[发明专利]融合主被动微波遥感信息的洪水淹没范围动态模拟方法

权利要求书

1.一种融合主被动微波遥感信息的洪水淹没范围动态模拟方法，其特征在于：包括以下步骤：

步骤1、采用星载被动微波亮温数据提取M/C信号值的历史时间序列，确定用于判别洪水是否发生的阈值，初步确定洪水事件的发生时间；

步骤2、基于步骤1所确定的洪水事件的发生时间，搜索洪水事件对应的灾前/灾中/灾后的星载主动微波遥感SAR影像，基于机器学习方法进行水体陆地分类，计算灾前/灾中/灾后的研究区域水体/陆地分布情况；

步骤3、基于步骤2中的水体/陆地分布情况，提取M像元的地表水面积比率FWS，与对应的M/C信号进行相关分析，建立M/C与FWS的关系模型；

步骤4、基于步骤3构建的M/C与FWS关系模型，利用步骤1获取的M/C信号，推求永久水体像元处FWS的时空动态分布，实现对永久水体处的洪水淹没范围高时空精度持续动态模拟；

步骤1的具体方法为：

步骤1.1、根据研究区域的河宽大小，选取合适的高时空精度被动微波亮温数据，并挑选出研究区域的河道观测像元和观测像元值的校准像元，其中河道观测像元简称M像元，校准像元简称C像元；

步骤1.2、提取M像元与C像元的逐日亮温值序列，计算M/C信号值，并进行滑动平均处理；

步骤1.3、根据步骤1.2中获取的M/C信号值的历史时间序列，提取判断洪水是否发生的阈值，初步确定研究区域某时间段中洪水事件的发生时间；

步骤1.2中提取M像元与C像元的逐日亮温值序列，计算M/C信号值的具体实现步骤为：

式中，T_{B,measurement}是观测像元的亮温值；T_measurement是观测像元的实际温度；ε_water为该区域的水体发射率；ε_land为该区域的陆地平均发射率；T_{B,calibration}是校准像元的亮温值；T_calibration是校准像元的实际温度；FWS是像元中地表水体所占的面积比率。

2.如权利要求1所述的融合主被动微波遥感信息的洪水淹没范围动态模拟方法，其特征在于：步骤2的具体方法为：

步骤2.1、基于步骤1中初步确定的洪水事件的发生时间，明确洪水事件灾前/灾中/灾后的对应时段，选取合适的星载主动微波遥感SAR影像，通过前处理过程，得到归一化的SAR影像雷达后向散射系数分布；

步骤2.2、基于多种监督分类与非监督分类方法比选结果，构建基于SAR影像的水体/陆地分类算法，利用归一化的SAR影像雷达后向散射系数获取研究区域的水体/陆地分类结果；

步骤2.3、利用考虑地形地貌及水文因子分布特征的后处理算法，对步骤2.2中获取的水体/陆地分类结果进行修正，得到优化后的研究区域灾前/灾中/灾后水体/陆地分布情况。

3.如权利要求2所述的融合主被动微波遥感信息的洪水淹没范围动态模拟方法，其特征在于：步骤2.1中通过前处理过程，得到归一化的SAR影像雷达后向散射系数分布具体为：

式中，是归一化处理后的雷达后向散射系数；θ为雷达入射角；θ_ref是参考角度，根据θ的范围分布一般取其平均值。

4.如权利要求2所述的融合主被动微波遥感信息的洪水淹没范围动态模拟方法，其特征在于：步骤2.1中涉及到的前处理过程具体为：读入数据、添加轨道文件、热噪声去除、辐射校正、滤波、地形校正以及导出数据。

5.如权利要求2所述的融合主被动微波遥感信息的洪水淹没范围动态模拟方法，其特征在于：步骤2.2中涉及的监督分类与非监督分类方法具体为：

监督分类法：采用随机森林法、最大似然法和最小距离法三种典型分类器；

非监督分类法：又称阈值法，具体采用Otsu法，其是一种自适应全局阈值确定方法，Otsu方法针对图像的直方图分布确定全局阈值，将其分为L个灰度，利用类间方差将陆地和水体区分出来，其目标函数为：

式中，是关于阈值k所对应的类别平均值的函数；随k值变化，表示其对应的总方差，全局阈值k^*使得目标函数，即类间方差η达到最大值或等效地使得达到最大，通过迭代搜索实现：

。