基于GEE洪水发生前后的分析

基本原理为利用水体在SAR散射系数弱的特点进行变化检测（发生洪水时的影像减去洪水前的影像），这里以2020年我国的长江流域的鄱阳湖洪水灾害为例。

第一步：参数设置

// ==========时间设置===========
// 洪水发生前的影像时间段
var before_start= '2020-04-01';
var before_end='2020-04-10';

// 洪水发生后的影像时间段
var after_start='2020-06-10';
var after_end='2020-06-23';

// Sentinel - 1 SAR极化方式设置, 这里选用 VH ，也可以使用 VV
var polarization = "VH";

// 设置轨道方式，有上轨道和下轨道，根据研究区的数据有无选择
// 这里选择ASCENDING, 在有数据的情况下也可选择DESCENDING
var pass_direction = "ASCENDING"; // ASCENDING

// 设置变化的阈值，由于基本原理是利用SAR数据在洪水变化前后的差异，因此
// 要得到洪水的范围需要设置阈值j进行分割，这里选择 1.25， 也可以自己设置
var difference_threshold = 1.25;

第二步：数据选择与预处理

// 选择研究区，可以手动画矢量范围，也可以使用资产中的研究去边界
// 为方便运行，这里以代码的形式展现, 范围如下图所示
var geometry = ee.Geometry.Polygon([[115.17313144703087,28.262015660704566],
                                    [117.30997226734337,28.262015660704566],
                                    [117.30997226734337,29.94180796981419],
                                    [115.17313144703087,29.94180796981419],
                                    [115.17313144703087,28.262015660704566]]);
var aoi = ee.FeatureCollection(geometry);

// 选择SAR影像
var collection= ee.ImageCollection('COPERNICUS/S1_GRD')
  .filter(ee.Filter.eq('instrumentMode','IW'))
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', polarization))
  .filter(ee.Filter.eq('orbitProperties_pass',pass_direction)) 
  .filter(ee.Filter.eq('resolution_meters',10))
  .filterBounds(aoi)
  .select(polarization);
 
 // 筛选洪水前后的SAR数据
 // 洪水发生前
var before_collection = collection.filterDate(before_start, before_end);
// 洪水发生后
var after_collection = collection.filterDate(after_start,after_end);

// 对筛选的数据进行镶嵌和裁减
var before = before_collection.mosaic().clip(aoi);
var after = after_collection.mosaic().clip(aoi);

// 对数据进行滤波
// 设置滤波半径
var smoothing_radius = 50;
// 应用滤波
var before_filtered = before.focal_mean(smoothing_radius, 'circle', 'meters');
var after_filtered = after.focal_mean(smoothing_radius, 'circle', 'meters');

// 显示影像
Map.centerObject(aoi,8);
Map.addLayer(before_filtered, {min:-25,max:0}, 'Before Flood',0);
Map.addLayer(after_filtered, {min:-25,max:0}, 'After Flood',1);

研究区范围：

洪水发生前：

 洪水发生时：

第三步：洪水范围绘制

// 利用洪水发生时的影像减去洪水发生前的影像
var difference = after_filtered.divide(before_filtered);

// 应用预定义的差分阈值并创建泛滥范围掩膜
var threshold = difference_threshold;
var difference_binary = difference.gt(threshold);
var difference_binary = difference_binary.updateMask(difference_binary.eq(1))
// 计算像素的连通性，以消除那些连接到8个或更少邻居的像素
// 这一操作降低了洪水范围的噪音(椒盐现象-小碎点)
var connections = difference_binary.connectedPixelCount()//.reproject(difference.projection(), null, 10);    
var flooded = difference_binary.updateMask(connections.gte(8));

//  去除上述洪水淹没范围中坡度大于5度的区域
// 计算坡度
var DEM = ee.Image('WWF/HydroSHEDS/03VFDEM');
var terrain = ee.Algorithms.Terrain(DEM);
var slope = terrain.select('slope');

// 最终的洪水淹没范围
var flooded = flooded.updateMask(slope.lt(5));
Map.addLayer(flooded,{palette:"0000FF"},'Flooded areas');

第四步：计算洪水面积

// 计算洪水面积
// 将每个像素转化为像元面积
var flood_pixelarea = flooded.select(polarization)
                            .multiply(ee.Image.pixelArea());

// 统计所有像元的和，默认的面积是 ㎡
var flood_stats = flood_pixelarea.reduceRegion({
  reducer: ee.Reducer.sum(),              
  geometry: aoi,
  scale: 10, 
  bestEffort: true // 为true时可以减少计算时间
  });
  
// 将 平方米转化为 公顷
var flood_area_ha = flood_stats
  .getNumber(polarization)
  .divide(10000)
  .round();// 四舍五入
  
  // 显示淹没范围面积结果
  print('area/ha', flood_area_ha);
  

 第五步： 导出计算结果fe

// 导出栅格格式 tif
Export.image.toDrive({
  image: flooded, 
  description: 'Flood_extent_raster',
  fileNamePrefix: 'flooded',
  region: aoi, 
  maxPixels: 1e10
});

// 导出shp格式
// 栅格转矢量
var flooded_vec = flooded.reduceToVectors({
  scale: 10,
  geometryType:'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort:true,
  tileScale:2,
});

// 导出shp结果
Export.table.toDrive({
  collection:flooded_vec,
  description:'Flood_extent_vector',
  fileFormat:'SHP',
  fileNamePrefix:'flooded_vec'
});

 我的分享就到这里啦，如果以上对您有用的话还希望三连支持一下哦~~~~~

您的鼓励就是我最大的动力!!!!!!