孫書騰，梁乃安，劉 培,3，吳振豪，張 霖

(1.河南理工大學 測繪與國土信息工程學院，河南 焦作 454000；2.海南省海洋與漁業(yè)科學院，海南 ?？?570000；3.海南熱帶海洋學院崖州灣創(chuàng)新研究院，海南 三亞 572000；4.?？谌f水測繪科技有限公司，海南 ?？?570000)

0 引 言

全球變暖、海平面上升、城市化等都導致未來洪澇災害發(fā)生概率增加[1]。中國是世界上自然災害最為嚴重的國家之一，根據(jù)應急管理部統(tǒng)計的“全國十大自然災害”，近三年來洪澇的發(fā)生頻次逐年遞增，對社會經濟系統(tǒng)和人類生命安全造成嚴重威脅。在這種背景下，可靠、準確、近實時的洪水淹沒區(qū)制圖對應急響應和災害監(jiān)測評估變得至關重要。

遙感觀測具有覆蓋范圍廣、時效性強等技術優(yōu)勢，已被用于獲取各種空間和時間尺度的洪水信息。光學傳感器易受到云雨等天氣影響，在惡劣條件下難以獲取高質量影像。SAR(Synthetic Aperture Radar)具有全天時、全天候的觀測能力，有效彌補了光學影像的不足，更適用于惡劣天氣下的洪水監(jiān)測[2]。常用閾值分割法檢測SAR影像中的水體，然而最佳閾值通常需要人工干預調整，限制了其通用性與自動化。近年來，深度學習方法，特別是卷積神經網絡在洪水災害中的研究快速增長[3]。

Zhang考慮到多源衛(wèi)星數(shù)據(jù)集的不同特點和洪泛區(qū)土地覆蓋類型的復雜性，提出了帶噪聲標簽學習的神經網絡洪水檢測框架，在受災區(qū)顯示出良好的性能，但多源數(shù)據(jù)的預處理比較耗時[4]。Dong利用多種網絡模型對鄱陽湖進行洪水監(jiān)測，結果表明深度學習模型的性能優(yōu)于傳統(tǒng)方法，但實驗中數(shù)據(jù)集由目視解譯標注，數(shù)據(jù)質量難以保證[5]。Drakonakis使用一個雙時態(tài)和多模態(tài)的衛(wèi)星圖像數(shù)據(jù)集，并針對該數(shù)據(jù)集設計了一種深度學習模型，能夠利用不同傳感器獲取的不同時相的影像檢測洪水，然而該數(shù)據(jù)集是未公開的[6]。以上研究表明，深度學習在洪水監(jiān)測方面發(fā)揮著巨大作用，但由于缺乏公開可用的、精確注釋的數(shù)據(jù)集，近實時洪水提取的研究仍處于起步階段。

本文以Sentinel-1影像為數(shù)據(jù)源，將HRNet模型應用于鄱陽湖的洪水檢測。首先介紹了研究區(qū)概況與數(shù)據(jù)集，其次闡述了U-Net和HRNet的網絡結構及訓練策略，然后分別將模型在測試集中進行評估，最后將最優(yōu)模型應用到洪水事件中。結果表明本文的方法具有較高的精度和較強的泛化能力，能夠快速提取洪水范圍并應用到應急響應工作中。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

鄱陽湖是中國最大的淡水湖，位于江西省北部，長江中下游以南，地理范圍橫跨東經115°49′～116°46′，縱跨北緯28°24′～29°46′(圖1)。2020年7月，鄱陽湖流域遭遇極端強降雨，大量農田、房屋被淹，造成大范圍的洪澇災害。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)

1.2.1 哨兵數(shù)據(jù)

Sentinel-1衛(wèi)星星座由Sentinel-1A和Sentinel-1B兩顆衛(wèi)星組成，分別由歐空局于2014年4月和2016年4月發(fā)射升空，搭載C波段合成孔徑雷達，兩星協(xié)同觀測，重訪周期為6 d。本研究使用的Sentinel-1影像從GEE(Google Earth Engine)上下載，具體為IW模式下的GRD產品，包括VV、VH兩種極化模式，分辨率為10 m。

Sen1Floods11地表水數(shù)據(jù)集于2020年發(fā)布，目的用于深度學習算法在全球尺度范圍內繪制洪水圖[7]。該數(shù)據(jù)集包括兩個子數(shù)據(jù)集：永久水和洪水。手工標記的洪水數(shù)據(jù)集包括446幅512 × 512大小的Sentinel-1影像及對應的標簽，分析人員通過參考Sentinel-1 VH波段、Sentinel-2的假彩色影像及分類結果，去除不確定的區(qū)域，分類結果更加準確。

1.2.3 輔助數(shù)據(jù)

除上述數(shù)據(jù)外，本研究還使用了鄱陽湖矢量邊界、Sentinel-1影像相關指數(shù)產品、DEM及地形因子、JRC永久水等輔助數(shù)據(jù)。Sentinel-1相關指數(shù)如表1所示，其中VH、VV分別表示VH偏振和VV偏振的后向散射系數(shù)。

表1 基于Sentinel-1后向散射系數(shù)的SAR指數(shù)

1.2.4 訓練、測試與驗證樣本集

本研究以Sentinel-1影像VV、VH波段為主要輸入層，添加SAR指數(shù)、DEM及地形因子、永久水等額外輸入層，提高檢測洪水的性能。

為驗證模型的泛化能力，將數(shù)據(jù)集中所有與玻利維亞(Bolivia)洪水事件相關的影像用于獨立的數(shù)據(jù)集，其余的數(shù)據(jù)按照6∶2∶2的比例隨機劃分，各個部分的樣本大小如表2所示。

表2 手工標記數(shù)據(jù)集劃分

2 研究方法

2.1 網絡模型

U-Net模型是一個端到端的U形網絡結構，由編碼器和解碼器兩部分組成，通過跳躍連接將同層編碼器下采樣產生的特征圖與解碼器上采樣的輸出結果相連接[8]。該網絡結構相比于其他分割網絡相對簡單，并且在小樣本數(shù)據(jù)集的情況下也可獲得較好的分類效果。

高分辨率網絡模型HRNet建立在并行架構的基礎上，能夠在保留高分辨率特征的同時提取低分辨率特征[9]。HRNet模型的主體分為4個階段，第1階段為高分辨率卷積，第2、3、4階段由多分辨率塊組成，每擴展一個階段，增加一個高分辨率到低分辨率的卷積分支(圖2)。

另有統(tǒng)計數(shù)據(jù)顯示，我國需要蜜蜂授粉的作物面積約2億畝以上，而實際應用面積不到10%，蜜蜂授粉市場前景廣闊，發(fā)展空間巨大。因此，有專家呼吁，蜜蜂授粉推廣必須與科學用藥、綠色防控技術相配套，要集成隱蔽用藥和提前用藥等技術，確保花期不用藥或使用對蜜蜂安全的低毒農藥，多種植蜜源植物，創(chuàng)造有利于蜜蜂生存和授粉的環(huán)境。

圖2 HRNet網絡結構

使用Pytorch框架來訓練和驗證模型，為提高模型的泛化能力，對訓練集進行數(shù)據(jù)增強。對于整個訓練過程，批處理大小設置為16，在整個數(shù)據(jù)集上迭代200次，使用Adam優(yōu)化器進行模型優(yōu)化，初始學習率為0.000 5，其他參數(shù)為默認。以往二元分割大多使用交叉熵作為損失函數(shù)，但洪水數(shù)據(jù)集中水體與非水體像元占比相差較大，訓練過程需要考慮穩(wěn)定性和類不平衡問題，因此將損失函數(shù)定義為Dice損失函數(shù)和交叉熵損失函數(shù)的加權，權重各為0.5。

2.2 評價指標

選取交并比(IOU)、平均交并比(MIOU)、總體精度(OA)、漏分誤差(Omission Error)、錯分誤差 (Commission Error)等5個指標評估模型性能。各指標的公式定義如下：

(1)

(2)

(3)

(4)

(5)

式中，TP表示正確分類的水體像元，TN表示正確分類的非水體像元，F(xiàn)P表示非水體像元錯誤的分類為水體像元，F(xiàn)N表示水體像元錯誤的分類為非水體像元。

3 試驗與分析

3.1 測試集上提取結果與精度分析

在相同的實驗環(huán)境下，分別對U-Net和HRNet模型進行訓練。為對比兩種模型的性能，在測試集中對訓練好的模型進行評價，表3顯示了各種指標的結果，最優(yōu)值以粗體表示。

表3 不同模型在測試集中的性能表現(xiàn)

從評價結果來看，U-Net和HRNet的總體精度都在0.96以上，表明對水體與非水體像元的分割效果非常好。除錯分誤差外，HRNet模型各項指標略優(yōu)于U-Net模型，但兩種模型訓練時間差異較大，實際應用過程中可根據(jù)實際需求選擇合適的模型。

為確保訓練好的模型能夠應用在研究區(qū)，使用玻利維亞數(shù)據(jù)集評估兩種模型的性能，評價結果如表4所示，最優(yōu)結果用粗體表示。

表4 不同模型在玻利維亞數(shù)據(jù)集的性能表現(xiàn)

從表4的各項評價指標來看，兩種模型在玻利維亞數(shù)據(jù)集上的洪水識別精度整體上略低，但總體精度仍然在90%以上，具體原因為單次洪水事件中的影像被隨機分到訓練集、驗證集、測試集中，導致不同集合的影像之間不可避免的具有空間自相關性。玻利維亞洪水事件的影像為獨立的測試集，能真正反映出模型的泛化能力。結果也表明，利用Sen1Flood11數(shù)據(jù)集訓練好的模型能夠檢測不同地域的水體，泛化能力是有效和穩(wěn)健的。

3.2 受災區(qū)水體識別結果

以2020年鄱陽湖洪水事件為例，對災前6月20日和洪峰期7月14日的Sentinel-1影像進行洪水提取。研究區(qū)影像從GEE下載后，首先增加原始影像的輸入通道并裁剪為256 × 256大小，然后將多幅影像切片輸入到模型中進行推理，最后將模型推理結果進行鑲嵌得到完整的研究區(qū)。

從研究區(qū)的提取結果來看(圖3)，無論是災前還是洪峰期，HRNet都能提取到鄱陽湖的水體輪廓。在細小河流方面，能夠克服水體的不規(guī)則性，提取到清晰且完整的邊界。盡管模型訓練耗時，但將研究區(qū)影像輸入到訓練好的模型中，輸出預測結果只需幾分鐘，在近實時檢測水體方面顯示出巨大的潛力。

圖3 原始影像及分類結果

4 結 語

本文提出了一種基于深度學習的Sentinel-1影像洪水分割方法，使用Sen1Floods11數(shù)據(jù)集對比了HRNet和U-Net網絡的分割性能，并將最優(yōu)模型HRNet應用于鄱陽湖的洪水檢測中。實驗結果表明，HRNet在獨立測試集上的精度為91%，能夠完整的提取水域輪廓，具有較強的泛化能力。

在后續(xù)研究中可以進行以下方面的工作：① 對添加的多個額外輸入通道進行消融實驗，研究多個輸入通道是否都能提高模型檢測洪水的性能；② 本文只對兩幅影像的洪水范圍進行提取，后續(xù)可應用多幅影像，對洪水的時空演變情況進行分析；③ 將洪水淹沒范圍與土地覆蓋圖進行疊加分析，對不同地物的受災情況進行統(tǒng)計。