基于GF-3影像的金沙江堰塞湖电网受灾区域提取

孙斌 李俊鹏 罗哲轩 杨腾 者梅林 刘靖 张浩

基于GF-3影像的金沙江堰塞湖电网受灾区域提取

孙斌1李俊鹏1罗哲轩1杨腾1者梅林1刘靖2张浩3

（1 云南电网有限责任公司输电分公司，昆明 650000）（2 北京空间飞行器总体设计部，北京 100094）（3 南昌工程学院，南昌 330099）

云南地区降雨频发，暴雨易导致洪涝等灾害发生，显著威胁电网的安全运行。基于合成孔径雷达遥感影像的检测技术近年来广泛应用于水体提取。文章提出一种基于深度学习的洪涝灾害区域提取技术，通过神经网络水体提取和差分变化检测完成电网受灾单位识别。在云南地区“高分三号”卫星影像上对比了与阈值算法（OTSU）、Snake算法、CV分割算法的提取精度，证实了方法的有效性。结果显示，相对经典的分割方法，深度学习方法可以较好的处理复杂场景。该方法用于金沙江流域堰塞湖泄洪受灾检测应用，检出受灾电网单位与现场勘察相符，为电网监测管控提供了保障。该研究可为水体提取、洪涝灾害变化监测研究与应用，以及更广泛的其他地物分割场景提供参考。

合成孔径雷达 洪涝灾害 水体提取 深度学习 “高分三号”卫星

0 引言

电力工业是国民经济与社会发展的重要支柱产业。自然灾害中的洪涝灾害由于发生速度快、频次高，严重地威胁着电力系统的安全运行[1]。对水体及其变化信息进行提取，有利于电网及时采取应急措施，降低安全隐患，做好灾后评估。近年来，遥感技术开始广泛应用于水体提取[2]。遥感影像覆盖广、频次高，有利于进行灾害监测，尤其是，合成孔径雷达（SAR）影像受云雨雾影响较少，水体后向散射特征易于与其他地物区分，在水体提取方面具有优于光学影像的表现[3]。作为我国首颗C波段的多极化合成孔径雷达卫星，“高分三号”（GF-3）卫星的发射，为电网洪涝灾害的SAR水体提取场景应用提供了基本数据保障。研究一种基于SAR的水体快速提取与变化监测方法，对于电网洪涝灾害监测、规划管理等具有重要意义。

目前，SAR影像水体提取通常基于图像分割，主要分为阈值分割法、滤波法和机器学习的方法[4-5]。阈值分割法认为不同目标或背景的像素在灰度上有差异，在SAR图像的后向散射强度直方图中选取阈值，从而将图像分为水体和非水体[6-7]。大津（OTSU）阈值分割是其中一种经典的阈值算法，其利用最大类间方差的思想来决定阈值，方法原理简单，易于理解，实现速度快[8]。然而，阈值法容易受相干斑噪声的影响，陆地场景复杂，有些非水体区域也呈现黑色暗斑，如山脉中的山谷阴影、平滑的机场跑道，以及其他的暗斑区域，这些黑色暗斑的灰度值与水体的非常接近，传统的水体提取方法会将噪声区域一并分类为水体，降低了提取精度。为了消除相干斑噪声的影响，各类滤波法被提出，滤波法主要采用小波变换、形态学滤波和Gmma滤波等算法[9-11]，设定不同的规则来抑制SAR的相干斑噪声，然而该滤波算法提取的水体边缘不平滑，边缘特征易被消除，导致检测精度降低；支持向量机与灰度共生矩阵是应用最为广泛的机器学习的方法[12-15]，该方法将纹理灰度共生矩阵与图像中的灰度信息相结合，消除“椒盐现象”，水体提取的精度较高，其缺点是计算量大，训练时间长，不适用于复杂的SAR应用场景。

总的来说，上述方法均存在其局限性，阈值法、滤波法等非学习的方法往往基于人为设计的分割规则，容易受到阴影、噪声等影响，而这些现象在稍复杂的场景下很常见。支持向量机与灰度共生矩阵等方法尽管引入了机器学习，但其学习样本能力较弱，仍然无法适用于复杂场景的SAR应用。近年来，深度学习在图像处理方面的研究发展迅速，应用广泛，各类用于分类和识别的神经网络模型被相继提出，例如CNN[16]、FCN[17]和U-Net等[18]。将神经网络应用于SAR图像的处理也越来越广泛，凭借神经网络强大的学习能力和多层的网络结构，基于神经网络的SAR图像场景识别和分类往往能够获得比传统方法更好的效果[19-20]。Badrinarayanan等人于2015年提出SegNet网络[21]，其本身是语义分割常用的网络模型，也常用于遥感图像的分割，2018年Guo等人将Segnet算法用于SAR图像中海面溢油的检测，取得了理想的效果[22]。

本文提出了一种基于SegNet算法的水体提取与变化检测流程方法，其可以改善传统方法面对复杂SAR场景的无法适用的情况。通过实验对比了OTSU阈值算法、Snake模型[23]、CV分割算法[24]与基于SegNet算法的水体提取方法在GF-3卫星影像提取上的影像提取效果的优劣，结果表明，基于SegNet的水体提取方法表现出更好的效果。水体提取与变化检测流程方法应用于金沙江流域堰塞湖泄洪受灾区域，成功地检出电网受灾地区。本文研究成果可为SAR水体提取研究及电网洪灾应对提供参考。

1 基于SegNet网络的水体提取与变化检测方法

针对GF-3卫星图像数据提取洪灾区域，监测水陆变化，本文首先对GF-3卫星图像进行预处理。常见卫星图像为16bit数据，通常应先将图像量化为8bit灰度图像，并进行几何校正[25]。首先采用线性拉伸的方法将16bit数据量化为8bit数据，随后基于参考底图仿射校正的方法，对提供的卫星有理函数几何成像模型的有理多项式系数（Rational Polynomial Coefficients，RPC）进行修正，最后通过改正后的RPC参数对影像做正射校正。校正后的影像作为后续水体提取与变化检测输入，利用深度学习技术提取图像中的水体，最后对两个时相的图像进行水体的变化监测，技术路线如图1所示。

图1 技术路线图

1.1 水体提取

（1）SegNet网络结构

SegNet网络由编码器和解码器组成，具有对称结构。编码器的结构与VGG16网络[26]相似，由５个层组构成，每个层组都包含卷积层、批量归一化处理层、线性整流函数激活层、池化层。编码器用于深层的特征提取，最大池化层能够简化和平滑前例特征映射，采集本字段的最大值作为输出像素；解码器网络可以看作编码器网络的反向过程，解码器层组构成与编码器层组类似，区别在于进行卷积和池化时，解码器网络使用保存的最大池化索引进行上采样，得到稀疏的特征图，而后特征图经过解码器卷积层到致密的特征图，在解码器的最后连接一个全连接层，全连接层输出每个像素的类别概率，具体结构见图2。

采用编码解码结构的深度神经网络易于学习，可以输入不同大小尺寸的图片，在对缩小的图片进行还原的同时能最大限度的保留像素的位置信息，降低错误的分类，适合用于非结构场景中的水体语义分割任务。

图2 SegNet网络结构

（2）训练与预测

SegNet的训练过程可概述为以下三个步骤：

1）将训练集中的每个样本对应的标签依次输入到SegNet网络中；

2）将交叉损失熵作为训练模型的目标函数，其值为每个训练样本中所有像素的加权值；

3）通过反向传播算法，根据最小误差更新权重。

步骤1）和步骤2）中的信息向前传播，通过对输入和权重的卷积得到输出。步骤3）是反向传播过程，根据步骤2）的结果，通过反向传播算法将权值传递到前一层，并对权值进行更新。

在预测阶段，编码器输入尺寸为××的图像input，这里和表示图像长宽，表示图像波段数，input表示输入图像。经过归一化处理和线性整流函数的作用，进入卷积层进行运算，然后最大池化处理，依次循环，遍历所有层组。编码器完成计算后，将保留在最大池化层和最后一层池化层中所提取的非结构水体特征输入解码器，解码器网络算法将输入进行上采样、卷积操作、批量归一化和线性整流，最后输出语义分割结果，即获得图像的水体分割结果。

1.2 水体变化检测

（1）SAR影像配准

尽管影像已经进行过地理编码和几何校正，然而，卫星在成像时受噪声、轨道位置和卫星方向影响，不同时间获取的同地理位置的影像需要经过配准才能够进行变化检测，否则检测结果的准确性与可靠性有待验证，因此，首先对用于变化检测的两个时相相同区域影像进行配准。这里采用尺度不变特征变换（Scale-invariant feature transform，SIFT）来进行特征点匹配，采用随机抽样一致性算法（Random Sample Consensus，RANSAC）进行误匹配剔除，从而对影像进行匹配。

SIFT是用于影像局部特征点检测与描述的一种算法[27]，算法首先对影像进行基于不同尺度高斯滤波器的模糊，随后对相邻尺度的模糊影像进行差分，构建得到尺度空间。在尺度空间中进行极值检测得到极值点的位置，随后基于该点的局部区域梯度方向进行该极值点的特征描述，最终生成128维的SIFT特征向量。通过特征向量进行两两比较，找出相互匹配的若干对特征点，建立同名像点间的对应关系。这里采用欧氏距离进行匹配，即

RANSAC算法是一种粗差剔除算法[28]。其目的是找出适宜目标模型的数据，而剔除不能适应模型的会对模型参数估计造成影响的数据，如噪声的极值、错误的测量方法、对数据的错误假设等。算法认为两幅影像间存在某个仿射变换，不断的随机抽取3个匹配点对进行仿射变换估计，统计该仿射变换下匹配点与原匹配点的差异，最终选取到能适宜最多SIFT匹配点的最佳估计仿射变换模型，选取其适宜匹配点对为最终匹配点，其余匹配点对则予以剔除。

（2）变化检测与受灾区域识别

基于配准后的SAR影像进行SegNet水体提取，对得到的两景水域检测结果直接差分，作为最终水体变化检测的结果。将电力系统单位的空间坐标叠加于识别受灾区域中，依据水域提取与变化检测结果，基于该单位所处位置的洪涝受灾情况，判断得出该单位是否受到洪涝受灾影响。

考虑到遥感SAR图像场景复杂、干扰因素多，在利用前期技术进行不同时相SAR图像变化检测后，对检测到的虚假目标需要进一步剔除，以提高灾害评估的准确率。因此，通过水域提取和变换检测等技术有效提取出不同时刻同一区域中变化的水域区域，应通过变化区域面积、变化区域周围建筑类型、变化区域所处位置等特征信息对该区域进行综合分析，从而有效评估该地区的洪涝灾害情况。

2 实验与结果分析

2.1 影像概况

GF-3卫星为我国首颗C波段多极化SAR卫星，是太阳同步回归晨昏轨道卫星，具有12种成像模式，不同成像模式具有不同的分辨率和幅宽，如表1所示，滑块聚束（SL）模式成像分辨率达到1m，单景图像最大幅宽达到650km。

表1 GF-3卫星成像模式

Tab.1 GF-3 satellite imaging mode

2.2 训练数据处理与增广

选取了50景GF-3卫星图像作为样本数据供模型训练。首先将数据进行人工标注添加标签，随后进行数据增广，最后按8:2的样本比例划分训练集和测试集。

具体地，首先对几何校正后的50景SAR数据进行标注，将标记图中的水体区域二值化，水体为1，非水体为0作为标签。影像与其对应的标记图均被裁剪为1 000像素×1 000像素大小的图像块。为了对训练数据进行增强，扩大训练集的数据量，增强模型的鲁棒性，更好地适应不同地区SAR图像场景，减少网络的过拟合现象，进行缩放、旋转、平移变换三类数据增广。50景GF-3卫星图像原图及人工标记图在经过分割、增广后，形成了52.7万个训练样本的数据集。将数据集按8:2的比例划分为训练集和测试集，将数据输入SegNet网络进行训练。

2.3 简单及复杂场景下各方法水体提取结果对比

在2017年7月13日中心经纬度为（126.3°，43.5°）的GF-3卫星影像及2017年7月25日中心经纬度为（126.3°，44.1°）的GF-3卫星影像上对比了经典图像分割方法与本文方法的分割效果，前者覆盖区域为简单水域场景，后者覆盖区域为复杂场景。文章选取了OTSU算法、Snake分割算法、CV分割算法与深度学习算法对SAR图像进行分割。Snake模型是Michael Kass等人[23]提出的参数活动轮廓模型，CV模型是Tony F.Chan和Vese[24]提出一种几何活动轮廓模型，两者均为经典的图像分割算法。

四种算法分割的对比结果见图3及图4。图3显示，对于于灰度层次简单的图像来说，四种算法的分割效果差异不大，均能有效捕捉大部分水体区域。相较于其它三种算法，OTSU算法分割的结果存在一些斑点，其算法是像素级，在处理整体平滑的区域时可能出现均匀区域内部各像素分割不一致。图4显示，当实验影像变为复杂场景，基于深度学习的算法分割效果最好。OTSU算法的分割结果出现大量虚警像素，分割区域混乱，几乎无法使用。Snake模型则容易因初始值不佳而收敛到错误的区域。CV模型同样无法适应复杂场景。

图3 简单场景下局部分割效果对比

图4 复杂场景下局部分割效果对比

同时测试了四种算法的检测率、虚警率与算法耗时，结果见表2及表3。容易看到，OTSU阈值分割运行时间最短，对于灰度层次简单的图像来说，其分割结果好于Snake模型，且虚警率在可控范围内。但对于场景复杂、灰度层次较多的SAR图像来说，分割效果较差，虚警率过高。Snake模型对于初始点的位置、迭代次数以及场景的复杂度较敏感。在QPSI模式下，对于不同的初始化位置产生的分割结果差异较大，其检测率较低且虚警率过高。CV模型对于简单SAR场景来说，分割效果较好，但是对复杂SAR图像来说，检测率仅为80.96%，低于SegNet网络的89.25%分割精度，并且其虚警率高达53.28%。相较之下，本文的基于SegNet的深度学习算法在两景不同复杂度场景上都表现出了较好的测试结果，具有更强的鲁棒性。

表2 简单场景下局部分割结果对比

Tab.2 Comparison of segmentation accuracy in simple scenes

表3 复杂场景下局部分割结果对比

Tab.3 Comparison of segmentation accuracy in complex scenes

3 金沙江流域堰塞湖泄洪受灾检测应用

3.1 堰塞湖洪灾区域与数据概况

云南地处以盆地和丘陵为主的西南地区，位于青藏高原东部的下坡位置，受西南季风和西部高海拔影响，年降水量呈现出由东南向西北逐渐减少的态势，空间分布不均，受地形和山脉的影响，局部降水量差异大，部分地区降雨频发，暴雨易导致山体滑坡、洪汛灾害、堰塞湖等自然灾害[1]。巨甸镇位于云南省玉龙县西北部，三面环山，一面临江，2018年11月，受白格堰塞湖泄流洪水影响，云南丽江玉龙纳西族自治县沿江乡镇遭遇严重洪涝灾害，产生了明显的水体区域变化。

为检测堰塞湖洪灾情况，选取两景不同时间同一区域成像的GF-3卫星图像，数据的成像模式为超精细条带（UFS），成像模式分辨率较高，两景分辨率均为3m，单景图像幅宽30km，图像的成像中心坐标为：东经99.7°，北纬27.3°，两者的覆盖范围见图5中粉色框体区域，其中靠右侧朝右偏斜区域为时相1（洪灾前）覆盖区域，另一区域为时相2（洪灾后）覆盖区域，图中浅色细长区域为金沙江流域，两者均覆盖灾害区域巨甸镇，具体的图像预览如图6所示。

图5 GF-3卫星数据覆盖区域

图6 两景GF-3卫星数据预览图

3.2 洪灾前后时相水域提取

对两景包含金沙江流域且覆盖巨甸镇的预处理后的研究区GF-3卫星数据进行配准，配准结果如图7所示。然后输入训练得到的SegNet网络进行水体提取，结果如图8所示，图8（a）为时相1（洪灾前）的水域提取结果，图8（b）为时相2（洪灾后）的水域提取结果。

图7 影像配准

图8 水体提取结果

3.3 堰塞湖洪灾检测

基于时相1与时相2的GF-3卫星影像水域检测结果进行变化检测，结果如图9（a）所示，其中白色区域为水域发生变化的区域，红框为巨甸镇所在区域。叠合GF-3卫星原始影像与变化区域得到图9（b），易见，金沙江水面宽度发生了明显变化，红框区域内的巨甸镇及周边农田水域覆盖范围也发生了变化，变化区域明显，范围较广，大部分农田被淹，表明本次堰塞湖泄洪给巨甸镇带来较大的灾害影响。通过对变化区域的像素数量的统计，可对受灾面积进行估计。

图9 水域变化检测结果

将该区域电网输电杆塔、变电站位置的经纬度坐标与GF-3卫星影像检测的水域变化结果进行叠加，可判断得出该区域电网某变电站位于图9（a）中红框标记的水域内，由此判断，该变电站受灾。对变电站实地勘察，判断结果得到了验证，受灾变电站灾况如图10所示。灾前的变电站周围为农田，灾后农田基本被浑浊的泥水淹没，变电站内亦被水淹浸，该区域存在严重的洪涝灾害。考虑到灾害范围较大，建议继续利用GF-3卫星和其他光学卫星对受灾区域成像，查看灾害的后续变化情况，以保障当地居民的生活以及电网系统的安全运作。

图10 变电站灾前灾后对比

4 结束语

云南局部降水量高易导致洪灾，常规算法进行水体提取难以适用复杂场景。本文基于国产GF-3卫星数据对洪灾区域进行提取和变化检测，提出一种基于深度学习的洪涝灾害区域提取技术，通过神经网络水体提取和差分变化检测完成电网受灾单位识别。在云南地区GF-3卫星影像上对比了与OTSU算法、Snake算法、CV分割算法的提取精度，证实了方法的有效性，相对经典的对比方法来说，深度学习方法可以较好的处理复杂场景。该方法用于金沙江流域堰塞湖泄洪受灾检测应用，检出受灾电网单位与现场勘察相符，为电网监测管控提供了保障。与其它基于SegNet网络的分割任务相比，研究拓展了其在GF-3卫星SAR影像及电网场景的应用。研究同时可扩展到GF-3卫星影像中的其他地物分割场景，为更广泛的地物分割研究提供参考。

[1] 严志涛, 李谢辉, 刘子堂, 等. 气候变暖背景下西南四省市暴雨洪涝灾害风险变化[J]. 灾害学, 2021, 36(2): 200-207.

YAN Zhitao, LI Xiehui, LIU Zitang, et al. Risk Change of Rainstorm and Flood Disaster in Four Provinces and Cities of Southwestern China under the Background of Climate Warming[J]. Journal of Catastrophology, 2021, 36(2): 200-207. (in Chinese)

[2] 李胜阳, 许志辉, 陈子琪, 等. 高分3号卫星影像在黄河洪水监测中的应用[J]. 水利信息化, 2017(5): 22-26.

LI Shengyang, XU Zhihui, CHEN Ziqi, et al. Application of GF-3 Satellite Remote Sensing Image on Yellow River Flood Monitoring[J]. Water Resources Informatization, 2017(5): 22-26. (in Chinese)

[3] 黄帅, 丁建丽, 张钧泳, 等. 基于Radarsat-2卫星微波遥感的后向散射系数研究[J]. 光学学报, 2017, 37(9): 317-327.

HUANG Shuai, DING Jianli, ZHANG Junyong, et al. Backscattering Coefficient Research Based on Microwave Remote Sensing of Radarsat-2 Satellite[J]. Acta Optica Sinica, 2017, 37(9): 317-327. (in Chinese)

[4] 苏龙飞, 李振轩, 高飞, 等. 遥感影像水体提取研究综述[J]. 国土资源遥感, 2021, 33(1): 9-19.

SU Longfei, LI Zhengxuan, GAO Fei, et al. A Review of Remote Sensing Image Water Extraction[J]. Remote Sensing for Land & Resources, 2021, 33(1): 9-19. (in Chinese)

[5] 陈坤, 郝明, 庄龙, 等. 基于卷积神经网络的SAR图像水体提取[J]. 电子测量技术, 2021, 44(3): 125-131.

CHEN Kun, HAO Ming, ZHUANG Long, et al. A Method for Water Body Extraction in SAR Image Using CNN[J]. Electronic Measurement Technology, 2021, 44(3): 125-131. (in Chinese)

[6] 孙亚勇, 李小涛, 杨锋杰, 等. 基于星载SAR数据的山区水体提取方法研究[J]. 中国水利水电科学研究院学报, 2014, 12(3): 258-263.

SUN Yayong, LI Xiaotao, YANG Fengjie, et al. Study on the Mountain Water Extraction Method of the Space-borne SAR Image[J]. Journal of China Institute of Water Resources and Hydropower Research, 2014, 12(3): 258-263. (in Chinese)

[7] 李智慧, 陈秀万, 罗鹏, 等. 基于混合阈值法的Envisat影像水体提取[J]. 遥感信息, 2013, 28(2): 62-65.

LI Zhihui, CHEN Xiuwan, LUO Peng, et al. A Hybrid Thresholding Method for Water Extraction in Envisat Image[J]. Remote Sensing Information, 2013, 28(2): 62-65. (in Chinese)

[8] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.

[9] 陈志国. 高分辨率SAR卫星影像洪水区域提取应用研究[D]. 武汉: 武汉大学, 2017.

CHEN Zhiguo. Flooded Area Classification by High-resolution SAR Images[D]. Wuhan: Wuhan University, 2017. (in Chinese)

[10] 庞科臣. 高分辨率SAR图像水体提取算法研究[D]. 长沙: 长沙理工大学, 2016.

PANG Kechen. Research of High Resolution SAR Image Water Extraction Algorithms[D]. Changsha: Changsha University of Science and Technology, 2016. (in Chinese)

[11] 王慧敏. 基于升降轨SAR数据小波融合的水体变化监测[D]. 南京: 南京大学, 2012.

WANG Huimin. Water Body Change Detection Based on Ascending and Descending SAR Wavelet Fusion Imagery[D]. Nanjing: Nanjing University, 2012. (in Chinese)

[12] 陈媛媛, 郑加柱, 魏浩翰, 等. 基于Sentinel-1A数据的南京市水体信息提取[J]. 地理空间信息, 2020, 18(9): 62-65.

CHEN Yuanyuan, ZHENG Jiazhu, WEI Haohan, et al. Water Information Extraction of Nanjing City Based on Sentinel-1A Data[J]. Geospatial Information, 2020, 18(9): 62-65. (in Chinese)

[13] 杨龙飞. 基于局部二值模式和灰度共生矩阵的纹理特征提取技术研究[D]. 兰州: 兰州大学, 2016.

YANG Longfei. The Study on Texture Feature Extraction Method Based on LBP and GLCM[D]. Lanzhou: Lanzhou University, 2016. (in Chinese)

[14] 高梦瑶. 基于语义和脊波反卷积网络的SAR图像分割[D]. 西安: 西安电子科技大学, 2016.

GAO Mengyao. SAR Image Segmentation Based on Semantic and Ridgelet Deconvolutional Network[D]. Xi'an: Xidian University, 2016. (in Chinese)

[15] 李陆陆. 基于灰度共生矩阵和MRF的纹理图像分割[D]. 大连: 辽宁师范大学, 2013.

LI Lulu. Texture Image Segmentation is Based on Gray Level Co-occurrence Matrix and MRF[D]. Dalian: Liaoning Normal University, 2013. (in Chinese)

[16] LECUN Y L, BOTTOU L, BENGIO Y, et al. Gradient-based Learning Applied to Document Recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[17] HENRY C, AZIMI S M, MERKLE N. Road Segmentation in SAR Satellite Images with Deep Fully Convolutional Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(12): 1867-1871.

[18] PAI M, MEHROTRA V, AIYAR S, et al. Automatic Segmentation of River and Land in SAR Images: A Deep Learning Approach[C]// 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE), June 3-5, 2019, Sardinia, Italy. IEEE, 2019.

[19] LONG J, SHELHAMER E, DARRELL T. Fully Convolutional Networks for Semantic Segmentation[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition, June 7-12, 2015, Boston, MA, USA. IEEE, 2015.

[20] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-02-14]. http//arxiv.org/pdf/1409.1556.pdf.

[21] BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

[22] GUO H, WEI G, AN J. Dark Spot Detection in SAR Images of Oil Spill Using SegNet[J]. Applied Sciences, 2018, 8(12): 2670.

[23] KASS M, WITKIN A, TERZOPOULOS D. Snakes: Active Contour Models[J]. International Journal of Computer Vision, 1988, 1(4): 321-331.

[24] CHAN T F, VESE L A. Active Contours without Edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.

[25] 谷鑫志, 曾庆伟, 谌华, 等. 高分三号影像水体信息提取[J]. 遥感学报, 2019, 23(3): 555-566.

GU Xinzhi, ZENG Qingwei, SHEN Hua, et al. Study on Water Information Extraction Using Domestic GF-3 Image[J]. Journal of Remote Sensing, 2019, 23(3): 555-566. (in Chinese)

[26] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-05-02]. arxiv.org/abs/1409.1556.

[27] LOWE D G. Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[28] CHUM O, WERNER T, MATAS J. Two-view Geometry Estimation Unaffected by a Dominant Plane[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, June 20-26, 2005, San Diego, CA, USA. IEEE, 2005.

Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images

SUN Bin1LI Junpeng1LUO Zhexuan1YANG Teng1ZHE Meilin1LIU Jing2ZHANG Hao3

（1 Electricity Transmission Company, Yunnan Power Grid Co., Ltd., Kunming 650000, China）（2 Beijing Institute of Spacecraft System Engineering, Beijing 100094, China）（3 Nanchang Institute of Technology, Nanchang 330099, China）

Rainfall is frequent in Yunnan, and heavy rainfall is prone to flooding and other disasters, significantly threatening the safe operation of power grids. Detection techniques based on synthetic aperture radar remote sensing images have been widely used for water body extraction in recent years. This paper proposes a deep learning-based flooding area extraction technique to complete the identification of grid affected units by neural network water extraction and differential change detection. The extraction accuracy is compared with the OTSU threshold algorithm, Snake algorithm, and CV segmentation algorithm on the GF-3 image of Yunnan region, and the effectiveness of the method is confirmed. The results show that compared with the classical segmentation methods, the deep learning method can better deal with complex scenes. The method is used in the application of flood damage detection for the Jinsha River basin weir release, and the detected affected grid units match with the on-site survey, which provides a guarantee for grid monitoring and control.The research can provide a reference for the research and application of water extraction and flood disaster change monitoring, as well as other ground object segmentation scenarios.

synthetic aperture radar; flood; water extraction; deep learning; GF-3 satellite

TP79

A

1009-8518(2021)05-0096-12

10.3969/j.issn.1009-8518.2021.05.011

孙斌，男，1987年生，2017年获昆明理工大学电气工程专业工程硕士学位，工程师。主要研究方向为输电线路智能运维。E-mail：447188097@qq.com。

2021-07-06

基于卫星技术的电网“天空地协同”巡视及风险防控策略研究与示范应用（YNKJXM20180016）

孙斌, 李俊鹏, 罗哲轩, 等. 基于GF-3影像的金沙江堰塞湖电网受灾区域提取[J]. 航天返回与遥感, 2021, 42(5): 96-107.

SUN Bin, LI Junpeng, LUO Zhexuan, et al. Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 96-107. (in Chinese)

（编辑：庞冰）