洪水识别为什么不能只找“一张灾前影像”NDFI用SAR时间序列重新定义“正常状态”一句话读懂传统SAR洪水变化检测常用“一景灾前影像”对比“一景灾时影像”但一张参考图很容易受风、土壤湿度、季节变化和雷达几何影响。本文提出NDFI和NDFVI不再依赖单一参考景而是利用多时相SAR统计每个像元的长期正常状态再寻找洪水期间突然变暗或突然变亮的异常。方法在Malawi、Veneto和Uganda三个案例中进行了测试并尝试用固定阈值跨越不同传感器和分辨率。2018年Fabio Cian、Mattia Marconcini和Pietro Ceccato在Remote Sensing of Environment发表Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data这篇论文真正值得注意的不是“又提出了一个水体指数”而是它把洪水变化检测的参考对象从一张参考影像升级成一段历史时间序列形成的参考统计背景。一、为什么“一张灾前影像”可能把整个洪水图带偏传统变化检测的逻辑很简单灾时SAR - 灾前SAR 变化。但问题是所谓“灾前正常状态”并不一定能由某一天代表。风会让水面变粗土壤湿度会改变裸地后向散射农田和植被存在季节变化阴影和layover又与轨道和入射角有关。过去SAR历史数据少只能“有什么用什么”。Sentinel-1投入运行以后同轨影像可以长期连续积累。作者因此提出既然已经有很多历史SAR为什么还要让一景影像决定什么叫“正常”这就是NDFI方法的出发点。二、NDFI到底在算什么核心就是找“突然变暗”论文先建立两个影像栈Reference stack只包含正常时期的参考SAR。Reference Flood stack参考影像再加上洪水期间SAR。然后对每个像元计算时间均值、最大值和最小值。NDFI可以写成NDFI 参考期平均后向散射 - 参考洪水期最小后向散射 / 两者之和它利用的是开阔洪水最典型的SAR信号陆地平时有一个正常散射水平一旦被平静水面覆盖后向散射会突然降低。因此参考均值代表“平时是什么样”洪水栈中的最小值负责抓“最暗的异常时刻”。两者差异越大NDFI越高。论文建议使用NDFI 0.7 → 洪水。三、为什么永久水体和道路反而不容易被NDFI当成洪水永久水体本来就长期很暗。所以它的参考均值低洪水期最小值也低前后并没有明显突变NDFI通常接近0。机场跑道、平滑道路、干燥裸地等也可能在SAR中很暗但只要它们灾时没有进一步显著下降同样不会形成很高的NDFI。所以NDFI真正问的不是“哪里很暗”而是“哪里以前不是这么暗但洪水期间突然变得异常暗”这也是它相对于单景阈值法最核心的提升。四、NDFVI为什么反过来找“突然变亮”开阔洪水通常变暗但短植被中的浅水可能出现相反现象。当水面与草本、灌丛或作物茎秆共同作用时双程散射以及含水量增加可能使后向散射增强。因此作者又提出NDFVINDFVI 参考洪水期最大后向散射 - 参考期平均后向散射 / 两者之和这里不再看最小值而是看洪水期间有没有出现异常高散射。论文建议NDFVI 0.75 → 短植被浅水候选。因此两个指数分别抓住了两种不同异常洪水场景SAR变化指标开阔水面突然变暗NDFI短植被浅水突然变亮NDFVI需要特别强调论文说的是short vegetation中的shallow water并不是密集森林冠层下洪水。五、EO大数据在这里到底起什么作用这篇论文所谓“Taking advantage of EO big data”并不是简单把更多影像叠加在一起。作者真正做的是把长时间序列压缩成几个统计量mean、minimum、maximum然后再计算NDFI和NDFVI。也就是说几十景SAR → 每个像元的长期正常值 洪水期异常值 → 一张指数图。这种设计有两个好处。第一降低单一参考影像偶然性的影响。第二把不同传感器的绝对后向散射差异转化成归一化变化值使固定阈值更有可能跨区域使用。论文实际上完成的是Reference image → Reference statistics。六、阈值以后还做了哪些后处理作者没有设计复杂的深度学习后处理而是采用三类简单规则。第一3×3形态学处理。使用dilation和closing填补小孔洞并补回洪水边缘部分略低于阈值的像元。第二删除小于10像元的孤立斑块。主要减少speckle引起的小型假水。第三排除坡度大于5°的区域。利用DEM剔除大范围积水可能性较低的陡坡。这与论文的目标一致方法要简单、快速、少依赖人工而不是每个案例重新训练模型。七、Malawi96.7%不能直接叫“真实精度”2015年Malawi洪水中作者利用Sentinel-1生成了多期洪水范围图。2015年1月22日与Copernicus EMS产品比较两者共同识别71.6 km²仅本文方法识别37.1 km²仅Copernicus EMS识别22.9 km²洪水区域specific agreement75.8%overall agreement96.7%但这里必须谨慎。96.7%是两套洪水产品之间的总体一致率不是与现场真值比较得到的Overall Accuracy。两套产品对永久水体的处理方式也不同因此差异不能简单理解成“某一方就是错的”。作者还用Landsat-8时间序列做了比较两者共同识别449 km²只有NDFI识别546 km²只有光学方法识别79.6 km²。论文认为主要差异与获取日期、Landsat较长重访周期和洪水期云覆盖有关而不能直接证明SAR结果一定更准。八、Veneto同一个0.7阈值能不能跨传感器2010年Veneto洪水发生在Sentinel-1时代之前。作者故意用这个案例检验NDFI是否只能依赖Sentinel-1。实际使用了COSMO-SkyMed3 mX-bandTerraSAR-X3 mX-bandRadarsat-225 mC-bandENVISAT-ASAR150 mC-band。尽管波段、分辨率和极化都不同NDFI仍然统一使用0.7阈值。与CIMA为意大利民防制作的5张洪水图相比洪水区域specific agreement平均约87%overall agreement平均约96.5%这说明论文所强调的“跨传感器稳定阈值”确实得到了实验支持。但仍需注意96.5%依然是产品间cross-comparison不是独立地面实测精度。九、Uganda26景参考影像和GEE才真正体现“大数据”Uganda案例最能体现论文标题中的EO big data。Sentinel-1系统获取使研究区一年内积累了26景参考影像。加上灾时影像共处理29景SAR。作者利用Google Earth Engine进行计算从读取数据、时间统计到导出最终洪水图只需要几分钟。这不等于完整应急制图只需要几分钟因为仍然需要选择时间段、理解事件以及等待灾时影像进入平台。但它证明当历史SAR越来越多时云计算可以把“很多参考影像”从负担变成优势。Uganda中NDFVI识别到的短植被浅水区域洪水期平均后向散射相对参考期增加约2.5 dB达到约-5 dB。红十字会现场信息也支持当地确实出现了这种类型的浅水洪水。十、时间序列越长就一定越好吗并不是多时相统计的优势是参考背景更稳。但时间跨度拉长以后也会出现新的问题真正的土地覆盖变化可能被误认为洪水异常。Veneto案例中一栋建筑在参考影像时期仍在施工灾时已经完工。建筑结构改变造成双程散射和阴影变化NDFI把这种变化误判成洪水。因此作者建议在参考时间序列较短、获取几何不一致或土地变化较大的数据中增加额外过滤例如检查长期均值、洪水期最小值以及洪水多边形内部后向散射标准差。所以更准确的结论是参考影像要多但也必须“同季节、同几何、仍能代表当前正常状态”。十一、这篇论文真正的创新在哪里这篇论文真正值得保留的是三个思想。第一用时间统计替代单一参考景。不再把“哪一景灾前影像最好”作为核心问题而是让多景历史影像共同定义正常状态。第二同时考虑洪水变暗和植被浅水变亮。NDFI对应开阔洪水NDFVI对应短植被浅水使SAR洪水不再只有“低散射水面”一种模式。第三尝试把阈值从事件特定参数变成通用参数。论文在多种SAR传感器、分辨率和区域中使用相同NDFI阈值0.7减少了每次事件人工调参的需求。从今天的角度看它本质上已经是一种基于历史背景的像元级异常检测。总结真正的洪水异常不是“今天很暗”而是“今天和它自己过去长期状态不一样”这篇论文可以压缩成一句话不要用一张影像定义正常状态要让历史时间序列告诉你“正常是什么样”。NDFI利用“参考均值 - 洪水期最小值”寻找突然变暗的开阔洪水NDFVI利用“洪水期最大值 - 参考均值”寻找短植被中突然变亮的浅水洪水。论文最终推荐NDFI阈值0.7NDFVI阈值0.75Malawi与Copernicus EMS总体一致率达到96.7%Veneto五张地图与CIMA平均总体一致率达到96.5%Uganda则展示了26景参考Sentinel-1影像在GEE中几分钟完成统计和制图的潜力。但最重要的不是这些数字。真正改变思路的是当卫星历史档案足够丰富以后洪水检测就不应该再问“哪一景最适合作为参考”而应该问“这个像元长期正常状态是什么灾时到底偏离了多少”。论文信息论文题目Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data作者Fabio Cian、Mattia Marconcini、Pietro Ceccato期刊Remote Sensing of Environment卷页2092018712–730在线发表时间2018年3月19日DOI10.1016/j.rse.2018.03.006核心指标NDFI、NDFVI案例Malawi 2015、Veneto 2010、Uganda 2015SAR数据Sentinel-1、COSMO-SkyMed、TerraSAR-X、Radarsat-2、ENVISAT-ASAR
洪水识别为什么不能只找“一张灾前影像”NDFI用SAR时间序列重新定义“正常状态”一句话读懂传统SAR洪水变化检测常用“一景灾前影像”对比“一景灾时影像”但一张参考图很容易受风、土壤湿度、季节变化和雷达几何影响。本文提出NDFI和NDFVI不再依赖单一参考景而是利用多时相SAR统计每个像元的长期正常状态再寻找洪水期间突然变暗或突然变亮的异常。方法在Malawi、Veneto和Uganda三个案例中进行了测试并尝试用固定阈值跨越不同传感器和分辨率。2018年Fabio Cian、Mattia Marconcini和Pietro Ceccato在Remote Sensing of Environment发表Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data这篇论文真正值得注意的不是“又提出了一个水体指数”而是它把洪水变化检测的参考对象从一张参考影像升级成一段历史时间序列形成的参考统计背景。一、为什么“一张灾前影像”可能把整个洪水图带偏传统变化检测的逻辑很简单灾时SAR - 灾前SAR 变化。但问题是所谓“灾前正常状态”并不一定能由某一天代表。风会让水面变粗土壤湿度会改变裸地后向散射农田和植被存在季节变化阴影和layover又与轨道和入射角有关。过去SAR历史数据少只能“有什么用什么”。Sentinel-1投入运行以后同轨影像可以长期连续积累。作者因此提出既然已经有很多历史SAR为什么还要让一景影像决定什么叫“正常”这就是NDFI方法的出发点。二、NDFI到底在算什么核心就是找“突然变暗”论文先建立两个影像栈Reference stack只包含正常时期的参考SAR。Reference Flood stack参考影像再加上洪水期间SAR。然后对每个像元计算时间均值、最大值和最小值。NDFI可以写成NDFI 参考期平均后向散射 - 参考洪水期最小后向散射 / 两者之和它利用的是开阔洪水最典型的SAR信号陆地平时有一个正常散射水平一旦被平静水面覆盖后向散射会突然降低。因此参考均值代表“平时是什么样”洪水栈中的最小值负责抓“最暗的异常时刻”。两者差异越大NDFI越高。论文建议使用NDFI 0.7 → 洪水。三、为什么永久水体和道路反而不容易被NDFI当成洪水永久水体本来就长期很暗。所以它的参考均值低洪水期最小值也低前后并没有明显突变NDFI通常接近0。机场跑道、平滑道路、干燥裸地等也可能在SAR中很暗但只要它们灾时没有进一步显著下降同样不会形成很高的NDFI。所以NDFI真正问的不是“哪里很暗”而是“哪里以前不是这么暗但洪水期间突然变得异常暗”这也是它相对于单景阈值法最核心的提升。四、NDFVI为什么反过来找“突然变亮”开阔洪水通常变暗但短植被中的浅水可能出现相反现象。当水面与草本、灌丛或作物茎秆共同作用时双程散射以及含水量增加可能使后向散射增强。因此作者又提出NDFVINDFVI 参考洪水期最大后向散射 - 参考期平均后向散射 / 两者之和这里不再看最小值而是看洪水期间有没有出现异常高散射。论文建议NDFVI 0.75 → 短植被浅水候选。因此两个指数分别抓住了两种不同异常洪水场景SAR变化指标开阔水面突然变暗NDFI短植被浅水突然变亮NDFVI需要特别强调论文说的是short vegetation中的shallow water并不是密集森林冠层下洪水。五、EO大数据在这里到底起什么作用这篇论文所谓“Taking advantage of EO big data”并不是简单把更多影像叠加在一起。作者真正做的是把长时间序列压缩成几个统计量mean、minimum、maximum然后再计算NDFI和NDFVI。也就是说几十景SAR → 每个像元的长期正常值 洪水期异常值 → 一张指数图。这种设计有两个好处。第一降低单一参考影像偶然性的影响。第二把不同传感器的绝对后向散射差异转化成归一化变化值使固定阈值更有可能跨区域使用。论文实际上完成的是Reference image → Reference statistics。六、阈值以后还做了哪些后处理作者没有设计复杂的深度学习后处理而是采用三类简单规则。第一3×3形态学处理。使用dilation和closing填补小孔洞并补回洪水边缘部分略低于阈值的像元。第二删除小于10像元的孤立斑块。主要减少speckle引起的小型假水。第三排除坡度大于5°的区域。利用DEM剔除大范围积水可能性较低的陡坡。这与论文的目标一致方法要简单、快速、少依赖人工而不是每个案例重新训练模型。七、Malawi96.7%不能直接叫“真实精度”2015年Malawi洪水中作者利用Sentinel-1生成了多期洪水范围图。2015年1月22日与Copernicus EMS产品比较两者共同识别71.6 km²仅本文方法识别37.1 km²仅Copernicus EMS识别22.9 km²洪水区域specific agreement75.8%overall agreement96.7%但这里必须谨慎。96.7%是两套洪水产品之间的总体一致率不是与现场真值比较得到的Overall Accuracy。两套产品对永久水体的处理方式也不同因此差异不能简单理解成“某一方就是错的”。作者还用Landsat-8时间序列做了比较两者共同识别449 km²只有NDFI识别546 km²只有光学方法识别79.6 km²。论文认为主要差异与获取日期、Landsat较长重访周期和洪水期云覆盖有关而不能直接证明SAR结果一定更准。八、Veneto同一个0.7阈值能不能跨传感器2010年Veneto洪水发生在Sentinel-1时代之前。作者故意用这个案例检验NDFI是否只能依赖Sentinel-1。实际使用了COSMO-SkyMed3 mX-bandTerraSAR-X3 mX-bandRadarsat-225 mC-bandENVISAT-ASAR150 mC-band。尽管波段、分辨率和极化都不同NDFI仍然统一使用0.7阈值。与CIMA为意大利民防制作的5张洪水图相比洪水区域specific agreement平均约87%overall agreement平均约96.5%这说明论文所强调的“跨传感器稳定阈值”确实得到了实验支持。但仍需注意96.5%依然是产品间cross-comparison不是独立地面实测精度。九、Uganda26景参考影像和GEE才真正体现“大数据”Uganda案例最能体现论文标题中的EO big data。Sentinel-1系统获取使研究区一年内积累了26景参考影像。加上灾时影像共处理29景SAR。作者利用Google Earth Engine进行计算从读取数据、时间统计到导出最终洪水图只需要几分钟。这不等于完整应急制图只需要几分钟因为仍然需要选择时间段、理解事件以及等待灾时影像进入平台。但它证明当历史SAR越来越多时云计算可以把“很多参考影像”从负担变成优势。Uganda中NDFVI识别到的短植被浅水区域洪水期平均后向散射相对参考期增加约2.5 dB达到约-5 dB。红十字会现场信息也支持当地确实出现了这种类型的浅水洪水。十、时间序列越长就一定越好吗并不是多时相统计的优势是参考背景更稳。但时间跨度拉长以后也会出现新的问题真正的土地覆盖变化可能被误认为洪水异常。Veneto案例中一栋建筑在参考影像时期仍在施工灾时已经完工。建筑结构改变造成双程散射和阴影变化NDFI把这种变化误判成洪水。因此作者建议在参考时间序列较短、获取几何不一致或土地变化较大的数据中增加额外过滤例如检查长期均值、洪水期最小值以及洪水多边形内部后向散射标准差。所以更准确的结论是参考影像要多但也必须“同季节、同几何、仍能代表当前正常状态”。十一、这篇论文真正的创新在哪里这篇论文真正值得保留的是三个思想。第一用时间统计替代单一参考景。不再把“哪一景灾前影像最好”作为核心问题而是让多景历史影像共同定义正常状态。第二同时考虑洪水变暗和植被浅水变亮。NDFI对应开阔洪水NDFVI对应短植被浅水使SAR洪水不再只有“低散射水面”一种模式。第三尝试把阈值从事件特定参数变成通用参数。论文在多种SAR传感器、分辨率和区域中使用相同NDFI阈值0.7减少了每次事件人工调参的需求。从今天的角度看它本质上已经是一种基于历史背景的像元级异常检测。总结真正的洪水异常不是“今天很暗”而是“今天和它自己过去长期状态不一样”这篇论文可以压缩成一句话不要用一张影像定义正常状态要让历史时间序列告诉你“正常是什么样”。NDFI利用“参考均值 - 洪水期最小值”寻找突然变暗的开阔洪水NDFVI利用“洪水期最大值 - 参考均值”寻找短植被中突然变亮的浅水洪水。论文最终推荐NDFI阈值0.7NDFVI阈值0.75Malawi与Copernicus EMS总体一致率达到96.7%Veneto五张地图与CIMA平均总体一致率达到96.5%Uganda则展示了26景参考Sentinel-1影像在GEE中几分钟完成统计和制图的潜力。但最重要的不是这些数字。真正改变思路的是当卫星历史档案足够丰富以后洪水检测就不应该再问“哪一景最适合作为参考”而应该问“这个像元长期正常状态是什么灾时到底偏离了多少”。论文信息论文题目Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data作者Fabio Cian、Mattia Marconcini、Pietro Ceccato期刊Remote Sensing of Environment卷页2092018712–730在线发表时间2018年3月19日DOI10.1016/j.rse.2018.03.006核心指标NDFI、NDFVI案例Malawi 2015、Veneto 2010、Uganda 2015SAR数据Sentinel-1、COSMO-SkyMed、TerraSAR-X、Radarsat-2、ENVISAT-ASAR
