利用基于Landsat的遥感和二维水动力建模技术改进洪水淹没范围制图：以科希堤坝决口引发的比哈尔邦洪水为例

《Frontiers in Remote Sensing》：Enhancing flood inundation mapping technique using Landsat-based remote sensing and 2D hydrodynamic modeling: a case study of the Bihar flood caused by the Koshi embankment breach

　　**摘要**
由于极端水文气候事件的影响，洪水变得越来越难以预测和不稳定。因此，获取此类事件的近实时、准确的洪水淹没地图对于有效的洪水应急响应至关重要，这可以通过利用遥感数据来实现。本研究整合了高分辨率遥感数据，以改善数据稀缺的南亚地区——科希河流域的洪水淹没映射。研究以2008年比哈尔洪水事件为例，该事件由尼泊尔科希河在Kusa（科希大坝上游12公里处）的堤坝决口引发。这一事件的一个重要特点是，其峰值流量仅为约4078立方米/秒，远低于大坝的设计流量（约26,901立方米/秒）。堤坝的1500米宽决口导致形成了一个宽15-20公里、长150公里的水域，淹没了2722平方公里的区域。本研究使用Landsat卫星表面反射率数据，并采用常用的水体指数——修正归一化差异水体指数（MNDWI）来检测开放水面特征。此外，还使用了归一化差异植被指数（NDVI）、永久性水体和最近排水口高度（HAND）数据集来对基于MNDWI的洪水淹没地图进行掩蔽，从而提高了其准确性。为了获得更精确的地图，还对最终的掩蔽MNDWI地图应用了不同的阈值。此外，利用决口位置附近的观测流量数据建立了二维（2D）水动力模型，以模拟洪水事件，提供近乎最佳的洪水淹没面积估计，并使用不同的二元分类评估指标验证了遥感淹没地图的准确性。在使用MNDWI阈值0.2时，模型定义的2D流区内总淹没面积为约1,036平方公里；而使用阈值0.3时，总淹没面积为约846平方公里。使用MNDWI阈值0.2得到的洪水淹没地图的总体准确率为79%，使用阈值0.3时准确率略微提高到81%。然而，两个阈值的精确度和召回率均低于50%，因为正确预测的淹没区域数量远低于正确预测的非淹没区域数量。

**1 引言**
洪水是全球最致命和最具破坏性的自然灾害之一。近年来，洪水的严重性、强度和规模不断增加，造成的破坏也在加剧（Neupane等人，2015年；Tellman等人，2021年；Aryal和Lakshmi，2025年；Aryal等人，2025年）。气候变化和全球变暖进一步加剧了全球范围内的洪水问题（Khan等人，2011年；Aryal等人，2022年；2023a年；2023b年）。许多易受洪水影响的国家和地区变得更加脆弱，缺乏减轻洪水风险或提高洪水抵御能力的资源（Perera等人，2020年；Do等人，2024年）。提高洪水抵御能力的一种方法是利用免费的卫星数据来评估洪水风险并绘制洪水范围图（Munasinghe等人，2018年；Mehmood等人，2021年）。洪水淹没地图用于规划紧急洪水响应和向潜在洪水区域分发救援物资。能够在洪水发生期间及之后迅速获取受影响区域的卫星图像，使得基于卫星的洪水范围绘制变得越来越流行（Bhatt等人，2010年；Bidroha等人，2022年）。遥感技术提供的全面、多时相数据来自大型、偏远且通常难以到达的区域，为研究不同洪水事件及其多部门影响带来了突破。过去20年空间技术的发展为基于空间的灾害管理研究框架的开发提供了巨大的未开发潜力（Venkatachary等人，2001年）。此外，卫星数据更高的空间和时间分辨率确保了由此产生的洪水范围地图的准确性和细节性，使其在全球范围内被广泛用于洪水评估研究（Sanyal和Lu，2004年；Khan等人，2011年；Mehmood等人，2021年）。随着新的地理空间技术和算法的出现，遥感数据在研究水文气候极端事件方面的效率和准确性逐年提高（Sanyal和Lu，2004年；Bhatt等人，2010年；Khan等人，2011年；Munasinghe等人，2018年；Tran等人，2023年）。通过使用来自新技术和算法的近实时数据或估算，科学家和决策者可以评估洪水风险、范围和规模，从而制定更有效的洪水缓解策略。虽然通过地面调查和航空观测绘制洪泛区是可行的，但在频繁和广泛的洪水情况下，这种方法变得不切实际且成本高昂。这些方法还会延迟对洪水如何影响经济和人们生活的评估。因此，最好的选择是利用卫星图像和遥感数据，它们可以快速提供洪水的综合视图（Munasinghe等人，2018年）。此外，对于没有测量站的地区，遥感数据作为实地观测的补充变得至关重要。在数据稀缺的地区利用遥感数据进行洪水制图具有许多优势，包括能够近乎实时监测洪水范围、广泛的空间覆盖、高效可靠的制图技术以及经济高效的大规模洪水区域制图。在洪水灾害管理中，及时和近乎准确的信息对于决策者采取有意义的行动至关重要（Miranda等人，1998年）。很少有研究使用遥感技术来评估2008年科希洪水事件之前的、期间的和之后的情况。Bhatt等人（2010年）使用了大约30张来自CartoSat-2（空间分辨率1.0米）和印度遥感卫星P6（线性成像自扫描传感器IV，多光谱模式IRS-P6 LISS-IV MX，空间分辨率5.8米）的光学和微波卫星图像来绘制2008年比哈尔洪水事件。Singh等人（2010年）利用雷达替代检测和测距卫星应用技术（RADARSAT）卫星图像来绘制2008年洪水的空间和时间淹没模式，发现约2,135平方公里的农作物被毁，最高洪水淹没面积在2008年9月5日达到约3,089平方公里。Pandey等人（2014年）还分析了基于空间的观测数据，包括雷达高度计、MODIS图像和热带降雨测量任务（TRMM）降水数据，以估计2008年科希河洪水期间的水位。他们发现洪水区域的水位上升了高达1.4米。同样，Manjusree等人（2015年）使用1998-2010年期间约128年的历史卫星数据（包括RADARSAT卫星的微波合成孔径雷达（SAR）数据）来评估比哈尔的洪水危险程度。此外，Tripathi等人（2022年）使用卫星衍生的历史洪水事件数据，结合中等分辨率成像光谱辐射计（MODIS）表面反射率产品（MOD09A1）及其衍生指数，利用二维（2D）非稳态流分析，为2001至2020年的季风期生成了洪水范围图。然而，科学文献中关于使用Landsat卫星数据评估2008年洪水事件和绘制洪水淹没图的方面存在空白。本研究旨在通过使用Landsat表面反射率数据绘制洪水淹没图，并采用修正归一化差异水体指数（MNDWI）来检测开放水面特征来填补这一空白。此外，还使用从Landsat数据衍生的归一化差异植被指数（NDVI）以及永久性水体和最近排水口高度（HAND）数据集来掩蔽MNDWI，提高淹没地图的准确性。对最终的掩蔽MNDWI地图应用不同的阈值以生成更精确的洪水地图。最后，使用水文工程中心-河流分析系统（HEC-RAS）软件和二维（2D）非稳态流分析验证了增强后的遥感洪水淹没地图的准确性。最后，使用各种二元分类评估指标评估了带有二元分类的遥感洪水淹没地图的预测能力和准确性，并将其与建模的洪水淹没地图进行了比较。

**2 材料与方法**
**2.1 研究区域**
科希河发源于中国的青藏高原，向南流经尼泊尔和印度，最终注入恒河（图1）。科希河流域的流域面积约为88,000平方公里，是兴都库什-喜马拉雅（HKH）地区最大的跨界河流域之一（Shrestha等人，2024年）。其中，32.4%的流域位于中国，45%位于尼泊尔，22.6%位于印度（Wahid等人，2017年）。科希河的七条主要支流包括Indrawati河、Bhote Koshi河、Tama Koshi河、Dudh Koshi河、Sun Koshi河、Arun河和Tamor河。
**图1**
研究区域包括科希河流域及其内部的比哈尔邦部分。图中还显示了堤坝决口的位置。
科希河流经尼泊尔约150公里的山区后，在Chatara附近的一个狭窄峡谷中流出，该地点位于尼泊尔-印度边界上游约42公里处（Devkota等人，2012年）。在这个峡谷下游，一个宽约10,351平方公里的辫状冲积扇覆盖了该区域（Gole和Chitale，1966年）。从辫状河道到蜿蜒河流的过渡在科希河的下游部分很明显，最终与印度的恒河汇合（Devkota等人，2012年）。该流域的特点是地形复杂、海拔变化大，以及多样的地貌和气候带。这些变化支持了丰富的生物多样性，养活了近4000万人的生计。
科希河流域的降雨量具有显著的空间变异性。中纬度地区的降雨量高于低纬度和高纬度地区（Sinha等人，2019年）。6月至10月期间，科希河接收了其总降雨量的80%-85%。该流域的年平均降雨量从1,780毫米增加到3,560毫米。然而，由于位于喜马拉雅山脉形成的雨影区，青藏地区的降雨量非常少。超过40%的流域面积位于尼泊尔，这些地区以山区和丘陵地带为主，导致显著的地形降雨（Sinha等人，2019年）。流域的最低部分是冲积平原，主要位于比哈尔邦。
科希河的流量变化很大。在河流进入印度比哈尔邦的平原之前，Chatara处的年总水量和沉积物排放量分别为1546立方米/秒和101公吨。河流在季风期间输送了大约90%的总沉积物负荷（Sinha等人，2014年）。科希河的年平均高流量（洪水）约为7,000立方米/秒。大约67%的时间里，河流流量低于年平均流量1,525立方米/秒（Devkota等人，2012年），这一数据是在尼泊尔Chatara水文站测量的，该站标志着科希河流域的出口。Birpur的科希大坝控制着河流在到达比哈尔邦平坦低洼地区之前的流量。科希河在拦河坝的上游和下游段都建有堤坝，但在季风季节，经常发生几次堤坝决口，导致大规模的洪水。2.2 2008年科希河堤坝决口和比哈尔邦洪水2008年8月18日，科希河在库萨（Kusa）的东侧堤坝发生决口，该地点位于科希拦河坝上游约12公里处，如图2所示。这次决口引发了河道改道，使得河水暂时改变流向，流经决口处（Sinha, 2009），如图2所示。决口导致比哈尔邦北部许多原本被认为是“防洪安全”的地区遭受严重洪水（图2）。图2中的假彩色合成图像是利用Landsat 5卫星的表面反射数据不同光谱带生成的，蓝色部分清晰地显示了被淹没的区域。2008年的洪水是尼泊尔和印度历史上最严重的洪水灾害之一。由于受影响的地区通常不易发生洪水，政府和民众都未做好应对准备。超过三百万人受到影响，数百个村庄被淹没，基础设施遭到严重破坏（Kale, 2008; Sinha, 2009; Devkota et al., 2012）。大约1500平方公里的农田变得无法使用，被一层厚厚的不肥沃的沙子覆盖（Devkota et al., 2012）。图2显示了2008年科希河堤坝决口和洪水事件前后利用Landsat 5卫星图像（2008年10月11日至22日）生成的假彩色合成图像，图中还标出了科希拦河坝的位置、决口点以及被淹没的区域。Sinha等人（2014）指出，与以往的向西河道改道不同，2008年的改道方向是向东，距离约为120公里，远高于历史上记录的任何改道幅度。东侧堤坝的决口导致河流80%-85%的流量被引导至新河道。由于新河道的承载能力较低，河水形成了一片宽15-20公里、长150公里、流速为1米/秒的洪水带（Devkota et al., 2012）。有趣的是，在某些地区，新河道并未重新与科希河汇合，也没有流入恒河，使得大片区域在决口后长达4个月以上仍处于淹没状态（Chakraborty et al., 2010）。9个月后，河流才恢复到2008年之前的河道（Devkota et al., 2012）。Sinha等人（2014）强调，2008年科希河堤坝决口及其引发的河道改道是由多种因素造成的，包括快速沉积物堆积导致河床抬升、河流布局和形态的变化（河床动态），以及对老化基础设施的监测和规划不足。此外，堤坝维护不善也可能是导致决口的原因之一，因为决口前河道在堤坝附近变深（Sinha, 2009; Sinha et al., 2014; Sinha et al., 2019）。2.3 本研究使用的遥感和实地数据集如下表1所示。所有数据集的空间分辨率为30米。表1 数据集 变量 考虑的时间段 空间分辨率 时间分辨率 来源 Landsat 5 TM Level-2 表面反射图像及其衍生产品 2008年4月至10月 30米 16天 USGS (2026) Global HAND 最近排水口高度 -30米 -Donchyts et al. (2016) JRC全球地表水测绘层 季节性 两个时期（1984–1999, 2000–2021） 30米 -Pekel et al. (2016) NASA DEM 数字高程模型 -30米 -NASA JPL (2021) 水文（Chatara测流站） 径流 2008年8月至10月 每日 -尼泊尔政府水文气象部 本研究使用的遥感和实地数据。2.3.1 Landsat 5主题制图仪（TM）二级，第一层，经过大气校正的表面反射及其衍生产品表面反射产品可以估计地球表面的光谱反射率，如同在没有大气散射或吸收的情况下在地面测量所得。这些产品由地球资源观测与科学（EROS）中心生成，空间分辨率为30米。数据集包含来自Landsat主题制图仪（TM）传感器的数据，经过大气校正的表面反射率和地表温度。Landsat 4-5的表面反射数据使用Landsat生态系统扰动自适应处理系统（LEDAPS）（Masek et al., 2006）生成。该系统对一级Landsat数据应用辐射校准和大气校正算法。Landsat 5的表面反射数据覆盖1984年3月至2012年5月的时间段。利用Landsat 5的表面反射数据可以衍生出多种产品，例如本研究中计算的归一化植被指数（NDVI）和修正归一化水体指数（MNDWI）。NDVI是一种标准化指标，用于测量植被的绿色程度，有助于评估植物健康状况和密度。它利用红色和近红外（NIR）光谱带进行计算。许多基于卫星图像检测水体的算法都利用了水在NIR波长处吸收辐射、在绿色可见光波长处具有最大表面反射率的事实（Mehmood et al., 2021）。这使得利用归一化水体指数（NDWI）能够检测到开阔水域（Ustin et al., 1998）。2006年，MNDWI作为更敏感的开放水域检测指标被引入（Xu, 2006）。MNDWI利用绿色和SWIR光谱带检测开阔水域，并减少了其他地表水测绘指数中常被误判为水域的建筑物等特征的影响（Acharya et al., 2018）。2.3.2 最近排水口高度（HAND）最近排水口高度（HAND）是一个经过标准化的数字高程模型数据集，使用最近排水口进行归一化（Donchyts et al., 2016）。它被应用于多种水文应用，如洪水危险性测绘、地表水检测、土地覆盖分类等（Donchyts et al., 2016）。HAND能够呈现局部环境的复杂特征，这些特征通常更难以测量或建模（Donchyts et al., 2016）。HAND数据可在Google Earth Engine（GEE）环境中使用，由于其较高的准确性，能够区分可能发生水体的区域和不太可能发生水体的区域，因此被用于洪水测绘（Nobre et al., 2016）。HAND数据的空间分辨率为30 × 30米，河流源头阈值单元的数量设为100。在平坦地形上，较低的阈值（接近0）更适合用于洪水范围测绘。2.3.3 联合研究中心（JRC）全球地表水测绘层，v1.4该数据集包含1984年至2021年的地表水位置和时间分布地图，并提供这些水体的范围和变化统计信息（Pekel et al., 2016）。这些数据来自1984年3月至2021年12月期间Landsat 5、7和8号卫星获取的图像。通过专家系统将每个像素分类为水体或非水体，然后将结果合并为整个时期和两个时期的月度历史数据（1984–1999, 2000–2021）。本研究基于超过6个月的季节性变化来确定永久性水体，即像素必须被水淹没至少半年才能被视为永久性水体。随后，使用永久性水体对MNDWI数据进行了掩膜处理。2.4 HEC-RAS二维（2D）水动力模型水文工程中心-河流分析系统（HEC-RAS）由美国陆军工程兵团的水文工程中心开发，是一种用于评估河流水力的水文工程软件。HEC-RAS可以执行一维（1D）稳态流计算、一维和二维（2D）非稳态流计算、一维和二维移动边界沉积物运输计算、一维水质分析以及营养物质运输计算。HEC-RAS 2D水动力模型使用浅水方程（SWE）或扩散波方程（DWE）来计算河流泛滥区和储水区的2D非稳态流条件（Hydrologic Engineering Center, 2021）。在2D流动建模中，HEC-RAS通过划定2D流动区域多边形、生成2D计算网格，并将流动区域与一维建模元素或边界条件连接起来来定义2D流动区域。定义2D流动区域对于确保正确计算至关重要，使用断线和平整区域细化网格可以提高模型的准确性。断线作为屏障控制流动方向非常重要。Manning粗糙系数（n）值应用于2D流动区域内的所有单元面（Hydrologic Engineering Center, 2021）。虽然2D浅水方程适用于广泛的问题，但由于2D扩散波方程具有更快、更稳健的特性，通常更受青睐。此外，DWE能够准确解决复杂的河流水力相关建模问题。2.5 研究方法本研究采用的研究方法框架如图3所示的流程图所示，分为三个主要任务。第一项任务是利用Landsat卫星图像及其衍生产品生成改进的洪水淹没图。第二项任务是使用HEC-RAS建立2D水动力模型，并通过对研究事件进行2D非稳态流分析来获得最佳估计的洪水淹没图。第三项任务是通过与最佳估计的HEC-RAS模型输出进行比较，使用各种二元分类指标来评估改进后的遥感洪水淹没图的准确性。这一比较将验证第一项任务中改进技术的有效性。图3研究方法框架。对于第一项任务，提取了2008年8月20日至10月25日的Landsat卫星图像，并将其拼接（合并），云层覆盖阈值设为小于10%，以创建代表洪水后的合成卫星图像。然而，Landsat卫星只能在10月提供清晰的图像，此时云层覆盖阈值可降低至10%，大约在堤坝决口后2个月。较低的云层覆盖阈值非常重要，因为Landsat卫星无法穿透云层。接下来，使用代表洪水后的卫星图像的不同光谱带计算NDVI和MNDWI。同时提取了研究区域的永久性水体和HAND数据集。然后对初始MNDWI数据应用掩膜处理，NDVI的阈值设为≥0.5，HAND的阈值设为≥0.1，以及永久性水体数据集，得到最终的掩膜MNDWI数据。这种掩膜操作对于去除卫星数据中的噪声（包括云层覆盖、阴影和其他大气干扰）至关重要。NDVI掩膜排除了植被茂密的区域，防止它们被误分类为被淹没的区域，而HAND阈值排除了自然排水区域。应用0.1米的HAND阈值的重要性在于通过对光谱分类施加地形约束来细化洪水范围。它作为关键的地形过滤器，减少了地形阴影和黑暗城市表面等光谱异常。此外，需要注意的是，如果一个像素位于最近的溪流或排水线以上，则该像素实际上不可能被淹没，因此只有位于当地排水网络同一高度的像素才会被纳入洪水测绘过程。此外，还应用了永久性水体掩膜，排除了全年都有水源的区域，确保只考虑真正的洪水区域。掩膜处理后，最终得到噪声和干扰减少的MNDWI地图。然而，还需要进一步细化以最小化残余误差。本研究比较了两种成熟的统计优化方法——Yen方法和Triangle方法，以确定最佳的MNDWI阈值，然后应用这两组阈值进行进一步分析和评估，如图4所示。Yen的优化方法基于最大熵（Yen et al., 1995），广泛用于分类不同大小的水体和陆地特征，在洪水测绘中很常见，因为水中通常占图像的10%-20%。Yen方法对小特征更敏感，因此在确定最佳阈值时不会忽略小的、孤立的水体区域。另一方面，Triangle方法（也称为Zack算法）基于几何方法（Zack et al., 1977），根据强度直方图确定阈值。通常，该方法会在MDNWI直方图的最高峰值与其尾部最远点之间画一条线，然后找到与该线距离最大的点作为阈值。三角形方法对于“偏态”分布非常有效，尤其是在某一类别（如陆地）占主导地位的情况下。根据Yen的方法，最佳阈值MNDWI值为0.3（由蓝线表示），而根据三角形方法得到的最佳阈值为0.2（由黄线表示），如图4所示。这两个最佳阈值（例如0.2和0.3）都被应用于最终的马赛克化MNDWI地图中，以划定用于比较研究的洪水范围图。

在第二个任务中，使用HEC-RAS 6.5软件建立了一个二维水动力模型。用于设置HEC-RAS 2D模型的关键参数列表见表2。NASA 30米数字高程模型（NASADEM）（NASA JPL，2021年）被用作地形数据，并导入到HEC-RAS模型中。在RAS Mapper中划定了一个大约6,370平方公里的二维流动区域，覆盖了堤坝决口的主要受影响区域（图5）。在这个划定的二维流动区域上生成了一个400 × 400米的计算网格（图5）。绘制了一条断裂线来表示高于定义的二维流动区域（洪泛区）的堤坝，并强制应用该线以准确捕捉水流情况。由于大部分受影响区域为农田和植被，因此每个网格单元应用了统一的曼宁系数n值0.07（Chow，1959年；Hydrologic Engineering Center，2021年）。之后，在模型中定义了上游边界条件（UpperBC）和下游边界条件（DownBC），如图5所示。此外，由于HEC-RAS模型在Koshi冲积扇典型的高速摩擦性地表流动场景中的出色表现，选择了二维扩散波（DW）方程。DW方程在大面积二维流动区域中提供了数值稳定性和计算效率，特别是在60天洪水消退期间的频繁湿润和干燥循环中。DW方程还通过在数据稀缺的环境中依赖地形特征，实现了物理精度和模型收敛之间的平衡。

在第三个任务中，评估了增强后的洪水淹没图的准确性，并将其与HEC-RAS 2D水动力模型得到的最佳估计图进行了对比。两张地图都被转换为二值分类的栅格数据，其中0表示非洪水区域，1表示洪水区域。计算了多种二值分类评估指标，包括混淆矩阵、总体准确性、真正例率（TPR）、假正例率（FPR）、接收者操作特征（ROC）曲线以及ROC曲线下面积（AUC）。这些指标有助于评估遥感洪水淹没图的准确性，同时考虑了云层覆盖和大气干扰带来的挑战。

图6显示了从Landsat 5卫星图像的不同光谱带计算出的NDVI值，用于洪水后的情景，以及永久性水体地图，后者标识出季节性超过6个月的区域，表明这些是常年性的。NDVI值的范围是从-1到+1，如图6a所示。图6a表明NDVI值较低，接近最低的负值-1，这是因为卫星传感器由于这些区域存在水而无法检测到高表面反射率。NDVI地图突出显示了洪水区域，在图6a中用橙色和红色表示。区分NDVI值较高的区域也更容易，这些区域通常代表农田和植被，因为它们覆盖了研究区域的大部分。NDVI地图用于遮盖MNDWI地图，防止较深的绿色像素（代表植被）被错误地分类为洪水区域，从而提高了识别洪水像素的准确性。此外，识别每年有超过6个月被水覆盖的像素对于创建可靠的洪水淹没图至关重要。这些像素不应被视为洪水区域，因为它们通常全年大部分时间都被水覆盖。永久性水体，如河流、溪流、湖泊和其他蓄水区，被排除在洪水区域之外。图6b显示了被识别为永久性水体的区域，这些区域用于遮盖MNDWI地图，以减少洪水像素的错误识别。

图7展示了使用Landsat 5卫星图像的不同光谱带计算出的初始/原始MNDWI值，以及应用研究方法部分中概述的必要遮盖程序后生成的遮盖MNDWI地图。初始MNDWI值的范围是从-1到+1，如图7a所示。图7a中较高的负MNDWI值（用红色表示）对应于未检测到开放洪水的区域，意味着这些区域未受到洪水的影响。接近0的负MNDWI值（在图7a中用黄色表示）可能代表受云层覆盖、阴影和其他卫星反射率噪声影响的像素。

在应用了NDVI、HAND和永久性水体数据集以及指定阈值后的遮盖程序后，新的MNDWI地图显示的值范围是从0到+1，如图7b所示。只有正的MNDWI值的存在表明更有可能准确检测到开放的积水区域，这标志着比初始/原始数据有了显著改进。可以观察到，MNDWI现在显示的更高正值（用更深的蓝色表示）可以解释为洪水区域，因为这个指数旨在检测开放的积水区域。此外，与图7a相比，图7b中的噪声显著减少，这是由于云层、阴影和其他干扰造成的。这表明遮盖过程提高了洪水范围图的准确性和可靠性，使其在洪水检测方面更加精确。

即使在遮盖操作之后，如图7b所示，接近0的遮盖MNDWI地图仍然检测到外部噪声，这可能导致错误地识别洪水。从两种不同的统计优化方法中获得的两个最佳阈值（例如0.2和0.3）被应用于遮盖的MNDWI数据，以减少这种外部噪声。这一过程产生了2008年比哈尔洪水增强后的洪水淹没图，如图8a、b所示。在这些图中，红色区域代表洪水区域，而蓝色区域表示永久性水体。

图8显示了使用遮盖MNDWI（阈值分别为≥0.2和≥0.3）划定的2008年比哈尔洪水的增强洪水淹没图。这些图表表明Landsat卫星成功检测到了洪水区域。使用0.2的阈值时，总洪水面积约为1,682平方公里。相比之下，使用0.3的阈值时，洪水面积减少到约1,378平方公里。然而，在HEC-RAS模型边界定义的二维流动区域内，使用0.2和0.3的MNDWI阈值对应的总洪水面积分别为约1,036平方公里和846平方公里。需要注意的是，研究区域需要根据建模和评估目的进行调整。此外，图8中显示的遥感洪水淹没图并非来自8月份洪水事件发生后立即获得的数据，而是在堤坝决口后两个月的10月份生成的。应应用额外的二值分类评估方法来确定哪个阈值在洪水淹没制图方面具有最佳的预测性能和准确性。

由于Landsat卫星在2008年8月18日堤坝决口后无法捕获通过10%云层覆盖阈值的高质量图像，本研究对8月和10月的洪水淹没情况进行了建模，因为这两个时期的流量数据都是可用的，如图9a、b所示。从HEC-RAS 2D建模得到的8月份堤坝决口后立即的洪水淹没总面积约为2,161平方公里，如图9a中的红色区域所示。相比之下，决口后大约两个月的10月份，建模的洪水总面积约为1,162平方公里，如图9b中的红色区域所示。这一观察表明，在两个月内洪水面积减少了1,000平方公里。然而，研究区域仍然面临积水的影响，农业和城市土地都受到了严重淹没。这可以归因于铁路和道路交通网络的逐步发展造成的严重排水拥堵，这些网络起到了“屏障”的作用（Sinha等人，2013年；Kumar等人，2014年），限制了洪水的流动。

图10a、b显示了应用上述增强技术后，从Landsat卫星数据得到的遥感洪水淹没图（用蓝色表示）与从HEC-RAS 2D水动力建模得到的洪水淹没图（用红色表示）的叠加结果，分别对应于0.2和0.3的遮盖MNDWI阈值。两个阈值用于评估和比较两种来源和方法生成的淹没图。图10a、b显示遥感图和HEC-RAS图之间的洪水区域有很好的重叠，表明Landsat卫星成功检测到了洪水区域。然而，它未能捕捉到二维流动区域东部的某些区域。图11以混淆矩阵的形式展示了每个遮盖MNDWI阈值的分类结果。在这个矩阵中，TP和TN值（像素计数）分别代表正确预测的洪水区域和未洪水区域。另一方面，FP和False FN值（像素计数）表示错误预测的洪水区域或未洪水区域。图10展示了Landsat（蓝色）与HEC-RAS（红色）洪水区域的叠加图，分别对应0.2 MNDWI阈值和0.3 MNDWI阈值。图11显示了混淆矩阵，同样对应这两个阈值。对于0.2 MNDWI阈值，72%的像素正确预测了未洪水区域，而只有7%的像素正确预测了洪水区域；此外，9%的像素是误报，11%的像素未能正确预测洪水区域（见表3）。同样地，对于0.3 MNDWI阈值，75%的像素正确预测了未洪水区域，而只有6%的像素正确预测了洪水区域；在这种情况下，7%的像素是误报，12%的像素未能正确预测洪水区域（见表4）。使用0.2 MNDWI阈值的洪水淹没图总体准确率为79%（表3），而使用0.3 MNDWI阈值的准确率略微提高到81%（表4）。0.2 MNDWI阈值在分类约1,682平方公里的洪水区域时达到了79%的总体准确率；相比之下，0.3 MNDWI阈值在分类约1,378平方公里的洪水区域时达到了略高的81%准确率，并且精度值为0.46。使用Yen的最优阈值0.3得到的洪水总面积估计值更接近HEC-RAS模拟的约1,162平方公里的洪水面积，这为使用MNDWI数据通过Yen的优化方法分类洪水区域和未洪水区域提供了依据。然而，两个阈值的精度和召回率都低于50%，因为正确预测的洪水区域数量远少于正确预测的未洪水区域数量。

表3
| 预测未洪水区域（Landsat） | 预测洪水区域（Landsat） | 实际未洪水区域（HEC-RAS） | TN = 72% | FP = 9% |
| ------------------ | ------------------ | ------------------ | --------- | ------- |
| 实际洪水区域（HEC-RAS） | FN = 11% | TP = 7% | Recall = 0.37 | Precision = 0.42 | Accuracy = 0.79 |
| ------------------ | ------------------ | ------------------ | --------- | ------- |

表4
| 预测未洪水区域（Landsat） | 预测洪水区域（Landsat） | 实际未洪水区域（HEC-RAS） | TN = 75% | FP = 7% |
| ------------------ | ------------------ | ------------------ | --------- | ------- |
| 实际洪水区域（HEC-RAS） | FN = 12% | TP = 6% | Recall = 0.33 | Precision = 0.46 | Accuracy = 0.81 |

图12a中的传统ROC曲线展示了真阳性率（TPR）和假阳性率（FPR）之间的关系，用于比较两种不同MNDWI阈值（0.2和0.3）的性能。ROC曲线显示，在0.2阈值（蓝线）下TPR略有提高，而0.3阈值（绿线）下TPR提高得更快。0.2 MNDWI阈值的AUC（面积大于0.5）略高于0.3 MNDWI阈值（AUC = 0.63），表明0.2 MNDWI阈值的TPR增长速度超过FPR。然而，两个阈值之间的差异很小。AUC值大于0.5表示基于Landsat数据的不同MNDWI阈值得到的洪水地图在预测洪水区域方面比随机猜测更有效。这表明遥感洪水淹没地图可以区分洪水区域和未洪水区域，但仍需进一步改进以提高预测精度。此外，与HEC-RAS模拟的洪水地图相比，统计测试确认了两种基于Landsat的洪水地图的预测结果具有显著性，表明两者之间存在强相关性。如图12b所示，两种MNDWI阈值的平均精度为0.27，表明精度和召回率相对较低（见表3和表4）。同样，两个阈值的Kappa系数约为0.39，表明一致性一般，存在一些信号但错误仍然较多。

3.5 讨论
光学遥感数据，如Landsat图像，已被用于划定洪水区域，尤其是在微波遥感产品出现之前（Sanyal和Lu，2004；Pandey等人，2014）。然而，微波遥感产品的能力远超光学遥感产品，因为它们可以穿透云层获取地表反射率图像，从而更容易检测到洪水，而不会受到云层覆盖的干扰（Munasinghe等人，2018；Tellman等人，2021；Shivhare等人，2024）。由于Sentinel-1 SAR卫星数据在2015年中期以更高的空间和时间分辨率公开可用，因此该研究区域的大多数洪水制图评估都依赖于这些数据（Bhatt等人，2021；Bidroha等人，2022；Kumar等人，2024；2025；Shivhare等人，2024）。然而，由于本研究关注的是2008年的洪水事件，当时Sentinel微波数据不可用，因此使用了Landsat卫星图像进行分析。

制作2008年Koshi河洪水范围地图的一个主要限制是南亚季风期间云层覆盖频率较高。虽然主要决口发生在8月，但该地区在此期间通常经历接近完全的云层覆盖（>90%），这会在Landsat 5等光学数据集中引入显著的噪声和信号衰减。尽管使用了保守的10%云层覆盖阈值，但由于数据收集于夏季季风活跃期，拼接的Landsat图像仍显示出较多的云层覆盖。因此，本研究优先考虑了无云图像的获取窗口，得到了10月的清晰图像，这些图像满足了10%云层覆盖阈值，并且由于云层遮挡导致的遗漏误差最小。这种改进的图像质量是以错过8月的洪水高峰为代价的。尽管如此，Landsat仍然是少数几个在该研究期间提供地球表面实时图像的公开卫星产品之一，它仍然为洪水淹没制图提供了有希望的结果。

本研究在主要洪水事件发生约2个月后获取了Landsat图像，这限制了准确评估8月洪水范围的能力。这种延迟可能导致由于自然退水和蒸发而低估了洪水的峰值范围。还需要注意的是，随着南亚季风的消退，Koshi流域的水文状况在10月已经进入了退水阶段。因此，该时期捕捉到的洪水水体可能代表了剩余的淹没面积，而不是瞬时的峰值流量。此外，洪泛区内的浅层暂时性洪水很可能在10月卫星拍摄之前就已经蒸发或回流到河流系统中，这表明这种延迟可能低估了2008年决口事件的影响范围。然而，同样重要的是要注意，Koshi河在决口后数月内改变了流向，流经决口区域，导致该研究期间持续发生洪水，这一点在之前的研究中也有证据（Sinha，2009；Sinha等人，2013）。因此，分析10月的图像并不一定会降低事件评估的准确性。

光谱指数（如NDVI和MNDWI）的计算基于地表反射率值和阈值划分，因此在整个领域应用这些指数时，存在将洪水或未洪水像素错误分类到不同特征类别的高风险（Munasinghe等人，2018）。这种不一致性使得将图像分类为水域和非水域特征变得具有挑战性，从而导致错误和不确定性。这在研究结果中很明显，两个阈值的精度和召回率都低于50%，AUC仅略高于0.60。精度和召回率低于50%主要是由于卫星洪水图像中类别不平衡，即未洪水类别在研究区域占主导地位，导致洪水类别的代表性不足。较低的精度值表明假阳性淹没了洪水区域，而较低的召回率表明未能区分洪水特征与类似的非洪水特征（如阴影、城市暗面或暗色土壤）。这些发现表明，监督最大似然分类（Munasinghe等人，2018）可以提高洪水区域的分类准确性。

为了减轻云层干扰和大气扰动带来的挑战，对Landsat衍生产品和其他遥感数据集应用掩蔽和阈值处理方法显著改善了洪水淹没地图的质量（Acharya等人，2018；Mehmood等人，2021）。结果表明，本研究采用的方法相比使用观测流量数据的模型地图达到了81%的总体准确率。这种准确率水平表明，为洪水制图增强Landsat图像所采取的步骤提供了可靠的预测能力。然而，在某些区域仍存在对洪水区域和未洪水区域的过度估计和错误分类，这突显了使用Landsat数据进行更广泛和深入洪水评估的局限性。有趣的是，如表3和表4所示，该研究在检测未洪水区域方面比检测洪水区域更为成功。值得注意的是，洪水是由于决口和侵蚀而非溢出造成的，这一点很重要，因为使用水动力模型很难对这些事件进行建模。因此，基于遥感的技术为洪水制图提供了完美的替代方案。

另一个关键观察结果是，当MNDWI阈值为0.2时，计算出的总洪水面积约为1,682平方公里；而将阈值设置为0.3时，洪水面积减少到约1,378平方公里。如图8a和图8b所示，较高阈值导致的洪水面积减少表明噪声有所减少。应用阈值处理的一个缺点是无法确定被排除的区域中有多少是噪声，又有多少是实际洪水区域（Acharya等人，2018）。确定最佳阈值对于确保洪水范围地图的准确性和提供可靠的洪水制图结果至关重要（Acharya等人，2018）。因此，本研究使用了两种经过科学验证的统计优化方法来确定最佳MNDWI阈值，然后进行比较、进一步分析和评估。

使用遥感数据进行洪水制图时的一个重大挑战是，尤其是对于发生迅速且严重的突发洪水，卫星数据往往无法实时捕捉到洪水事件。卫星很难准确捕捉到洪水事件的确切时间，这会使得后续的制图工作变得复杂（Sanyal和Lu，2004）。这一问题在本研究中也很明显，因为决口发生后Landsat图像无法立即获得，从而将准确性评估限制在2个月后的地图上。因此，研究人员仍然严重依赖数值建模来评估洪水风险并生成淹没地图。当提供实时流量数据时，水动力模型可以提供近乎准确的洪水传播模拟，从而生成更准确和可信的洪水淹没地图。在本研究中，使用决口位置附近的观测流量数据进行2D水动力建模，以模拟洪水事件，提供接近最佳的洪水淹没区域估计，并验证遥感淹没地图的准确性。洪水建模步骤对于确保遥感洪水淹没地图的可信度至关重要。

Landsat衍生洪水地图与HEC-RAS 2D模拟之间存在差异的可能原因有几个。第一个因素可能是水动力模型对静态陆地变量（如地形、子网格尺度地形变化以及Koshi河巨扇区的复杂排水特征）非常敏感（Chakraborty等人，2010；Sinha等人，2013；Mishra和Sinha，2020）。这些因素可能导致洪水退水速度比2D浅水方程预测的要快。第二个因素可能是决口后2个月内重新生长的植被的光谱掩蔽效应不一致，导致MDNWI值被低估。这种光谱掩蔽效应使得基于Landsat的方法更容易产生假阴性结果，而不是假阳性结果。第三个因素可能是由于在模型参数化中结合Manning粗糙度系数和渗透率时存在不确定性，特别是在Koshi河巨扇区这种复杂土地覆盖变化的情况下，导致洪水到达时间的局部高估。因此，这些差异凸显了需要采用一种综合方法：利用卫星观测数据进行洪水范围测绘，同时依赖HEC-RAS模型来理解洪水的水力行为。将Landsat卫星获取的洪水地图与HEC-RAS 2D建模相结合，为应急规划人员提供了一种双层分析方法。应急洪水响应团队可以轻松使用这些现成的、经过优化的洪水地图来优先安排长期基础设施重建工作，并制定有效的洪水应对计划。本研究的另一个重要贡献在于它依赖于公开可用的全球数据集，从而使得所测试和验证的方法能够应用于其他数据稀缺的流域。值得注意的是，通过使用更先进的分类方法（如随机森林、最大似然法或其他机器学习技术）可以提高洪水测绘的准确性，这些方法可以作为未来的研究方向。

结论：遥感数据可以用于洪水测绘及相关评估。本研究利用一种卫星产品来绘制2008年比哈尔邦因科希河堤坝决口引发的洪水地图。研究采用了Landsat 5卫星的表面反射数据，并使用常用的水指数——修正归一化差异水指数（MNDWI）来进行洪水范围测绘。MNDWI是一种常用的基于Landsat 5表面反射数据的水体分类技术。归一化植被指数（NDVI）、永久性水体数据以及距最近排水口的高度（HAND）数据集被用来对MNDWI数据进行校正，以提高洪水范围地图的准确性。此外，通过对最终处理后的MNDWI数据应用不同的阈值（如0.2和0.3），可以获得更加精确和可靠的洪水范围地图。当使用0.2的阈值时，总淹没面积为1,682平方公里；而使用0.3的阈值时，总淹没面积为1,378平方公里。这一结果表明，随着地图噪声的降低，采用更高的MNDWI阈值会使得绘制的淹没区域减少。

进一步地，研究利用决口位置的观测流量数据建立了二维（2D）水动力模型，以模拟洪水事件，提供对洪水淹没区域的近似最佳估计，并通过不同的二分类评估指标来验证遥感淹没地图的准确性。在模型中定义的2D流区域内，使用0.2的MNDWI阈值时，总淹没面积为1,036平方公里；而使用0.3的阈值时，总淹没面积为846平方公里。通过2D建模得到的总淹没面积为1,162平方公里。使用0.2 MNDWI阈值的洪水淹没地图的整体准确率为79%，而使用0.3 MNDWI阈值的准确率略微提高到81%。然而，两个阈值的精确度和召回率均低于50%，因为正确预测的淹没区域数量远少于正确预测的非淹没区域数量。