洪涝灾害对人类生产生活所造成的恶劣影响在全球范围的自然灾害内始终居于前列。重大洪涝灾害往往是由高强度降雨导致，具体表现为洪水、内涝的复杂结合，具有空间分布范围广、灾害持续时间长、下垫面承灾体类型复杂、经济损失大等特点^[1-3]。近年来，我国极端天气的出现频率显著增加，据应急管理部统计，全国十大自然灾害中洪涝灾害的数量从2019年的3个上升为2020的6个，影响程度亦大幅增加^[4-5]。

随着卫星遥感技术的快速发展，遥感与GIS技术在洪涝灾害监测中的应用愈发深入^[6-8]，已逐渐成为灾害期间获取灾情信息的重要手段。然而，光学遥感极易受到洪涝灾害时阴雨天气的影响，且数据的重访周期较长，难以实现灾情的高频次有效监测。雷达遥感数据具有全天时、全气候成像的优势，在洪涝灾害监测与评估工作中受到较多国内外学者的青睐^[9-11]。Brivio等^[12]应用雷达卫星数据和数字地形数据估测洪峰时期的洪水淹没区域，克服了SAR数据在应用上的时间分辨率限制；Oberstadler等^[13]运用航空影像和地球资源卫星1号(ERS-1)合成孔径雷达数据，对莱茵河流域洪涝灾害中的洪水边界进行划分，并以此进行了受灾地区的洪水制图；Guo^[14]利用机载L波段合成孔径雷达，对1998年长江流域特大洪涝灾害进行相关监测与制图，并绘制洪水淹没面积，对受灾农田、城镇、居民地等进行了统计；Uddin等^[15]利用Sentinel-1号雷达数据和Landsat-8号光学数据对孟加拉国2017年的洪涝灾害进行动态的监测与制图；Gao等^[16]利用MODIS、Landsat7 ETM+、GF-1 WFV4以及Sentinel-1等多源遥感数据对2016年湖北省举水流域的暴雨洪涝灾害进行淹没范围时序监测，能够动态地展现洪水演进过程。

洪水淹没历时是洪涝灾害损失评估的关键变量，目前多采用人工调查的方式获取^[17-19]，难以准确估算，随着雷达卫星遥感数据的逐渐丰富，多源密集时序卫星遥感协同观测能够有效提高洪涝灾害观测频次。因此，如何综合利用多源雷达遥感数据，开展洪水淹没特征估算，进而评估洪涝灾情，是目前洪涝灾害遥感监测亟须研究的内容。本文以2020年鄱阳湖流域性洪水事件为研究案例，综合利用多期国产GF-3雷达数据和国外Sentinel-1雷达数据，形成密集时相的洪涝协同监测数据，开展基于随机森林算法的洪涝淹没范围信息提取，构建动态洪涝灾害淹没历时估算模型，实现监测期内不同空间位置下的淹没历时估算，并对洪涝灾害进行灾情分析与评估。

1 研究区与数据 1.1 研究区概况

鄱阳湖是中国第一大淡水湖，地处长江中游与下游的交界处，是沟通赣江、修河、信江、饶河、抚河5条河流与长江的枢纽，具体位置如图 1所示。2020年7月份，受长江上游来水及江西省境内大面积致灾暴雨影响，鄱阳湖流域水位不断升高，标志性水文站星子站峰值水位最高达到22.53 m，发生超1998年历史的流域性大洪水。

1.2 研究数据

本研究使用高分3号和Sentinel-1号两种雷达遥感影像数据。高分3号卫星是中国高分专项工程的遥感卫星，是中国首颗分辨率1 m的C频段多极化合成孔径雷达，具备12种成像模式；Sentinel-1号卫星是欧洲航天局哥白尼计划中的地球观测卫星，载有C频段合成孔径雷达的双星系统，其数据全球公开。具体数据情况如表 1。

收集的雷达遥感影像需要分别进行预处理，主要包括重采样、多视处理、斑点滤波和地理编码^[20-22]，重采样是将18 m分辨率的哨兵1号雷达数据的空间分辨率采样至高分1号的10 m，多视处理与斑点滤波是为减少成像噪声对洪水提取精度的影响，而基于SRTM数字高程模型的地理编码则是对不同遥感数据进行空间配准，使像素位置在地理空间上达到一致。

2 研究方法 2.1 水体提取方法

随机森林^[23]是基于分类决策树的机器学习算法，分类决策树使用二元决策树在单次的样本分割过程中将样本分为两类，分割时选择特征向量的方法主要有ID3、C4.5和CART等3种，其中CART算法可以简化决策树的规模，提高决策树的生成效率。随机森林的默认分类器即为CART决策树，选择特征变量的方式为计算基尼指数(Gini index)

$ \operatorname{Gini}(D)=\sum\limits_{K=1}^K p_k\left(1-p_k\right)=1-\sum\limits_{K=1}^K p_k^2, $

(1)

其中p_k为类k在集合D中出现的概率。在训练样本被输入后，随机森林算法会按节点计算数据集的各个特征及其对应特征值的基尼系数，并选取最小的基尼系数对应的指标作为最优特征和最优特征值，对数据进行分割。

随机森林算法所选取的样本集为欧洲联合研究中心地表水数据集(global surface water)2020年最新的季节水体产品，该产品记录一年里水体出现的月份次数，12个月为永久性水体，少于12个月则为季节性水体。基于该产品能够自动提取水体永久样本数据，提高洪水淹没范围的提取精度和效率。洪水淹没范围提取的主要技术路线如图 2所示。

随机森林模型的训练数据集包括两部分，一是基于Seasonality水体产品获得的样本集，二是待处理雷达遥感数据的后向散射数据及其相应指数特征。以哨兵数据VV、VH极化方式为例，为提高样本精度，丰富随机森林模型的特征数目，依据雷达遥感数据后向散射数据构建极化比指数(VHrVV)、归一化偏差极化指数(NDPI)、归一化VH指数(NVHI)和归一化VV指数(NVVI)，各指数计算公式如下：

$ \mathrm{VHrVV}=\frac{\mathrm{VH}}{\mathrm{VV}}, $

(2)

$ \mathrm{NDPI}=\frac{\mathrm{VV}-\mathrm{VH}}{\mathrm{VV}+\mathrm{VH}}, $

(3)

$ \mathrm{NVHI}=\frac{\mathrm{VH}}{\mathrm{VV}+\mathrm{VH}}, $

(4)

$ \mathrm{NVVI}=\frac{\mathrm{VV}}{\mathrm{VV}+\mathrm{VH}}. $

(5)

各指数与后向散射数据VV、VH共同作为随机森林模型的特征数据。随机森林模型的参数主要有树的数量、决策树最大深度和最大特征数。后向散射数据及指数确定特征数共6个，数量较少，因此全部选用进行随机森林训练，最大特征数即为6，而最大深度选用默认深度。使用交叉验证网格确定随机森林分类器中最佳树数量为50。依据以上参数进行训练构建随机森林模型，并用模型按像素遍历待处理图像，得到水体概率分布，选取水体概率在50%以上的像素作为水体，得到初始水体提取结果。为获取误差较小的水体分布，仍需进行后处理，主要为以下3步：利用坡度信息去除山体阴影、基于种子点扩散方法去除小面积区域以及利用区域增长对水体边缘进行补充。

2.2 淹没历时估算方法

受灾地区的淹没历时主要是由洪水面积的扩张与缩小控制，同一受灾地区在动态监测期间可能会受到多次洪水入侵，从而导致淹没历时难以计算。在洪水动态演进的思路下，以水体提取的二值图结果为基础，像元为单位，构建基于遥感的淹没历时估算模型，公式如下

$ \Delta T_n=\sum\limits_{i=1}^n D N_i\left(T_i-T_{i-1}\right), $

(6)

其中：ΔT_n为像元在n次监测期内的淹没历时；n为监测的总次数；T_i表示第i期的成像日期；T_i-1表示第i-1期的成像日期；DN_i表示该像元第i期T_i时间的水体监测值，即0或1。

在洪涝灾害动态监测过程中，对每一期监测结果，默认其新增水体的淹没历时为该期监测遥感影像成像时间与上期监测成像时间的差值，即第i期监测结果中新增水体的淹没历时为T_i-T_i-1；而对于上一期监测结果中存在且淹没延续至本期的淹没水体，由于其水体提取的结果始终为1，则淹没历时为ΔT_n-1+1×(T_i-T_i-1)；在上期存在而本期监测中已经退去的洪水，其本期监测值为0，则淹没历时为ΔT_n-1+0×(T_i-T_i-1)。综合计算后即可得到n次监测期内的洪水淹没历时分布图，并进行统计分析。

3 研究结果 3.1 洪水淹没范围提取

本文基于随机森林机器学习算法，对研究所用到的Sentinel-1和GF-3数据多源多时相密集雷达遥感数据进行洪水淹没范围提取，并通过数学形态学方法和DEM数据对水体提取结果进行孔隙填充和山体阴影剔除等后续工作，得到的提取结果如图 3所示。

为验证随机森林学习算法对于研究区水体提取的应用精度，对每期影像选取100个随机验证点，结合人工目视解译构建混淆矩阵，计算相应的Kappa系数来对水体提取结果进行精度评价，得到结果如表 2所示。

3.2 淹没历时估算与空间特征分析

据江西省水文局官方公布数据显示，2020年7月6日2时湖口站水位达到警戒水位19.50 m，标志着鄱阳湖2020年第1号洪水的形成，洪水持续至8月14日，于15日降至警戒线以下。基于随机森林算法所得到的水体空间分布对鄱阳湖流域性洪水开展全周期的淹没历时估算工作。

依据洪水期间水位数据，选取每日17：00时水位信息绘制湖口站水位变化趋势及监测数据获取日期关系图(图 4)。基于高分系列卫星与哨兵系列卫星在资源分配、重访周期等方面的差异，二者在流域性洪涝灾害监测应用方面的侧重点亦不同：高分数据具有空间分辨率高、灾害响应时间短、数据获取迅速等优势，在洪峰期间可实现短期内的应急重复监测，然而空间与时间覆盖度无法满足洪水全流域全周期的监测需求；哨兵数据具有固定的重访周期，在时间和空间上均满足流域性洪水全周期的监测需求，但长时相的重访周期仅能满足洪水起始、消退阶段水位与流域面积之间的近线性关系监测，无法体现洪峰期间受灾地区洪水的复杂空间变化。因此，构建多源雷达遥感协同的鄱阳湖流域淹没历时估算模型，一方面能体现洪峰期间洪水的淹没、消退过程，另一方面可实现全流域周期内洪水受灾地区淹没历时估算。

受限于雷达数据源数量、卫星重访周期、数据覆盖范围等客观因素，洪水淹没历时估算中空间与时间方面的误差影响较大，无法实现与真实水淹历时的完全一致。在空间方面，高分3号数据对鄱阳湖及周边地区的监测范围不一致，无法覆盖全部研究区，在历时估算中将某一时相无覆盖地区的水体淹没范围视为上期有覆盖数据保持一致，鉴于哨兵数据的全流域覆盖特征，因空间范围不一致所导致的误差在重访周期6 d以内，对后续的县区灾情评估影响小。在时间方面，基于图 4的水位变化分析，本研究所收集雷达遥感数据日期分布与洪水发展过程拟合度高，但仍有部分洪水变化特征时刻无法做到数据覆盖，如洪峰期间处于两次降雨过程中水位最低点的7月19日，受限于卫星过境时间等客观因素，7月19日时刻无任何光学或雷达遥感数据源覆盖研究区，将其视为与临近时相18日、20日成线性关系进行估算。其余各相邻时相遥感数据获取时间的水位变化趋势均呈现出单一的涨落过程，不存在大范围内的淹没-消退更替现象，时相间隔对历时计算基本无影响。

在淹没历时估算模型构建时，将7月2日水体提取结果作为鄱阳湖的原有水体，以7月8日洪水发生后2 d的遥感影像，作为灾害后淹没历时估算的起始数据；8月16日湖口水文站水位降至警戒线之下，以8月19日的遥感影像作为洪水结束的终止数据。结合14期多源密集时相的雷达遥感数据所获得的水体空间分布二值结果，将每一期新增水体的淹没时长，视为本期影像日期与上期影像日期的差值，例如7月11日的新增水体的淹没历时视为7月8日起的3 d，由于洪水的开始日期为7月6日，则8日新增水体的淹没历时为2 d。以像元的水体识别结果为基础，对整个洪水期间的所有水体提取结果进行判定，结果为非水体则该期淹没历时为0，为水体则加权计算，计入像元淹没总历时。遍历整个研究区，即可获取鄱阳湖及其周边地区7月6日至8月19日最长44 d的淹没历时估算结果，洪水淹没历时分布如图 5所示。

从淹没历时估算结果的空间分布上看，此次洪涝灾害的受灾区域主要集中在鄱阳湖湖区主体以及赣江、修河、信江、饶河、抚河下游至入湖口周边，以大面积的短时间内涝为空间主体，部分地区存在洪水期内始终受淹的重灾区。二者的淹没面积差异较大，在面积占比直方图上呈现出两极分化的趋势(图 6)，从空间上分析可知，淹没时长低于7 d的区域以暴雨所导致的城镇、耕地等地区的内涝水体为主，水体未退、淹没历时高的区域则为低洼的湖泊库塘和圩堤内的滞水区。

结合淹没历时分布图与直方图可知，鄱阳湖周边淹没历时长短的两极分化严重，统计值主要集中在7 d内和35 d以上，7 d以内短历时像元约占全部淹没区的30%，35 d以上长历时像元占据约50%。二者空间分布差异明显，淹没历时长的受灾地区十分集中，在空间上与地形因素联系密切，在分布图中呈现出区域内部的块状受灾，主要分布在鄱阳县南侧的饶河及其支流两岸、永修县东部修河入湖口处以及南昌县赣江各支流与湖区的连接处；在时间上长历时淹没主要分布在洪水周期的洪峰至消退时期，是在洪峰时期溃堤、漫堤等形式所形成的淹没水体，直至监测期结束仍未退去。淹没时长在7 d以内的受灾地区在空间上以点的形式离散地存在鄱阳湖周边，分布范围广、淹没历时短，其灾情的影响程度远低于凝聚的长时间淹没地区。从洪水全周期的角度看，内涝水体主要表现为在洪水起始阶段开始积蓄，至洪峰阶段过后则迅速消退，主要存在于洪水的降雨和洪峰期间，无法持续至长时间序列的洪水消退阶段。

从整体淹没范围上看，研究区西北侧九江市的洪水面积最小，受灾地区远少于上饶和南昌。但从淹没历时分布中可以看出，除修河沿岸的短期内涝外，九江市淹没历时高的洪水集中在永修县东侧、修河入湖口处，淹没面积占比大，在鄱阳湖周边县级行政区中灾情仅次于情况复杂的鄱阳县，而南昌县赣江与抚河汇入鄱阳湖区域，靠近湖心位置的长时间水体淹没为鄱阳湖的正常水体扩张，没有人类生活、生产活动出现，不存在灾情。鄱阳湖周边灾情严重的县区依次为鄱阳县、永修县、南昌县、新建县和余干县。结合了淹没面积与洪水历时所得出的综合性受灾情况分析结果，与运用单一洪水淹没面积要素的结果相比，更加贴合实际灾情。

3.3 洪涝灾害灾情评估与分析

江西省的主要粮食作物85%~90%为水稻，每年种植两季，此次洪水所影响的7、8月份正值早稻待收割和晚稻待插秧的关键时期。邵长秀等^[24]的研究结果表明，水稻受淹4 d以内，单株产量无显著下降；梅少华等^[25]构建水稻产量与淹没时长之间的线性回归方程，表明淹没时长20 d时水稻将会绝收。据此将鄱阳湖周边受灾地区按照水稻产量与淹没历时关系分为4种受灾类型：受淹时长在4 d以内的地区为轻度以下受灾；4~20 d以内的早稻减产地区为中度受灾；早稻绝产但不影响8月1日左右晚稻种植的20~25 d淹没历时地区为重度受灾；早稻绝产且影响晚稻种植的极重受灾地区，如表 3所示。以乡镇级行政区划为单位，基于平均淹没历时对洪涝灾害进行灾情评估与分析，评估结果如图 7所示。

本研究依据鄱阳湖周边主要农作物水稻产量与洪水淹没历时之间的关系，基于洪水淹没历时分析得到受淹地区评估结果为：极重受淹地区3个，依次为南矶乡、昌洲乡和三角乡，极重受淹地区淹没历时长，受灾面积集中，早稻几乎绝产且影响了后续晚稻种植；重度受淹地区有莲湖乡、鄱阳镇、蛟塘镇等8个乡镇级地区，其受淹面积离散广泛，早稻产量受影响较大，后期由于退水迅速，晚稻种植受洪水影响较小；此外，鄱阳湖周边绝大部分乡镇均为中度受灾，存在不同程度的水稻减产。

资料收集表明，此次流域性洪涝灾害中鄱阳湖周边多个乡镇灾情严峻：南矶乡近200栋房屋被淹、0.8 km²耕地受灾，主要出乡公路受淹，近600人被困南矶乡孤岛；昌洲乡是鄱阳县受灾最严重的乡镇，乡内约20.23 km²的土地均被洪水淹没，水深达8 m，至2020年9月排涝工作仍在进行；永修县三角乡三角联圩溃决后，乡内14个自然村受灾，33.59 km²耕地受洪水威胁。此外，莲湖乡大面积受灾，30多个村庄被淹，龙口村被洪水围困近一周；鄱阳镇问桂道圩溃决，堤内10.005 km²耕地受淹；蛟塘镇多处街道被洪水淹没，内涝形势严重。

综上所述，本研究所构建的基于洪涝灾害淹没历时估算模型的灾情损失评估结果与实际灾情一致，可用于洪涝灾害应急监测与灾情评估，为抗灾救灾工作的科学决策提供建议。

4 总结与讨论

本文以2020年鄱阳湖流域性洪水为研究案例，基于多源密集时相的雷达遥感数据开展洪水淹没历时和灾情损失评估研究，主要结论如下：

1) 本文所选用的基于随机森林机器学习方法的洪水淹没范围提取结果，其Kappa系数均在0.89以上，精度可满足洪涝灾害长时序密集淹没历时模型的构建。综合利用多期洪水淹没范围提取结果，以像元为单位构建洪涝灾害淹没历时模型，绘制得到此次洪水事件的鄱阳湖淹没历时分布图与直方图，结果表明：洪水淹没时长两极分化严重，历时短的受灾像元离散地广泛分布在鄱阳湖周边各个县区内，而水淹时长在一个月以上的地区集中在鄱阳县与永修县。

2) 此次洪水事件鄱阳湖周边主要受灾类型为水稻，且洪水发生期间正处于早稻收割、晚稻种植的关键时期。依据乡镇级平均淹没历时和水稻的淹没时长-产量损失关系构建洪涝灾情评估分类，评估结果表明：此次洪涝灾害中受灾极其严重的乡镇为南矶乡、昌洲乡和三角乡；重灾区则有鄱阳镇、莲湖乡、蛟塘镇等8个乡镇。

综上，本文基于多源密集雷达遥感协同的洪水淹没历时估算能够从时间维度上反映洪水受灾地区的灾情程度。但研究中所使用到的多源雷达遥感数据空间监测范围不尽一致，部分时段无法实现全覆盖，以及时间分辨率无法满足逐日监测需求等客观因素，会导致一定的估算误差，未来需要融合更多的雷达遥感数据，进一步提高淹没历时估算的精度。