尧图网页设计 
只有一景SAR没有灾前参考影像怎么识别植被下洪水一句话读懂开阔水面在SAR里通常会变暗但植被被淹以后未必如此。树干、枝条与水面可能形成“双程散射”反而让后向散射变亮。问题是如果只有一景灾时SAR没有灾前参考影像怎样区分“本来就亮的植被”和“因为洪水变亮的植被”这篇论文提出了一套自动化方法先用概率分箱probability binning比较潜在淹没区与非淹没区的后向散射分布再用模糊逻辑把SAR强度、土地覆盖、HAND、河道距离、灌溉区和空间邻域关系组合起来最终在三景高分辨率SAR影像上都获得了80%以上的总体精度。SAR洪水提取最经典的逻辑是水面光滑 → 镜面反射增强 → 返回雷达的能量减少 → 水体在SAR中变暗。这套逻辑在开阔水面上非常好用。但洪水一旦进入森林、灌丛、农田或河岸植被区事情就复杂了。水面与树干、枝条、茎秆等垂直结构可能形成类似“墙角”的几何关系雷达信号经过两次反射返回传感器产生明显的double-bounce双程散射。于是就会出现一个看起来很反常的现象开阔洪水可能变暗植被下洪水却可能变亮。2020年S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels和J.P. Walker在Remote Sensing of Environment发表Flood mapping under vegetation using single SAR acquisitions这篇论文真正要解决的问题是没有灾前SAR、没有详细植被参数只拿到一景灾时SAR和常见辅助数据能不能自动识别植被下洪水一、为什么植被下洪水比开阔水体难得多开阔水面通常具有较低后向散射因此一个低值阈值就可能提取出大量水体。植被区却同时存在三类散射冠层体散射地表散射水面/地面与树干、茎秆之间的双程散射。当洪水覆盖地表而植被仍露出水面时平滑水面与垂直植被结构可能增强双程散射使被淹植被比未淹植被更亮。但这种“变亮”并不稳定。它受到很多因素控制植被密度树干和枝条结构叶片状态雷达波长入射角极化方式土壤湿度水深。尤其是密集冠层可能直接把雷达信号挡住使水面信息根本无法有效返回传感器。所以真正困难的不是“被淹植被一定亮不亮”而是“当前这片植被的高后向散射到底来自正常植被结构还是洪水诱发的双程散射”二、为什么作者坚持只用“一景灾时SAR”很多植被洪水算法依赖变化检测。最常见的做法是灾时SAR - 灾前SAR。如果同一片植被平时后向散射较低洪水期间明显升高就更容易判断发生了植被下淹水。问题是实际业务中不一定总能找到合适的参考影像。特别是高分辨率SAR历史上并不总是规律获取灾前影像可能不是同一季节作物和自然植被本身随季节变化历史洪水回溯研究更可能找不到匹配参考影像。另一类方法是电磁散射模型但又需要大量现场参数例如植被高度、树干尺寸、介电常数、枝叶结构、土壤粗糙度和土壤湿度。这些数据在突发洪灾中通常很难获得。因此作者把目标设得很明确只使用单景SAR再配合常见的土地覆盖、土地利用、历史水体和地形数据。这是一种典型的“数据节约型”思路。三、研究区和数据三景SAR但每一景都是独立处理研究区位于澳大利亚昆士兰南部的Condamine-Balonne流域面积约136,014 km²。这里整体较平坦河网复杂而且经历明显的干湿变化。长期“千年干旱”结束后2010—2012年连续出现严重La Niña洪水。作者选取2011年1月洪水期间的三景高分辨率SAR影像传感器波段极化像元大小CSM1COSMO-SkyMedX-bandHH5 mAPALOS PALSAR-1L-bandHH6.25 mCSM2COSMO-SkyMedX-bandHH5 m这里有一个容易误解的地方。论文虽然使用了三景SAR但不是用三景做时间变化检测。每一景都单独作为“唯一灾时SAR输入”运行算法因此研究的是single acquisition而不是multi-temporal change detection。验证则使用航空光学影像和SPOT-5洪水范围。四、整个算法其实可以概括成三步先看SAR再看地形最后看邻居论文第6页Fig.3给出了完整流程。虽然原文公式很多但核心逻辑并不复杂。第一步FM1——从SAR强度中找洪水候选区FM1同时寻找低后向散射的开阔水体高后向散射的被淹植被。这一步主要回答“从雷达信号本身看这个像元像不像水或被淹植被”第二步FM2——用地形和土地利用检查“水合理不合理”加入HAND沿排水路径到河网的距离DIST灌溉区信息。它主要回答“这个亮像元虽然像被淹植被但从地形和水文位置看它真的可能和洪水连在一起吗”第三步FM3——用空间上下文清理孤立噪声最后再看邻域像元和极端洪水边界EFB。它主要回答“周围都没有洪水为什么偏偏只有这一个像元是洪水”因此整套算法可以理解成SAR给候选 → 地形做约束 → 邻域做质检。五、开阔水体怎么找这一部分反而不是论文真正的重点对于开阔水体作者使用常见的Z型模糊函数。后向散射越低属于水体的隶属度越高。如果研究区内能够找到永久水体就统计这些永久水体的后向散射分布用Gaussian分布估计开阔水体阈值。如果像CSM1那样没有足够永久水体则使用澳大利亚WOfS历史水体产品。作者选取WOfSFCL 0.3的区域作为历史上曾经出现水体的候选区再利用Gamma分布寻找低后向散射端。这一步的目的主要是先把“明显的暗水体”识别出来后面才能集中处理真正困难的“亮的被淹植被”。作者自己也承认这部分方法相对简单并不是全文主要创新。六、最核心的方法概率分箱怎样从一景SAR中找到“被淹植被”这是全文真正有特色的地方。假设我们有某一种植被比如“稀疏乔木”。作者为这种地类建立两组样本。Control sample大概率没有洪水的植被位于极端洪水边界EFB之外。作者假设这些区域可以代表正常干燥条件下这种植被的SAR后向散射分布。Test sample可能同时包含干植被和被淹植被位于EFB之内。这里的散射分布可能是正常植被 被淹植被共同叠加的结果。接下来使用Probability Binning概率分箱。它不是要求数据一定出现两个清晰峰值而是把control样本的分布切成很多概率相近的bin再检查test样本在哪些bin中出现了异常多的像元。如果test样本在高后向散射区域明显“多出来一群像元”就可能对应洪水产生的双程散射。这比简单问“直方图有没有第二个峰”更加灵活。因为现实中的干植被和被淹植被分布往往严重重叠第二个峰可能根本不明显。七、为什么必须按土地覆盖类型分别统计不同植被本来的SAR散射完全不同。高大乔木、稀疏树木、灌丛、草地和农田如果全部混在一个直方图里所谓“高后向散射异常”就很难解释。因此作者按land cover类别分别建立control和test样本。灌溉农业区还会被单独处理。原因是农田里出现高水分、高散射不一定来自自然洪水也可能来自灌溉。所以论文的做法本质上是在问“与同一种植被自己的正常状态相比这一部分像元是不是异常偏亮”而不是拿一套全球统一阈值判断所有植被。这也是这套方法具有一定可解释性的地方。八、为什么不用一个硬阈值而要用“模糊隶属度”概率分箱最后会给出被淹植被的上下阈值但真实世界很难存在一条绝对分界线−12.0 dB不是洪水−11.9 dB突然就是洪水。因此作者使用S型模糊函数。后向散射从较低值逐渐升高时属于“被淹植被”的隶属度也逐渐从0过渡到1。开阔水体则相反用Z型函数越暗越像水。最后FM1取两者最大值FM1 max开阔水体隶属度被淹植被隶属度于是很暗的像元可能被识别为开阔水很亮且满足统计异常的植被像元可能被识别为被淹植被。这比“一个低值阈值提水”多走了一步。九、HAND和DIST不是固定阈值而是让洪水候选像元自己决定范围只靠SAR强度增加被淹植被以后召回率会上升但误报也随之增加。作者发现一些远离河网、位置偏高的亮像元也会被误判成洪水。因此FM2加入两个地形指标HAND像元相对于最近排水通道的高差。DIST沿排水方向到最近河网的平面距离。比较有意思的是作者没有简单规定HAND 15 m才可能洪水。而是先从FM1 0.8的高可信洪水候选像元中统计每个流域自己的HAND和DIST累计分布再自动寻找曲线中的“膝点”。如果一个候选像元高程突然明显偏高或距离河道明显偏远就会被降低洪水隶属度。因此这一步更加接近让当前洪水候选区自己定义一个水文合理范围。十、为什么灌溉区要让地形约束拥有更大权重FM2把FM1和HAND/DIST地形约束做加权融合。普通区域中SAR强度权重更高。灌溉区中HAND/DIST水文约束权重更高。原因很直接。灌溉农田本身可能存在高含水量、积水或特殊作物结构仅靠高后向散射很容易误判。所以作者没有简单把灌溉区全部删掉而是说“这里SAR证据需要更谨慎必须有更合理的水文位置才能相信。”这比简单掩膜更加柔性。十一、最后一步FM3为什么“邻居怎么看”也很重要经过FM1和FM2之后地图中仍会出现零散的高隶属度斑块。作者进一步使用11×11移动窗口统计邻域平均值。基本逻辑是真正洪水通常具有空间连续性一个孤零零的‘洪水像元’值得怀疑。同时还引入Extreme Flood Boundary。在历史上可能发生大洪水的区域内部对洪水候选像元更宽容距离EFB越远对孤立异常像元越严格。最终FM3经过0.5阈值去模糊化FM3 0.5水/洪水其余干燥。所以这套方法并不是一开始就强行二分类而是先不断累计和修正“像洪水的程度”最后才输出二值结果。十二、结果到底怎样最重要的不是OA而是被漏掉的植被洪水补回了多少如果只识别开阔水体FM-OW水类Producer’s Accuracy非常低CSM133.3%AP10.1%CSM216.5%也就是说只靠“暗水体”逻辑会漏掉大量洪水。加入概率分箱识别被淹植被以后FM1阶段的水类PA相对于FM-OW分别提高CSM162.2%AP75.2%CSM2115.1%论文结论进一步概括相比只检测开阔水体加入被淹植被识别后水类Producer’s Accuracy平均提高约84%。但代价也很明显。加入“亮的被淹植被”以后会产生更多零散误报因此必须继续依靠FM2和FM3清理。最终FM3的总体精度为SAR影像最终OA最终水类PACSM181.5%66.9%AP83.7%33.4%CSM285.7%64.8%CSM1和CSM2的Kappa都高于0.60而AP只有约0.34。所以不能只写“L波段穿透能力更强因此ALOS PALSAR结果最好。”这篇论文的实际实验并不支持这么简单的结论。AP虽然是L-band但水类召回反而最低。作者也明确认为不同影像表现差异仍需要更多案例才能解释。十三、哪类植被最好识别答案是“有规则垂直结构的树”论文按土地覆盖进一步分析后发现加入被淹植被识别以后提升最大的主要是Trees-Open30%—70%冠层覆盖Trees-Sparse10%—30%冠层覆盖。而提升较弱的包括tussock grasseshummock grasseschenopod shrubs等草地和灌丛。原因与双程散射的几何结构有关。树干和较稳定的枝干可以形成较规则的垂直散射体更容易和水平水面组成“角反射器”。而草和灌丛结构更杂乱空间方向变化更大不同植株高度差异明显被淹与未淹散射分布也更容易重叠。因此这篇论文真正适合描述的是对稀疏—开放乔木等出露植被下洪水具有明显潜力。而不是“SAR单景可以识别所有森林下面的洪水。”研究区甚至没有足够的Trees-Closed冠层覆盖70%样本因此对密集森林不能下结论。十四、这篇论文真正的创新在哪里这篇论文真正的创新并不是提出了新的SAR传感器或新的散射机理而是把一个很难业务化的问题改写成了“有限数据条件下的自动判断”。第一从“双时相变化检测”推进到“单景SAR判断”。不再要求一定存在匹配的灾前SAR这对于历史洪水回溯和突发事件具有实际价值。第二用概率分箱处理严重重叠的植被散射分布。它不依赖明显第二峰更适合处理“干植被和被淹植被混在一起”的情况。第三把SAR物理信号和水文知识分开处理再融合。SAR负责找候选HAND/DIST负责判断水文合理性空间邻域负责清理孤立噪声。第四阈值尽量按土地覆盖和当前影像自适应。不是用一套固定dB阈值覆盖所有植被。第五输出过程具有较强可解释性。FM1、FM2、FM3分别代表雷达证据 → 水文地形约束 → 空间上下文约束。所以一处像元为什么最终被保留或删除相比黑箱分类器更容易追溯。总结只有一景SAR时不要硬猜“亮就是洪水”而要让SAR、地形和上下文互相验证这篇论文最值得借鉴的是它处理“信息不足”的方式。只有一景灾时SAR没有灾前参考影像时直接判断被淹植被非常困难。作者没有试图寻找一个神奇的全球阈值而是把问题拆成三层。第一层同一种植被中潜在洪泛区是不是出现了一批统计上异常偏亮的像元这由概率分箱解决。第二层这些像元从HAND、河网距离和土地利用看是否真的具有发生洪水的水文合理性这由FM2解决。第三层这些洪水候选区与周围像元是否具有合理的空间连续性这由FM3解决。最终三景高分辨率SAR的OA都超过80%而相比只识别开阔水体加入被淹植被后水类PA平均提高约84%。但论文同样告诉我们单景SAR无法彻底解决干植被与被淹植被散射混叠。它真正提供的是一条非常实用的路线用统计方法从SAR里找证据再用土地覆盖、水文地形和空间知识约束这些证据。这比把所有希望都压在一个后向散射阈值上更适合复杂植被洪水环境。论文信息论文题目Flood mapping under vegetation using single SAR acquisitions作者S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels、J.P. Walker期刊Remote Sensing of Environment卷与文章号2372020111582在线发表时间2019年12月11日DOI10.1016/j.rse.2019.111582研究区Condamine-Balonne catchmentQueenslandAustraliaSAR数据COSMO-SkyMed X-band HH、ALOS PALSAR-1 L-band HH 只有一景SAR，没有灾前参考影像，怎么识别植被下洪水？
只有一景SAR没有灾前参考影像怎么识别植被下洪水一句话读懂开阔水面在SAR里通常会变暗但植被被淹以后未必如此。树干、枝条与水面可能形成“双程散射”反而让后向散射变亮。问题是如果只有一景灾时SAR没有灾前参考影像怎样区分“本来就亮的植被”和“因为洪水变亮的植被”这篇论文提出了一套自动化方法先用概率分箱probability binning比较潜在淹没区与非淹没区的后向散射分布再用模糊逻辑把SAR强度、土地覆盖、HAND、河道距离、灌溉区和空间邻域关系组合起来最终在三景高分辨率SAR影像上都获得了80%以上的总体精度。SAR洪水提取最经典的逻辑是水面光滑 → 镜面反射增强 → 返回雷达的能量减少 → 水体在SAR中变暗。这套逻辑在开阔水面上非常好用。但洪水一旦进入森林、灌丛、农田或河岸植被区事情就复杂了。水面与树干、枝条、茎秆等垂直结构可能形成类似“墙角”的几何关系雷达信号经过两次反射返回传感器产生明显的double-bounce双程散射。于是就会出现一个看起来很反常的现象开阔洪水可能变暗植被下洪水却可能变亮。2020年S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels和J.P. Walker在Remote Sensing of Environment发表Flood mapping under vegetation using single SAR acquisitions这篇论文真正要解决的问题是没有灾前SAR、没有详细植被参数只拿到一景灾时SAR和常见辅助数据能不能自动识别植被下洪水一、为什么植被下洪水比开阔水体难得多开阔水面通常具有较低后向散射因此一个低值阈值就可能提取出大量水体。植被区却同时存在三类散射冠层体散射地表散射水面/地面与树干、茎秆之间的双程散射。当洪水覆盖地表而植被仍露出水面时平滑水面与垂直植被结构可能增强双程散射使被淹植被比未淹植被更亮。但这种“变亮”并不稳定。它受到很多因素控制植被密度树干和枝条结构叶片状态雷达波长入射角极化方式土壤湿度水深。尤其是密集冠层可能直接把雷达信号挡住使水面信息根本无法有效返回传感器。所以真正困难的不是“被淹植被一定亮不亮”而是“当前这片植被的高后向散射到底来自正常植被结构还是洪水诱发的双程散射”二、为什么作者坚持只用“一景灾时SAR”很多植被洪水算法依赖变化检测。最常见的做法是灾时SAR - 灾前SAR。如果同一片植被平时后向散射较低洪水期间明显升高就更容易判断发生了植被下淹水。问题是实际业务中不一定总能找到合适的参考影像。特别是高分辨率SAR历史上并不总是规律获取灾前影像可能不是同一季节作物和自然植被本身随季节变化历史洪水回溯研究更可能找不到匹配参考影像。另一类方法是电磁散射模型但又需要大量现场参数例如植被高度、树干尺寸、介电常数、枝叶结构、土壤粗糙度和土壤湿度。这些数据在突发洪灾中通常很难获得。因此作者把目标设得很明确只使用单景SAR再配合常见的土地覆盖、土地利用、历史水体和地形数据。这是一种典型的“数据节约型”思路。三、研究区和数据三景SAR但每一景都是独立处理研究区位于澳大利亚昆士兰南部的Condamine-Balonne流域面积约136,014 km²。这里整体较平坦河网复杂而且经历明显的干湿变化。长期“千年干旱”结束后2010—2012年连续出现严重La Niña洪水。作者选取2011年1月洪水期间的三景高分辨率SAR影像传感器波段极化像元大小CSM1COSMO-SkyMedX-bandHH5 mAPALOS PALSAR-1L-bandHH6.25 mCSM2COSMO-SkyMedX-bandHH5 m这里有一个容易误解的地方。论文虽然使用了三景SAR但不是用三景做时间变化检测。每一景都单独作为“唯一灾时SAR输入”运行算法因此研究的是single acquisition而不是multi-temporal change detection。验证则使用航空光学影像和SPOT-5洪水范围。四、整个算法其实可以概括成三步先看SAR再看地形最后看邻居论文第6页Fig.3给出了完整流程。虽然原文公式很多但核心逻辑并不复杂。第一步FM1——从SAR强度中找洪水候选区FM1同时寻找低后向散射的开阔水体高后向散射的被淹植被。这一步主要回答“从雷达信号本身看这个像元像不像水或被淹植被”第二步FM2——用地形和土地利用检查“水合理不合理”加入HAND沿排水路径到河网的距离DIST灌溉区信息。它主要回答“这个亮像元虽然像被淹植被但从地形和水文位置看它真的可能和洪水连在一起吗”第三步FM3——用空间上下文清理孤立噪声最后再看邻域像元和极端洪水边界EFB。它主要回答“周围都没有洪水为什么偏偏只有这一个像元是洪水”因此整套算法可以理解成SAR给候选 → 地形做约束 → 邻域做质检。五、开阔水体怎么找这一部分反而不是论文真正的重点对于开阔水体作者使用常见的Z型模糊函数。后向散射越低属于水体的隶属度越高。如果研究区内能够找到永久水体就统计这些永久水体的后向散射分布用Gaussian分布估计开阔水体阈值。如果像CSM1那样没有足够永久水体则使用澳大利亚WOfS历史水体产品。作者选取WOfSFCL 0.3的区域作为历史上曾经出现水体的候选区再利用Gamma分布寻找低后向散射端。这一步的目的主要是先把“明显的暗水体”识别出来后面才能集中处理真正困难的“亮的被淹植被”。作者自己也承认这部分方法相对简单并不是全文主要创新。六、最核心的方法概率分箱怎样从一景SAR中找到“被淹植被”这是全文真正有特色的地方。假设我们有某一种植被比如“稀疏乔木”。作者为这种地类建立两组样本。Control sample大概率没有洪水的植被位于极端洪水边界EFB之外。作者假设这些区域可以代表正常干燥条件下这种植被的SAR后向散射分布。Test sample可能同时包含干植被和被淹植被位于EFB之内。这里的散射分布可能是正常植被 被淹植被共同叠加的结果。接下来使用Probability Binning概率分箱。它不是要求数据一定出现两个清晰峰值而是把control样本的分布切成很多概率相近的bin再检查test样本在哪些bin中出现了异常多的像元。如果test样本在高后向散射区域明显“多出来一群像元”就可能对应洪水产生的双程散射。这比简单问“直方图有没有第二个峰”更加灵活。因为现实中的干植被和被淹植被分布往往严重重叠第二个峰可能根本不明显。七、为什么必须按土地覆盖类型分别统计不同植被本来的SAR散射完全不同。高大乔木、稀疏树木、灌丛、草地和农田如果全部混在一个直方图里所谓“高后向散射异常”就很难解释。因此作者按land cover类别分别建立control和test样本。灌溉农业区还会被单独处理。原因是农田里出现高水分、高散射不一定来自自然洪水也可能来自灌溉。所以论文的做法本质上是在问“与同一种植被自己的正常状态相比这一部分像元是不是异常偏亮”而不是拿一套全球统一阈值判断所有植被。这也是这套方法具有一定可解释性的地方。八、为什么不用一个硬阈值而要用“模糊隶属度”概率分箱最后会给出被淹植被的上下阈值但真实世界很难存在一条绝对分界线−12.0 dB不是洪水−11.9 dB突然就是洪水。因此作者使用S型模糊函数。后向散射从较低值逐渐升高时属于“被淹植被”的隶属度也逐渐从0过渡到1。开阔水体则相反用Z型函数越暗越像水。最后FM1取两者最大值FM1 max开阔水体隶属度被淹植被隶属度于是很暗的像元可能被识别为开阔水很亮且满足统计异常的植被像元可能被识别为被淹植被。这比“一个低值阈值提水”多走了一步。九、HAND和DIST不是固定阈值而是让洪水候选像元自己决定范围只靠SAR强度增加被淹植被以后召回率会上升但误报也随之增加。作者发现一些远离河网、位置偏高的亮像元也会被误判成洪水。因此FM2加入两个地形指标HAND像元相对于最近排水通道的高差。DIST沿排水方向到最近河网的平面距离。比较有意思的是作者没有简单规定HAND 15 m才可能洪水。而是先从FM1 0.8的高可信洪水候选像元中统计每个流域自己的HAND和DIST累计分布再自动寻找曲线中的“膝点”。如果一个候选像元高程突然明显偏高或距离河道明显偏远就会被降低洪水隶属度。因此这一步更加接近让当前洪水候选区自己定义一个水文合理范围。十、为什么灌溉区要让地形约束拥有更大权重FM2把FM1和HAND/DIST地形约束做加权融合。普通区域中SAR强度权重更高。灌溉区中HAND/DIST水文约束权重更高。原因很直接。灌溉农田本身可能存在高含水量、积水或特殊作物结构仅靠高后向散射很容易误判。所以作者没有简单把灌溉区全部删掉而是说“这里SAR证据需要更谨慎必须有更合理的水文位置才能相信。”这比简单掩膜更加柔性。十一、最后一步FM3为什么“邻居怎么看”也很重要经过FM1和FM2之后地图中仍会出现零散的高隶属度斑块。作者进一步使用11×11移动窗口统计邻域平均值。基本逻辑是真正洪水通常具有空间连续性一个孤零零的‘洪水像元’值得怀疑。同时还引入Extreme Flood Boundary。在历史上可能发生大洪水的区域内部对洪水候选像元更宽容距离EFB越远对孤立异常像元越严格。最终FM3经过0.5阈值去模糊化FM3 0.5水/洪水其余干燥。所以这套方法并不是一开始就强行二分类而是先不断累计和修正“像洪水的程度”最后才输出二值结果。十二、结果到底怎样最重要的不是OA而是被漏掉的植被洪水补回了多少如果只识别开阔水体FM-OW水类Producer’s Accuracy非常低CSM133.3%AP10.1%CSM216.5%也就是说只靠“暗水体”逻辑会漏掉大量洪水。加入概率分箱识别被淹植被以后FM1阶段的水类PA相对于FM-OW分别提高CSM162.2%AP75.2%CSM2115.1%论文结论进一步概括相比只检测开阔水体加入被淹植被识别后水类Producer’s Accuracy平均提高约84%。但代价也很明显。加入“亮的被淹植被”以后会产生更多零散误报因此必须继续依靠FM2和FM3清理。最终FM3的总体精度为SAR影像最终OA最终水类PACSM181.5%66.9%AP83.7%33.4%CSM285.7%64.8%CSM1和CSM2的Kappa都高于0.60而AP只有约0.34。所以不能只写“L波段穿透能力更强因此ALOS PALSAR结果最好。”这篇论文的实际实验并不支持这么简单的结论。AP虽然是L-band但水类召回反而最低。作者也明确认为不同影像表现差异仍需要更多案例才能解释。十三、哪类植被最好识别答案是“有规则垂直结构的树”论文按土地覆盖进一步分析后发现加入被淹植被识别以后提升最大的主要是Trees-Open30%—70%冠层覆盖Trees-Sparse10%—30%冠层覆盖。而提升较弱的包括tussock grasseshummock grasseschenopod shrubs等草地和灌丛。原因与双程散射的几何结构有关。树干和较稳定的枝干可以形成较规则的垂直散射体更容易和水平水面组成“角反射器”。而草和灌丛结构更杂乱空间方向变化更大不同植株高度差异明显被淹与未淹散射分布也更容易重叠。因此这篇论文真正适合描述的是对稀疏—开放乔木等出露植被下洪水具有明显潜力。而不是“SAR单景可以识别所有森林下面的洪水。”研究区甚至没有足够的Trees-Closed冠层覆盖70%样本因此对密集森林不能下结论。十四、这篇论文真正的创新在哪里这篇论文真正的创新并不是提出了新的SAR传感器或新的散射机理而是把一个很难业务化的问题改写成了“有限数据条件下的自动判断”。第一从“双时相变化检测”推进到“单景SAR判断”。不再要求一定存在匹配的灾前SAR这对于历史洪水回溯和突发事件具有实际价值。第二用概率分箱处理严重重叠的植被散射分布。它不依赖明显第二峰更适合处理“干植被和被淹植被混在一起”的情况。第三把SAR物理信号和水文知识分开处理再融合。SAR负责找候选HAND/DIST负责判断水文合理性空间邻域负责清理孤立噪声。第四阈值尽量按土地覆盖和当前影像自适应。不是用一套固定dB阈值覆盖所有植被。第五输出过程具有较强可解释性。FM1、FM2、FM3分别代表雷达证据 → 水文地形约束 → 空间上下文约束。所以一处像元为什么最终被保留或删除相比黑箱分类器更容易追溯。总结只有一景SAR时不要硬猜“亮就是洪水”而要让SAR、地形和上下文互相验证这篇论文最值得借鉴的是它处理“信息不足”的方式。只有一景灾时SAR没有灾前参考影像时直接判断被淹植被非常困难。作者没有试图寻找一个神奇的全球阈值而是把问题拆成三层。第一层同一种植被中潜在洪泛区是不是出现了一批统计上异常偏亮的像元这由概率分箱解决。第二层这些像元从HAND、河网距离和土地利用看是否真的具有发生洪水的水文合理性这由FM2解决。第三层这些洪水候选区与周围像元是否具有合理的空间连续性这由FM3解决。最终三景高分辨率SAR的OA都超过80%而相比只识别开阔水体加入被淹植被后水类PA平均提高约84%。但论文同样告诉我们单景SAR无法彻底解决干植被与被淹植被散射混叠。它真正提供的是一条非常实用的路线用统计方法从SAR里找证据再用土地覆盖、水文地形和空间知识约束这些证据。这比把所有希望都压在一个后向散射阈值上更适合复杂植被洪水环境。论文信息论文题目Flood mapping under vegetation using single SAR acquisitions作者S. Grimaldi、J. Xu、Y. Li、V.R.N. Pauwels、J.P. Walker期刊Remote Sensing of Environment卷与文章号2372020111582在线发表时间2019年12月11日DOI10.1016/j.rse.2019.111582研究区Condamine-Balonne catchmentQueenslandAustraliaSAR数据COSMO-SkyMed X-band HH、ALOS PALSAR-1 L-band HH