基于SAR的快速洪水对农业和人类暴露影响评估方法

《Progress in Disaster Science》：SAR based approach for rapid flood impact assessment on agriculture and human exposure

　　

这项研究提出了一种创新框架，用于快速评估洪水对农业的影响，该框架使用10米分辨率的Sentinel-1合成孔径雷达（SAR）数据，并与Google Earth Engine（GEE）集成。2019年9月，一场罕见的洪水事件（被描述为32年一遇的洪水）影响了泰国东北部省份，包括益梭通府、安纳乍伦府、乌汶叻差他尼府、四色菊府、黎逸府和加拉信府。该事件由热带风暴PODUL和热带低气压KAJIKI的共同作用引发，导致了重大的人员和经济损失。研究方法包括：(i) 采用增强型Kittler-Illingworth阈值法进行洪水制图，并结合地形校正以减轻与坡度相关的后向散射变化；(ii) 使用新型双极化SAR植被指数（DpSVI）进行作物分类；(iii) 利用实地数据和光学影像进行稳健验证。分析涵盖洪水范围确定、受淹农业面积量化、作物类型（甘蔗、木薯、玉米和橡胶）分布、受洪水影响的作物类型面积评估，以及2019年9月1日至9月30日期间农民洪水暴露评估。结果表明，3890.4 km²（占研究区域的8.4%）被洪水淹没，益梭通府的农业影响最为严重（占其农业面积的19.6%）。该框架通过2018年和2020年洪水事件的验证，显示出高精度（总体精度：82.6%，Kappa系数：0.94）和时间泛化能力。这种方法通过提供可靠、不受云层影响的洪水和作物影响评估，支持有针对性的恢复策略，从而增强了灾害响应能力。

该论文发表在《Progress in Disaster Science》。本研究针对洪水灾害对农业的快速影响评估问题，提出了一项基于合成孔径雷达（SAR）的创新框架。研究背景指出，洪水是最具破坏性的自然灾害之一，尤其在农业区域，快速且准确的损害评估对灾害管理和恢复至关重要。然而，传统方法如地面调查耗时且难以覆盖大面积区域，光学遥感受云层影响严重，而现有SAR方法存在地形引起的后向散射畸变未有效校正、无法区分洪水信号与土壤水分变化、缺乏综合验证等关键空白。为此，研究人员开发了一套结合Sentinel-1 SAR数据（10米分辨率）和Google Earth Engine（GEE）的快速评估框架，旨在解决上述问题，并实现跨洪水事件的时间泛化能力。

研究人员利用2019年9月影响泰国东北部六省（益梭通府、安纳乍伦府、乌汶叻差他尼府、四色菊府、黎逸府和加拉信府）的32年一遇洪水事件作为案例，开展了洪水制图、作物分类及多源验证研究。主要结论包括：地形校正的Kittler-Illingworth阈值法将洪水制图总体精度提升至82.6%（Kappa系数0.94），在坡地减少约15%的误检；双极化SAR植被指数（DpSVI）结合干季基线有效区分洪水信号与土壤水分变化，在过渡期减少18%的误检；框架在2018年和2020年洪水事件中表现出良好时间泛化能力。该研究的重要意义在于提供了独立于云层的快速响应工具，支持针对性恢复策略，并推动了农业灾害管理系统的区域化应用。

研究人员为开展研究主要采用了以下关键技术方法：基于Sentinel-1 SAR数据的洪水制图（采用增强型Kittler-Illingworth阈值法，结合SRTM 30米数字高程模型DEM进行地形校正）；基于DpSVI的作物分类（利用Sentinel-1 VV和VH极化波段时间序列，引入干季基线区分洪水与土壤水分）；多源验证（包括2019年9月在六省实地采集的300个GPS地面真值样本，分层抽样覆盖不同省份、洪水严重度和土地覆盖类型，以及DFO Flood Observatory的MODIS产品和GISDA的RADARSAT参考图，并辅以Sentinel-2光学影像交叉验证）。样本队列来源为泰国东北部益梭通府等六省。

研究结果如下：

3.1 洪水特征分析：研究人员通过VV和VH后向散射时间序列、降水数据（CHIRPS）和河流流量数据（RID）综合表征洪水。结果表明，2019年9月1日至15日与15日至30日期间，VV后向散射直方图显著分离，后者因热带风暴PODUL（8月29-31日）和KAJIKI（9月2-3日）引发的峰值洪水强度，后向散射降低至-18至-20 dB，而8月1日至15日基线期约为-14至-16 dB。基于Kittler-Illingworth阈值法（以-15 dB为阈值），并利用300个地面样本验证（总体精度82.6%，Kappa 0.94），确定了六省（益梭通府等）为详细分析区域。

3.2 洪水范围地理空间评估：通过Sentinel-1 SAR数据制图，总受淹面积达3890.4 km²（占研究区域8.4%）。益梭通府受淹最为严重，达27.5%。在省级层面，黎逸府洪泛面积占13.6%，加拉信府6.2%，乌汶叻差他尼府5.0%，安纳乍伦府4.0%，四色菊府4.3%。县级分析显示，各府内不同地区受影响程度差异显著，如安纳乍伦府的Hua Taphan、Lu Amnat和Phana县最为严重。洪水制图总体精度为82.6%，Kappa系数为0.94。

3.3 农业影响评估：研究显示，总面积826.1 km²（占研究区域农业面积7.0%）的农业用地被淹。益梭通府农业受影响最重，达19.6%。作物类型基于DpSVI时间序列聚类（结合干季基线）进行分类，DpSVI相比仅用VH后向散射方法在F1分数上提升12%（0.87 vs. 0.75）。具体作物影响：在益梭通府，水稻受影响25.3%（181.8 km²），玉米、木薯、甘蔗和橡胶也受影响；黎逸府水稻（11.9%）和木薯（9.3%）影响较大；乌汶叻差他尼府水稻影响9.1%；安纳乍伦府水稻影响8.8%；四色菊府水稻影响1.5%；加拉信府水稻、玉米和甘蔗分别影响13.3%、11.7%和5.9%。

3.4 验证：研究人员利用300个GPS地面样本进行多源验证。洪水范围验证采用混淆矩阵，总体精度82.6%，Kappa 0.94，精度0.85，召回率0.80，F1分数0.82，生产者精度（洪水85.7%，非洪水80.0%），用户精度（洪水85.7%，非洪水100%），遗漏误差（洪水0%，非洪水11.1%），冗余误差（洪水14.3%，非洪水0%）。地形校正使坡地假阳性减少约15%。作物分类验证得到平均生产者精度84%，平均用户精度87%，其中水稻一致性最高（89%）。交叉验证使用Sentinel-2光学影像的NDVI和MNDWI指数，在重叠区域作物类型交叉验证精度达86%。

3.5 人类居住区洪水影响量化：通过Worldpop数据（30米分辨率）和Facebook高分辨率定居层数据，结果表明研究区域约1000万人暴露于2019年9月洪水（基于Sentinel-1洪水范围和Worldpop 2020数据）。省级暴露数据为应急响应规划提供了空间分布信息。

3.6 时间泛化能力：框架设计基于标准化Sentinel-1数据和Google Earth Engine处理，确保跨时间可转移性。初步应用于2020年Yom河流域洪水（泰国东北部）得到总体精度81.5%，Kappa 0.92，与2018年泰国南部洪水回顾性检验表现一致，证实了方法的时间泛化能力。

讨论部分总结：研究构建的框架通过地形校正的Kittler-Illingworth阈值、DpSVI干季基线和多源验证，显著提升了洪水制图和作物分类精度，并展示了时间泛化性。讨论指出，尽管当前框架是“快速”的（在GEE自动化处理下，数小时内获取新SAR数据即可输出结果），但未来需整合作物生长模型和实地作物切割实验，以将暴露地图转化为实际产量损失估计。论文最终翻译研究结论部分如下：

结论与建议
本研究开发了一套创新的基于SAR的快速洪水对农业影响评估框架，解决了地形校正、土壤水分区分和验证方面的关键空白。主要发现表明：(i) 地形校正的Kittler-Illingworth阈值法通过减少坡地约15%的假阳性，显著提升了洪水制图精度（总体精度82.6%，Kappa系数0.94）；(ii) 带有干季基线的DpSVI有效区分了洪水信号与土壤水分变化，在过渡期减少了18%的误检洪水探测；(iii) 该框架在2018年、2019年和2020年洪水事件中表现出一致的时间泛化能力。
引言中提出的研究问题已得到充分解答：形态测量地形校正和时间依赖基线通过改善后向散射归一化和土壤水分区分，增强了洪水制图精度和农业影响量化。该方法在云独立性、处理速度（三周内得出结果）和时间一致性方面显示出明显优势。框架因其依赖于标准化的Sentinel-1数据和Google Earth Engine处理而具有可扩展性，跨多年验证证实了其稳健性。
该方法被描述为“快速”，因其在Google Earth Engine中的自动化处理，使洪水评估能在SAR数据获取数小时内完成，而传统方法需要数天或数周。评估中使用的关键指标包括洪水范围、受影响的农业面积、作物类型分布、洪水持续时间以及人口暴露，这些共同提供了全面的影响评价。虽然主要关注农业影响，但人口暴露分析作为补充部分呈现，为应急响应提供更全面的灾害后果视角，类似于多层面研究方法。
以在先前的经验和本次快速地理空间影响评估为基础，建议逐步探索开发一个集实地和遥感于一体的试点省级及后来的国家级农业监测系统。未来研究应聚焦于：(i) 将验证扩展到更多样化的洪水事件和区域；(ii) 整合机器学习以改进作物分类；(iii) 开发用于灾害响应的实时操作化系统。在县级或更低行政单元整合不同指标（如持续性洪水、综合影响）可有效确定需立即干预的优先区域。
本研究通过将底图与SAR驱动评估相结合，为构建预期性和补偿性风险情景做出了根本性贡献，使农业灾害管理中的准备和恢复工作得到改善。