企业官网建设流程全解析

只有一景SAR，没有灾前参考影像，怎么识别植被下洪水？

一句话读懂：开阔水面在SAR里通常会变暗，但植被被淹以后未必如此。树干、枝条与水面可能形成“双程散射”，反而让后向散射变亮。问题是，如果只有一景灾时SAR，没有灾前参考影像，怎样区分“本来就亮的植被”和“因为洪水变亮的植被”？这篇论文提出了一套自动化方法：先用概率分箱（probability binning）比较潜在淹没区与非淹没区的后向散射分布，再用模糊逻辑把SAR强度、土地覆盖、HAND、河道距离、灌溉区和空间邻域关系组合起来，最终在三景高分辨率SAR影像上都获得了80%以上的总体精度。

SAR洪水提取最经典的逻辑是：

水面光滑 → 镜面反射增强 → 返回雷达的能量减少 → 水体在SAR中变暗。

这套逻辑在开阔水面上非常好用。

但洪水一旦进入森林、灌丛、农田或河岸植被区，事情就复杂了。

水面与树干、枝条、茎秆等垂直结构可能形成类似“墙角”的几何关系，雷达信号经过两次反射返回传感器，产生明显的double-bounce，双程散射。

于是就会出现一个看起来很反常的现象：

开阔洪水可能变暗，植被下洪水却可能变亮。

2020年，S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels和J.P. Walker在Remote Sensing of Environment发表：

Flood mapping under vegetation using single SAR acquisitions

这篇论文真正要解决的问题是：

没有灾前SAR、没有详细植被参数，只拿到一景灾时SAR和常见辅助数据，能不能自动识别植被下洪水？

一、为什么植被下洪水比开阔水体难得多？

开阔水面通常具有较低后向散射，因此一个低值阈值就可能提取出大量水体。

植被区却同时存在三类散射：

• 冠层体散射；
• 地表散射；
• 水面/地面与树干、茎秆之间的双程散射。

当洪水覆盖地表，而植被仍露出水面时，平滑水面与垂直植被结构可能增强双程散射，使被淹植被比未淹植被更亮。

但这种“变亮”并不稳定。

它受到很多因素控制：

• 植被密度；
• 树干和枝条结构；
• 叶片状态；
• 雷达波长；
• 入射角；
• 极化方式；
• 土壤湿度；
• 水深。

尤其是密集冠层可能直接把雷达信号挡住，使水面信息根本无法有效返回传感器。

所以真正困难的不是：

“被淹植被一定亮不亮？”

而是：

“当前这片植被的高后向散射，到底来自正常植被结构，还是洪水诱发的双程散射？”

二、为什么作者坚持只用“一景灾时SAR”？

很多植被洪水算法依赖变化检测。

最常见的做法是：

灾时SAR - 灾前SAR。

如果同一片植被平时后向散射较低，洪水期间明显升高，就更容易判断发生了植被下淹水。

问题是，实际业务中不一定总能找到合适的参考影像。

特别是高分辨率SAR：

• 历史上并不总是规律获取；
• 灾前影像可能不是同一季节；
• 作物和自然植被本身随季节变化；
• 历史洪水回溯研究更可能找不到匹配参考影像。

另一类方法是电磁散射模型，但又需要大量现场参数，例如植被高度、树干尺寸、介电常数、枝叶结构、土壤粗糙度和土壤湿度。

这些数据在突发洪灾中通常很难获得。

因此作者把目标设得很明确：

只使用单景SAR，再配合常见的土地覆盖、土地利用、历史水体和地形数据。

这是一种典型的“数据节约型”思路。

三、研究区和数据：三景SAR，但每一景都是独立处理

研究区位于澳大利亚昆士兰南部的Condamine-Balonne流域，面积约136,014 km²。

这里整体较平坦，河网复杂，而且经历明显的干湿变化。长期“千年干旱”结束后，2010—2012年连续出现严重La Niña洪水。

作者选取2011年1月洪水期间的三景高分辨率SAR：

这里有一个容易误解的地方。

论文虽然使用了三景SAR，但不是用三景做时间变化检测。

每一景都单独作为“唯一灾时SAR输入”运行算法，因此研究的是：

single acquisition，而不是multi-temporal change detection。

验证则使用航空光学影像和SPOT-5洪水范围。

四、整个算法其实可以概括成三步：先看SAR，再看地形，最后看邻居

论文第6页Fig.3给出了完整流程。

虽然原文公式很多，但核心逻辑并不复杂。

第一步：FM1——从SAR强度中找洪水候选区

FM1同时寻找：

• 低后向散射的开阔水体；
• 高后向散射的被淹植被。

这一步主要回答：

“从雷达信号本身看，这个像元像不像水或被淹植被？”

第二步：FM2——用地形和土地利用检查“水合理不合理”

加入：

• HAND；
• 沿排水路径到河网的距离DIST；
• 灌溉区信息。

它主要回答：

“这个亮像元虽然像被淹植被，但从地形和水文位置看，它真的可能和洪水连在一起吗？”

第三步：FM3——用空间上下文清理孤立噪声

最后再看邻域像元和极端洪水边界EFB。

它主要回答：

“周围都没有洪水，为什么偏偏只有这一个像元是洪水？”

因此整套算法可以理解成：

SAR给候选 → 地形做约束 → 邻域做质检。

五、开阔水体怎么找？这一部分反而不是论文真正的重点

对于开阔水体，作者使用常见的Z型模糊函数。

后向散射越低，属于水体的隶属度越高。

如果研究区内能够找到永久水体，就统计这些永久水体的后向散射分布，用Gaussian分布估计开阔水体阈值。

如果像CSM1那样没有足够永久水体，则使用澳大利亚WOfS历史水体产品。

作者选取：

WOfSFCL > 0.3

的区域作为历史上曾经出现水体的候选区，再利用Gamma分布寻找低后向散射端。

这一步的目的主要是：

先把“明显的暗水体”识别出来，后面才能集中处理真正困难的“亮的被淹植被”。

作者自己也承认，这部分方法相对简单，并不是全文主要创新。

六、最核心的方法：概率分箱怎样从一景SAR中找到“被淹植被”？

这是全文真正有特色的地方。

假设我们有某一种植被，比如“稀疏乔木”。

作者为这种地类建立两组样本。

Control sample：大概率没有洪水的植被

位于极端洪水边界EFB之外。

作者假设这些区域可以代表：

正常干燥条件下，这种植被的SAR后向散射分布。

Test sample：可能同时包含干植被和被淹植被

位于EFB之内。

这里的散射分布可能是：

正常植被 + 被淹植被

共同叠加的结果。

接下来使用Probability Binning，概率分箱。

它不是要求数据一定出现两个清晰峰值，而是把control样本的分布切成很多概率相近的bin，再检查test样本在哪些bin中出现了异常多的像元。

如果test样本在高后向散射区域明显“多出来一群像元”，就可能对应洪水产生的双程散射。

这比简单问：

“直方图有没有第二个峰？”

更加灵活。

因为现实中的干植被和被淹植被分布往往严重重叠，第二个峰可能根本不明显。

七、为什么必须按土地覆盖类型分别统计？

不同植被本来的SAR散射完全不同。

高大乔木、稀疏树木、灌丛、草地和农田，如果全部混在一个直方图里，所谓“高后向散射异常”就很难解释。

因此作者按land cover类别分别建立control和test样本。

灌溉农业区还会被单独处理。

原因是：

农田里出现高水分、高散射，不一定来自自然洪水，也可能来自灌溉。

所以论文的做法本质上是在问：

“与同一种植被自己的正常状态相比，这一部分像元是不是异常偏亮？”

而不是拿一套全球统一阈值判断所有植被。

这也是这套方法具有一定可解释性的地方。

八、为什么不用一个硬阈值，而要用“模糊隶属度”？

概率分箱最后会给出被淹植被的上下阈值，但真实世界很难存在一条绝对分界线：

−12.0 dB不是洪水，−11.9 dB突然就是洪水。

因此作者使用S型模糊函数。

后向散射从较低值逐渐升高时，属于“被淹植被”的隶属度也逐渐从0过渡到1。

开阔水体则相反，用Z型函数：

越暗越像水。

最后FM1取两者最大值：

FM1 = max（开阔水体隶属度，被淹植被隶属度）

于是：

• 很暗的像元可能被识别为开阔水；
• 很亮且满足统计异常的植被像元可能被识别为被淹植被。

这比“一个低值阈值提水”多走了一步。

九、HAND和DIST不是固定阈值，而是让洪水候选像元自己决定范围

只靠SAR强度增加被淹植被以后，召回率会上升，但误报也随之增加。

作者发现，一些远离河网、位置偏高的亮像元也会被误判成洪水。

因此FM2加入两个地形指标：

HAND：像元相对于最近排水通道的高差。

DIST：沿排水方向到最近河网的平面距离。

比较有意思的是，作者没有简单规定：

HAND < 15 m才可能洪水。

而是先从FM1 > 0.8的高可信洪水候选像元中，统计每个流域自己的HAND和DIST累计分布，再自动寻找曲线中的“膝点”。

如果一个候选像元：

• 高程突然明显偏高；
• 或距离河道明显偏远；

就会被降低洪水隶属度。

因此这一步更加接近：

让当前洪水候选区自己定义一个水文合理范围。

十、为什么灌溉区要让地形约束拥有更大权重？

FM2把FM1和HAND/DIST地形约束做加权融合。

普通区域中：

SAR强度权重更高。

灌溉区中：

HAND/DIST水文约束权重更高。

原因很直接。

灌溉农田本身可能存在高含水量、积水或特殊作物结构，仅靠高后向散射很容易误判。

所以作者没有简单把灌溉区全部删掉，而是说：

“这里SAR证据需要更谨慎，必须有更合理的水文位置才能相信。”

这比简单掩膜更加柔性。

十一、最后一步FM3：为什么“邻居怎么看”也很重要？

经过FM1和FM2之后，地图中仍会出现零散的高隶属度斑块。

作者进一步使用11×11移动窗口统计邻域平均值。

基本逻辑是：

真正洪水通常具有空间连续性，一个孤零零的‘洪水像元’值得怀疑。

同时还引入Extreme Flood Boundary。

在历史上可能发生大洪水的区域内部，对洪水候选像元更宽容；距离EFB越远，对孤立异常像元越严格。

最终FM3经过0.5阈值去模糊化：

• FM3 > 0.5：水/洪水；
• 其余：干燥。

所以这套方法并不是一开始就强行二分类，而是先不断累计和修正“像洪水的程度”，最后才输出二值结果。

十二、结果到底怎样？最重要的不是OA，而是被漏掉的植被洪水补回了多少

如果只识别开阔水体FM-OW，水类Producer’s Accuracy非常低：

• CSM1：33.3%
• AP：10.1%
• CSM2：16.5%

也就是说，只靠“暗水体”逻辑，会漏掉大量洪水。

加入概率分箱识别被淹植被以后，FM1阶段的水类PA相对于FM-OW分别提高：

• CSM1：62.2%
• AP：75.2%
• CSM2：115.1%

论文结论进一步概括：

相比只检测开阔水体，加入被淹植被识别后，水类Producer’s Accuracy平均提高约84%。

但代价也很明显。

加入“亮的被淹植被”以后，会产生更多零散误报，因此必须继续依靠FM2和FM3清理。

最终FM3的总体精度为：

CSM1和CSM2的Kappa都高于0.60，而AP只有约0.34。

所以不能只写：

“L波段穿透能力更强，因此ALOS PALSAR结果最好。”

这篇论文的实际实验并不支持这么简单的结论。

AP虽然是L-band，但水类召回反而最低。作者也明确认为，不同影像表现差异仍需要更多案例才能解释。

十三、哪类植被最好识别？答案是“有规则垂直结构的树”

论文按土地覆盖进一步分析后发现：

加入被淹植被识别以后，提升最大的主要是：

• Trees-Open：30%—70%冠层覆盖；
• Trees-Sparse：10%—30%冠层覆盖。

而提升较弱的包括：

• tussock grasses；
• hummock grasses；
• chenopod shrubs等草地和灌丛。

原因与双程散射的几何结构有关。

树干和较稳定的枝干可以形成较规则的垂直散射体，更容易和水平水面组成“角反射器”。

而草和灌丛：

• 结构更杂乱；
• 空间方向变化更大；
• 不同植株高度差异明显；

被淹与未淹散射分布也更容易重叠。

因此这篇论文真正适合描述的是：

对稀疏—开放乔木等出露植被下洪水具有明显潜力。

而不是：

“SAR单景可以识别所有森林下面的洪水。”

研究区甚至没有足够的Trees-Closed（冠层覆盖>70%）样本，因此对密集森林不能下结论。

十四、这篇论文真正的创新在哪里？

这篇论文真正的创新并不是提出了新的SAR传感器或新的散射机理，而是把一个很难业务化的问题改写成了“有限数据条件下的自动判断”。

第一，从“双时相变化检测”推进到“单景SAR判断”。

不再要求一定存在匹配的灾前SAR，这对于历史洪水回溯和突发事件具有实际价值。

第二，用概率分箱处理严重重叠的植被散射分布。

它不依赖明显第二峰，更适合处理“干植被和被淹植被混在一起”的情况。

第三，把SAR物理信号和水文知识分开处理再融合。

SAR负责找候选，HAND/DIST负责判断水文合理性，空间邻域负责清理孤立噪声。

第四，阈值尽量按土地覆盖和当前影像自适应。

不是用一套固定dB阈值覆盖所有植被。

第五，输出过程具有较强可解释性。

FM1、FM2、FM3分别代表：

雷达证据 → 水文地形约束 → 空间上下文约束。

所以一处像元为什么最终被保留或删除，相比黑箱分类器更容易追溯。

总结：只有一景SAR时，不要硬猜“亮就是洪水”，而要让SAR、地形和上下文互相验证

这篇论文最值得借鉴的是它处理“信息不足”的方式。

只有一景灾时SAR，没有灾前参考影像时，直接判断被淹植被非常困难。

作者没有试图寻找一个神奇的全球阈值，而是把问题拆成三层。

第一层：

同一种植被中，潜在洪泛区是不是出现了一批统计上异常偏亮的像元？

这由概率分箱解决。

第二层：

这些像元从HAND、河网距离和土地利用看，是否真的具有发生洪水的水文合理性？

这由FM2解决。

第三层：

这些洪水候选区与周围像元是否具有合理的空间连续性？

这由FM3解决。

最终三景高分辨率SAR的OA都超过80%，而相比只识别开阔水体，加入被淹植被后水类PA平均提高约84%。

但论文同样告诉我们：

单景SAR无法彻底解决干植被与被淹植被散射混叠。

它真正提供的是一条非常实用的路线：

用统计方法从SAR里找证据，再用土地覆盖、水文地形和空间知识约束这些证据。

这比把所有希望都压在一个后向散射阈值上，更适合复杂植被洪水环境。

论文信息

论文题目：Flood mapping under vegetation using single SAR acquisitions

作者：S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels、J.P. Walker

期刊：Remote Sensing of Environment

卷与文章号：237（2020）111582

在线发表时间：2019年12月11日

DOI：10.1016/j.rse.2019.111582

研究区：Condamine-Balonne catchment，Queensland，Australia

SAR数据：COSMO-SkyMed X-band HH、ALOS PALSAR-1 L-band HH