利用单张SAR图像对郊区进行精确的洪水范围测绘：基于FFT的伪影去除方法

《International Journal of Applied Earth Observation and Geoinformation》：Accurate flood extent mapping in suburban areas using a single SAR image: FFT-based artifact removal approach

快速可靠的洪水淹没映射对灾害响应至关重要，但传统方法依赖双时相SAR数据，而实际灾害中往往无法获取。本研究提出通过FFT分解SLC数据，结合汉宁窗和形态学滤波抑制强散射（如电线、道路），并利用DEM校正地形一致性，实现单时相SAR数据的高精度农田淹没检测。实验表明，最优参数下农田Recall和F1分数提升约2.5%，SSIM和Cohen’s Kappa系数验证了方法有效性。

　　在面对自然灾害时，尤其是洪水灾害，快速而准确地绘制洪水淹没区域对于灾害响应和评估至关重要。尽管多时相合成孔径雷达（SAR）分析已被广泛应用于洪水监测，但在实际灾害发生时，获取合适的灾前影像通常并不容易。本文提出了一种新方法，通过从单个SAR数据中去除强散射成分，实现洪水淹没区域的提取。该方法在2018年日本西部暴雨事件中使用了ALOS-2 PALSAR-2数据进行了验证，并通过结构相似性指数（SSIM）等指标确认了其有效性。研究发现，较窄的Hann窗口大小能够更有效地抑制强散射体，同时，基于直方图的二值化方法中，采用直方图均值的方法取得了最高的Cohen’s Kappa值（0.444）。这表明，该方法在农田淹没检测方面显著优于传统方法，Recall和F1值分别提高了约2.5%。然而，在建筑物淹没检测方面，由于灾前数据的准确性较低，改进效果较为有限。总体而言，该方法能够利用单极化、单SAR影像进行实用且可靠的农田淹没绘制，即使没有灾前数据，但还需要在不同条件和频率带下进一步验证。

洪水是一种全球范围内频繁发生的自然灾害，其强度和频率随着全球变暖呈指数级增长。为了有效应对这种灾害，快速和准确的洪水影响评估变得尤为重要。传统上，航空摄影和遥感技术是获取准确信息的主要手段，但在灾害发生期间或之后，这些手段往往难以实施。因此，SAR技术因其能够在恶劣天气和夜间获取大范围图像，逐渐受到关注。SAR图像的分析方法包括阈值法、变化检测、机器学习和深度学习等，这些方法已被广泛应用于全球各地的洪水灾害评估，并扩展到农业用地、城市区域和道路网络等不同目标。然而，现有方法的一个主要限制是依赖于可比的SAR图像对。在实际应用中，这样的数据可能并不容易获得，特别是在紧急模式下进行的卫星观测，其观测条件可能与标准模式不同，从而限制了灾前对比的可行性。此外，虽然一些私人公司的小型SAR卫星星座的观测频率正在增加，但其历史数据仍不足以支持有效的分析。因此，基于单一灾后SAR图像的洪水绘制方法引起了越来越多的关注。

本文提出了一种新的方法，旨在通过单一灾后SAR图像，仅使用单极化信息来提取洪水淹没区域。这一方法的关键在于利用快速傅里叶变换（FFT）从单视复数（SLC）图像中去除强散射体。在SAR图像中，强反射通常来自与卫星飞行方向平行的结构，如高压输电线，这些结构由于几何形状、材料特性、配置和观测条件的不同，会产生强烈的散射信号。此外，诸如下垂、热膨胀、风引起的振动和表面波等其他因素也会进一步影响这些结构的散射特性。这些不稳定且强烈的散射体会降低洪水区域估计的准确性。因此，通过FFT将SLC数据分解为频率成分，并利用滑动窗口函数隔离特定频率范围，以选择性地去除强散射体，是一种有前景的方法。

研究中使用的数据包括ALOS-2 PALSAR-2 SAR图像、日本地理空间信息局（GSI）提供的永久水域信息、农业用地多边形数据、建筑物足迹数据以及5米分辨率的数字高程模型（DEM）。这些数据用于验证和辅助分析，确保了洪水影响评估的准确性。在分析过程中，首先对SLC数据进行FFT分解，生成多个频率过滤后的SLC数据集。随后，通过应用Canny边缘检测算法，利用农田道路边界作为辅助指标，减少对农田的误检。此外，结合DEM数据，对分类结果进行校正，以确保地形与分类结果的一致性。最终，采用形态学滤波进一步去除由输电线等线性结构引起的强后向散射。

通过结构相似性指数（SSIM）评估FFT方法对强散射体的抑制效果，发现较窄的Hann窗口大小能够更有效地降低强散射的影响，而较宽的窗口则保持了较高的结构相似性。在直方图二值化方法中，采用直方图均值的方法取得了最高的Cohen’s Kappa值，表明该方法在分类一致性方面优于其他方法。此外，该方法在农田淹没检测中表现出显著的改进，Recall和F1值分别提高了约2.5%。然而，在建筑物淹没检测方面，由于建筑物的后向散射特性可能与洪水无关，其改进效果有限。因此，该方法在农田淹没识别方面具有较高的实用性，但在城市区域的洪水评估中可能需要更多的优化。

在计算时间方面，研究发现，该方法在商业设备上运行的处理时间约为五分钟左右，即使包括FFT分解等独特步骤。这一结果表明，该方法在实际灾害评估中具有较高的可行性。然而，需要注意的是，这种方法并非适用于所有情况。例如，观测条件的变化可能会影响强散射体的表现，进而影响分类的准确性。此外，FFT处理可能会导致部分原始数据的丢失，从而降低空间分辨率。因此，未来的研究需要进一步评估这种方法对分辨率的影响，并考虑与其他频率带（如C波段和X波段）的兼容性。同时，该方法在不同观测条件下的适用性和最佳参数也可能存在差异，因此需要进一步验证。

总体而言，本文提出的方法为基于单个SAR图像的洪水绘制提供了一种实用且可靠的方式，即使没有灾前数据，也能有效减少强散射体的影响。然而，为了提高其适用性和准确性，还需要在不同的观测条件和频率带下进行更多的验证。此外，结合现有的水文模型，如高度高于最近排水口（HAND）模型，可能会进一步提升分类的水文一致性。未来的研究可以探索如何将这些模型与本文提出的方法结合，以实现更精确的洪水影响评估。同时，随着SAR技术的发展，特别是在C波段和X波段卫星（如Sentinel-1和COSMO-SkyMed）的应用，进一步验证该方法在不同频率下的表现将是重要的研究方向。