多源SAR数据驱动的中国东部沿海地区洪水淹没制图与洪水风险评估——以连云港市东海县为例

《Progress in Energy and Combustion Science》：Multi-source SAR data-driven flood extent mapping and flood risk assessment in the coastal area of east China: A case study of Donghai County, Lianyungang

　　

洪水是全球最频繁且破坏力最强的自然灾害之一，然而针对中国东部中小尺度县域流域的研究仍相对匮乏。本研究以江苏省连云港市快速城市化且河网密集的东海县为研究区，探讨利用多源合成孔径雷达（SAR）数据进行洪水淹没制图与风险评估。研究对比了四种洪水提取方法（随机森林、支持向量机、面向对象分割、K-means），其中随机森林法精度最高（总体精度＝94.03%，F1-score＝0.93）。研究人员利用该方法，通过多源SAR数据（Sentinel-1A、GF-3、巢湖一号）捕捉了2024年7月洪水的时空动态：淹没面积从100.5 km2扩展至291.9 km2，东部及东南部低地发生严重洪水。土地利用分析显示耕地受影响最重（占淹没面积的87.13%），其次为建设用地（11.90%）。研究人员通过基于经验正交函数（EOF）的变率分析及非参数趋势检验对长期降水数据（1901–2023年）进行分析，揭示出汛期降雨呈微弱的局地异质性上升趋势。基于高度Above Nearest Drainage（HAND）模型的风险评估表明，87%的淹没区域位于极高/高风险区。研究结果表明，融合多源SAR、机器学习、水文气候背景及地形分析有助于洪水监测，可为中国东部沿海平原地区的防洪减灾与风险管理提供支撑。

论文主体解读

研究背景与意义

洪水是全球频发且破坏严重的自然灾害，尤其对人口密集区影响深远。合成孔径雷达（Synthetic Aperture Radar, SAR）因其全天候、全天时及穿透云层的能力，成为洪水监测的重要工具。尽管中国长江、珠江等大型流域的SAR洪水监测研究已较为成熟，但针对东部沿海特别是江苏小型中等流域的研究仍较稀缺。这些小流域具有空间尺度有限、水文响应迅速、影响因素复杂等特点，其预警系统常面临监测精度不足、实时性差和数据获取滞后等瓶颈。东海县位于江苏省东北部，属沂沭泗河流域下游“洪水走廊”，地势西高东低，河网密布，受台风及上游来水影响，短历时强降雨极易引发内涝。为填补SAR技术在东部沿海中小流域洪水监测中的应用空白，研究人员以东海县为案例，结合多源SAR数据、机器学习、长期水文气候分析及地形指数模型，开展洪水淹没动态制图与风险评估研究，相关成果为类似小流域的防灾管理提供科学参考。论文发表于《Progress in Energy and Combustion Science》。

主要关键技术方法概览

研究人员选用2024年7月东海县短历时特大暴雨事件为研究对象。所用卫星数据包括Sentinel-1A（C波段，VH极化，洪前/后）、GF-3（C波段，HV极化，汛中）及巢湖一号（C波段，VV极化，汛中），空间分辨率统一重采样至10 m并进行辐射归一化（以GF-3为基准进行直方图匹配）。为提取洪水，并行测试四种方法：随机森林（Random Forest）、支持向量机（SVM）、面向对象影像分析（OBIA）及K-means聚类，以独立验证集评估精度（总体精度、F₁-score、错分与漏分误差），最终选取最优模型进行淹没制图。研究人员将最优结果与Esri 10 m土地利用数据叠加，统计不同用地类型的淹没占比。水文气候背景方面，采用1901–2023年1 km月度降水数据，通过经验正交函数（EOF）分解提取主导空间模态，并结合Sen's Slope与Mann–Kendall（MK）检验分析汛期（6–8月）长期趋势。洪水风险评价基于12.5 m分辨率DEM，经洼地填充、D8流向与流量累积计算提取河网，构建最近排水高程差（Height Above Nearest Drainage, HAND）模型，按HAND值划分极低/低/中/高/极高风险区，并将SAR提取的实测淹没范围叠加验证。

研究结果

3.1 不同方法的洪水水体提取结果与精度比较

研究人员在典型子区（耕地、河流–道路交汇带、自然河流、水库）对比四种方法。随机森林与SVM在水边界连续性和细节保留上更稳定，总体精度分别为94.03%和93.92%，F₁-score均为0.93。随机森林的错分误差（1.61%）与漏分误差（10.47%）略低于SVM，显示出高维特征下更强的抗噪与泛化能力。面向对象法（OBIA）在大体量规则水体（如水库）上边界完整，但总体精度稍低（90.78%），错分误差较高（8.02%），其性能敏感依赖于分割尺度与目视解译阈值，对小碎斑水体易过/欠分割。K-means虽计算高效，但易将低后向散射的非水体（道路阴影等）误分为水，总体精度最低（87.64%），错分与漏分误差分别达10.33%和12.60%。综合各指标，随机森林表现最优，被选为后续洪水提取的主方法。

3.2 洪水淹没时空动态制图

多源SAR捕捉到洪水演进过程：7月1日（洪前）永久水体面积100.5 km²；7月8日极端降雨下，东部及东南部围绕贺庄水库出现大面积内涝，水体骤扩至286.8 km²（较洪前增约1.85倍）；7月9日总面积微升至291.9 km²，但空间上贺庄周边大水面消退，东及东南低地持续扩展；7月13日退至124.4 km²。乡镇统计显示平明镇最受冲击（从7月1日2.5 km²增至9日42.5 km²）。河网扩张与溢出使新增淹没区与原河道、水库连片，上游来水与下游高水位顶托共同加剧泛滥。研究人员也指出，SAR重访周期限制可能遗漏短时峰值，城市快速消长的水体易被低估，建议融合更高频遥感或地面观测。

3.3 土地利用受洪水影响分析

东海县景观以耕地为主导，水体以河流水库为主，建设用地集中分布于县城中心。叠加分析显示，洪水主要影响耕地（淹没243.8 km²，占总量87.13%），其次为建设用地（33.3 km²，11.90%）。郊区建设用地因透水面与耕地交织、排水网稀疏，短时强降雨下易形成持续连片积水；高度开发的县城中心凭借较完善排水系统快速排至周边河道，一日内外围（如贺庄附近）大水面速退，但可能加大下游低洼居民区风险。这与全球耕地洪水暴露度高及中国城市防洪调节服务（Urban Flood Regulation Services, UFRS）下降趋势相吻合，也反映流域下游顶托效应。研究认为土地用途转换是内涝风险上升核心驱动，规划中需刚性保护防洪调蓄空间。

3.4 不同传感器特性对洪水监测的适应性与影响讨论

C波段SAR因数据可及性被广泛应用，但波长和极化等传感器差异会带来偏差。空间分辨率与幅宽存在权衡：中等分辨率（10 m）可宏观快测，但难以精细捕捉城中村、关键基础设施周边小尺度积水。城市区域建筑阴影、二次反射等使完全淹没区后向散射降低、部分淹没建筑双 bounce增强，加上中分辨率限制，洪水信号易被掩盖，通常需干涉相干性补充。极化方面，交叉极化（VH/HV）对水体更敏感且 speckle噪声较低，GF-3的HV与Sentinel-1的VH在洪水中应用更广；巢湖一号所用VV极化对粗化水面（风、雨）敏感，后向散射增强，易低估淹没范围。入射角过大可提升水土对比但增加阴影，过小易引起几何失真（前缩），中等入射角通常为优。研究人员指出，跨传感器联合可互补时空缺口，但需辐射归一化以减少系统偏差。

3.5 降水长期时空分布与趋势特征

EOF分解显示，1901–2023年东海县降水变率第一模态（EOF1）解释99.2%方差，空间载荷近乎一致，时间系数呈显著年际振荡叠微升趋势，表明全县汛期降水受大尺度环流（东亚夏季风）协同控制。第二模态（EOF2）仅占0.5%，呈西负东正偶极结构，时间系数无明确线性趋势，代表特定时段弱化的东西再分配。结合Sen's Slope与MK检验：全县格点β>0（均呈上升趋势），但空间上中南段增幅较强，西部丘陵及东部边缘平原较弱；MK统计量多为正，仅南部局部达95%置信（Z_MK≥1.96），全县仅15.6%面积属“显著上升”，84.4%为“无显著变化”，无显著下降区。这表明虽然背景趋势微弱，但局部敏感区洪水概率潜在升高，需持续警惕。

3.6 基于HAND模型的洪水风险空间分布

DEM显示东海县西高东低，超50%像素高程0–20 m。取流量累积阈值8000提取河网，计算各像元到最近排水像元的高差（HAND）。HAND统计中0–1 m区间占近半（46.26%），整体右偏。按HAND≤1 m（极高）、1–3 m（高）、3–5 m（中）、5–10 m（低）、>10 m（极低）分级，风险区面积占比分别为43.2%、23.5%、11.3%、13.4%、8.4%。将SAR洪泛区叠加后发现，68.5%的淹没面积落在极高风险区，18.4%在高风险区，中低及极低风险区合计约12.8%。这验证了低HAND（近排水道且相对低洼）对实际洪泛位置的控制作用。研究人员也指出，河网提取阈值依赖DEM分辨率与地貌，HAND为静态地形指数，未考虑城市人工排水及水动力过程，分类阈值尚待多事件校准，未来可耦合二维水动力模型（如HEC-RAS 2D、LISFLOAT-FP）提升物理一致性。

讨论与结论翻译总结

讨论部分指出，研究通过融合多源SAR、机器学习、长期降水趋势及HAND模型，描绘了东海县2024年汛期洪水的时空演变与风险格局。随机森林在洪水检测中鲁棒性最强；东部及东南部低地为主要受灾区，耕地受淹最重；汛期降水呈微弱局地上升；HAND模型划分的高风险区与实测淹没空间一致。历史上东海县倚重众多水库兼顾资源调配与防洪屏障，研究提供的空间信息可辅助决策者优化工程布局与适应规划。局限性在于单事件多源SAR仍难完整覆盖洪水全进程，中分辨率对城中微尺度积水捕捉有限，跨传感器解释存异，HAND静态假设未涵盖人工排网与水动力，降水趋势分析未直接量化洪水频率变化。未来可通过高时高频SAR序列、光学与无人机数据融合、更深网络模型、更高分辨率SAR及耦合水动力模型，迈向全过程动态应急监测，并系统建立极端降水指标与洪水频率的联系，以支撑精细化防洪管理。

结论部分核心要义

研究人员总结：通过整合多源SAR数据、机器学习算法、长期降水趋势及HAND模型，系统完成了中国东部沿海中小流域（东海县）2024年汛期洪水淹没制图与风险评估。随机森林模型在洪水检测中表现最优，有效捕捉了洪水时空动态；县域东部及东南部低地发生严重内涝，耕地为最易受灾用地类型，与沿河低洼分布一致；区域汛期降水均值呈微弱上升趋势，或助推极端降水强度变化；基于HAND模型的风险图将极高风险与高风险区集中于县域东部，与SAR观测的洪泛范围吻合。研究表明，遥感耦合水文气候与地形建模可改进洪水监测。东海县众多水库既是水资源调配核心，也是区域防洪体系关键，研究生成的空间信息可协助决策者优化防洪措施、基建投入及适应规划。未来通过高时频多时相SAR序列、光学与无人机数据融合、高分辨率SAR及先进深度学习，并耦合水动力模型弥补HAND静态局限，有望实现全过程洪水演化动态监测，为应急决策与精细化管理提供更可靠的科学支撑。