián)CRFs和U-Net深度學(xué)習(xí)模型，在廣東省佛山市的Worldview衛(wèi)星影像數(shù)據(jù)上實(shí)現(xiàn)了建筑物的自動(dòng)提取，F(xiàn)-score精度達(dá)到了91.4%。Ji等［8］構(gòu)建了一套開放的多源遙感影像建筑物數(shù)據(jù)集，并提出了一種連體U-Net網(wǎng)絡(luò)模型用于建筑物提取，在航空影像數(shù)據(jù)集上的識(shí)別準(zhǔn)確率達(dá)到93.8%。林娜等［9］提出了一種基于空洞卷積U-Net的遙感影像道路提取算法，在Massachusetts roads數(shù)據(jù)集上F-score精度達(dá)到了84.5%。以上遙感影像智能解譯方法主要針對(duì)城市地區(qū)的實(shí)物指標(biāo)開展算法研究，然而由于水電站潰堰洪水突發(fā)性強(qiáng)且非常規(guī)，目前將遙感智能解譯技術(shù)應(yīng)用于水電站潰堰洪水分析的研究成果仍較少。

因此，本文以旭龍水電站為研究對(duì)象，將遙感智能解譯技術(shù)應(yīng)用于旭龍水電站圍堰潰決洪水的淹沒分析中，選取潰堰影響分析中實(shí)物指標(biāo)應(yīng)急調(diào)查進(jìn)行研究。

1 工程概況

旭龍水電站位于云南省德欽縣與四川省得榮縣交界的金沙江干流上游河段，開發(fā)任務(wù)以發(fā)電為主，是金沙江上游河段“一庫十三級(jí)”梯級(jí)開發(fā)方案中的第12級(jí)，是“西電東送”骨干電源點(diǎn)之一。壩址控制流域面積18.95萬km2，采用混凝土雙曲拱壩，壩高213 m，總庫容8.47億m3，為日調(diào)節(jié)水電站。工程為Ⅰ等大（1）型工程，混凝土壩及相應(yīng)泄洪建筑物按1 000 a一遇洪水設(shè)計(jì)，5 000 a一遇洪水校核。工程采用一次性攔斷河床、全年圍堰擋水、導(dǎo)流隧洞泄流的導(dǎo)流方式。

旭龍水電站下游有已建成的梨園水電站，屬Ⅰ等大（1）型工程，總庫容8.05億m3。旭龍水電站圍堰潰決后會(huì)對(duì)壩區(qū)和下游造成影響，但不會(huì)影響梨園水電站的運(yùn)行。旭龍水電站壩址至梨園水電站壩址區(qū)間自上而下有四川省甘孜藏族自治州得榮縣、云南省迪慶藏族自治州德欽縣、維西傈僳族自治縣、香格里拉市和云南省麗江市玉龍納西族自治縣5個(gè)市縣。

周翔 等基于遙感智能解譯技術(shù)的圍堰潰決洪水淹沒分析——以旭龍水電站為例

2 研究方法

2.1 技術(shù)路線

針對(duì)旭龍水電站潰堰洪水影響分析中實(shí)物指標(biāo)應(yīng)急調(diào)查需求，本文構(gòu)建了一套潰堰洪水影響分析遙感智能解譯技術(shù)體系，具體包括：資料收集、洪水淹沒線提取、遙感智能解譯、數(shù)據(jù)編輯入庫、淹沒實(shí)物指標(biāo)統(tǒng)計(jì)分析與制圖5個(gè)部分，技術(shù)路線如圖1所示。

（1） 資料收集。充分收集項(xiàng)目前期資料，了解掌握研究區(qū)域特點(diǎn)，做好解譯準(zhǔn)備工作。結(jié)合該研究區(qū)域具體情況和工作需求，收集得到旭龍水電站所在周邊區(qū)域的數(shù)字高程模型、衛(wèi)星遙感影像、全國行政區(qū)劃界等，為研究的開展奠定了堅(jiān)實(shí)的基礎(chǔ)。

（2） 洪水淹沒線提取。通過構(gòu)建旭龍水電站潰堰洪水?dāng)?shù)學(xué)模型，計(jì)算得出下游沿程最高水位，結(jié)合收集得到的數(shù)字高程模型進(jìn)行插值加密處理獲取等值線，根據(jù)等值線按照各斷面的最高洪水位分段描繪洪水淹沒線，為遙感智能解譯提供了遙感影像解譯范圍。

（3） 遙感智能解譯。根據(jù)旭龍水電站潰堰洪水影響分析需要，結(jié)合淹沒實(shí)物指標(biāo)主要解譯內(nèi)容，利用已構(gòu)建的遙感智能解譯模型對(duì)收集到的衛(wèi)星遙感影像進(jìn)行自動(dòng)化解譯，提取對(duì)應(yīng)的地物信息，并通過專業(yè)解譯人員對(duì)智能解譯成果進(jìn)行檢查和修飾，完成遙感解譯工作。本文采用U-Net卷積神經(jīng)網(wǎng)絡(luò)模型［10］作為遙感智能解譯模型。

（4） 數(shù)據(jù)編輯入庫。按照系統(tǒng)數(shù)據(jù)庫相關(guān)要求，應(yīng)用GIS軟件對(duì)受淹沒影響的實(shí)物指標(biāo)遙感解譯數(shù)據(jù)進(jìn)行建庫編輯處理，結(jié)合收集到的全國行政區(qū)劃界等資料，構(gòu)建拓?fù)潢P(guān)系，標(biāo)注地物類屬性，開展圖幅之間圖形、屬性接邊等，完成數(shù)據(jù)入庫工作。

（5） 淹沒實(shí)物指標(biāo)統(tǒng)計(jì)分析與制圖。潰堰影響分析計(jì)算所用解譯成果是基于遙感智能解譯成果，通過提取淹沒區(qū)域內(nèi)耕地、園地、村莊范圍及工礦用地等要素圖斑，根據(jù)2023年影像更新處理，將各地類圖斑空間分布成果、行政區(qū)界以及不同潰堰洪水成果相疊加統(tǒng)計(jì)得出，并按照要求進(jìn)行淹沒實(shí)物指標(biāo)統(tǒng)計(jì)與分析，制作淹沒實(shí)物指標(biāo)解譯成果專題圖。

2.2 遙感智能解譯

遙感影像智能解譯技術(shù)通過引入計(jì)算機(jī)視覺領(lǐng)域的智能模型，對(duì)遙感影像進(jìn)行分類、識(shí)別、提取等，從而實(shí)現(xiàn)對(duì)遙感影像的自動(dòng)化解譯。地理空間科學(xué)與深度學(xué)習(xí)相融合的GeoAI新技術(shù)不斷涌現(xiàn)，推動(dòng)了遙感影像解譯技術(shù)由人工目視解譯和半自動(dòng)解譯向智能化、自動(dòng)化方向飛速發(fā)展［11- 12］。本文結(jié)合水電站潰堰洪水分析的實(shí)際需求和遙感智能解譯技術(shù)發(fā)展情況，采用U-Net卷積神經(jīng)網(wǎng)絡(luò)模型作為本研究的智能模型。

2.2.1 U-Net卷積神經(jīng)網(wǎng)絡(luò)模型

U-Net卷積神經(jīng)網(wǎng)絡(luò)模型于2015年由Ronneberger等［10］提出，由于其網(wǎng)絡(luò)結(jié)構(gòu)呈“U”型而得名，最初用于醫(yī)學(xué)影像分割，后來逐步發(fā)展為深度學(xué)習(xí)的基準(zhǔn)網(wǎng)絡(luò)模型之一，并在諸多領(lǐng)域得到廣泛應(yīng)用，如云檢測(cè)［13］、建筑物檢測(cè)［8］、語義分割［14］等。本研究同樣屬于目標(biāo)識(shí)別問題，故而將U-Net網(wǎng)絡(luò)作為研究方法。

U-Net是由卷積、下采樣、上采樣和堆疊操作組成的編碼器-解碼器對(duì)稱網(wǎng)絡(luò)。其中編碼是一個(gè)下采樣過程，提取高維抽象特征，而解碼則是上采樣過程，恢復(fù)影像原始尺寸，并不斷融入下采樣的最終或中間的特征圖，實(shí)現(xiàn)淺層細(xì)節(jié)特征與深層抽象特征的信息融合，得到最終解譯結(jié)果。U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.2.2 后處理優(yōu)化

通過U-Net模型的處理后可以得到初步的遙感解譯結(jié)果，但往往會(huì)存在小碎塊區(qū)域和空洞區(qū)域。因此，為了提升解譯結(jié)果的精度，本文采用了小碎塊剔除和空洞填充的形態(tài)學(xué)后處理方式加以優(yōu)化。

另外，為了滿足數(shù)據(jù)庫建設(shè)和專題信息制圖等方面的應(yīng)用需要，本文進(jìn)一步將以上解譯結(jié)果進(jìn)行地理坐標(biāo)信息添加和柵格-矢量轉(zhuǎn)換，從而得到最終解譯結(jié)果。

3 結(jié)果分析

旭龍水電站潰堰洪水影響分析中涉及的實(shí)物調(diào)查指標(biāo)包括淹沒耕地、園地、村莊及工礦用地、道路、橋梁、電力、通訊及附屬設(shè)施等多種要素，本文選取與居民財(cái)產(chǎn)安全密切相關(guān)的建筑物為典型對(duì)象進(jìn)行分析。

3.1 遙感智能解譯效果

本文選取旭龍水電站下游至梨園水電站之間建筑物較為密集的2個(gè)區(qū)域作為試驗(yàn)對(duì)象，分析潰堰對(duì)下游的防洪影響，采用分辨率0.3 m的谷歌影像進(jìn)行建筑物智能解譯試驗(yàn)，分別從定性和定量?jī)煞矫孢M(jìn)行分析。

3.1.1 定性分析

圖3和圖4分別展示了兩幅建筑物密集區(qū)域的智能解譯結(jié)果和局部放大圖?？傮w來看，建筑物區(qū)域均實(shí)現(xiàn)了較好的提取效果，可以較為有效識(shí)別出建筑物分布情況。圖3中建筑物分布較為零散，部分建筑物色彩與其他地物較為相似，總體上實(shí)現(xiàn)了較好的提取效果。圖4中建筑物沿金沙江縱向分布，并存在與建筑物色彩較為相近的水泥地面，解譯結(jié)果表明建筑物得到有效提取。從定性分析來看，本文中的遙感智能解譯方法可以滿足建筑物的提取需求。

3.1.2 定量分析

為使結(jié)果更加可靠，本文采用準(zhǔn)確率P、召回率R和F-score 3種精度評(píng)價(jià)指標(biāo)進(jìn)行了定量分析，取值范圍為0～1［15- 16］，這3個(gè)指標(biāo)值越高表示解譯性能越好。具體計(jì)算公式如下：

式中：TP為正確識(shí)別的像素?cái)?shù)量，F(xiàn)N為將該對(duì)象錯(cuò)誤識(shí)別為非對(duì)象的像素?cái)?shù)量，F(xiàn)P為將非對(duì)象錯(cuò)誤識(shí)別為該對(duì)象的像素?cái)?shù)量。

兩組數(shù)據(jù)建筑物提取精度及效率評(píng)價(jià)如表1所示。從建筑物提取精度來看，影像1和影像2準(zhǔn)確率均為98%左右，召回率在90%左右，F(xiàn)-score精度在93%以上，驗(yàn)證了該智能解譯方法的有效性。從建筑物提取效率來看，影像1和影像2的覆蓋面積分別為0.58 km2和0.19 km2，測(cè)試時(shí)間分別為5 s和2 s，而人工解譯時(shí)間分別約為30，20 min，智能解譯算法運(yùn)行效率更高。

旭龍水電站若發(fā)生潰堰洪水，經(jīng)估算下游淹沒總面積約為106 km2，建筑物遙感智能解譯的時(shí)間為15 min左右，人工解譯需要約20人天。相比人工解譯，智能解譯方法可有效提升解譯效率。

3.2 淹沒實(shí)物指標(biāo)遙感制圖

基于數(shù)字高程模型提取洪水淹沒線并結(jié)合遙感智能解譯建筑物矢量結(jié)果，可運(yùn)用空間疊加分析統(tǒng)計(jì)淹沒實(shí)物指標(biāo)。本次采用的衛(wèi)星遙感智能解譯方法可實(shí)現(xiàn)快速統(tǒng)計(jì)淹沒范圍面積、淹沒居民地面積等實(shí)物指標(biāo)，可為潰堰洪水淹沒方案制定快速提供決策分析依據(jù)。同時(shí)，利用收集的公開全國行政區(qū)劃、道路等基礎(chǔ)空間信息數(shù)據(jù)，洪水淹沒線、衛(wèi)星影像、遙感智能解譯結(jié)果等制作淹沒實(shí)物指標(biāo)遙感專題圖（圖5），可直觀展示潰堰洪水淹沒影響的空間分布情況。

此處選取香格里拉市金江鎮(zhèn)附近情況進(jìn)行說明，金江鎮(zhèn)居民地高程1 804～1 902 m，當(dāng)潰堰后最高洪水位為1 866 m時(shí)，淹沒總面積約為17.41 km2，淹沒居民地面積約為0.85 km2。

4 結(jié)語

本文提出了一套潰堰洪水影響分析遙感智能解譯技術(shù)體系，通過構(gòu)建U-Net卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)旭龍水電站下游區(qū)域進(jìn)行建筑物提取。選取了兩個(gè)旭龍水電站下游建筑物較為密集的區(qū)域開展試驗(yàn)，定性分析發(fā)現(xiàn)采用的遙感智能解譯方法可以有效識(shí)別出建筑物分布情況，定量分析發(fā)現(xiàn)F-score定量評(píng)價(jià)指標(biāo)精度在93%以上，在算法效率上也明顯優(yōu)于人工解譯。該方法可有效提升生產(chǎn)作業(yè)效率，為水利工程項(xiàng)目的開展提供重要參考依據(jù)。

參考文獻(xiàn)：

［1］黃筱，張林杰，馮剛，等.無人機(jī)遙感在黑龍江特大洪水應(yīng)急監(jiān)測(cè)中的應(yīng)用［J］.水利水電快報(bào)，2023，44（3）：34-38.

［2］張繼賢，顧海燕，楊懿，等.自然資源要素智能解譯研究進(jìn)展與方向［J］.測(cè)繪學(xué)報(bào)，2022，51（7）：1606-1617.

［3］彭道松，聶小飛，莫明浩，等.基于深度學(xué)習(xí)的水土保持措施遙感解譯信息提取研究［J］.中國水土保持，2023（4）：45-49.

［4］陶超，陰紫薇，朱慶，等.遙感影像智能解譯：從監(jiān)督學(xué)習(xí)到自監(jiān)督學(xué)習(xí)［J］.測(cè)繪學(xué)報(bào)，2021，50（8）：1122-1134.

［5］宋文龍，呂娟，劉昌軍，等.遙感技術(shù)在數(shù)字孿生流域建設(shè)中的應(yīng)用［J］.中國防汛抗旱，2022，32（6）：15-20.

［6］隆星宇，李輝，白雪山，等.基于深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別新方法［J］.人民長(zhǎng)江，2023，54（7）：113-120.

［7］陳嘉浩，邢漢發(fā)，陳相龍.融合級(jí)聯(lián)CRFs和U-Net深度學(xué)習(xí)模型的遙感影像建筑物自動(dòng)提取［J］.華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，54（1）：70-78.

［8］JI S，WEI S，LU M.Fully Convolutional networks for multisource building extraction from an open aerial and satellite imagery data set［J］.IEEE Transactions on Geoscience and Remote Sensing，2019，57（1）：574-586.

［9］林娜，張小青，王嵐，等.空洞卷積U-Net的遙感影像道路提取方法［J］.測(cè)繪科學(xué)，2021，46（9）：109-114.

［10］RONNEBERGER O，F(xiàn)ISCHER P，BROX T.U-Net：Convolutional Networks for Biomedical Image Segmentation［C］∥MICCAI Society.MICCAI 2015.Cham：Springer International Publishing，2015.

［11］尹磊，楊凌云，張磊，等.深度學(xué)習(xí)在遙感影像智能解譯中的應(yīng)用現(xiàn)狀簡(jiǎn)述［J］.華北自然資源，2023（1）：93-97.

［12］孫濤，王雷，付文博，等.深度學(xué)習(xí)在水利行業(yè)上的應(yīng)用綜述［J］.中國農(nóng)村水利水電，2018（12）：90-93，100.

［13］WIELAND M，LI Y，MARTINIS S.Multi-sensor cloud and cloud shadow segmentation with a convolutional neural network［J］.Remote Sensing of Environment，2019，230：111203.

［14］DIAKOGIANNIS F I，WALDNER F，CACCETTA P，et al.ResUNet-a：A deep learning framework for semantic segmentation of remotely sensed data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，162：94-114.

［15］ADELINE K R M，CHEN M，BRIOTTET X，et al.Shadow detection in very high spatial resolution aerial images：A comparative study［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，80：21-38.

［16］LUO S，LI H，SHEN H.Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2020，167：443-457.

編輯：江文

Inundation analysis of cofferdam break flood based on remote sensing intelligent interpretation technolog：a case of Xulong Hydropower Station

ZHOU Xiang1，2，3，LUO Shuang1，2，3，4，WANG Cheng1，2，3

（1.Changjiang Spatial Information Technology Engineering Co.，Ltd.（Wuhan），Wuhan 430010，China；2.Changjiang Survey，Planning，Design and Research Co.，Ltd.，Wuhan 430010，China；3.Changjiang Satellite Remote Sensing Application Research Center，Wuhan 430010，China；4.Hubei Key Laboratory of Basin Water Security，Wuhan 430010，China）

Abstract：

Cofferdam break flood of hydropower station is sudden and unconventional，which requires high efficiency of emergency investigation.A remote sensing intelligent interpretation framework analysis of cofferdam break flood was proposed for emergency investigation of physical indicators，and buildings closely related to residential property safety were selected as typical objects for analysis.The U-Net convolutional neural network model was constructed to extract the building in the lower reaches of Xulong Hydropower Station.The results demonstrated that the proposed method could effectively identify the distribution of buildings.The accuracy of F-score quantitative evaluation index was above 93%，and the algorithm efficiency was also significantly better than manual interpretation.

Key words：

cofferdam break flood； inundation analysis； remote sensing intelligent interpretation； convolutional neural network； Xulong Hydropower Station

收稿日期：2023-10-30

基金項(xiàng)目：流域水安全保障湖北省重點(diǎn)實(shí)驗(yàn)室開放研究基金項(xiàng)目資助（CX2023K16）；長(zhǎng)江勘測(cè)規(guī)劃設(shè)計(jì)研究有限責(zé)任公司自主創(chuàng)新項(xiàng)目（CX2022Z31）

作者簡(jiǎn)介：周翔，男，高級(jí)工程師，主要從事水利工程測(cè)量方面的工作。E-mail：zhouxiang@cjwsjy.com.cn

通信作者：羅爽，男，工程師，博士，主要從事遙感影像智能處理與人工智能算法研究工作。E-mail：luoshuang_cjwsjy@163.com