一种新颖的变化均质化洪水指数与加速局部调优马尔可夫随机场模型用于Sentinel-1数据无监督农村洪涝水体检测：洪水影响评估应用

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A novel change homogenizing flood index and an expedited locally tuned Markov random field model for unsupervised rural floodwater detection in sentinel-1 data: An application to flood impact assessment

　　

摘要：由于全天候、全天时的数据采集能力，合成孔径雷达（SAR）遥感卫星在当今农村洪涝制图领域受到越来越多的关注。现有的SAR洪涝检测变化指数在计算洪涝变化时无法消除对参考后向散射值的依赖。为了解决这一根本性缺陷，本研究提出了一种非监督农村洪涝检测方法，该方法通过两个主要步骤生成洪涝范围图。第一步，提出了一种新颖的变化均质化洪涝指数（CHFI），通过大幅降低上述依赖，减少洪涝变化模式的不均匀性。第二步，开发了一种快速局部调优马尔可夫随机场（ELTMRF）模型，在合理时间内将CHFI划分为洪涝和非洪涝类别，同时保持边界精度。最后，为评估洪涝对不同土地利用/土地覆盖（LULC）类别的影响，首先使用随机森林分类器生成洪涝受灾区域的LULC图，然后与基于ELTMRF的洪涝范围图进行叠加分析。在本研究中，收集了Sentinel-1和Sentinel-2的八次洪涝事件数据，分两个阶段开展实验：（1）评估CHFI与现有变化指数（CI）的对比效果，以及（2）将ELTMRF与最先进（SOTA）的非监督洪涝检测方法进行比较。实验结果表明，所提出的CHFI增强了与洪涝相关的变化的均质性，同时建立了非洪涝和洪涝类别之间令人满意的对比度。因此，该方法获得了约88%的平均F值，与现有CI相比展现出最具泛化性和优越的性能。ELTMRF模型在保持洪涝目标边界的同时，分别在精度和运行时间上较先前的基于MRF的模型提高了约5.69%和41.6%。此外，结合CHFI和ELTMRF的所提方法达到了84.98%的平均IoU，与非监督和有监督洪涝制图方法相比分别展现出约12%和9%的显著优越性。关于对土地利用类别的影响，分析表明，在所有情况下，农田和道路是受洪涝影响最广泛的两类。因此，结合CHFI和ELTMRF的所提非监督农村洪涝检测方法为双时相SAR数据中的洪涝区域检测提供了一个高效框架，在保持合理计算时间的同时实现了高精度。数据集及所提洪涝制图方法的模块将在https://github.com/AminMohsenifar/CHFI-ELTMRF上公开。

引言：洪涝作为全球范围内数量和强度逐年增加的自然灾害，对生命、经济、基础设施、农业区域和生态系统造成了巨大损害（Farhadi et al., 2025, Addabbo et al., 2016, Li et al., 2019, Rosser et al., 2017, Ulloa et al., 2022）。因此，及时提取洪涝区域对于灾害管理、洪涝影响评估和救援行动至关重要（Feng et al., 2015, Li et al., 2024, Li et al., 2025）。在此背景下，卫星遥感（RS）作为一种具有广阔空间覆盖范围和重复观测能力的低成本工具，能够实现洪涝区域的持续制图（DeVries et al., 2020, Farhadi et al., 2022, Marjani et al., 2024）。与在多云天气下受限的光学遥感卫星不同，SAR遥感卫星凭借其全天候、全天时成像能力，是大型区域近实时洪涝制图的理想工具（Cao et al., 2019, Garg et al., 2024, Hostache et al., 2012）。

考虑到水面的镜面散射导致低雷达后向散射，农村地区的洪涝水体在SAR图像中通常呈现为暗色（Schlaffer et al., 2017, Zhuang et al., 2025a）。根据这一原理，已部署了多种洪涝制图方法，通常可分为有监督分类（Thapa et al., 2022）、阈值分割（Surampudi & Yarrakula, 2020）、分割（Sui et al., 2018）、深度学习（Saleh et al., 2024, Tahermanesh et al., 2025）和变化检测（CD）类别（H. Feng et al., 2022）。其中，比较洪涝前（pre-flood）和洪涝期间（co-flood）获取的SAR图像的变化检测技术能够大幅减少类似水体区域（如阴影区域）的误差（Giustarini et al., 2013; Y. Li et al., 2018, Shen et al., 2019）。特别是，非监督变化检测（UCD）对洪涝区域不依赖任何先验信息，因为它不需要训练数据，能够实现运营级别的近实时洪涝识别（Bazi et al., 2005, Giustarini et al., 2013, Martinis et al., 2011）。UCD技术通常包括（1）预处理、（2）变化指数（CI）构建和（3）二值CI分割（Bruzzone and Prieto, 2002, Wang et al., 2020, Zhang et al., 2021）。

传统的洪涝制图CI包括比值（Vekaria et al., 2023）、对数比值（Bovolo and Bruzzone, 2007, Li et al., 2018, Lu et al., 2014）、均值比值（Gong et al., 2012）、差分（Kim and Lee, 2020, Long et al., 2014, Natsuaki and Nagai, 2020, Samuele et al., 2022）和归一化差分（Amitrano et al., 2018, Cian et al., 2018, Martinis et al., 2011, Nico et al., 2000, Vanama et al., 2021）。由于CI是通过将洪涝后的SAR图像与洪涝前的图像进行数学比较而构建的，参考后向散射（即洪涝前SAR图像中的后向散射值）直接影响洪涝变化的幅度和模式。具体而言，较低的参考后向散射值（更接近洪涝水体后向散射值）会产生比中等至高参考后向散射值所得到的更弱的洪涝变化。以此方式，不同参考后向散射值的区域可能在所生成的CI中产生不均匀的变化模式，可能导致弱变化在CI分割时被忽略。这是从SAR数据进行CI驱动的洪涝变化检测时的一个主要的固有局限，以下称为参考后向散射依赖（RBD）问题。

关于上述CI，由于差分依赖于相对后向散射变化和参考后向散射（Bovolo & Bruzzone, 2007），与比值和均值比值CI相比，它更受RBD问题的影响，表现出更多样化（不均匀）的洪涝变化模式（Bovolo and Bruzzone, 2007, Mehravar et al., 2023）。与差分不同，比值主要依赖于相对后向散射变化，使其受RBD问题的影响较小。然而，比值、均值比值和归一化差分CI中的比率运算算子对弱变化过于敏感，可能导致洪涝图中出现大量过度检测（即假阳性）。在非监督变化检测中，对数标度比值图（即对数比值LR）通常优于简单比值。虽然LR抑制了斑点噪声，但由于压缩了变化变异，它削弱了高幅度洪涝变化（Bovolo & Bruzzone, 2005）。此外，对数运算算子将比值图像转换为两个对数变换SAR幅度图像的差分，使LR变为基于差分的CI，其对RBD问题更为敏感。因此，这些局限可能导致LR生成的洪涝范围图遗漏或过度检测部分淹没像元。

近年来，以不同方式融合单一CI已成为提供互补变化信息的有效工具。值得注意的是，Gong等（2012）和Hou等（2014）利用离散小波变换（DWT）图像融合技术将不同单一CI与LR进行整合。相比之下，Zheng等（2013a）采用线性整合方法将差分和対数比值CI结合。Mehravar等（2023）采用各种数学算子整合了三种CI，包括归一化差分洪涝指数（NDFI）、対数比值和均值比值。Mohsenifar等（2025）通过将近洪涝图像纳入融合过程，改进了Gong等（2012）提出的融合CI，以增强非洪涝和洪涝类别之间的对比度。

在第三步中，迄今为止用于分割CI的算法包括阈值法（Bazi et al., 2005, Long et al., 2014）、聚类（Giustarini et al., 2015, Zheng et al., 2013b）和基于马尔可夫随机场（MRF）的方法。阈值法和聚类方法无法将变化强度信息与空间上下文相结合，要么导致噪声变化图（Fang et al., 2022a），要么遗漏部分变化像元。相反，MRF是一种广泛应用于UCD文献的概率算法，因为它能同时整合强度信息和空间邻域（Gong et al., 2014, Li et al., 2016, Liu et al., 2008, Martinis et al., 2011, Touati et al., 2020, Wang et al., 2023, Wei et al., 2019）。然而，传统MRF是耗时模型（Yang et al., 2019），并以固定的空间权重（即平滑度）对整个CI进行分割，由于过度平滑问题，导致变化图损害精细变化结构（如边缘像元）。到目前为止，已有多项有价值的尝试通过引入超像素概念和基于不确定性或边缘信息驱动的惩罚模块来解决过度平滑问题（Gu et al., 2017, Hao et al., 2013, He et al., 2015, Hao et al., 2020, Fang et al., 2022b, Mohsenifar et al., 2021）。

尽管先前的基于UCD的洪涝检测研究取得了可喜成果，但仍有一些问题和空白尚未解决，需要适当处理。首先，现有CI在衡量洪涝相关变化时无法补偿对参考后向散射的依赖，这可能产生不均匀的变化模式。此外，其中一些方法在融合过程中直接整合单一CI，而未在融合期间对两者分别进行增强，可能导致背景区域出现假阳性。其次，传统MRF计算繁重，且先前的研究通过添加惩罚项进一步增加了这种复杂性，而未解决效率问题，使得改进后的MRF更加耗时。第三，大多数基于MRF的研究采用全局平滑度调节惩罚算子，通过将CI或CI驱动特征的像元值与固定原点进行比较来估计惩罚系数。因此，它们可能使模型仅在幅度接近原点的像元处表现良好，而在图像的其他部分表现不佳。此外，先前的惩罚项在整个图像的所有边界像元附近减少平滑度，无论这些边界是真实的还是源自淹没区域内弱洪涝变化。接近高幅度洪涝变化的弱（低幅度）洪涝变化源于局部变化的（不均匀）参考后向散射，这可能在不均匀变化区域内产生虚假、不规则的边缘和边界。通过在这样一个区域上减少平滑度，先前改进的MRF模型可能遗漏洪涝像元，在洪涝范围图中表现为假阴性（FN）。最后，大多数改进的MRF是为光学变化检测开发的，其惩罚算子忽略了洪涝后向散射信息，这可能对基于SAR的洪涝制图适应性有限。

为应对上述局限和空白，本研究提出了一种新型非监督洪涝水体检测方法，依赖于新的变化均质化洪涝指数（CHFI）和快速局部调优MRF（ELTMRF）模型。更具体地说，本研究的核心贡献如下：

1. 提出了一种新的变化均质化洪涝指数（CHFI），该指数在融合过程中自适应地修改单一CI，并纳入了一个概念新颖的模块，即洪涝变化均质化调节器（FCHR），通过减少洪涝相关变化的不均匀性来缓解RBD问题。

2. 提出了一种新颖的区域自适应局部边缘惩罚（RALEP），用于解决洪涝区域边界处的过度平滑问题，同时处理位于内部区域（IR）中的虚假边缘。

3. 与先前的改进MRF不同，ELTMRF专门针对基于SAR数据的洪涝制图而开发，整合了两个信息源，包括洪涝变化信息和洪涝后向散射信息。

4. 所提ELTMRF采用了分块优先级驱动策略（BPS）和快速图像级邻域提取（FINE）技术，以快速生成洪涝图。

本研究的其余部分组织如下：第2节阐述了所提洪涝水体制图方法的细节，并描述了本研究的研究区域和使用的数据集。第3节展示了实验结果并对八个数据集的结果进行了广泛讨论。最后在第4节对研究进行总结。

方法节选 所提洪涝检测方法

根据图1，总体上，本研究包含三个主要步骤：（1）计算自适应融合的变化均质化洪涝指数，（2）使用快速局部调优MRF生成洪涝图，（3）评估洪涝对不同土地利用和土地覆盖类别的影响。

**第一步**中，引入了一种新颖的概念——即洪水变化均质化调节器（Flood-Change Homogenizing Regulator, FCHR），以增强不均匀区域上的洪水相关变化。**第二步**中，采用了一种改进的边缘敏感、快速MRF模型。

### 实验设置与参数敏感性

所提出的方法包含四个关键影响参数，包括NDWI阈值（$\tau_W$）、FCHR中的金字塔层级数（$L_R$）、ELTMRF中的空间权重（$\beta$）以及ELTMRF中的金字塔层级数（$L_M$）。在此部分，为了定量考察这些参数对所提方法性能的影响，进行了两类敏感性分析，包括单参数一次调参实验和两两交互实验。此外，前述关键参数的考察方式如下：

### 结论

本研究提出了一种基于新型变化均质化洪水指数（CHFI）和加速局部调优MRF（ELTMRF）模型的无监督洪水检测方法。CHFI由两个主要项组成，包括自适应变化融合器（ACF）和均质化项。ACF通过根据对数比率（LR）和归一化差值洪水指数（NDFI）各自的局限性进行自适应加权，提供主导性洪水变化。均质化项则建立在一种名为"洪水变化均质化调节器"的新颖概念基础之上。

### 数据可用性

原始Sentinel-1和Sentinel-2数据可从其各自的数据提供商处公开获取。此外，本研究使用的数据集及所提洪水检测方法的模块将在 https://github.com/AminMohsenifar/CHFI-ELTMRF 上开放。

### CRediT作者贡献声明

**Amin Mohsenifar**：写作——审阅与编辑、写作——原稿撰写、可视化、软件、方法论、调查研究、形式化分析、数据管理、概念构思。

**Ali Mohammadzadeh**：写作——审阅与编辑、监督指导、方法论、调查研究、概念构思。

**Armin Moghimi**：写作——审阅与编辑、可视化、方法论、调查研究。

**Sadegh Jamali**：写作——审阅与编辑、监督指导、调查研究。

### 资金支持

本项研究未获得任何资金支持。

### 利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

### 致谢

作者衷心感谢伊朗德黑兰卡米尔·纳迪·图西科技大学的LiDAR研究实验室。同时，感谢欧盟ICM Erasmus+项目资助Amin Mohsenifar于2024年2月至2024年7月期间访问瑞典隆德大学为期6个月。此外，本工作部分由伊朗国家科学基金会（INSF）提供支持。

Amin Mohsenifar | Ali Mohammadzadeh | Armin Moghimi | Sadegh Jamali