基于无监督跨传感器深度学习的全球水体自动制图框架UUCP研究

针对传统水体提取方法在大尺度遥感影像中泛化能力不足的问题，研究人员提出无监督跨传感器深度学习框架UUCP，通过多段阈值策略生成伪标签，结合通道注意力多尺度Mamba网络，在Sentinel-2和Landsat-8数据上实现平均Kappa值0.8859/0.8084的优异性能，为极地等样本稀缺区域的水资源监测提供新范式。

　　

水是维系地球生命系统的核心资源，但气候变化与人类活动正加剧水资源分布的不确定性。传统水体监测依赖人工阈值设定或标注样本驱动的监督学习，面对Sentinel-2、Landsat-8等多源遥感数据时，因传感器差异、大气条件变化及区域水体特性（如浑浊度、浅水植被）导致阈值漂移和模型泛化瓶颈。尤其在极地、青藏高原等样本稀缺区，人工标注成本极高，制约了大尺度水体动态监测的可行性。

中国地质大学（武汉）Ji Zhao团队在《Remote Sensing of Environment》发表研究，提出无监督跨传感器深度学习框架UUCP。该框架创新性地融合多段阈值策略与通道注意力多尺度Mamba网络，在无需人工标注条件下，通过伪标签生成和噪声抑制机制，实现Sentinel-2与Landsat-8数据的跨传感器高精度水体提取，平均Kappa值分别达0.8859和0.8084。

关键技术

1. 无监督多段阈值策略：基于光谱-空间特征自动划分"易样本"（如开阔水域）和"难样本"（如狭窄河流），生成训练伪标签；
2. 通道注意力多尺度Mamba融合网络：通过横向连接的Mamba模块捕获全局上下文，结合通道注意力机制增强水体特征判别力；
3. 噪声标签优化：采用标签加权与翻新策略缓解伪标签噪声影响。实验覆盖中国广州/武汉及法国9个区域，对比AWEI、MNDWI等传统指数和UNet等监督方法。

研究结果
伪标签生成验证：多段阈值策略较单阈值法提升小水体识别率12.7%，有效保留边界细节；
跨传感器性能：Landsat-8训练模型直接预测Sentinel-2数据时，UUCP的F1-score达0.821，优于RF和UNet迁移模型；
多尺度特征有效性：引入Mamba模块使混合水体（如城市河道）的IoU提高9.3%；
区域泛化测试：在法国阿尔卑斯山区，浑浊湖泊提取精度达91.2%，显著高于Otsu阈值法（68.5%）。

结论与意义
UUCP首次实现无监督框架下多源遥感数据的自适应水体制图，其核心突破在于：① 通过数据驱动的阈值划分替代人工干预，解决样本依赖难题；② 利用Mamba网络的长程建模能力，克服传统CNN在破碎水体中的局部感知局限；③ 伪标签优化机制为无监督学习在遥感领域的应用提供新范式。该技术对全球水资源普查、洪涝灾害评估具有重要实践价值，尤其为缺乏地面验证数据的偏远地区监测提供可行方案。未来研究可拓展至SAR（合成孔径雷达）与光学数据的跨模态融合，进一步提升复杂环境下的监测鲁棒性。