孫書騰，梁乃安，劉 培,3，吳振豪，張 霖

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

0 引 言

全球變暖、海平面上升、城市化等都導(dǎo)致未來洪澇災(zāi)害發(fā)生概率增加[1]。中國(guó)是世界上自然災(zāi)害最為嚴(yán)重的國(guó)家之一，根據(jù)應(yīng)急管理部統(tǒng)計(jì)的“全國(guó)十大自然災(zāi)害”，近三年來洪澇的發(fā)生頻次逐年遞增，對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)和人類生命安全造成嚴(yán)重威脅。在這種背景下，可靠、準(zhǔn)確、近實(shí)時(shí)的洪水淹沒區(qū)制圖對(duì)應(yīng)急響應(yīng)和災(zāi)害監(jiān)測(cè)評(píng)估變得至關(guān)重要。

遙感觀測(cè)具有覆蓋范圍廣、時(shí)效性強(qiáng)等技術(shù)優(yōu)勢(shì)，已被用于獲取各種空間和時(shí)間尺度的洪水信息。光學(xué)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(zhì)量影像。SAR(Synthetic Aperture Radar)具有全天時(shí)、全天候的觀測(cè)能力，有效彌補(bǔ)了光學(xué)影像的不足，更適用于惡劣天氣下的洪水監(jiān)測(cè)[2]。常用閾值分割法檢測(cè)SAR影像中的水體，然而最佳閾值通常需要人工干預(yù)調(diào)整，限制了其通用性與自動(dòng)化。近年來，深度學(xué)習(xí)方法，特別是卷積神經(jīng)網(wǎng)絡(luò)在洪水災(zāi)害中的研究快速增長(zhǎng)[3]。

Zhang考慮到多源衛(wèi)星數(shù)據(jù)集的不同特點(diǎn)和洪泛區(qū)土地覆蓋類型的復(fù)雜性，提出了帶噪聲標(biāo)簽學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)洪水檢測(cè)框架，在受災(zāi)區(qū)顯示出良好的性能，但多源數(shù)據(jù)的預(yù)處理比較耗時(shí)[4]。Dong利用多種網(wǎng)絡(luò)模型對(duì)鄱陽湖進(jìn)行洪水監(jiān)測(cè)，結(jié)果表明深度學(xué)習(xí)模型的性能優(yōu)于傳統(tǒng)方法，但實(shí)驗(yàn)中數(shù)據(jù)集由目視解譯標(biāo)注，數(shù)據(jù)質(zhì)量難以保證[5]。Drakonakis使用一個(gè)雙時(shí)態(tài)和多模態(tài)的衛(wèi)星圖像數(shù)據(jù)集，并針對(duì)該數(shù)據(jù)集設(shè)計(jì)了一種深度學(xué)習(xí)模型，能夠利用不同傳感器獲取的不同時(shí)相的影像檢測(cè)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(xué)習(xí)在洪水監(jiān)測(cè)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(shí)時(shí)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(yīng)用于鄱陽湖的洪水檢測(cè)。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(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練策略，然后分別將模型在測(cè)試集中進(jìn)行評(píng)估，最后將最優(yōu)模型應(yīng)用到洪水事件中。結(jié)果表明本文的方法具有較高的精度和較強(qiáng)的泛化能力，能夠快速提取洪水范圍并應(yīng)用到應(yīng)急響應(yīng)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(guó)最大的淡水湖，位于江西省北部，長(zhǎng)江中下游以南，地理范圍橫跨東經(jīng)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(qiáng)降雨，大量農(nóng)田、房屋被淹，造成大范圍的洪澇災(zāi)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(dá)，兩星協(xié)同觀測(cè)，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(chǎn)品，包括VV、VH兩種極化模式，分辨率為10 m。

Sen1Floods11地表水?dāng)?shù)據(jù)集于2020年發(fā)布，目的用于深度學(xué)習(xí)算法在全球尺度范圍內(nèi)繪制洪水圖[7]。該數(shù)據(jù)集包括兩個(gè)子數(shù)據(jù)集：永久水和洪水。手工標(biāo)記的洪水?dāng)?shù)據(jù)集包括446幅512 × 512大小的Sentinel-1影像及對(duì)應(yīng)的標(biāo)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(jié)果，去除不確定的區(qū)域，分類結(jié)果更加準(zhǔn)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(guān)指數(shù)產(chǎn)品、DEM及地形因子、JRC永久水等輔助數(shù)據(jù)。Sentinel-1相關(guān)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(xùn)練、測(cè)試與驗(yàn)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(cè)洪水的性能。

為驗(yàn)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(guān)的影像用于獨(dú)立的數(shù)據(jù)集，其余的數(shù)據(jù)按照6∶2∶2的比例隨機(jī)劃分，各個(gè)部分的樣本大小如表2所示。

表2 手工標(biāo)記數(shù)據(jù)集劃分

2 研究方法

2.1 網(wǎng)絡(luò)模型

U-Net模型是一個(gè)端到端的U形網(wǎng)絡(luò)結(jié)構(gòu)，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(chǎn)生的特征圖與解碼器上采樣的輸出結(jié)果相連接[8]。該網(wǎng)絡(luò)結(jié)構(gòu)相比于其他分割網(wǎng)絡(luò)相對(duì)簡(jiǎn)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(wǎng)絡(luò)模型HRNet建立在并行架構(gòu)的基礎(chǔ)上，能夠在保留高分辨率特征的同時(shí)提取低分辨率特征[9]。HRNet模型的主體分為4個(gè)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(kuò)展一個(gè)階段，增加一個(gè)高分辨率到低分辨率的卷積分支(圖2)。

另有統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)需要蜜蜂授粉的作物面積約2億畝以上，而實(shí)際應(yīng)用面積不到10%，蜜蜂授粉市場(chǎng)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(xué)用藥、綠色防控技術(shù)相配套，要集成隱蔽用藥和提前用藥等技術(shù)，確?；ㄆ诓挥盟幓蚴褂脤?duì)蜜蜂安全的低毒農(nóng)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(wǎng)絡(luò)結(jié)構(gòu)

使用Pytorch框架來訓(xùn)練和驗(yàn)證模型，為提高模型的泛化能力，對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)。對(duì)于整個(gè)訓(xùn)練過程，批處理大小設(shè)置為16，在整個(gè)數(shù)據(jù)集上迭代200次，使用Adam優(yōu)化器進(jìn)行模型優(yōu)化，初始學(xué)習(xí)率為0.000 5，其他參數(shù)為默認(rèn)。以往二元分割大多使用交叉熵作為損失函數(shù)，但洪水?dāng)?shù)據(jù)集中水體與非水體像元占比相差較大，訓(xùn)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?fù)p失函數(shù)的加權(quán)，權(quán)重各為0.5。

2.2 評(píng)價(jià)指標(biāo)

選取交并比(IOU)、平均交并比(MIOU)、總體精度(OA)、漏分誤差(Omission Error)、錯(cuò)分誤差 (Commission Error)等5個(gè)指標(biāo)評(píng)估模型性能。各指標(biāo)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(cuò)誤的分類為水體像元，F(xiàn)N表示水體像元錯(cuò)誤的分類為非水體像元。

3 試驗(yàn)與分析

3.1 測(cè)試集上提取結(jié)果與精度分析

在相同的實(shí)驗(yàn)環(huán)境下，分別對(duì)U-Net和HRNet模型進(jìn)行訓(xùn)練。為對(duì)比兩種模型的性能，在測(cè)試集中對(duì)訓(xùn)練好的模型進(jìn)行評(píng)價(jià)，表3顯示了各種指標(biāo)的結(jié)果，最優(yōu)值以粗體表示。

表3 不同模型在測(cè)試集中的性能表現(xiàn)

從評(píng)價(jià)結(jié)果來看，U-Net和HRNet的總體精度都在0.96以上，表明對(duì)水體與非水體像元的分割效果非常好。除錯(cuò)分誤差外，HRNet模型各項(xiàng)指標(biāo)略優(yōu)于U-Net模型，但兩種模型訓(xùn)練時(shí)間差異較大，實(shí)際應(yīng)用過程中可根據(jù)實(shí)際需求選擇合適的模型。

為確保訓(xùn)練好的模型能夠應(yīng)用在研究區(qū)，使用玻利維亞數(shù)據(jù)集評(píng)估兩種模型的性能，評(píng)價(jià)結(jié)果如表4所示，最優(yōu)結(jié)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(xiàng)評(píng)價(jià)指標(biāo)來看，兩種模型在玻利維亞數(shù)據(jù)集上的洪水識(shí)別精度整體上略低，但總體精度仍然在90%以上，具體原因?yàn)閱未魏樗录械挠跋癖浑S機(jī)分到訓(xùn)練集、驗(yàn)證集、測(cè)試集中，導(dǎo)致不同集合的影像之間不可避免的具有空間自相關(guān)性。玻利維亞洪水事件的影像為獨(dú)立的測(cè)試集，能真正反映出模型的泛化能力。結(jié)果也表明，利用Sen1Flood11數(shù)據(jù)集訓(xùn)練好的模型能夠檢測(cè)不同地域的水體，泛化能力是有效和穩(wěn)健的。

3.2 受災(zāi)區(qū)水體識(shí)別結(jié)果

以2020年鄱陽湖洪水事件為例，對(duì)災(zāi)前6月20日和洪峰期7月14日的Sentinel-1影像進(jìn)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(jìn)行推理，最后將模型推理結(jié)果進(jìn)行鑲嵌得到完整的研究區(qū)。

從研究區(qū)的提取結(jié)果來看(圖3)，無論是災(zāi)前還是洪峰期，HRNet都能提取到鄱陽湖的水體輪廓。在細(xì)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(xùn)練耗時(shí)，但將研究區(qū)影像輸入到訓(xùn)練好的模型中，輸出預(yù)測(cè)結(jié)果只需幾分鐘，在近實(shí)時(shí)檢測(cè)水體方面顯示出巨大的潛力。

圖3 原始影像及分類結(jié)果

4 結(jié) 語

本文提出了一種基于深度學(xué)習(xí)的Sentinel-1影像洪水分割方法，使用Sen1Floods11數(shù)據(jù)集對(duì)比了HRNet和U-Net網(wǎng)絡(luò)的分割性能，并將最優(yōu)模型HRNet應(yīng)用于鄱陽湖的洪水檢測(cè)中。實(shí)驗(yàn)結(jié)果表明，HRNet在獨(dú)立測(cè)試集上的精度為91%，能夠完整的提取水域輪廓，具有較強(qiáng)的泛化能力。

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