周 帆1,2張文君1 雷莉萍2 張智杰2 郭曉東 汪曉帆

(1.西南科技大學(xué)環(huán)境與資源學(xué)院 四川 綿陽(yáng) 621010)(2.中國(guó)科學(xué)院遙感與數(shù)字地球研究所數(shù)字地球重點(diǎn)實(shí)驗(yàn)室 北京 100094)(3.中國(guó)土地勘測(cè)規(guī)劃院國(guó)土資源部土地利用重點(diǎn)實(shí)驗(yàn)室 北京 100035)

引言

目前，洪水災(zāi)害被認(rèn)為是世界上危害性最大的自然災(zāi)害之一，其造成的損失在全球所有自然災(zāi)害中占40%。洪水往往發(fā)生在人口密度高，河流和湖泊集中，降雨量大，農(nóng)業(yè)種植的程度高的地方[1]。其對(duì)農(nóng)業(yè)的影響主要表現(xiàn)為淹沒耕地的大量的積水短時(shí)間內(nèi)難以褪去，農(nóng)田的受災(zāi)面積和災(zāi)后恢復(fù)狀況均隨著洪災(zāi)發(fā)生和褪去的時(shí)間不同而反應(yīng)出不同的動(dòng)態(tài)特征。這些特征是對(duì)災(zāi)情動(dòng)態(tài)監(jiān)測(cè)以及災(zāi)后損失評(píng)估的重要依據(jù)。

由于洪災(zāi)常伴隨著持續(xù)的強(qiáng)降雨，具有突發(fā)性而不易實(shí)地調(diào)查。傳統(tǒng)的調(diào)查和監(jiān)測(cè)方法無(wú)法取得實(shí)時(shí)可靠的數(shù)據(jù)。遙感技術(shù)因其大范圍、全天候全天時(shí)的特點(diǎn)被廣泛應(yīng)用于洪災(zāi)的監(jiān)測(cè)，利用多時(shí)相的遙感影像可以實(shí)時(shí)監(jiān)測(cè)洪災(zāi)的發(fā)生狀況。喻光明等人分析了四湖流域“91.7”暴雨分區(qū)水量平衡及地面水情實(shí)況,利用遙感技術(shù)研究了該區(qū)“91.7”暴雨的洪水勢(shì)態(tài),包括洪水淹沒范圍估算及其時(shí)空特性分析,據(jù)此作出了災(zāi)情評(píng)價(jià)[2]。張國(guó)平等人利用遙感,對(duì)多種地表水體如河流和湖泊進(jìn)行空間識(shí)別、定位及定量計(jì)算面積等研究?jī)?nèi)容開展洪水水情監(jiān)測(cè)[3]。王云秀等人利用高分與資源衛(wèi)星對(duì)暴雨后河北省中南部水庫(kù)面積進(jìn)行了監(jiān)測(cè)分析[4]。李健等人利用利用FY-3A、HJ-1A/B和EOS多源衛(wèi)星遙感數(shù)據(jù),結(jié)合地面氣象觀測(cè)數(shù)據(jù)和基礎(chǔ)地理信息數(shù)據(jù),對(duì)2010年7月下旬至8月初吉林省特大暴雨導(dǎo)致的洪澇災(zāi)害進(jìn)行了監(jiān)測(cè)[5]。但在現(xiàn)實(shí)中洪災(zāi)對(duì)區(qū)域產(chǎn)生的影響不僅有農(nóng)田淹沒范圍信息也應(yīng)分析其受災(zāi)發(fā)生的時(shí)間、持續(xù)時(shí)間以及災(zāi)后恢復(fù)的動(dòng)態(tài)信息。

本文利用多源遙感衛(wèi)星的多時(shí)相數(shù)據(jù)對(duì)洪災(zāi)發(fā)生的時(shí)間、范圍、不同區(qū)域的受災(zāi)程度以及災(zāi)后恢復(fù)狀況進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。通過(guò)時(shí)序變化檢測(cè)提取農(nóng)田受災(zāi)動(dòng)態(tài)信息的方法，為受災(zāi)狀況分析以及災(zāi)后恢復(fù)評(píng)估提供決策的重要科學(xué)依據(jù)。

一、數(shù)據(jù)采集

由于2017年5月25日開始的季風(fēng)性降雨導(dǎo)致了斯里蘭卡境內(nèi)山洪暴發(fā)，這次水災(zāi)是自2004年印度洋海嘯以來(lái)，斯里蘭卡遭遇的最大一次自然災(zāi)害。我們以洪水暴發(fā)的集中區(qū)域斯里蘭卡南部馬塔勒區(qū)作為研究區(qū)域(圖1)。

圖1 研究區(qū)域的地理位置和衛(wèi)星遙感彩色影像

(2016年1月29日Landsat-8衛(wèi)星觀測(cè)的可見光和紅外光(OLI6-5-3波段)波段合成的影像)

本文收集了2017年和未受災(zāi)的前一年2016年MODIS觀測(cè)數(shù)據(jù)處理的16天合成NDVI數(shù)據(jù)產(chǎn)品(表1)。由于研究區(qū)域處于不同的軌道，將數(shù)據(jù)拼接后以16天為周期的范圍內(nèi)由受云影響最小以及距離星下最近的最佳像元合成，每年有23個(gè)時(shí)相。該數(shù)據(jù)產(chǎn)品來(lái)源于美國(guó)NASA的EOS系列衛(wèi)星Terra觀測(cè)獲取的植被指數(shù)產(chǎn)品，全稱為MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid(MOD13Q1)[6]。本文收集的NDVI數(shù)據(jù)產(chǎn)品是該植被指數(shù)產(chǎn)品之一，數(shù)據(jù)的空間分辨率為250m。16天合成的NDVI數(shù)據(jù)是由最佳像元選擇合成算法處理得到的數(shù)據(jù)產(chǎn)品[7-8]。

作為實(shí)驗(yàn)的驗(yàn)證分析，還收集了災(zāi)中和災(zāi)后時(shí)期的GF-3和Sentinel-1觀測(cè)數(shù)據(jù)以及災(zāi)期Sentinel-2光學(xué)觀測(cè)數(shù)據(jù)和災(zāi)前Landsat影像數(shù)據(jù)。

GF-3數(shù)據(jù)來(lái)自于由中國(guó)高分應(yīng)用技術(shù)中心分發(fā)的成像方式為精細(xì)條帶1(Fine Strip I,FSI)模式，極化方式為雙極化的Level-1A級(jí)數(shù)據(jù)。

Sentinel-1和Sentinel-2數(shù)據(jù)產(chǎn)品來(lái)自于歐空局(European Space Agency，ESA)官方網(wǎng)站：(https://sci-hub.Copernicus.eu/dhus//home)的Level-1地距數(shù)據(jù)(Ground Range Detected,GRD)，成像方式為干涉寬幅(Interferometric Wide swath,IW)模式，極化方式為VV的雷達(dá)數(shù)據(jù)。Sentinel-2的數(shù)據(jù)為經(jīng)輻射校正和正射校正處理后的Level-1C級(jí)數(shù)據(jù)產(chǎn)品。

Landsat-8 OLI(Operational Land Imager)光學(xué)數(shù)據(jù)，來(lái)自于美國(guó)地質(zhì)勘查局(U.S.Geological Survey-USGS)發(fā)布的經(jīng)輻射校正和地形幾何校正處理后的L1T數(shù)據(jù)產(chǎn)品。

表1 多顆衛(wèi)星遙感觀測(cè)數(shù)據(jù)產(chǎn)品信息

二、洪災(zāi)動(dòng)態(tài)信息提取方法

本研究根據(jù)上述由研究區(qū)域樣點(diǎn)的NDVI時(shí)序，本文提出了通過(guò)由洪災(zāi)導(dǎo)致的NDVI的變化特征來(lái)監(jiān)測(cè)和提取耕地受災(zāi)信息的方法。其主要步驟包括對(duì)最初合成產(chǎn)品中異常點(diǎn)的剔除以及插值處理、多時(shí)相NDVI變化特征的動(dòng)態(tài)監(jiān)測(cè)、受災(zāi)程度以及災(zāi)后恢復(fù)狀況的評(píng)價(jià)。

圖2 基于多源衛(wèi)星遙感洪災(zāi)動(dòng)態(tài)信息提取方法流程

(一)NDVI時(shí)序變化特征

斯里蘭卡南部主要栽培季節(jié)Maha，從9月到3月。主要灌溉的次級(jí)Yela季節(jié)從4月到9月，主要種植作物為水稻。以馬塔勒地區(qū)2017年受災(zāi)區(qū)域?yàn)槔?，根?jù)當(dāng)?shù)貫?zāi)害管理中心(DMC)數(shù)據(jù)報(bào)告從中選出6個(gè)不同特征的農(nóng)田樣本區(qū)域并提取2017受災(zāi)年和2016年NDVI多時(shí)相數(shù)據(jù)。對(duì)比兩年的NDVI變化情況(圖3)。

圖3 受災(zāi)2017年(紅色)和未受災(zāi)2016年(藍(lán)色)樣點(diǎn)NDVI時(shí)序特征

災(zāi)前的持續(xù)強(qiáng)降水使土壤水分過(guò)度飽和以及災(zāi)后大面積農(nóng)田被水淹沒，嚴(yán)重影響農(nóng)田作物的生長(zhǎng)，該變化會(huì)通過(guò)遙感衛(wèi)星監(jiān)測(cè)數(shù)據(jù)中的地表反射率隨時(shí)間序列的波動(dòng)表現(xiàn)出來(lái)，具體表現(xiàn)為NDVI值隨洪災(zāi)持續(xù)降低。因此根據(jù)農(nóng)田的受災(zāi)變化與NDVI變化的關(guān)系特征可提取洪災(zāi)的動(dòng)態(tài)信息。

1.對(duì)比未受災(zāi)年NDVI值，不同樣區(qū)受災(zāi)年NDVI值開始降低的時(shí)期基本一致

根據(jù)災(zāi)害中心(DMC)的報(bào)告得知洪災(zāi)發(fā)生的日期為5月25日。如上圖(a)(b)(c)(d)所示，受災(zāi)年NDVI值在5月末6月初下降趨勢(shì)時(shí)分明顯，表明洪災(zāi)發(fā)生后立刻對(duì)農(nóng)田作物生長(zhǎng)產(chǎn)生了嚴(yán)重的影響。

2.不同區(qū)域受災(zāi)后NDVI值降低的持續(xù)時(shí)間不同

將兩年同時(shí)相的NDVI做差值對(duì)比發(fā)現(xiàn)受災(zāi)年同比減小約0.18，統(tǒng)計(jì)連續(xù)大于此閾值的時(shí)相數(shù)，其中(a)(b)(c)(d)分別呈現(xiàn)了8、7、4、3個(gè)時(shí)相，其中(c)(d)的NDVI值在受洪災(zāi)的影響降低，災(zāi)后又回升到了2016年的NDVI值水平。圖1(a)(b)連續(xù)有9和8個(gè)時(shí)相的NDVI差值連續(xù)大于閾值，災(zāi)后一直持續(xù)降低至年末沒有回升，該類區(qū)域表明在洪災(zāi)影響過(guò)后農(nóng)民由于嚴(yán)重的破壞而放棄后續(xù)的耕作。由此可見，連續(xù)大于閾值的時(shí)相數(shù)可以反映受災(zāi)的嚴(yán)重程度以及災(zāi)后的恢復(fù)狀況。

3.NDVI值異常降低與升高的區(qū)域

除上述受災(zāi)年NDVI值隨洪災(zāi)降低的區(qū)域之外，也存在NDVI值異常降低或升高的情況。如圖(e)從年初就一直低于為受災(zāi)年或一直高于為受災(zāi)年的變化，其因素可能為農(nóng)田變?yōu)檎晷莞蛴糜诮ㄖ玫亍Ｈ鐖D(f)所示異常升高又突然降低的區(qū)域可能為整個(gè)時(shí)相周期內(nèi)均為多云天氣導(dǎo)致。

(二)災(zāi)害動(dòng)態(tài)信息提取

將上述耕地洪災(zāi)動(dòng)態(tài)信息提取方法應(yīng)用于斯里蘭卡馬塔勒地區(qū)受到洪災(zāi)2017年和未受災(zāi)的2016年MODIS多時(shí)相NDVI數(shù)據(jù)進(jìn)行了方法驗(yàn)證。首先為保證數(shù)據(jù)的準(zhǔn)確性對(duì)收集到的研究區(qū)域兩年23個(gè)時(shí)相的MODIS數(shù)據(jù)進(jìn)行異常點(diǎn)剔除以及線性插值等預(yù)處理；根據(jù)2017年與2016年NDVI的差值變化提取馬塔勒地區(qū)耕地洪災(zāi)動(dòng)態(tài)信息。

對(duì)比兩年NDVI災(zāi)后同時(shí)相的變化差值數(shù)據(jù)表明，2017年受災(zāi)后的NDVI值比2016年同時(shí)相總體相差0.18。以此0.18為閾值，計(jì)算出NDVI降低時(shí)間Dt以及連續(xù)低于閾值的時(shí)相數(shù)Dn，根據(jù)這些特征可以評(píng)估作物受暴雨降水災(zāi)害的影響程度以及受災(zāi)后作物恢復(fù)情況。MODIS-16天NDVI產(chǎn)品數(shù)據(jù)雖然由最佳像元合成方法處理得到，很大程度上減小了云的影響[9]，但由于斯里蘭卡的熱帶季風(fēng)氣候，雨季為每年5月至8月和11月至次年2月，持續(xù)時(shí)間很長(zhǎng)。因此會(huì)出現(xiàn)在合成周期內(nèi)均為多云天氣的狀況無(wú)法反應(yīng)樣點(diǎn)的真實(shí)數(shù)據(jù)，從而影響到NDVI樣點(diǎn)的正常變化規(guī)律。因此在提取這些特征值之前，首先對(duì)MODIS-NDVI數(shù)據(jù)存在的部分異常進(jìn)行剔除和插補(bǔ)。

在NDVI多時(shí)相變化中，按照農(nóng)作物的生長(zhǎng)到成熟收割，NDVI的變化呈現(xiàn)的是逐漸增大然后減小的變化規(guī)律[10]。NDVI的變化會(huì)隨著作物在收獲季或?yàn)?zāi)害影響而減小但不會(huì)在后一時(shí)相出現(xiàn)突然增大的現(xiàn)象。因此，若樣點(diǎn)中連續(xù)時(shí)相之間出現(xiàn)突然增大和減小且幅度超過(guò)0.18的情況，則將其判定為受云層影響而產(chǎn)生的異常值并進(jìn)行剔除。同時(shí)結(jié)合異常點(diǎn)前后時(shí)相NDVI值進(jìn)行線性插值，由此減小異常值對(duì)多時(shí)相變化特征分析的影響。

將處理后得到2016年和2017年分別23個(gè)時(shí)相的NDVI數(shù)據(jù)集。通過(guò)總時(shí)相為N的受災(zāi)年(NDVIs[i])與未受災(zāi)年(NDVIc[i])相同區(qū)域與時(shí)相(i)中連續(xù)兩個(gè)時(shí)相差值ΔNDVI[i](式(1)，i=1,2,…,N)大于閾值(T)作為受災(zāi)開始時(shí)間Dt。并將其受災(zāi)后持續(xù)時(shí)相數(shù)Dn(式(2)-式(4))作為受災(zāi)持續(xù)時(shí)長(zhǎng)。

(1)

TNDVI[i]=

(2)

Dt=i,TNDVI[i]=1 and TNDVI[i+1]=1 i=1,2,…,N-1

(3)

Dn=Num(TNDVI[i]=1 Until(TNDVI[i]=0))i=Dt,Dt+1,…,N

(4)

根據(jù)上述采集到的樣點(diǎn)區(qū)域NDVI隨時(shí)間變化的特征結(jié)合通過(guò)閾值得出的受災(zāi)開始時(shí)間Dt以及受災(zāi)持續(xù)時(shí)間Dn，可將整個(gè)區(qū)域受災(zāi)情況劃分為4種類型。

1.災(zāi)后恢復(fù)型：受災(zāi)開始時(shí)間Dt與洪災(zāi)發(fā)生時(shí)間基本一致。同時(shí)，受災(zāi)持續(xù)時(shí)間Dn小于60天的樣點(diǎn)。

2.災(zāi)后棄耕型：受災(zāi)開始時(shí)間Dt與洪災(zāi)發(fā)生時(shí)間基本一致。同時(shí)，受災(zāi)持續(xù)時(shí)間Dn大于60天的樣點(diǎn)。

3.非災(zāi)害型：研究區(qū)域中2017年NDVI值的減小除災(zāi)害原因外，還有其他變化的因素如耕地變?yōu)榻ㄖ玫亍⑿莞氐阮愋?。根?jù)斯里蘭卡的雨季變化規(guī)律，只有在5月(即i=9)才有可能發(fā)生持續(xù)強(qiáng)降水而引發(fā)洪災(zāi)的規(guī)律，以Dt必大于9或者Dn必小于(N-9)為條件限制，可以判定如圖所示的NDVI值變化是由非災(zāi)害所引起的。

(三)結(jié)果與分析

分別為按上章所述方法逐像元處理，并按照像元分辨率得到不同特征像元的面積總數(shù)統(tǒng)計(jì)得到的受災(zāi)開始時(shí)間和持續(xù)天數(shù)的結(jié)果。圖4的開始時(shí)間是根據(jù)NDVI數(shù)據(jù)的每個(gè)時(shí)相間隔16天，將開始時(shí)相Dt進(jìn)行日期換算后的結(jié)果。圖5的持續(xù)天數(shù)也是根據(jù)每個(gè)時(shí)相間隔16天由時(shí)相個(gè)數(shù)Dn換算的天數(shù)(圖4)。

圖4 研究區(qū)受災(zāi)信息直方圖：(a)開始時(shí)期、(b)持續(xù)天數(shù)

同時(shí)，根據(jù)NDVI的變化特征以及受災(zāi)開始時(shí)間Dt、受災(zāi)持續(xù)時(shí)間Dn，根據(jù)上述不同受災(zāi)類型的劃分標(biāo)準(zhǔn)，對(duì)整個(gè)受災(zāi)區(qū)域的進(jìn)行分類提取結(jié)果(圖5)。

圖5 研究區(qū)域受災(zāi)類型提取統(tǒng)計(jì)圖

1.從受災(zāi)開始時(shí)間提取結(jié)果可以看出，大部分受災(zāi)區(qū)域的開始時(shí)間在5月24日至6月9日之間，這也與災(zāi)害中心(DMC)報(bào)道的洪災(zāi)發(fā)生時(shí)間5月25日基本一致。部分區(qū)域洪災(zāi)發(fā)生前開始降低的現(xiàn)象可能是災(zāi)害來(lái)臨之前的持續(xù)降水已經(jīng)對(duì)部分區(qū)域的作物生長(zhǎng)產(chǎn)生了影像。

2.從受災(zāi)持續(xù)時(shí)間提取結(jié)果可以看出，大部分受災(zāi)區(qū)域影像持續(xù)時(shí)間在49至65天之間。由此可見，洪災(zāi)對(duì)大部分區(qū)域作物的影響持續(xù)了兩個(gè)月或更久，最久的區(qū)域持續(xù)了6個(gè)月。通過(guò)受災(zāi)持續(xù)時(shí)間的統(tǒng)計(jì)可以直觀的反應(yīng)不同區(qū)域受災(zāi)的嚴(yán)重程度，持續(xù)時(shí)間越長(zhǎng)則表明受災(zāi)程度越嚴(yán)重。該數(shù)據(jù)可以為救災(zāi)計(jì)劃實(shí)施提供有力依據(jù)。

3.從受災(zāi)類型的提取結(jié)果可以看出雖有48%的受災(zāi)區(qū)域在災(zāi)后恢復(fù)到了為受災(zāi)年的水平，但仍有38%的受災(zāi)區(qū)域由于影響較為嚴(yán)重在災(zāi)后很長(zhǎng)一段時(shí)間內(nèi)沒有恢復(fù)到年前的狀態(tài)，其中10%的非災(zāi)害類型根據(jù)聯(lián)合國(guó)糧食及農(nóng)業(yè)組織(Food and Agriculture Organization of the United Nations，F(xiàn)AO)出版的斯里蘭卡2017作物和糧食評(píng)估報(bào)告中提到由于多年的干旱導(dǎo)致斯里蘭卡糧食大幅減產(chǎn)使得部分農(nóng)田被開發(fā)為建筑用地，在高海拔地區(qū)則通過(guò)休耕改種茶樹等市場(chǎng)價(jià)值更高的作物。通過(guò)劃分不同的受災(zāi)類型可以直觀的反應(yīng)不同地區(qū)災(zāi)后恢復(fù)情況[10]。該數(shù)據(jù)可以為災(zāi)后損失評(píng)估提供幫助。

三、對(duì)比與驗(yàn)證

SAR由于具有全天候全天時(shí)的特點(diǎn)，在極端天氣條件下也能夠在第一時(shí)間獲取災(zāi)區(qū)的影像信息，為救災(zāi)工作以及災(zāi)情的預(yù)警評(píng)估提供重要的依據(jù)[11]。本研究利用災(zāi)中和災(zāi)后GF-3和Sentinel-1獲取的多期數(shù)據(jù)，以更高分辨率的GF-3影像為提取對(duì)象，以同期Sentinel-2影像作為輔助進(jìn)行校正，應(yīng)用成熟的閾值分割法，提取了多期洪水淹沒范圍(圖6)。

圖6 研究區(qū)域SAR衛(wèi)星多時(shí)相水體提取結(jié)果

同時(shí)，根據(jù)不同覆蓋類型對(duì)未受災(zāi)年多時(shí)相NDVI數(shù)據(jù)進(jìn)行非監(jiān)督分類。通過(guò)地面調(diào)查和獲取到的受災(zāi)年5月28日Sentinel2光學(xué)影像(10m分辨率)的目視解譯，結(jié)合土地覆蓋分類體系不同地類NDVI多時(shí)相變化的季節(jié)性、峰值特征，分為農(nóng)田、森林、草地、灌木叢、濕地、水體、建筑用地和荒地8個(gè)類型。將上述受災(zāi)年提取的水體信息與聚類結(jié)果疊加圖(圖7)同地類被淹沒的面積隨時(shí)相的變化，由于濕地和荒地所占比例過(guò)小忽略不計(jì)。

圖7 研究區(qū)域聚類結(jié)果與各地類動(dòng)態(tài)信息統(tǒng)計(jì)圖

(一)農(nóng)田淹沒面積對(duì)比驗(yàn)證

由GF-3和Sentinel1衛(wèi)星數(shù)據(jù)提取到的5月30日農(nóng)田被淹沒面積為22.05km2,MODIS則取對(duì)應(yīng)于5月30日GF-3和Sentinel1時(shí)相提取的2017年與2016年的NDVI差值從該時(shí)相開始連續(xù)3個(gè)時(shí)相小大于0.18時(shí)提取的像元數(shù)。計(jì)算得出淹沒面積為25.19km2略大于GF-3衛(wèi)星提取結(jié)果，其原因可能是NDVI時(shí)序數(shù)據(jù)提取的特征像元有來(lái)自已經(jīng)退水但NDVI值無(wú)法恢復(fù)到未受災(zāi)年的區(qū)域。同時(shí)由于MODIS影像分辨率較低，無(wú)法精確提取微小水面信息，從而平滑了那些小面積的水體變化信息。

(二)農(nóng)田淹沒范圍

由GF-3和Sentinel1災(zāi)中和災(zāi)后多時(shí)相數(shù)據(jù)計(jì)算出農(nóng)田被淹沒的面積隨時(shí)相的變化可知農(nóng)田部分至8月8日水淹面積為4.23km2，相較于災(zāi)中已經(jīng)褪去82.6%。在MODIS時(shí)序中統(tǒng)計(jì)2017受災(zāi)年持續(xù)時(shí)間Dn小于65天既持續(xù)影響時(shí)間在8月8日前后的面積為19.7km2，占整個(gè)持續(xù)天數(shù)比例的78.6%，兩組數(shù)據(jù)基本一致。MODIS占比相對(duì)較少的原因可能是在水退之后由于土壤過(guò)飽和會(huì)繼續(xù)影響作物生長(zhǎng)?？梢苑从吵龃蟛糠謪^(qū)域受災(zāi)害影響的持續(xù)時(shí)間在兩個(gè)月左右。

結(jié)束語(yǔ)

洪災(zāi)通過(guò)使農(nóng)田土壤水分過(guò)飽和從而影響農(nóng)作物的生長(zhǎng)是一個(gè)漸變的過(guò)程。通過(guò)多源遙感衛(wèi)星的多時(shí)相的數(shù)據(jù)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)才能準(zhǔn)確評(píng)估其受災(zāi)程度和災(zāi)后恢復(fù)情況。利用獲取到的Terra/MODIS受災(zāi)年和未受災(zāi)年觀測(cè)獲取的多時(shí)相NDVI數(shù)據(jù)的變化特征，提出了通過(guò)設(shè)定閾值來(lái)提取災(zāi)害的動(dòng)態(tài)信息的方法。并利用GF-3和Sentinel1衛(wèi)星對(duì)受災(zāi)區(qū)域進(jìn)行輔助，實(shí)現(xiàn)了對(duì)該區(qū)域更精確的動(dòng)態(tài)監(jiān)測(cè)。結(jié)果表明，基于MODIS多時(shí)相合成的NDVI時(shí)序數(shù)據(jù)可提取不同受災(zāi)區(qū)域的開始時(shí)間、持續(xù)時(shí)間以及災(zāi)后恢復(fù)狀況等諸多時(shí)間和空間的動(dòng)態(tài)信息。通過(guò)高分辨率微波遙感衛(wèi)星提取的水體信息進(jìn)行對(duì)比驗(yàn)證后發(fā)現(xiàn)該方法可以快速準(zhǔn)確的獲取大范圍災(zāi)情信息。為研究暴雨、洪災(zāi)以及其他覆蓋面積較大的突發(fā)性地質(zhì)災(zāi)害提供了一個(gè)方法應(yīng)用研究案例。

通訊作者：張文君