基于Sentinel-1 SAR影像与云计算的秘鲁安第斯—亚马逊河谷洪水重现性多时相观测分析

《Remote Sensing》：Multitemporal Analysis of Observed Flood Recurrence in an Andean–Amazonian Valley in Peru: An Integration of Field Data, SAR Images, and Cloud Computing

　　

安第斯—亚马逊河谷的洪水监测受限于稀疏的水文记录与持续的云覆盖。本研究利用在Google Earth Engine中处理的Sentinel-1影像，绘制了秘鲁Utcubamba河谷2019—2025年期间的观测洪水重现性。研究人员采用Otsu阈值法与空间约束（包括最大坡度5°和1000 m水系缓冲区）对PRE–POST后向散射差异进行分类。13次编目事件中有8次被保留。VH阈值的均值±标准差为?2.83 ± 0.05 dB，VV为?1.73 ± 1.11 dB，(VH+VV)²为?3.33 ± 1.44 dB；VH的低离散度是保留子集的一个属性，该子集部分依据VH阈值行为进行选择。八事件图覆盖了至少被检测到一次洪水的9842.02 ha面积，其中6.29%被归类为高或极高观测重现性，集中于Utcubamba–Mara?ón交汇处附近。对于E13，基于1360个平衡参考点的评估得出样本总体精度为85.15%，洪水类用户精度为91.64%，生产者精度为77.35%，F1分数为0.839。这些指标表征了E13的采样扇区。农业类占2024年土地覆盖叠加面积的73.70%。灌溉相关变化无法与河流洪水完全区分。跨编目事件的检测计数结果为土地利用规划提供了补充信息，其解释受时间覆盖、事件选择与参考数据可用性的约束。

洪水是全球范围内最频繁且最具破坏性的自然灾害之一，造成显著的经济、社会与生态影响。气候变化预计将增加包括洪水在内的极端天气事件的频率与强度，使这一威胁逐渐加剧。在秘鲁，洪水发生强烈受厄尔尼诺—南方涛动（ENSO）影响，但其效应因热带太平洋海表温度异常的空间配置而异。不同的ENSO类型在秘鲁各地产生不同的降水响应，其中东太平洋增暖与秘鲁北部澳夏季降水增强尤为相关，而其他ENSO配置可在安第斯和亚马逊流域产生显著不同的水文气候响应。这些差异导致了反复出现的高影响洪水事件，包括1982—1983年、1997—1998年和2017年沿秘鲁北部海岸的严重事件，其中2017年沿海厄尔尼诺产生了广泛的河流洪水与重大社会经济影响。这一过程在山区尤为关键，崎岖地形限制了发展空间，导致对高度脆弱的洪泛区进行不受控制的侵占。由于洪水风险源于自然与人为因素的复杂交互，其科学评估对于减少损失和增强领土韧性至关重要。

合成孔径雷达（SAR）传感器在微波波段工作，可在昼夜及云覆盖条件下获取观测。此外，开放水面主要产生镜面反射并呈现低后向散射值，使其更容易与其他土地覆盖区分。过去十年中，免费可获取SAR数据的不断增加扩展了其在洪水制图中的使用。Google Earth Engine（GEE）等云计算平台促进了大规模Sentinel-1数据集的处理，无需大量本地计算资源，支持区域尺度的多时相分析。然而，基于SAR的监测在植被和城市区域仍存在显著局限，复杂的散射机制使洪水区域的精确划定变得困难。

在利用SAR delineating洪水区域的方法中，变化检测尤为突出。该技术比较事件前后获取的后向散射数据，以识别指示水体存在的后向散射降低。关于差异影像，Otsu自动阈值技术已被广泛用于通过最大化类间方差来确定分类阈值，无需训练数据。该方法已在多种背景下有效应用，包括监测潘塔纳尔等季节性热带湿地、评估热带风暴对稻田的损害，以及云平台上的集成时间序列框架。然而，该方法在水体仅占整体面积小部分的大影像中效果降低，难以识别阈值所依赖的双峰直方图分布。在地形复杂环境中，整合数字高程模型数据有助于将分析限制在水体响应一致的缓坡区域，提高分类精度。通过这种方式，研究人员评估了多种极化组合以优化区分能力：VH交叉极化在绘制洪水作物方面表现出比VV更大的潜力，而在线性尺度上计算的组合指数与使用单一极化相比可改善洪水与非洪水区域之间的可分性。

超越单一事件的制图，SAR时间序列的多时相分析有助于表征重复洪水检测的空间分布。Sentinel-1时间序列的系统处理还可支持历史淹没模式的重建。将这些图与土地利用与土地覆盖（LULC）信息整合，通过评估农业系统、城市区域和自然生态系统对洪水的差异暴露，大幅提高其业务价值。在此背景下，应用于风险区划的地空间方法表明，最大危险区域集中在河道附近和发达区域，那里无规划的发展增加了不透水面并改变了自然水流。因此，通过多时相分析生成洪水重现性图为土地利用规划和法规以及缓解策略设计提供了相关信息。

陡峭的安第斯河谷呈现复杂的地貌条件，通过阴影和叠掩等效应影响雷达观测的解释。这些挑战是复杂地形区域SAR监测的典型特征，凸显了针对此类环境量身定制方法的日益必要性。尽管存在这一局限，一种普遍的方法是将分析限制在水体响应保持物理一致的缓坡区域。将分析限制在缓坡地形使制图聚焦于洪泛区，那里集中了农业用地和居民点，尽管它并不校正SAR观测中的地形相关畸变。然而，在水文和地形数据有限的山区环境中，将多时相SAR分析与历史重现性图创建及其通过实地调查验证相结合的研究明显稀缺。此类使用高质量参考数据的严格定量评估对于这些产品的可靠性至关重要。这一不足在Utcubamba河谷尤为明显，该河谷是秘鲁亚马孙省Mara?ón河的主要支流之一，过去关于使用GEE处理的Sentinel-1影像进行洪水多时相动态的研究有限。

尽管使用Sentinel-1影像和云计算平台的自动阈值方法已显示出相当大的洪水制图潜力，但在秘鲁安第斯—亚马逊河谷中聚焦洪水重现性的多时相应用仍相对有限。光学观测在洪水事件期间常受云污染制约，而SAR影像提供了适合事件型和多时相监测的云覆盖下观测。因此，自动SAR洪水检测、观测重现性制图、精度评估和地貌表征的整合在这一地理背景下仍未得到充分探索。在此背景下，本研究旨在利用Sentinel-1 SAR影像绘制Utcubamba河谷2019—2025年官方编目事件中的观测洪水重现性，并表征检测区域内暴露的土地覆盖。在本研究中，洪水检测指每个事件中被分类为洪水的面积；观测重现性指像素被检测为洪水的保留编目事件数量，而非水文洪水频率或重现期；暴露指检测区域内存在的土地覆盖类别。未估计洪水概率、脆弱性和风险。洪水区域采用后向散射变化检测结合地形约束的自动Otsu阈值法 delineating。随后从研究期间识别的保留事件生成观测洪水重现性图。还评估了检测区域与LULC类别之间的关系。使用源自Sentinel-2影像的参考数据评估E13的分类精度，而官方事件记录和基于无人机（UAV）的实地调查提供了文献和地貌背景。因此，本研究提供了Utcubamba河谷基于事件的重复洪水检测表征，以及在集约化耕作的安第斯景观中基于阈值的检测的SAR变量比较，支持在数据稀缺的安第斯环境中使用SAR衍生的洪水产品。

研究区涵盖位于秘鲁北部亚马孙省的Utcubamba河谷，面积约744.24 km²，海拔范围349至800 m above sea level。地理上延伸于Utcubamba省和Bagua省之间，Utcubamba河作为主要水文轴线，从南向北流经河谷直至汇入Mara?ón河。Utcubamba河发源于Leymebamba区（Chachapoyas省），海拔约3100 m above sea level，向南—北方向流经约253 km直至汇入Mara?ón河，流域面积约6400 km²，约占亚马孙省领土的15%。河谷底部所在的研究洪泛区位于Mara?ón季节性干旱热带森林生态区，特征为温暖半干旱气候，平均温度24–25 °C，降水季节性变化明显，约600至1300 mm，取决于海拔带，主要集中在一年上半年。主要湿季和洪水季一般从12月延伸至4月。三个保留事件发生在该时期之外：E04在10月，E06在6月，E08在11月。其文献背景与单个SAR检测的解释分开考虑。Utcubamba流域的水文建模预测在SSP5-8.5情景下峰值流量增加可达14.80%，为记录历史洪水模式提供了进一步动机。下游Utcubamba洪泛区，特别是Bagua Grande和Cajaruro区，是重要的水稻产区。2024年农业占区域总增加值29.40%，稻谷占农业生产33.20%，达到330.1千公吨。2017年人口普查记录Utcubamba省107,237名居民。Bagua Grande市还是海岸与亚马逊地区之间的主要交通中心，将人口、基础设施和经济活动集中在河谷洪泛区附近。

方法框架整合了SAR影像多时相分析、基于云的地空间处理和地形标准，以检测和表征Utcubamba河谷的洪水。工作流程包括六个步骤：(i) SAR预处理，(ii) 基于后向散射变化的洪水检测，(iii) 空间滤波，(iv) 事件质量控制，(v) 多时相重现性分析，(vi) 精度评估、地貌表征和暴露分析。研究区在ArcGIS Pro 3.5.4中通过重分类数字高程模型（DEM）进行 delineating，使用800 m above sea level的海拔阈值。洪水检测基于分析Sentinel-1地距检测（GRD）影像，以干涉宽幅（IW）模式获取，具有双VH和VV极化。影像选自升轨相对轨道18。八个保留事件中，E01、E04、E06和E08来自Sentinel-1B，E10、E11、E12和E13来自Sentinel-1A。影像使用其校准和地形校正形式，按照GEE中COPERNICUS/S1_GRD集合的标准预处理流程，在变化分析前未进行额外的辐射或几何处理。随后应用50 m半径圆形核的焦点均值滤波器以减少斑点噪声。Copernicus GLO-30 DEM用于检测的地形约束，MapBiomas Peru LULC产品作为辅助变量纳入。分析期跨2019至2025年。影像使用后向散射系数σ⁰分析，因为GEE上可用的Sentinel-1 GRD数据集以该辐射约定提供校准和几何校正值。尽管γ⁰可减少后向散射对局部入射几何的依赖，分析限制在坡度≤5°的表面，减少了研究区内地形效应的影响。因此，σ⁰被用作区分洪水与非洪水表面的辐射变量。2019—2025年期间的洪水事件目录使用民防国家研究所（INDECI）的官方记录编制，可在国家响应与恢复信息系统（SINPAD v2.0）和SENAMHI发布的秘鲁洪水事件清单中获取。相对于编目事件日期定义事件特定的PRE和POST查询窗口，分别生成基线和事件观测合成。PRE合成为事件特定查询窗口内至少三个可用Sentinel-1场景的时间中值。POST合成为相应窗口内可用场景的时间中值，最少一个场景。查询窗口边界不一定与获取日期重合。洪水检测基于PRE和POST合成之间的后向散射变化分析，后向散射差异定义为POST–PRE。计算三个变化变量：VH、VV和双极化组合(VH+VV)²。后者对PRE和POST集独立计算，按照：(1)将VH和VV值从分贝（dB）转换为线性功率尺度；(2)计算组合；(3)将结果重新转换为分贝。随后在对数尺度上计算该组合变量的POST?PRE后向散射差异，遵循应用于VH和VV的相同标准。该程序避免直接在对数尺度上表达的值组合极化。Otsu阈值分别应用于每个差异影像，通过最大化类间方差来分割其直方图。直方图计算限制在坡度≤5°的表面，源自Copernicus GLO-30 DEM。该限制允许分析限于与洪水发生地形兼容的区域，并减少陡坡对后向散射值分布的影响。初始二值图在分类后使用一系列空间滤波器进行细化。首先应用坡度掩膜（≤5°）和永久水体掩膜；后者通过使用旱季获取的Sentinel-2影像每年数字化活动河道生成，以排除与洪水事件无关的水体。然后应用数字化主河道和次级支流周围1000 m缓冲区，将检测限制在河流走廊内。最后建立八个连通像素的最小制图单元（MMU），相当于0.08 ha，以消除面积较小的孤立簇。生成的图导出，分类为非洪水的像素保留为“NoData”，符合后续多时相重现性分析定义的程序。

在纳入多时相分析之前，使用三个质量控制标准评估13个编目事件。首先，VH Otsu阈值接近?0.70 dB，与保留事件中接近?2.80 dB的值相比，在结合差异直方图和二值图评估时被视为异常。这是经验性辐射合理性检查，而非双峰性的统计检验。其次，当PRE参考窗口与先前编目洪水重叠时排除事件。第三，检查空间合理性和时间代表性，排除覆盖河谷几乎全部平坦地形的检测或代表先进退水阶段的POST观测。第一和第三标准通过专家检查直方图和检测图评估；第二标准使用先前编目事件的日期。八个事件满足所有三个标准：E01、E04、E06、E08、E10、E11、E12和E13。由于第一标准使用VH阈值行为，保留子集中VH的离散度受事件选择条件制约，并不独立确立其优于VV或组合变量。观测重现性通过计数每个像素被分类为洪水的保留事件图来计算。计数分为五类：极低（一个事件）、低（两个）、中等（三个）、高（四个）和极高（五至七个，观测最大值）。这些类别相对于八个编目事件，不代表年概率或重现期。栅格被矢量化，要素按类别溶解为单部件几何。主要面积估计在ArcGIS Pro 3.5.4中使用WGS 84/UTM 18S带（EPSG:32718）从这些多边形计算。敏感性分析中使用的栅格计数与这些基于多边形的估计分开报告。定量验证对事件E13进行，因为它是序列中唯一具有事件后Sentinel-2影像且可见度条件足以通过视觉解释生成参考数据的事件。对于其他事件，洪水日期附近光学获取的广泛云覆盖限制了获得可比参考数据的能力。因此，使用混淆矩阵的定量评估应用于E13，而其他事件经过第2.9节所述的质量控制程序。E13的合格检测域是研究区、1000 m水系缓冲区和坡度掩膜（≤5°）的交集，排除永久河道。它在74,424.00 ha研究区内覆盖22,696.25 ha。参考采样仅覆盖可 delineating参考多边形的无云扇区；所得指标不是整个合格域或河谷的估计。洪水和非洪水参考多边形通过事件后Sentinel-2影像在合格域内的视觉解释数字化，排除云覆盖区域。每个参考类随机采样680个点，共1360个点。在相同点提取VH、VV和(VH+VV)²的分类。文献洪水记录和2026年5月的实地考察提供了补充背景。使用实地照片和DJI Matrice 4E with RTK在300 m飞行高度调查了三个高观测重现性区域。在Agisoft Metashape Professional V2.2.1中进行摄影测量处理，生成约8 cm每像素的正射镶嵌图和约16 cm每像素的DEM。这些产品表征了局部地形和河流—洪泛区关系；时间滞后使其无法用作历史事件范围的参考数据。使用相同参考样本构建VH、VV和(VH+VV)²的混淆矩阵。总体精度（OA）、洪水类用户精度（UA）和洪水类生产者精度（PA）直接从样本计数计算，不加面积权重。洪水类F1分数从混淆矩阵计数计算，报告范围为0至1。特异性计算为TN/(TN + FP)，Cohen's Kappa作为基于观测一致性和样本边际比例预期一致性的补充度量保留。PA和特异性的95%置信区间使用Wilson得分方法计算，将每个参考类内的观测视为独立伯努利试验。这些区间量化二项采样不确定性，不考虑空间依赖性或参考标签的不确定性。OA、UA、F1和Kappa描述平衡样本，未被解释为研究区面积加权精度估计。未报告面积加权估计，因为样本按Sentinel-2数字化的无云扇区内的参考类分层，而非按研究区上的图类分层。此外，面积加权所需的人口比例不可用。补充空间分析比较了合格域内七个坡度类之间的检测，排除永久河道。对于每个类，其检测面积份额除以其可用面积份额。比率大于1表示检测中的代表性高于可用面积的预期，而比率小于1表示代表性较低。计算对至少检测一次的面积和每个保留事件分别进行。它表征了在施加的空间约束内检测的分布，不是独立的精度评估。观测重现性图与2024年MapBiomas Peru Collection 3叠加，以量化重现性类内每个土地覆盖类的面积。2024年图层是本研究使用的集合中最新的年份。叠加表征2024年所代表土地覆盖对2019—2025年检测的暴露；它不重建每个历史事件的土地覆盖或研究期间的土地覆盖变化。补充分析按土地覆盖类汇总各个事件的检测，使用每个事件年份的分类。E12和E13使用2024年图层，因为所用集合不包括2025年。在多个事件中检测到的表面多次贡献于总和；该累积量以公顷—事件表示，与至少检测一次的独特面积不同。洪水图以10 m处理，而MapBiomas具有30 m网格。因此，LULC交叉制表的暴露估计使用与基于多边形的洪水面积不同的空间表示，特别是在边界沿线。检测为洪水的面积对水系缓冲区距离和最大坡度的敏感性对八个保留事件通过一次改变一个参数评估。缓冲区距离从500至1500 m以250 m增量变化，最大坡度固定为5°。最大坡度从3°至7°以1°增量变化，缓冲区固定为1000 m。所有其他参数保持不变。每个坡度配置重新计算Otsu阈值，因为改变该约束修改直方图域。对于每个配置，检测面积跨八个事件求和，每当在另一事件中检测到某区域时再次计数。该累积面积的变化表示为相对于1000 m缓冲区和5°最大坡度参考配置的百分比。PRE时间敏感性通过将PRE查询窗口结束设为编目事件日期前15天检查，同时保持其开始日期和POST窗口不变。比较聚焦于该调整是否改变PRE合成中包括的场景以及相对于原始配置的VH和VV Otsu阈值。补充敏感性分析检查主要湿季之外事件的影响，仅保留12月—4月内的五个事件并排除E04、E06和E08。该子集与八事件数据集在土地覆盖组成、基于栅格的至少检测一次面积以及至少四次检测像素的空间集中度方面进行比较。两个数据集使用相同的四次检测绝对阈值，空间集中度评估为该面积位于Utcubamba–Mara?ón交汇处15 km范围内的比例。

结果方面，在八个保留事件中，VH差异的Otsu阈值均值为?2.83 dB，标准差为0.05 dB。VV均值为?1.73 dB，标准差为1.11 dB，而组合指数(VH+VV)²均值为?3.33 dB，标准差为1.44 dB。在该子集内，VH在评估的三个变量中表现出最低的变异性。当考虑所有13个编目事件时，均值和标准差为VH ?2.18 ± 1.02 dB，VV ?1.50 ± 1.05 dB，(VH+VV)² ?2.84 ± 1.65 dB。当PRE窗口结束设为编目事件日期前15天时，E01和E12保留原始配置中使用的获取。对于E04、E10和E11，该修改导致VH和VV阈值变化达0.04 dB。八个保留图在2019—2025年期间检测范围不同。单个面积从E11的1855.76 ha到E08的2674.22 ha不等。其总和为17,793.06公顷—事件，平均每事件2224.13 ha。检测集中在河谷北部扇区，那里冲积平原较宽。沿更受限的南部河流走廊绘制了较小范围。尽管事件特定范围不同，重复检测发生在若干相同扇区。八个保留事件图的整合识别出研究区内2019—2025年期间至少检测一次洪水的9842.02 ha面积。极低重现性，对应一个事件中的检测，覆盖4860.89 ha（49.39%），而低重现性，对应两次检测，覆盖2887.00 ha（29.33%）。这些类别合计占检测总面积的78.72%。中等重现性，对应三次检测，覆盖1475.26 ha（14.99%）。高重现性，对应四次检测，代表483.28 ha（4.91%），极高重现性，对应五至七次检测，覆盖135.59 ha（1.38%）。高和极高重现性共同覆盖618.87 ha（6.29%），集中在Utcubamba–Mara?ón交汇处附近和北部河谷曲流沿线。这些类别代表八个保留编目事件中的重复检测。E13使用1360个参考点评估，包括680个洪水和680个非洪水点，源自Sentinel-2影像的视觉解释。对于VH，混淆矩阵包含526个真阳性、632个真阴性、48个假阳性和154个假阴性。样本总体精度为85.15%，洪水类用户精度为91.64%，生产者精度为77.35%（95% CI: 74.06–80.34%）。特异性达到92.94%（95% CI: 90.77–94.63%），F1分数为0.839，Kappa系数为0.703。对相同参考点评估时，VV达到样本总体精度80.66%，用户精度84.92%，生产者精度74.56%，F1分数0.794。(VH+VV)²指数的相应值为80.37%、90.25%、68.09%和0.776。VH在报告的精度指标中具有最高点估计；差异以描述性方式评估。高分辨率UAV衍生DEM，像素大小约16 cm，显示绘制的高重现性扇区在三个调查区域占据冲积平原的低洼部分。这些产品提供了比30 m DEM更精细尺度的详细地貌背景。UAV衍生坡度图显示三个调查区域地形坡度普遍低于5°。这些缓坡表面与高观测重现性扇区空间重合，表征了其局部地形环境。洪水检测的集中率随坡度逐渐降低，从0–0.5°类的1.63降至4–5°类的0.49。坡度低于1.5°的类比率大于1，而其余类比率小于1。八个事件中每个也观察到递减梯度。实地考察记录了三个调查区域的局部河流—洪泛区条件。在Zone 1，Utcubamba–Mara?ón交汇处，观察到水流的明显横向扩张，受洪泛区宽度和Mara?ón河曲流形态的促进。该模式与交汇处可能的顶托效应一致，与该扇区相比河谷其余部分观察到的更高重现性相符。在Zone 2，记录了河道与农业地块之间的直接连接，以及与河岸侵蚀相关的河岸植被暴露根系和河道水位取水基础设施。还观察到具有剩余农业基础设施的未耕地块。在Zone 3，实地观察记录了宽阔缓坡平原和毗邻水稻种植区的横向河道迁移证据。调查区域结合了低洼洪泛区地形、农业土地利用以及河道与耕地之间的局部连接。这些观察为解释检测的空间分布提供了背景，但未确立单个历史检测的原因或量化农业损害。将观测洪水重现性图与2024年MapBiomas土地覆盖数据叠加显示，绘制的暴露集中在农业系统。水稻占叠加总面积的5341.23 ha（54.25%），其次是农业镶嵌体1915.74 ha（19.46%）。这些农业类合计占总量的73.70%。海滩和河流、湖泊或海洋类共同占1581.39 ha（16.06%），而城市基础设施代表54.09 ha（0.55%）。极低和低重现性类共同占每个土地覆盖类内检测面积的大部分。海滩面积占叠加总面积的8.55%，包括高和极高重现性类中的180.27 ha。水稻在极低、低、中等和高重现性类中占据最大绝对面积。在极高重现性类中，海滩面积以49.86 ha占主导，其次是水稻40.95 ha。八个保留事件的整合允许通过汇总各个事件的洪水面积来量化每个土地覆盖类的累积暴露。水稻具有最高的累积暴露，为9988公顷—事件（总量的56.06%），其次是农业镶嵌体2913公顷—事件（16.35%）和海滩面积2407公顷—事件（13.51%）。这三个类合计约占累积洪水面积的85.9%。河流/湖泊面积占1274公顷—事件（7.15%），其次是干旱森林697公顷—事件（3.91%）和其他自然区域407公顷—事件（2.28%）。其他非森林土地、城市基础设施和其他土地覆盖类共同占累积暴露的0.73%。从LULC交叉制表获得的累积洪水面积为17,814.69公顷—事件，与直接从八个洪水图计算的17,793.06公顷—事件相差21.63公顷—事件（0.12%）。该微小差异源于以10 m处理的洪水图与30 m的MapBiomas LULC数据集的空间叠加，改变了分析网格上洪水边界的表示。农业类在主要湿季之外的三个事件（E04、E06和E08）中占累积检测面积的84%，而在五个湿季事件中占64%，而海滩和河流/湖泊类在这两组中分别占7%和30%。三个非季节事件中检测到的面积约54%未在任何湿季事件中检测到。在补充栅格分析中，五事件子集中至少四次检测的面积69%位于Utcubamba–Mara?ón交汇处15 km范围内，而八事件分析中为61%。两个情景使用相同的四次检测绝对阈值。这些结果描述了检测的组成和空间分布；它们不估计灌溉相关的假阳性率。在最大坡度固定为5°时，汇总检测面积相对于1000 m参考配置从500 m水系缓冲区的?30.7%变化至1500 m缓冲区的+15.4%。750和1250 m的相应变化分别为?12.8%和+9.0%。在水系缓冲区固定为1000 m时，汇总检测面积相对于5°参考配置从最大坡度3°的?14.7%变化至7°的+7.2%。VH Otsu阈值在评估的40个事件—坡度组合中范围为?2.90至?2.75 dB。

讨论部分比较了三个SAR变量，支持在Utcubamba河谷评估条件下选择VH。在八个保留事件中，VH阈值显示出比VV（?1.73 ± 1.11 dB）和(VH+VV)²（?3.33 ± 1.44 dB）更低的离散度（?2.83 ± 0.05 dB）。先前研究已识别VH在绘制洪水作物方面的潜力，而在Caprivi洪泛区和湄公河三角洲的应用说明了Sentinel-1时间序列在不同景观条件下监测淹没的用途。极化组合也被研究作为洪水制图的替代方案。多事件评估还识别了与极化相关的差异，特别是在植被上方和多风条件下，表明性能必须与观测表面条件相关联来解释。在此，VH阈值的低离散度表征了保留数据集，但并不独立确立更大的时间稳定性，因为事件选择部分取决于VH阈值行为。因此，该结果必须与完整的13事件统计和针对参考数据的评估一起考虑。E13评估为使用VH提供了补充支持。对相同参考样本，VH产生的漏检和误检错误少于VV；与(VH+VV)²相比，其主要优势是洪水参考点的遗漏率较低。因此，组合极化并未改善该事件报告的精度指标。然而，VH遗漏了22.65%的洪水参考点，表明所选变量仍未检测到参考淹没的相当比例。变量之间的差异以描述性方式评估，未进行统计显著性检验。OA、UA和F1表征平衡样本，未被解释为研究区面积加权精度估计，符合使精度估计量与采样设计一致的需要。此外，合适的Sentinel-2影像将定量评估限制在E13的无云扇区。其他七个事件经过第2.9节所述的质量控制，但这些控制不提供等效的分类精度估计。因此，参考数据的空间和时间覆盖定义了评估的范围。空间分析通过识别重复检测发生的位置扩展了事件级比较。尽管至少检测一次的面积78.72%仅出现在一或两个事件中，高和极高观测重现性集中在Utcubamba–Mara?ón交汇处附近和北部河谷曲流。实地观察和UAV衍生地形模型为冲积平原低洼扇区的这些检测提供了地貌背景。通过每个坡度子类中的可用面积归一化检测进一步揭示了其在合格域内集中度的差异。这些发现有助于解释空间模式，尽管其证据作用不同：地形调查描述局部地貌，而坡度分析描述在施加的制图约束内检测的分布。两者都不构成历史洪水边界的独立验证，特别是因为低坡度和靠近河道已纳入制图程序。稻田和农业镶嵌体在土地覆盖叠加中的主导地位表明农业用地占绘制暴露的大部分。该重叠识别了与检测相关的土地利用，但不确立作物损害或经济损失。其时间解释还取决于所使用的土地覆盖产品。重现性叠加描述2024年图中代表的土地覆盖，而非重建其在2019—2025年期间的分布。补充事件级叠加通过使用每个事件年份的可用分类改善时间对应性，尽管E12和E13也依赖2024年产品。因此，累积事件面积和至少检测一次的面积代表暴露的不同方面：累积面积包括同一土地的重复检测，而空间并集仅计数该土地一次。农业用水管理在这些叠加中引入了额外的不确定性，因为PRE–POST后向散射变化可反映河流洪水、稻田准备或灌溉。区域农业日历记录了全年水稻播种和收获。2019—2020年期间下游Utcubamba流域的月度水稻阶段动态也有记录。该背景与主要湿季之外的三个保留事件尤为相关：2019年10月的E04、2020年6月的E06和2021年11月的E08。这些事件的文献证据不同：E04得到官方河流溢流报告支持，E06出现在SENAMHI洪水事件清单中，E08与地震触发的Aserradero处Utcubamba河堵塞有关。这些记录不确立绘制的洪水范围，可用文献不能解决E06的机制。农业类在湿季之外的累积检测中占比较湿季内更大（84%对64%）。该差异与农业用水管理的可能贡献一致，但不识别或量化灌溉相关的假阳性。没有日期特定的灌溉地块地理参考记录可用于直接评估。然而，重复检测在湿季子集中仍集中在交汇处附近，表明该空间模式不限于主要湿季之外的三个事件。非洪水条件的表示是另一个相关的方法选择。四种Sentinel-1变化检测方法的比较发现，考虑后向散射季节性的参考在所有评估方法中产生最佳结果。在此，PRE时间检验检查了场景可用性和分类阈值的变化，而非分类精度的差异。事件目录也制约了观测重现性的解释。它由通过SINPAD–INDECI和SENAMHI洪水事件清单查阅的官方记录汇编而成。该方法为事件选择提供了文献基础，但使分析依赖于这些记录的可用性和完整性。未在查阅来源中出现的事件无法表示，引入了潜在的报告偏差，其幅度未评估。后续质量控制进一步将分析限制在满足时间和辐射标准的事件。因此，所得八事件数据集代表一组选定的文献洪水，而非2019—2025年期间完整的淹没记录。 consequently，重现性计数的差异描述该集合内的重复检测，不能直接解释为年洪水概率的差异。编目事件的独立水文验证不可能：Corral Quemado站监测Mara?ón河，日降水记录仅E12和E13可用。通过新的或重新激活的测站对Utcubamba河进行连续流量监测将使未来研究能够证实编目事件的发生和相对量级。卫星获取时间进一步影响事件间比较。有限的时间覆盖可能错过最大洪水范围或捕获不同的淹没和退水阶段。在Utcubamba河谷，获取日期和场景计数因事件而异，因此绘制的面积代表在选定观测窗口内可检测的洪水。该时间采样效应的幅度未量化。水文气候变率也可能导致事件间差异。ENSO在秘鲁各地产生空间变化的降水响应，太平洋和热带大西洋变率可影响亚马逊流域的洪水特征。然而，当前目录未按气候相位分层。因此，观测到的差异不能直接归因于ENSO，鉴于文献覆盖、事件选择和卫星时间的额外影响。E12和E13的紧密时间间隔需要进一步区分编目事件和水文独立事件。这些记录被分别保留，因为它们具有不同的编目日期和后续SAR观测。其检测足迹和降水背景的差异提供了额外信息，但不能确证独立性或证明两个记录属于单一 prolonged 事件。E13的PRE参考先于E12的编目日期并满足时间重叠标准。然而，共享的POST检测可能包括持久淹没或湿度，因此符合该标准不能解决两个事件之间的关系。当E12和E13共享的检测计数一次时，至少四次检测的面积从约633 ha降至307 ha，尽管该面积的53%仍位于交汇处15 km范围内。因此，它们对重现性图的贡献被解释为与单独编目记录相关的检测，对其水文独立性存在明确不确定性。空间敏感性分析表明检测范围也响应处理期间施加的限制。在评估范围内，水系缓冲区距离的变化产生比最大坡度变化更大的面积差异。同时，坡度情景中VH阈值的窄范围并不意味着分类面积恒定。因此，阈值一致性和检测范围的稳定性描述结果的不同属性。这些检验量化参数的影响，但不识别哪种配置最准确。该确定需要针对添加或移除区域的合适参考数据以及与采样设计一致的评估。因此，1000 m缓冲区和5°坡度限制应理解为局部处理选择。后处理还可影响洪水图中保留的空间细节：旨在减少斑点的滤波已被证明会移除小尺度淹没模式中的相关特征。对平滑半径、最小制图单元和海拔限制的敏感性在本研究中未评估，处理参数在其他环境中的适用性仍有待评估。与Copernicus全球洪水监测（GFM）产品的定量比较，需要协调获取和评估的空间域，未进行，仍是本工作的可能扩展。总之，事件图、重现性分析、土地覆盖叠加和局部地形信息共同表征了研究区内重复检测及其农业和地貌环境。其实际贡献是识别需要更密切评估的扇区，并以文献事件的空间证据支持领土规划。该用途必须与图所测量的内容保持一致：选定编目记录中的观测重现性，而非年洪水概率或重现期。同样，农业叠加描述绘制的暴露而非损害。需要洪水概率、预期损失或法规边界的应用将需要额外的水文和脆弱性评估。

结论部分，2019—2025年八个保留洪水事件的多时相分析识别了Utcubamba河谷重复检测的空间集中。VH在保留事件中产生最低的Otsu阈值离散度，这是所选子集的属性而非时间稳定性的独立证据，并在E13参考样本中产生最高的精度点估计，支持其在评估条件下的选择。至少检测一次洪水的面积覆盖9842.02 ha，其中78.72%在一或两个事件中检测到。高和极高观测重现性占6.29%，集中在Utcubamba–Mara?ón交汇处附近和北部河谷曲流。UAV衍生地形模型为这些模式提供了补充地貌背景。稻田和农业镶嵌体在检测区域内的主导地位凸显了多时相洪水制图与农业土地利用规划的相关性。工作流程整合Sentinel-1观测、自动阈值、观测重现性和土地覆盖信息，以识别重复检测扇区并表征其绘制暴露。重现性代表选定编目事件中的检测，而农业检测可能包括与灌溉或田地准备相关的变化。在其他地方应用需要对观测窗口、地形和水系约束以及分类精度进行局部评估。在此范围内，该方法为记录洪水相关空间模式和支持水文信息有限的安第斯—亚马逊河谷的领土规划提供了实用基础。