河流洪水灾害范围提取是以灾前、灾后多时相遥感数据为主，辅以灾情信息、气象数据、现场信息、舆情信息等数据，采用区域生长算法分别提取灾前、灾后水体范围，然后利用变化检测方法开展灾害范围动态监测。流程图见图5-5。
图5-5 河流洪水灾害范围动态监测流程图
灾前、灾后水体提取利用的是区域生长算法，其基本思想是具有相似准则的像素空间聚类过程，即由一个种子像素（P0）出发，通过设置阈值，从其领域中搜索辐射特征和几何特征与其差异最小的像素（P1），对于P1进行同样的搜索，得到与其差异最小的像素（P2），若P0=P2，则满足同质准则。否则，令P0=P1，P1=P2，重复迭代搜索，直至目标区内全部符合条件的像素都被聚类，构成区域（李政国，2008）。
要获得理想的空间聚类效果，首先要选择种子像素，需满足以下几项条件。
（1）必须在水体覆盖范围内，且与水体边界有一定的距离。
（2）种子像素与其周围的像素有较高的相似度，且灰度均匀，均匀的灰度才能生长出更大的区域（唐国维，2003）。如果区域中目标灰度分布不均匀，则需要将图像进行分块，以获取较好的区域识别效果。
（3）种子核心区能反映出目标水体的整体亮度分布。
种子像素的设置对空间聚类效果影响很大。洪涝灾害发生时，不同河段水体的浑浊度差别很大且具有不同水深，造成水体辐射特征差异大。本次监测以2013年9月10日图像为例，利用区域生长法和水体指数法分别提取水体并比较它们的精度和效率。图5-6（a），图5-6（b），图5-6（c）分别代表了种子像素放在不同的相对反射率区（阈值为30）获得不同的水体聚类区（图中黄色三角形为种子像素位置）。
图5-6（d）为基于归一化水体指数（NDWI）结合目视解译手段提取水体。
式中，b2、b4分别代表HJ-1CCD影像第二波段和第四波段相对反射率值。根据本区域的情况将水体指数大于0.16的部分提取为水体。(www.xing528.com)
图5-6 水体范围识别
可以看出，利用区域生长法提取水体时，种子像素的反射率与目标水体的整体平均反射率相差较大时［图5-6（a）和图5-6（b）］，提取聚类效果不理想。种子像素的反射率与目标水体的整体反射率相差越小，聚类效果越有效。同时，比较区域生长法［图5-6（c）］与水体指数法［图5-6（d）］可以看出，水体指数法识别结果细节更明显，能对整景图像进行提取；区域生长法重点侧重集中连片水体的提取；如果要实现整景图像提取，需采用设置多阈值、选择多个种子像素的方式来实现；区域生长法能去除不必要的细节信息，更能满足灾害范围监测业务的需要。例如图5-6（d）中水体中央的植被已被水淹，属于洪涝灾区，不需要作为植被信息单独提取出来。
选取了洪涝灾区灾前和灾后两颗卫星的10景数据（表5-1），其中灾前数据1景、灾后数据9景。采用区域生长算法对水体范围进行提取，然后采取灾前、灾后多时相对比的方法开展洪涝范围动态监测。洪涝灾害范围变化如图5-7所示。2012年11月1日灾前水体面积为168km2，2013年9月7日起受本地降水和境外客水增加的影响，加上研究区地势低洼，河水倒灌淹没沿江农田，水体面积增至1138km2，增加了5.8倍；之后洪水范围不断扩大，峰值出现在9月10日，为1382km2。然后洪水水位从下游开始逐渐下降、水体逐渐消退。
表5-1 抚远县洪涝范围动态监测数据列表
根据自2013年9月7日起淹没历时可能导致的农作物损失，来划分不同程度的受灾范围。淹没历时大于7d为重度受灾，淹没历时大于3d为中度受灾，淹没历时大于1d为轻度受灾。中度受灾的面积为349km2，重度受灾的面积为865km2。各时相淹没范围监测情况见表5-2和图5-7。
表5-2 抚远县洪涝范围动态监测表
图5-7 抚远县洪涝范围动态监测图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
