近日，黄健熙教授团队撰写的学术论文“基于改进高斯混合模型和垂直极化SAR数据的洪涝作物提取” (Improved Gaussian mixture model to map the flooded crops of VV and VH polarization data)在遥感领域国际顶级期刊《环境遥感》(Remote Sensing of Environment)（2022年影响因子13.5）在线发表。论文第一作者为博士生官海翔，通讯作者为农业农村部农业灾害遥感重点实验室主任黄健熙教授，合作者包括实验室李雪草教授、苏伟教授、李俐副教授和苗双喜副教授等。
高精度近实时洪涝作物受灾遥感监测对于灾害救援和损失评估至关重要。然而，传统基于合成孔径雷达（SAR）影像的淹水作物监测方法都是针对水稻开发的，对复杂冠层结构的作物并不适用，且会较大程度衰减SAR信号。此外，传统方法通常依赖于经验阈值和特定地区的参考样本，限制了在更大空间尺度上的可靠性和适用性。针对这些瓶颈问题，研究团队基于哨兵1号卫星（Sentinel-1）时间序列数据发展了一种区域尺度上无监督高斯混合模型（GMM）洪涝作物受灾遥感监测方法，提出了一种洪涝可分性指数（FSI），通过GMM中被淹没和未被淹没作物区的拟合概率密度函数来实现自动提取，克服以往研究中手动选择模型输入的局限。同时，研究还探讨了三种典型作物淹没情景的后向散射机制。结果表明，在垂直发射极化波中(VV/VH)，水平接收极化（VH）在复杂农田景观区域洪涝淹没作物受灾监测方面具有更高潜力。多时相GMM的性能优于最大类间方差法 (Otsu)和k均值(K-means)聚类算法（图1）。利用最优极化的时间序列Sentinel-1构建了多时相GMM，重现洪涝作物受灾的时空动态演变过程（图2）。由于所提出的新方法不需要标记样本以及大量预定义参数，因此在区域尺度复杂农田景观区域洪涝作物受灾遥感监测上具有很大的应用潜力。
图1 多时相GMM方法与传统方法的精度对比
图2 基于多时相GMM的区域尺度作物洪涝受灾提取结果
农业农村部农业灾害遥感重点实验室是我国目前唯一以农业灾害遥感为主要研究方向的省部级重点实验室。实验室承担了近五年国家重大洪涝农田灾害的监测和损失评估工作，为防灾减灾提供了重要科技支撑。该论文成果为我国高精度近实时的洪涝农田受灾遥感监测提供了重要的技术途径。
