利用Sentinel-1/2卫星结合超分辨率技术和深度学习方法进行亚米级地表水体测绘

《International Journal of Remote Sensing》：Sub-metre surface water mapping using Sentinel-1/2 with integrated super-resolution and deep learning

小水体监测精度提升研究通过Sentinel-1/2影像与深度学习结合，提出四步亚米级地表水制图方法，显著优于现有10米产品，实现97.6%以上精度，并具备跨区域迁移应用潜力。

　　

摘要

小型且分散的地表水体在局部水文、生态系统功能以及气候调节中发挥着关键作用。然而，目前大规模水文产品的常用分辨率为10米，无法充分捕捉这些特征，限制了它们在高精度监测和生态评估中的应用。为了解决这一问题，我们开发了一种利用免费获取的Sentinel-1/2卫星图像生成亚米级地表水地图的新方法。我们的工作流程包括四个关键步骤：（1）提取七种光谱特征以提高地表水的光谱可分离性；（2）开发基于深度学习的语义分割框架，并结合超分辨率重建技术；（3）通过对高分辨率Google Earth图像进行基于对象的分类来生成亚米级参考数据；（4）在中国四个代表性地区对模型进行训练和应用。所生成的地图具有较高的准确性（精确度：97.22%–98.22%；召回率：97.82%–98.77%；F1分数：97.63%–98.50%），与10米的ESA WorldCover v100产品及自动水体提取指数（AWEI）相比，显著提高了对小型水体的检测能力。除了空间精度提升外，该方法还具有跨区域应用的可行性，并具备强大的时间分析潜力，从而支持利用现有的中分辨率档案进行高分辨率、长期的地表水动态监测。本研究提出了一种实用且灵活的框架，通过利用开放获取的卫星图像来提高地表水地图的准确性，适用于多种地理环境和可持续性驱动的监测项目。