企业官网建设流程全解析

40公里的SMAP像元，为什么能生成30米洪水预报？

一句话读懂这篇论文：
作者先用SMAP L波段被动微波每天监测大范围地表水比例，再用Landsat历史水体、SMAP前期湿润状态和GFS降雨预报训练一棵CART回归树，预测未来24小时5个子流域的“总体水面比例”；最后按照历史上哪些30米像元最容易积水，把预测水量依次分配到这些像元，生成30米洪水图。它并不是直接预测每个30米像元，也没有求解洪水传播方程。

一场热带气旋带来的洪水，通常伴随三个麻烦：

• 云很多，光学卫星看不见；
• 水涨得快，十几天重访一次的高分辨率影像来不及；
• 被动微波每天都能看，但一个像元可能宽达几十千米。

这形成了洪水遥感中的经典矛盾：

看得勤的卫星太粗，看得细的卫星又不够勤。

2021年，Du等人在IEEE JSTARS发表：

Satellite Flood Inundation Assessment and Forecast Using SMAP and Landsat

论文以2019年Cyclone Idai引发的东南非洪水为案例，尝试把：

• SMAP高时间分辨率；
• Landsat 30米历史水体；
• GFS未来降雨；
• SMAP土壤湿度；
• Google Earth Engine云计算；

放进同一套数据驱动框架。

最值得理解的不是“用了机器学习”这句话，而是：

作者把大尺度未来淹水量预测与小尺度历史易淹位置分成了两个问题。

一、为什么单一卫星很难兼顾洪水监测和预报？

光学卫星：看得细，但怕云

Landsat能够提供30米水体图，但：

• 重访周期较长；
• 洪水期间经常有云；
• 夜间无法获取反射率影像；
• 植被下积水不容易识别。

SAR：全天候，但并非每天覆盖

Sentinel-1等SAR能够穿云观测，空间分辨率较高，但全球重复覆盖通常仍以数天计。

被动微波：每天看，但像元很粗

SMAP使用1.4 GHz L波段被动微波：

• 约1—3天全球覆盖；
• 受云和太阳照明影响较小；
• 对植被下水体比光学更敏感；
• 但地表水产品网格约36—40千米。

论文的思路是：

让SMAP负责“今天整体多了多少水”，让Landsat历史记录负责“这些水最可能出现在哪里”。

二、论文到底解决了哪两个任务？

全文实际上包含两个不同任务。

任务一：区域洪水评估

范围覆盖东南非：

• 莫桑比克；
• 津巴布韦；
• 马拉维；
• 马达加斯加等区域。

作者使用SMAP地表分数水体覆盖率：

F W FWFW

比较气旋前后水面比例变化，估算新增受淹面积。

任务二：小流域洪水预报

作者选择Pungwe River下游的5个单元子流域，总面积约：

163 k m 2 163\ km^2163km2

建立：

• 24小时洪水预报；
• 72小时试验性预报；
• 30米洪水空间下尺度图。

这两个任务不能混为一谈：

三、为什么选择Cyclone Idai和Pungwe流域？

Cyclone Idai于2019年3月14—15日在莫桑比克Beira附近登陆，带来持续强降雨和严重洪水。

Pungwe流域：

• 面积约31,000平方千米；
• 从津巴布韦东部高地流向莫桑比克Sofala低地；
• 同时经历季节性洪水和干旱；
• 下游地势低平，洪水风险较高。

论文选择的5个子流域位于严重受灾的下游区域。

论文第2页图1显示：

• 红线为5个研究子流域；
• 长期Landsat水体出现频率在北部和Pungwe河附近较高；
• 这些历史易淹区域后来被直接用于30米下尺度。

因此，这个区域既是案例区，也是下尺度先验信息比较丰富的地区。

四、六类数据分别承担什么角色？

数据被集中到Google Earth Engine中处理。

这套设计很适合资料稀缺区，因为不依赖：

• 河道断面；
• 水库调度；
• 地面雨量站；
• 流量站；
• 高精度糙率；
• 二维水动力网格。

但代价是：

模型只能从历史统计关系学习洪水，不能显式模拟水怎样沿河传播。

五、SMAP怎样把微波亮温变成“水面比例”？

SMAP不是直接拍摄一张水体照片。

它测量地表L波段微波亮温：

T b T_bTb​

水面和陆地的微波发射率不同。

作者使用陆地端元与水体端元，计算观测亮温位于两者之间的比例：

F W ≈ T b h l r e f − T b h o b s T b h l r e f − T b h w r e f FW\approx \frac{T_{bhl}^{ref}-T_{bh}^{obs}} {T_{bhl}^{ref}-T_{bhw}^{ref}}FW≈Tbhlref​−Tbhwref​Tbhlref​−Tbhobs​​

其中：

• F W FWFW表示像元中 standing water 的面积比例；
• T b h l r e f T_{bhl}^{ref}Tbhlref​为纯陆地参考亮温；
• T b h w r e f T_{bhw}^{ref}Tbhwref​为纯水体参考亮温；
• T b h o b s T_{bh}^{obs}Tbhobs​为SMAP实际观测。

可以把它理解为：

一个36千米像元中，如果亮温越来越接近纯水体端元，说明其中水面比例增加。

需要注意：

• FW不是水深；
• FW不是精确洪水边界；
• FW包含永久水体和临时积水；
• 端元误差、植被和地表粗糙度都会影响结果。

六、论文怎样计算Idai造成的新增水面？

作者将气旋登陆前：

3 月 11 — 13 日 3月11—13日3月11—13日

的平均FW作为背景水面状态。

再用：

3 月 17 — 19 日 3月17—19日3月17—19日

的FW减去背景值，估算新增水面比例。

论文第5页图3显示：

• Beira及其周边出现明显新增水面；
• 东部津巴布韦也检测到大范围洪水；
• 深蓝色稳定水体中还包括大型湖泊和季节性湿地。

作者估算，气旋登陆后的降雨使新增水面约为：

这些数字来自粗分辨率FW变化的面积汇总。

它们更适合解释为：

SMAP检测到的地表水比例增量。

不能理解为经过30米人工判读得到的精确洪水边界面积。

七、机器学习真正预测的目标是什么？

论文没有让CART直接输出30米像元的洪水类别。

模型目标变量是：

5个子流域中，由Landsat 30米水体掩膜汇总得到的分数水体覆盖率FW。

所以机器学习预测的是：

• 明天整个研究区约有多少比例被水覆盖；
• 或5个子流域合计的水面比例变化。

它没有直接预测：

• 每个像元何时进水；
• 水深；
• 流速；
• 洪峰传播路径；
• 淹没持续时间。

这一区分非常关键。

八、24小时预报输入了哪些变量？

论文把“今天”定义为day 0，预报day +1上午10时左右的FW。

主要输入包括：

模型使用CART：

Classification and Regression Trees。

虽然名称中有Classification，但本文做的是回归，输出连续FW值。

作者只使用动态变量，认为固定研究区中的：

• 地形；
• 土壤；
• 植被；
• 河网；

影响已经隐含在历史训练关系中。

这也意味着模型是：

区域专用模型，而不是直接可迁移到其他流域的全球模型。

九、训练样本只有约100个，验证方式可靠吗？

训练数据来自：

2015 年 5 月— 2019 年 2 月 2015年5月—2019年2月2015年5月—2019年2月

SMAP、GFS和少云Landsat共同可用的日期。

样本量约：

100 100100

其中：

• 80%训练；
• 20%验证；
• 日期随机划分。

这种设计能够测试模型对随机未见日期的拟合能力，但存在几个问题。

1. 样本数量较小

一棵回归树可能对少量样本中的局部切分比较敏感。

2. 随机日期划分可能高估泛化能力

训练与验证日期可能来自：

• 相同季节；
• 相邻年份；
• 类似水文背景。

这不等于模型能够预测一个完全独立的极端气旋事件。

3. 标签受云和Fmask误差影响

作者只使用云量低于20%的Landsat影像，但剩余云、云影、植被遮挡和混合像元仍可能影响子流域FW。

作者后来将数据扩展到约130个样本：

• 原模型训练R = 0.94 R=0.94R=0.94、验证R = 0.87 R=0.87R=0.87；
• 扩展模型训练R = 0.91 R=0.91R=0.91、验证R = 0.89 R=0.89R=0.89。

训练和验证差距缩小，说明更长记录有助于降低过拟合风险。

十、24小时预报结果到底有多好？

随机日期验证结果为：

这里的0.68%是：

子流域分数水体比例的绝对误差。

它不是：

• 30米像元错误率0.68%；
• 洪水面积精度99.32%；
• 洪水边界精度达到99%以上。

nRMSE仍为25.6%，说明相对于平均FW，误差并不算极小。

图4中的散点数量也很有限，且存在个别明显偏离1:1线的样本。

因此更准确的评价是：

24小时子流域总体水面比例与Landsat观测具有较高相关性，但不能据此证明30米空间洪水图达到同样精度。

十一、为什么72小时预报明显变差？

3天预报将未来降雨窗口扩展为：

80 小时 80小时80小时

结果为：

Idai事件中，72小时预报的FW为：

相对SAR结果分别低估约：

• 24.0%；
• 46.2%。

误差增大的原因包括：

• GFS长提前量降雨预报误差增加；
• 距目标日越远，最新SMAP湿润状态越缺失；
• 上游汇流和河道传播过程没有显式建模；
• CART不能自动记忆连续水文演变；
• 极端事件可能超出训练样本范围。

所以论文标题中的“forecast”更适合24小时，72小时结果只能视为潜力试验。

十二、30米洪水图究竟是怎样“下尺度”出来的？

这是论文最容易被误解的部分。

模型先预测一个总体FW，例如：

F W = 30 % FW=30\%FW=30%

然后使用2000—2019年Landsat水体发生频率，对所有30米像元排序：

1. 历史上最经常有水的像元排在前面；
2. 河流、洼地和常见洪泛区优先；
3. 按顺序不断填充为水体；
4. 直到水体像元面积达到预测的30%。

因此，30米结果不是由SMAP观测直接恢复，也不是CART逐像元预测。

它本质上是：

预测总水量 + 历史易淹排序。

这种方法速度快、数据需求低，但容易重复历史格局。

十三、与SAR对比后，30米结果表现怎样？

洪峰阶段：2019年3月19日

• CART预测FW：76.3%；
• Sentinel-1 ARIA结果：82.2%。

30米像元对比：

总体空间格局较一致，北部子流域均显示严重洪水。

退水阶段：2019年3月23日

• CART预测FW：28.8%；
• ALOS-2 PALSAR结果：31.3%。

像元误差却明显增大：

这说明：

总体水面比例接近，并不等于具体位置一致。

论文图5和图6还存在成像时间差：

• 预报对应当地约10:00；
• Sentinel-1约18:00；
• ALOS-2约12:00。

动态洪水在几个小时内就可能变化，因此部分差异并非纯模型误差。

十四、哪些变量真正控制了预报？

24小时预报重要性

最重要的不是未来降雨，而是：

• 当前子流域已经有多少水；
• 周边土壤已经湿到什么程度。

这符合洪水形成机理：

同样一场雨，落在干土和接近饱和的土壤上，产生的积水完全不同。

72小时预报重要性

随着提前量增加：

• 周边土壤湿度更重要；
• 缓冲区水面状态更重要；
• 长时间累计降雨的重要性增加。

这可能反映上游和周边区域向下游汇水的作用。

但CART变量重要性表示模型切分时的使用程度，不等于严格因果贡献。

十五、这套方法真正预测了什么，又没有预测什么？

它预测了

• 子流域尺度未来水面比例；
• 24小时和试验性72小时FW；
• 基于历史易淹区分配的30米洪水位置；
• 洪峰与退水阶段的大体变化。

它没有预测

• 水深；
• 流速；
• 到达时间；
• 连续洪水传播；
• 河道与洪泛区水量守恒；
• 堤防溃决；
• 水库调度；
• 新出现的排水通道；
• 历史记录中从未发生过的空间格局。

更准确的模型定位是：

卫星湿润状态与降雨驱动的子流域分数水体预报，加上历史水体概率约束的空间分配。

而不是：

30米端到端洪水动力预报模型。

十六、这篇论文真正的创新在哪里？

1. 把SMAP用于洪水而不只是土壤湿度：利用L波段亮温监测每日分数水体；
2. 同时覆盖监测与预报：先评估Idai新增水面，再预测未来FW；
3. 利用多源互补：SMAP提供时间连续性，Landsat提供空间细节，GFS提供未来驱动；
4. 面向资料稀缺区：不依赖密集水文站和复杂水动力参数；
5. 在GEE中实现完整流程：便于批量获取和处理全球数据；
6. 把总体比例预测与空间下尺度分开：降低了直接学习30米洪水图所需的样本量；
7. 使用独立SAR图进行事件对比：没有只在Landsat标签上评价；
8. 揭示前期湿润状态的重要性：24小时预报中FW与土壤湿度比未来降雨更重要。

这套框架在2021年具有较强的业务启发性，尤其适合观测稀缺地区的快速初步预报。

十七、哪些局限必须认真看待？

1. 样本量太小

约100个日期训练和验证一棵树，极端洪水样本更少。

2. 随机日期划分不等于独立事件验证

更严格的方案应当：

• 留出整个洪水季；
• 留出完整年份；
• 留出Idai等独立事件；
• 在其他流域验证。

3. 30米结果由历史排序生成

历史上未淹过的区域，即使新事件真实受淹，也很难获得高优先级。

这篇论文没有证明：

一个36千米SMAP像元能够直接恢复真实30米洪水边界。

它真正证明的是：

在资料稀缺区域，可以利用SMAP的高时间频率预测总体水面变化，再借助长期Landsat水体发生频率生成快速30米空间初图；但空间结果高度依赖历史先验，越到退水期和超历史事件，误差越容易放大。

论文信息

论文题目：Satellite Flood Inundation Assessment and Forecast Using SMAP and Landsat

作者：Jinyang Du、John S. Kimball、Justin Sheffield、Ming Pan、Colby K. Fisher、Hylke E. Beck、Eric F. Wood

期刊：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

卷与页码：14，6707—6715

发表年份：2021

DOI：10.1109/JSTARS.2021.3092340

Download：https://ieeexplore.ieee.org/document/9465655