通过机器学习和Google Earth Engine的集成来增强实时洪水影响评估的能力

洪水是人类历史上长期存在的威胁之一，已成为全球社会造成灾难性破坏的最为严重的自然灾害之一。 气候变化加剧了洪水的影响 ，对发展中国家和发达国家都构成了重大挑战。尽管在洪水预报和减灾方面取得了进展，但洪水仍然 给经济造成了巨大损失 ，特别是在缺乏适当洪水控制和管理系统的发展中国家。对于孟加拉国等被称为河流之国的国家来说，情况尤为如此，孟加拉国三条世界上最大的河流——恒河、雅鲁藏布江（贾姆纳江）和梅兹南河——相互交汇，每年造成大规模的洪水。超过90%的孟加拉国受影响的洪水来自上游，主要源自印度、尼泊尔、不丹和中国。季风季节期间的 洪水灾害给农田、居民区和交通系统 带来了巨大破坏。

拟解决的科学问题

创新点

• 研究展示了结合SAR、机器学习和云计算的潜力，以通过实时监控和准确的LULC绘制来支持当局进行有效的洪水响应。

• 提出的综合方法可以帮助利益相关者开发基于数据的洪水管理策略，以减少洪水影响。

研究方法

• 使用Sentinel-1的合成孔径雷达（SAR）数据和Google Earth Engine平台生成2020年在库里坎格拉和拉尔蒙尼拉特地区的近实时洪水地图。

• 采用自动阈值技术来量化洪水区域。

• 对于土地利用/土地覆盖（LULC）分析，利用Sentinel-2的高分辨率和机器学习模型，如 人工神经网络（ANN）、随机森林（RF）和支持向量机（SVM） 。

• 通过各种指标（如准确性、Kappa系数、平均F1分数、平均敏感性、平均特异性、平均正预测值、平均负值、平均精度、平均召回率、平均检测率和平均平衡准确性）， ANN在LULC绘制上表现出了最佳的准确性，达到了0.94 。

研究结果

研究成果聚焦于孟加拉国西北部2020年的洪水，特别是在布拉马普特拉、达拉拉和提斯塔河洪水平原地区，生动展示了 自然灾害对土地利用/覆盖、经济和环境结构 的深远影响。分析表明， 耕地是受影响最严重的土地利用类型 ，7月和10月是洪水高峰月份， 耕地受到的淹没面积最高可达54% 。裸露地面也受到了严重的淹没影响，其中6月、8月和9月的淹没面积分别达到50%、40%和43%。相比之下， 建筑用地受到的影响较小