文/李依倢
21世紀以來,溫室效應、全球暖化等詞彙似乎已成為我們的日常,受到氣候變遷的影響,自然災害發生的頻率與強度都有著日漸升高的趨勢。而洪患則是對人類最具有破壞性的災害之一,在任何時間、任何地方都有可能發生,對生命與財產都極具有威脅性。精確的洪水監測,能有助於了解洪患事件的成因與提出補救措施。為了達到能更準確的預測洪患、進行災害風險分析、提出改善措施、建立損害與環境評估等多項目的,許多國家開始致力於繪製洪水風險地圖(flood inundation map)或建立洪水監測(flood monitoring),以方便能明確的指出受到洪水所影響的區域。
在過去,多是透過水力與地形模型來模擬洪患情形,但這種模擬常會忽略各區域特有的時空特徵,而使得結果不夠精確;或是透過航空影像等方式來建立洪水風險地圖,雖然能夠得到精確度較高的結果,但卻有著成本昂貴的缺點。近年來,隨著遙測技術的發展日益成熟,許多研究開始關注於遙測數據與洪水模型的比較或整合,並對洪水測繪與監測提出更完整且深入的視野。
而在“Flood Monitoring through Remote Sensing”(《遙測與洪水監測》)一書中,提及了適用於洪水監測與繪圖的多種最新遙測技術,如透過衛星感測(geostationary sensors)與低地軌道飛行器(LEO spacecraft)所得到的光學影像資料,或是藉由合成孔徑雷達(synthetic aperture radar, SAR)所得到的影像數據等,都是近年來關注度極高的幾項技術 [1]。
而在“Flood Monitoring through Remote Sensing”(《遙測與洪水監測》)一書中,提及了適用於洪水監測與繪圖的多種最新遙測技術,如透過衛星感測(geostationary sensors)與低地軌道飛行器(LEO spacecraft)所得到的光學影像資料,或是藉由合成孔徑雷達(synthetic aperture radar, SAR)所得到的影像數據等,都是近年來關注度極高的幾項技術 [1]。
洪水監測的重點在於即時反應的能力與高解析度的資訊,而遙測影像具有能快速地提供大範圍的時間與空間資訊的優勢。透過這些高空間解析度(high-resolution)、多時相(multi-temporal)的資料,且其具有不受地形條件的限制等優點,有助於改善洪患的事前預報與事後監測的功能。同時,遙測影像的時間序列穩定性也為洪水監測帶來了優勢,除了能針對洪水頻率發生較為固定的區域、透過洪水風險地圖來了解洪水複發的成因,還能針對特定事件進行分析,透過比較洪水事件前後影像,來監測洪水變化。
要在遙測影像中找到洪水淹沒區域,主要是透過「分類」的方式,來辨識出陸地與非陸地的不同類別,透過檢視在不同時期的同一地區的遙測影像,像是同時比較洪水事件發生前與洪水事件當下的影像,藉此找到洪水事件的淹沒地區。
而目前也發展出多種不同的判識方式,可分為監督式學習與非監督式學習兩種,前者是透過足夠的樣本數量來訓練出分類標準,用以判斷洪水影響的區域,但在實際操作上,可能會因為樣本來源的不同,在訓練上會遇到許多整合方面的問題;而後者的好處是不需要任何的先驗知識即能區分出變化或未變化的區域。但不論是哪種影像辨識的方式,洪水風險地圖仍多少存在著誤差,為了提高地圖的準確度,越來越多整合不同類型的影像或辨識演算法被提出,例如結合大數據資料分析,或是將遙測影像與社群媒體訊息進行整合,提高監測的效能,這些都是未來洪水監測議題發展的重點面向。
要在遙測影像中找到洪水淹沒區域,主要是透過「分類」的方式,來辨識出陸地與非陸地的不同類別,透過檢視在不同時期的同一地區的遙測影像,像是同時比較洪水事件發生前與洪水事件當下的影像,藉此找到洪水事件的淹沒地區。
而目前也發展出多種不同的判識方式,可分為監督式學習與非監督式學習兩種,前者是透過足夠的樣本數量來訓練出分類標準,用以判斷洪水影響的區域,但在實際操作上,可能會因為樣本來源的不同,在訓練上會遇到許多整合方面的問題;而後者的好處是不需要任何的先驗知識即能區分出變化或未變化的區域。但不論是哪種影像辨識的方式,洪水風險地圖仍多少存在著誤差,為了提高地圖的準確度,越來越多整合不同類型的影像或辨識演算法被提出,例如結合大數據資料分析,或是將遙測影像與社群媒體訊息進行整合,提高監測的效能,這些都是未來洪水監測議題發展的重點面向。

以SAR來判識淹沒區域。(圖片來源: Manjusree, P., Kumar, L. P., Bhatt, C. M., Rao, G. S., & Bhanumurthy, V. (2012). Optimization of threshold ranges for rapid flood inundation mapping by evaluating backscatter profiles of high incidence angle SAR images. International Journal of Disaster Risk Science, 3(2), 113-122.)
除此以外,也有越來越多的研究開始關注於如何將遙測影像運用至水文模擬研究上,像是Matgen等人 [2] 曾透過SAR影像中的淹沒區域中與DEM資料來得到水深,並進一步的改良水文模擬研究與提供近即時的洪患事件危機處理。Pulvirenti 等人 [3] 試圖結合SAR影像與多項數值模型,來修正水文模型中的水深與水流速度,藉此討論淹沒區域的排水速度等動態變化。透過這些影像處理技術與洪水監測資料,我們能建立起洪水的時空演變模式。因過去甚少有系統性的收集這方面的資料,多僅能透過目擊者的言詞來建立,而遙測影像的多時間性資料的優勢,能有助於建立洪水事件的時空重建與模擬,並更精確的定義洪水的時空演變與進行洪水監測及評估。
洪水風險地圖的驗證,也是整個洪水監測過程中很重要的一個環節,如何在繪製地圖的過程之外,獨立地建立起洪水淹沒地區的數據並將兩者相互比對驗證,是最具挑戰性的部分。過去通常是採用在洪水事件發生一段時間後的現地拍攝到的影像或照片,來直接驗證洪水的淹沒範圍,雖然這些影像資料確實具有一定的可信度,但缺點在於資料量並不容易取得。因此,近年來多透過遙測影像或水文模擬得到的數據,來與洪水淹沒地圖進行統計分析的間接驗證。但這種方式可能會因為數據資料來源的不同而有所偏差,因此在操作時須更為謹慎。而除了前述的方法外,最新的驗證方式是試圖透過統計的方式去評估洪水淹沒地圖的空間分布特性 [4],或與水力模型數據進行對比 [5],以評估驗證洪水淹沒區域的準確度。
在1990年代時,我們僅能透過有限的地形資訊與測量站來建立、校準與驗證水力模型。雖然當時也有航空影像能提供洪水資訊,但因缺乏詳細的地形數據與影像處理技術,因此仍無法對水力模型與洪水淹沒區域進行有效的驗證。
在近十年來受益於遙測影像的發展,洪水監測相關議題已累積了相當豐富的數據量。透過航空影像、SAR影像與LiDAR資料,我們得以掌握植被覆蓋資訊,用以建立淹沒區域的摩擦係數、並更清楚的了解到水文因子與洪患之間的關係,並有效的改善水力模型的模擬與預測,提供準確度更高的洪水淹沒預測資訊。雖然模型參數與結果的不確定性,仍是現在難以掌握的部分,但在過去的十年裡,我們可以看見洪水研究有了相當大的進展,且同時,這種快速發展將會繼續維持下去。
洪水風險地圖的驗證,也是整個洪水監測過程中很重要的一個環節,如何在繪製地圖的過程之外,獨立地建立起洪水淹沒地區的數據並將兩者相互比對驗證,是最具挑戰性的部分。過去通常是採用在洪水事件發生一段時間後的現地拍攝到的影像或照片,來直接驗證洪水的淹沒範圍,雖然這些影像資料確實具有一定的可信度,但缺點在於資料量並不容易取得。因此,近年來多透過遙測影像或水文模擬得到的數據,來與洪水淹沒地圖進行統計分析的間接驗證。但這種方式可能會因為數據資料來源的不同而有所偏差,因此在操作時須更為謹慎。而除了前述的方法外,最新的驗證方式是試圖透過統計的方式去評估洪水淹沒地圖的空間分布特性 [4],或與水力模型數據進行對比 [5],以評估驗證洪水淹沒區域的準確度。
在1990年代時,我們僅能透過有限的地形資訊與測量站來建立、校準與驗證水力模型。雖然當時也有航空影像能提供洪水資訊,但因缺乏詳細的地形數據與影像處理技術,因此仍無法對水力模型與洪水淹沒區域進行有效的驗證。
在近十年來受益於遙測影像的發展,洪水監測相關議題已累積了相當豐富的數據量。透過航空影像、SAR影像與LiDAR資料,我們得以掌握植被覆蓋資訊,用以建立淹沒區域的摩擦係數、並更清楚的了解到水文因子與洪患之間的關係,並有效的改善水力模型的模擬與預測,提供準確度更高的洪水淹沒預測資訊。雖然模型參數與結果的不確定性,仍是現在難以掌握的部分,但在過去的十年裡,我們可以看見洪水研究有了相當大的進展,且同時,這種快速發展將會繼續維持下去。
註解
- Refice, A., D'Addabbo, A., & Capolongo, D. (2017). Flood Monitoring Through Remote Sensing: Springer.
- Matgen, P., Schumann, G., Henry, J. B., Hoffmann, L., & Pfister, L. (2007). Integration of SAR-derived river inundation areas, high-precision topographic data and a river flow model toward near real-time flood management.International Journal of Applied Earth Observation and Geoinformation, 9(3), 247-263. doi:https://doi.org/10.1016/j.jag.2006.03.003
- Pulvirenti, L., Pierdicca, N., Boni, G., Fiorini, M., & Rudari, R. (2014). Flood Damage Assessment Through Multitemporal COSMO-SkyMed Data and Hydrodynamic Models: The Albania 2010 Case Study. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(7), 2848-2855. doi:10.1109/JSTARS.2014.2328012
- Bates, P. D., Horritt, M. S., Aronica, G., & Beven, K. (2004). Bayesian updating of flood inundation likelihoods conditioned on flood extent data. Hydrological Processes, 18(17), 3347-3370.
- Jung, H. C., Jasinski, M., Kim, J. W., Shum, C., Bates, P., Neal, J., . . . Alsdorf, D. (2012). Calibration of two‐dimensional floodplain modeling in the central Atchafalaya Basin Floodway System using SAR interferometry. Water Resources Research, 48(7).