作品介绍

1 作品背景

近几年，城市化进程的加快和全球气候变暖导致气候系统不稳定，极端天气事件的发生频率逐渐上升[1]。据统计，洪涝灾害是最常见、最广泛和最具破坏性的自然灾害之一[2]。2021年7月，河南地区发生历史罕见特大暴雨，造成严重的洪涝灾害，而在2023年7月，强降雨导致河北地区遭受洪涝灾害。在洪涝灾害日益严峻的情况下，对洪涝灾害的研究是提升城市韧性的基础[3,4]。城市洪涝灾害韧性是指城市系统适应自身变化并从洪灾中恢复，做到最大限度降低一切损失的能力[5]。基于上述，评估城市洪灾韧性对城市的可持续发展尤为重要。

如何有效评价城市的抗灾能力，前人的研究往往从多个维度入手。通过对城市抗洪能力进行定量评估，得到一个综合的韧性评估系统。Cutter等人提出了韧性基线模型（BRIC），从社会、经济、制度、基础设施和社会资本这五个维度来评估城市洪灾韧性[6]。Song等人提出的一种用灾后恢复能力来衡量城市韧性的新方法，以验证社会、经济、基础设施和环境领域的指标[7]。评估框架大多基于多个维度进行考量，以此对城市的韧性进行全面的评估。

由于遥感技术拥有大规模覆盖率和高空间分辨率，其被广泛应用于环境监测。Sentinel-1（S1）合成孔径雷达（SAR）卫星可以提供全天候影像，因此能够持续监测洪水事件。基于此特点，许多研究使用S1数据来监测水体和洪泛区。例如，基于S1A图像，Zhang等人使用Otsu模型计算了2019年4月25日和5月3日雅加达42个不同街道的洪水面积[8]。

在信息提取方面，深度学习模型U-Net逐渐被广泛应用于洪灾分析领域。模型通过学习洪水和非洪水区域之间的特征差异，实现对洪水影像的准确分割。孙书腾等就针对传统水体阈值法自动化程度和精度较低的问题,提出了一种全自