洪水识别为什么不能只找“一张灾前影像”？

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NDFVI：

NDFVI =（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：

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、Malawi：96.7%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 agreement：75.8%
• overall agreement：96.7%

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-SkyMed：3 m，X-band；
• TerraSAR-X：3 m，X-band；
• Radarsat-2：25 m，C-band；
• ENVISAT-ASAR：150 m，C-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、Uganda：26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：0.7
• NDFVI阈值：0.75

Malawi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：209（2018）712–730

在线发表时间：2018年3月19日

DOI：10.1016/j.rse.2018.03.006

核心指标：NDFI、NDFVI

案例：Malawi 2015、Veneto 2010、Uganda 2015

SAR数据：Sentinel-1、COSMO-SkyMed、TerraSAR-X、Radarsat-2、ENVISAT-ASAR