面向数据稀缺洪灾的SAR相干性引导全极化ALOS-2机器学习致损制图框架

《Science of Remote Sensing》：SAR Coherence-Guided Machine Learning Framework for Flood-Induced Damage Mapping using a Single Fully Polarimetric SAR Scene

　　

研究人员提出一种SAR相干性引导的机器学习框架，用于基于单幅全极化SAR场景的洪水致损制图。地面真值（ground truth）洪水致损数据有限，相干性标签（coherence labels）可弥补这一缺口。研究人员将ALOS-2极化描述符与机器学习（machine learning, ML）相结合用于洪水致损制图。致损图与洪水水深（floodwater depth）及NASA-ARIA致损图吻合良好。损害主要发生在农田（croplands）和低矮植被（low-lying vegetation）区。该框架无需光学影像（optical imagery）或可靠地面真值标签即可实现致损制图。

研究背景与问题：洪水是高频且破坏性强的水文气象灾害，东南亚尤为严重，并造成重大人员 displacement 和经济损失。现有灾害风险管理系统可整合实时危险数据以刻画暴露，但全球洪水损害评估研究中仅少数针对亚洲和东南亚发展中国家，区域针对性研究不足。洪水致损不限于淹没，还包括滑坡、碎屑沉积、堤防破坏、侵蚀、植被扰动及风致损害等。准确评估困难在于洪水期间云覆盖限制光学影像和地面观测，而合成孔径雷达（synthetic aperture radar, SAR）具备全天候、昼夜成像能力，全极化SAR（fully polarimetric SAR, PolSAR）描述符可刻画淹没、碎屑、泥沉积、植被扰动和受损地表的散射机制。另一个挑战是缺乏标准化洪水损害标签，SAR相干性（coherence）通过测量灾前灾后雷达信号相似性，相干损失可指示洪水引起的地表变化，但受时间去相干和噪声影响。文献识别两个主要缺口：可靠洪水损害地面真值标签有限；SAR相干性用于洪水致损制图存在局限。因此，研究人员用相干性生成基准损害标签，而非作为损害检测模型输入，并基于全极化SAR描述符和机器学习框架制图。研究选取2019年台风Hagibis日本事件，使用单幅灾后全极化ALOS-2场景和Sentinel-1 SAR相干数据生成基准标签，采用Yamaguchi四分量分解（Y4R）、差分反射率比（Z_DR）和Cloude-Pottier分解参数，并以随机森林（random forest, RF）自动化制图。

关键技术方法：样本与数据来源为2019年台风Hagibis期间日本Tochigi、Gunma、Ibaraki、Saitama等地区12个感兴趣区（AOI）。使用单幅灾后ALOS-2全极化SLC数据，stripmap模式，6 m空间分辨率，含HH、HV、VH、VV四极化；Sentinel-1双极化IW SLC数据，灾前2019年7月1日至10月6日、灾后10月12日至10月18日用于相干性标签；GSI DEM5A 5 m数字高程模型；Tay et al.洪水与损害代理图、FwDET v2.0洪水水深、JAXA HRLULC土地覆盖数据。方法包括预处理生成C₂协方差矩阵和T₃相干矩阵，提取12个极化参数，依据Jeffries-Matusita距离和树基总下降重要性选择7个参数，训练RF，进行网格搜索、3折分层交叉验证、80-20训练测试划分、tile采样和过采样，并用F1、IoU、FPR、FNR构成复合评分。

研究结果：极化参数重要性方面，研究人员通过JM距离和TD重要性发现，Intensity和Double-bounce散射具有较高JM距离，单体可分性强，但TD贡献相对较低，表明多变量特征空间内存在冗余；Anisotropy、Entropy和Alpha的JM距离较低，但TD贡献较高，说明其在RF非线性交互中有用。最终选择7个参数：Intensity、Double-bounce scattering、Anisotropy、Entropy、Alpha、Volume scattering和HV/VV。随机森林模型与部分依赖方面，研究人员用AOI 1-9训练RF并生成部分依赖图，发现HV/VV和Volume scattering与损害概率负相关，表明较高去极化和体散射主要与完整植被相关，洪水致损可降低植被结构和交叉极化散射；Alpha角下降指示从体散射向表面或二次散射转变；Entropy响应近平。测试AOI致损检测方面，研究人员用复合评分选出前20个模型测试AOI 10-12，最佳模型多为浅树深d=10，表明更深树易过拟合。检测损害像素与相干性标签、Tay et al.洪水与损害代理图、NASA-ARIA洪水与损害代理图、GSI DEM5A和HRLULC对比，沿河流连通淹没区空间一致性较强，三AOI合并Cohen's Kappa约为0.655；漏检多出现在密集植被、地形阴影、河岸、水陆界面和基础设施走廊。洪水水深与损害关系方面，研究人员分析AOI 10-12共476,568个洪水像素，其中234,341个检测为损害像素，占49.17%；洪水水深与检测损害呈中等正相关，Spearman ρ=0.48，Mann-Whitney U为3.85×10¹⁰，logistic回归系数1.20，AUC为0.74。损害集中在低洼、河流连通洪泛区，土地覆盖以稻田、农田、城市和水边表面为主；Pauli RGB显示受损区多位于农业、低矮植被和河边，城市建筑二次散射增强，植被洪泛区体散射变化，密集森林和建筑散射较稳定。

讨论与结论：讨论指出，大型洪水事件缺乏标准损害标签是主要挑战，损害图常与淹没图比较，但淹没不等于实际结构或地表损害；洪水致损还取决于水深、土地覆盖、地形以及侵蚀、碎屑沉积和植被扰动等过程。研究人员用Sentinel-1 SAR相干性生成相干性基准标签，与Tay et al.洪水与损害代理图空间一致性较强，说明在缺乏野外观测和光学影像时，SAR相干性可提供物理意义参考数据。基于这些标签，全极化ALOS-2多种描述符在RF框架中预测洪水影响像素，损害图较Tay et al.损害代理图空间一致性改善。结果表明损害与洪水水深、土地覆盖、地形和极化散射行为密切相关；深水区、河流洪泛区、农田和低洼植被区对应较好。模型主要检测农业和低矮植被损害，表现为体积散射和去极化散射降低、Alpha和Anisotropy向更简单表面散射转变；密集森林和建筑散射稳定，检测变化较少。AOI 11城市密植被区因强体散射部分掩盖洪水变化而不一致；地形阴影、河岸、水陆界面和基础设施走廊也因混合散射和阈值分类产生不匹配。Kappa约0.655，原因是损害像素占比较小，非损害类主导总体一致性，类别敏感指标更合适。ARIA损害代理图表示地表变化而非完整地面真值，台风Hagibis还造成滑坡、侵蚀、堤防破坏和风损，而该框架主要关注洪水致损。

研究结论（译文）：本研究在大型洪水事件期间缺乏标准损害标签的条件下开展洪水损害评估。研究提出一个集成框架，结合基于相干性的标签生成、全极化ALOS-2描述符、使用FwDET进行洪水水深估计以及土地覆盖分析。为应对洪水损害参考数据集有限且不一致的问题，利用Sentinel-1 SAR相干性生成具有物理意义的损害标签，这些标签与Tay et al.洪水与损害代理图显示出强空间一致性。基于这些相干性衍生标签，从全极化ALOS-2数据提取多种极化描述符并用于训练随机森林模型，成功预测受洪水影响区域。结果表明，洪水致损与洪水水深、土地覆盖特征和极化散射行为密切相关。较高洪水水深通常与检测到的损害区域对应良好，尤其是在河流洪泛区、农田和低洼植被区。对于植被，整合多频率，即C波段和L波段数据，可能提供先进方法，但会增加数据和处理需求，并需要额外传感器观测。预测的损害图与Tay et al.损害代理图也表现出改进的空间一致性，捕捉了农业和河流景观中的洪水影响。尽管如此，所提方法存在局限。该框架主要关注基于相干性和极化散射特征的洪水致损，而台风Hagibis还造成滑坡、侵蚀、堤防破坏和风相关损害。此外，与Tay et al.相比，在密集城市地区、异质地表以及水陆边界附近观察到较少不匹配，其中地理定位不确定性、混合散射响应和分类方法可能影响制图精度。然而，密集植被会削弱相干性对结构变化的敏感性，复杂城市散射和河流边界附近混合像元会引入不确定性。NISAR L波段相干性可在植被区提供补充信息，并可能在未来研究中改善损害检测。随着正在进行的NISAR获取提供更大相干性数据集，所提框架可促进生成广泛损害标签以训练深度学习模型，从而改善大规模洪水致损制图。此外，纳入灾前极化数据并评估其对损害检测精度的贡献是未来工作的重要方向。未来工作可聚焦跨事件和跨区域验证，包括在独立洪水事件和地理上不同区域测试训练框架，以进一步评估稳健性和可转移性。当前基于相干性的方法可视为通往该业务化路径的第一个里程碑。未来，鉴于NISAR任务在系统性、重复SAR观测和干涉应用方面的能力和目标，使用NISAR相干性产品可能进一步提高损害检测精度。另一个局限是洪水事件与SAR获取之间的时间滞后可能影响观测到的损害响应；多时相观测可更好捕捉损害进展和恢复。总体而言，PolSAR描述符、基于相干性的标注、洪水水深估计和土地覆盖信息的整合为大规模洪水致损评估提供了有效且物理可解释的框架。所提方法在常规地面真值数据集不可用、不一致或难以获取的数据稀缺灾害情形中展现出强洪水致损制图潜力，并可作为支持灾后响应和未来洪水风险管理的实用工具。