利用航空影像和数字地形模型的无监督式灾后城市静止洪水深度估算

《Remote Sensing》：Unsupervised Estimation of Post-Event Standing Urban Floodwater Depth Using Aerial Imagery and Digital Terrain Models

　　

洪水深度（floodwater depth）的准确估算对于灾害管理至关重要，但传统上依赖于数据密集型的水动力模型（hydrodynamic models）或受限于标注数据需求的监督式深度学习（supervised deep learning）。为突破这些瓶颈，研究人员提出了一种完全无监督、无需训练（training-free）的框架，用于利用灾后遥感影像和数字地形模型（Digital Terrain Models, DTMs）快速估算静止或缓慢退水的残余洪水深度。首先，通过改编现有针对无人机（UAV）影像的无监督颜色分割算法自动生成二值洪泛范围图。其次，基于静水压力平衡（hydrostatic equilibrium）原理，通过整合提取的洪泛足迹与底层DTM计算洪水深度。该框架通过在Inundation2Depth数据集上的评估，该数据集包含美国东南部受飓风马修（Matthew）和佛罗伦萨（Florence）影响的12个城市和城郊区域。所有实验地点的结果表明，该框架具有可行性，分割F1分数（F1-score）在63%至96%之间，绝对洪水深度均方根误差（RMSE）在明确定义的流域中为0.16米，在高遮蔽区域中为1.69米。该框架绕过了手动标注和特定任务训练的需求，提供了一种可扩展、可快速部署的一阶洪泛制图和深度估算解决方案。其计算效率使其能够在标准中央处理器（CPU）硬件上数秒内执行，非常适合时间紧迫的现场应急响应。

**论文解读：利用航空影像与数字地形模型的无监督式城市静止洪水深度估算**

**研究背景与问题**

全球气候变化、快速城市化及土地利用变化导致城市洪水频发，严重威胁生命财产安全。准确的洪水深度估算对于灾害应急响应、损失评估和资源分配至关重要，但传统方法依赖高计算成本的水动力模型（如LISFLOOD、MIKE FLOOD）或需要大量标注数据的监督式深度学习（如卷积神经网络CNN）。在灾后快速响应场景中，获取高质量标注数据几乎不可能，且模型在不同流域间的泛化能力受限。为克服这些瓶颈，研究人员提出了一种完全无监督、无需训练数据的框架，用于估算城市静止或缓慢退水阶段的洪水深度，论文发表在《Remote Sensing》。

**研究内容与结论**

研究人员利用美国东南部卡罗来纳州受飓风马修（2016年）和佛罗伦萨（2018年）影响的12个城市及城郊区域（Inundation2Depth数据集）的高分辨率灾后航空影像（约0.25米）和激光雷达（LiDAR）衍生的数字地形模型（DTM，1米分辨率），开发了一个两阶段无监督框架。结果表明，该框架能在无需任何标注数据的情况下，自动生成洪泛范围图并估算洪水深度，分割F1分数达63%–96%，绝对深度均方根误差（RMSE）在0.16米（明确定义流域）至1.69米（高遮蔽区域）之间，计算效率极高（平均8.83秒/流域，仅用CPU）。该研究的重要意义在于提供了一种可扩展、快速部署的灾后一阶洪水制图与深度估算方案，特别适用于数据稀缺的紧急响应场景。

**主要关键技术方法**

1. **无监督洪泛范围分割**：基于UFS-HT-REM框架，通过RGB植被指数（RGBVI，阈值0）、CIELAB颜色空间（L、A、B分量自适应阈值）、Canny边缘检测等生成背景排除掩码，再利用欧几里得距离变换对潜在洪水区域进行空间加权，估计洪水主导光谱特征，最后通过滞后阈值（高阈值0.95，低阈值0.05）进行概率图分割，获得二值洪泛范围图。
2. **基于DTM的静水压力深度估算**：将洪泛范围视为多个8连通分量，对每个分量提取边界像素的最大高程（Equation 6）和平均高程（Equation 7），计算基于最大和平均高程的两种深度估计（Equation 8、9），再以等权重（w=0.5）线性组合得到深度，最后经高斯平滑（σ=3）消除局部不连续。

**研究结果**

**6.1 洪泛区域分割性能**：利用无监督分割算法，在所有12个站点中，最高F1分数出现在HancheysStore（0.9631）和Chinquaqin（0.9177），精度和召回率分析表明方法具有保守性（高精度），但在Kinston1和Goldsboro2因视觉碎片化和遮挡导致召回率较低（约50%），整体像素精度超过87%（10/12站点）。

**6.2 洪水深度估算性能**：以最大归一化均方根误差（nRMSE）为主要指标，Princeville等站点nRMSE低于0.17，表现最佳；中间站点（如Lumberton）平均nRMSE约0.176；最差站点Goldsboro2的nRMSE为0.2514。误差分析表明，2D分割精度与3D深度误差间存在非线性关系，边界地形梯度而非全局分割质量是主要误差驱动因素。

**6.3 定性分析与深度误差映射**：通过六个代表性站点的对比图（图6），显示最佳案例（Princeville、Goldsboro1）的深度图与真实值高度吻合；中部案例（Nichols、Greenville1）因边界遗漏导致局部误差增大；最差案例（Wallace、Goldsboro2）因严重分割遗漏或DTM伪影导致深度误差显著。

**6.4 参数敏感性研究**：RGBVI阈值（0）、滞后阈值（高0.95、低0.05）及权重系数（w=0.5）的敏感性分析表明，这些固定先验参数在数据集中均接近最优，验证了框架的无标定鲁棒性。

**6.5 拓扑与形态驱动因素**：深度误差与距植被/不透水边界距离呈非线性衰减（前2–5米误差最高）；与洪水分量面积、边界高程范围及Hausdorff距离的相关性分析表明，误差主要源于边界处局部地形异常，而非全局分割位移。

**6.6 比较评估**：与孤立深度模块（TE-Proposed）、基于粒子群优化（PSO）的基线（AE-PSO、TE-PSO）及洪水深度估算工具（FwDET v2.1）对比。本框架在多数站点与PSO优化基线性能接近（偏差<10%），且显著优于FwDET（所有站点均优于AE-FwDET，10/12站点优于TE-FwDET），同时计算时间仅为FwDET的7%左右。

**讨论与结论**

讨论部分指出，框架性能高度依赖输入数据质量：光学影像中的阴影、植被遮挡、混浊水体的低光谱对比度会导致分割遗漏，进而影响深度估算；DTM中的残余建筑足迹或植被伪影会引入错误垂直参考。此外，静水压力假设仅适用于静止或缓慢退水洪水，不适用于快速流动或排水活跃的场景。未来方向包括：发展端到端无监督或自监督深度学习（如对比学习、物理引导神经网络），融合多源传感器（如合成孔径雷达SAR、近红外/短波红外波段）以克服光学限制，以及通过生成式数据增强提高跨区域泛化能力。

**研究结论翻译**：本研究提出了一种完全无监督、无需训练（training-free）的框架，通过整合灾后航空影像与数字地形模型（Digital Terrain Models, DTMs），用于城市及城郊环境中静止洪水深度的快速估算。该框架绕过了手动标注或特定任务训练数据的瓶颈，利用局部地形约束和静水压力平衡（hydrostatic equilibrium）物理原理处理洪水的复杂空间特征。在Inundation2Depth数据集的12个异质性流域进行的实验验证展示了区域空间鲁棒性。通过自动提取光学条件清晰条件下的可操作洪泛边界，消除了手动掩码修正的需求，该框架生成了空间一致且物理合理的深度估计。此外，连续的逐像素评估表明，该方法为数据密集的监督式基线提供了一种高度可扩展且计算高效的替代方案，而后者通常依赖于稀疏的基于点的验证。然而，广泛的实验评估也建立了一个关于多模态传感器依赖性的关键架构见解：无训练管道的性能与输入航空影像和激光雷达（LiDAR）地形数据的基线质量在结构上耦合。由于几何深度模块依赖于在检测到的水平水陆界面处精确采样地形点，光学影像中的任何视觉模糊性（如建筑物阴影、密集植被冠层、云层覆盖或高度混浊水体中的光谱对比度不足）都可能导致导致边界定位的显著遗漏误差。此外，当这些水平差异与底层DTM中的陡峭高程梯度对齐时，它们会向基于静水压力的深度估算模块引入人为的垂直参考。至关重要的是，隔离深度模块揭示了一个反直觉的动态：由于时间错位，完美的2D真实边界并不能保证最优的3D深度。因为真实掩码通常代表历史峰值洪水，它们迫使地形采样进入高海拔、富含伪影的地形。相反，无监督方法映射了灾后影像中可见的同期退水水线，自然地将采样像素缓冲远离这些噪声历史边界，通常产生更可靠的深度估计。这种依赖关系并非暴露物理建模阶段的缺陷，而是强调无监督洪泛制图的优化固有地受限于原始输入数据的保真度，凸显了在快速灾害响应制图期间对高分辨率、清晰且准确数据馈送的需求。最后，推导深度图的物理有效性从根本上受限于静水压力平衡假设。虽然对静止或缓慢退水非常有效，但框架的准确性在动态水力场景（如陡峭地形上的快速山洪或主动局部机械排水城市盆地）中会降低，这些情况破坏了假设的水平水面。为解决这些源于在庞大的8连通河流网络上应用恒定静水压力参考水平的物理限制，未来迭代将研究空间变化的参考表面，例如沿大连接分量纵轴实现距离加权插值或坡度拟合多项式平面，以考虑真实的下游水面坡度，防止活跃河道上下游端出现的系统性深度偏差。