40公里的SMAP像元为什么能生成30米洪水预报40公里的SMAP像元为什么能生成30米洪水预报一、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SAR全天候但并非每天覆盖被动微波每天看但像元很粗二、论文到底解决了哪两个任务任务一区域洪水评估任务二小流域洪水预报三、为什么选择Cyclone Idai和Pungwe流域四、六类数据分别承担什么角色五、SMAP怎样把微波亮温变成“水面比例”六、论文怎样计算Idai造成的新增水面七、机器学习真正预测的目标是什么八、24小时预报输入了哪些变量九、训练样本只有约100个验证方式可靠吗1. 样本数量较小2. 随机日期划分可能高估泛化能力3. 标签受云和Fmask误差影响十、24小时预报结果到底有多好十一、为什么72小时预报明显变差十二、30米洪水图究竟是怎样“下尺度”出来的十三、与SAR对比后30米结果表现怎样洪峰阶段2019年3月19日退水阶段2019年3月23日十四、哪些变量真正控制了预报24小时预报重要性72小时预报重要性十五、这套方法真正预测了什么又没有预测什么它预测了它没有预测十六、这篇论文真正的创新在哪里十七、哪些局限必须认真看待1. 样本量太小2. 随机日期划分不等于独立事件验证3. 30米结果由历史排序生成论文信息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。Landsat30米但易受云影响多源互补SAR高分辨率但重访有限SMAP每天观测但约36公里监测大范围水量变化恢复局地洪水空间格局论文的思路是让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任务输出空间尺度SMAP区域评估分数水体与新增水面面积约36 kmCART洪水预报5个子流域总体水面比例子流域尺度历史水体下尺度30米二值洪水图30 m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主要作用SMAP亮温与FW每日大尺度水面比例和前期湿润状态NASA-USDA SMAP土壤湿度描述地表是否接近饱和Landsat 30米水体掩膜训练目标和历史水体发生频率GFS降雨预报提供未来降雨驱动MERIT Basins划分子流域和缓冲区ARIA Sentinel-1/ALOS-2洪水图独立比较30米空间结果数据被集中到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国家新增水面估计莫桑比克27,560.6 km²津巴布韦31,400.2 km²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。主要输入包括变量含义FW_sc研究子流域过去3天平均SMAP FWFW_bz周边缓冲区过去3天平均SMAP FWSSM_bz周边区域SMAP地表土壤湿度GFS_B24hday -1期间累计降雨GFS_A32h目标时刻前32小时的GFS预报降雨模型使用CARTClassification 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 R0.94R0.94、验证R 0.87 R0.87R0.87扩展模型训练R 0.91 R0.91R0.91、验证R 0.89 R0.89R0.89。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指标结果相关系数R RR0.87RMSE0.68%nRMSE25.6%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小时结果为指标24小时72小时R RR0.870.53RMSE0.68%1.39%nRMSE25.6%58.19%Idai事件中72小时预报的FW为日期72小时预测3月19日62.45%3月23日16.85%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 % FW30\%FW30%然后使用2000—2019年Landsat水体发生频率对所有30米像元排序历史上最经常有水的像元排在前面河流、洼地和常见洪泛区优先按顺序不断填充为水体直到水体像元面积达到预测的30%。CART预测子流域总体FW确定需要分配的水体面积Landsat历史水体发生频率30米像元从易淹到不易淹排序依次填充高频像元30米洪水图因此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FW76.3%Sentinel-1 ARIA结果82.2%。30米像元对比误差结果Commission error16.5%Omission error28.8%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FW28.8%ALOS-2 PALSAR结果31.3%。像元误差却明显增大误差结果Commission error43.6%Omission error49.7%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10:00Sentinel-1约18:00ALOS-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小时预报重要性变量重要性FW_sc0.36SSM_bz0.34GFS_B24h0.18GFS_A32h0.06FW_bz0.05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小时预报重要性变量重要性SSM_bz0.43FW_sc0.19FW_bz0.16GFS_A80h0.15GFS_B24h0.06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同时覆盖监测与预报先评估Idai新增水面再预测未来FW利用多源互补SMAP提供时间连续性Landsat提供空间细节GFS提供未来驱动面向资料稀缺区不依赖密集水文站和复杂水动力参数在GEE中实现完整流程便于批量获取和处理全球数据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使用独立SAR图进行事件对比没有只在Landsat标签上评价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146707—6715发表年份2021DOI10.1109/JSTARS.2021.3092340Downloadhttps://ieeexplore.ieee.org/document/9465655