利用MODIS反射率和Landsat数据通过分割-回归框架进行的高分辨率每日水库面积制图

《Journal of Hydrology: Regional Studies》：High-resolution daily reservoir area mapping from MODIS reflectance and Landsat occurrence via a segmentation-regression framework

本文提出一种基于MODIS数据和高质量高分辨率参考数据集的深度学习框架，用于监测水库的日面积变化。通过云模拟方法重构全水库范围，结合云掩膜技术提升多云条件下的监测精度，并引入分割与面积回归双目标优化提升模型性能。实验表明该方法在NSE（归一化差异指数）得分上较基线方法提升0.15，可可靠检测5平方公里以上面积变化，为小水库动态监测提供新方法。

　　研究团队由Zhen Hao、Zhuopu Guo、Qichi Yang、Xiaofeng Jia、Zehu Hong、Zirui Wang、Yifan Chen、Yuhong Huang、Yun Du和Feng Ling组成。他们的工作主要集中在环境与灾害监测与评估的关键实验室，隶属于中国科学院，位于武汉，邮编为430071。该研究提出了一种创新的框架，用于在无云和有云条件下监测非冻结水体面积的变化。这一框架基于两个关键理念：第一，通过云模拟方法，模型能够从部分观测数据中重建完整的水库范围，这些部分观测数据通常由云污染造成。此外，在模型推理过程中还应用了云掩码方法，以防止在使用真实云数据替换模拟云数据时模型性能下降；第二，通过深度学习模型，将单日MODIS反射率图像与高分辨率（30米）淹没频率数据中的最佳匹配水库范围进行匹配。这种方法显著提升了对水库日面积变化的监测能力，与30,000多幅Landsat数据衍生的面积相比，NSE评分中位数提高了0.15。同时，与399个水库的水位数据相关性也提升了0.12。该框架能够可靠地检测面积变化超过5平方公里的水库，并在小水库案例研究中表现出更小的误差波动。研究发现，仅使用分割目标训练的模型在捕捉面积变化相关性方面表现不佳，但通过加入面积回归目标可以显著提升性能。该框架有潜力改善全球水库在大规模水文研究中的表现，并为动态操作水库的洪水事件提供接近实时的监测方向。

水资源的日益增长需求，受到人口增长、工业化和农业扩张的推动，促使人们更加依赖水库进行水资源管理。这些人工系统不仅为人类的各种需求提供水源，还在支持多样栖息地和调节局部气候方面发挥着至关重要的生态功能。尽管水库的重要性不容忽视，但在水文研究中，它们往往被低估，这主要归因于监测能力和数据获取的限制。此外，一些国家或机构不愿公开共享现场水库储水量或水位数据，使得评估基于遥感的估计精度或开发区域优化模型变得困难。

水库面积的监测通常是评估其动态变化最直接和广泛适用的变量之一。然而，当前的遥感产品往往缺乏足够的时间分辨率，难以捕捉快速变化，尤其是在较小的水库（<10平方公里）中。近年来，一些研究利用Landsat数据实现了对全球水库的月度或双月度监测，从而生成了恢复全球水库面积变化长期历史的数据集。基于观察到的面积变化，可以通过参考面积-储水量曲线、经验定律、数字高程模型（DEM）和测高数据来推导储水量变化。一些研究建议，8天的监测频率对于评估水库状况是合理的，因为大多数水库通常遵循预定义的规则曲线，导致在双月尺度上面积变化相对狭窄。然而，较小的水库（如<10平方公里）往往更加动态，这种不频繁的监测可能无法捕捉到洪水等重要事件，而这些事件需要接近实时的数据进行准确分析。虽然一些研究利用MODIS数据实现了对水库的每日监测，但由于MODIS的分辨率较低（250-500米），其准确性主要局限于中等（>10平方公里）至大型（>100平方公里）水库。

相比于传统的基于硬分类的方法，利用亚像素信息可以更准确地监测较小的水体，因为水体面积在像素中的比例通常反映在像素的反射率值中。这种方法在高分辨率参考数据可用时效果更加显著。Hao等人（2024c, 2024a）采用深度学习方法，从Landsat图像中估算百分比水体面积，通过利用亚像素信息提高了对小水体的检测精度。同样，Olthof和Fraser（2024）利用机器学习和物理解混技术，对Landsat图像进行亚像素分析，生成了哈德逊湾低地的详细时间序列地图，捕捉到比标准Landsat分辨率更小的水体特征。Wang等人（2024）开发了一个多尺度非线性混合模型（NLMM）框架，利用GOES-16 ABI图像的光谱库，生成了美洲地区的每日500米开放水体比例地图，从而实现对水体变化的及时监测。结合高分辨率参考数据的方法可以进一步提高监测效果，例如Ling等人（2020）利用每日MODIS图像和亚像素光谱解混技术，通过线性回归分析将水体比例与Landsat图像中的参考面积联系起来，估算水库表面积的变化。这些方法在全球范围内具有应用潜力，能够增强对小水体的监测能力。

云覆盖是另一个影响光学卫星图像监测能力的重要因素，特别是在常年多云的地区，如热带地区、高纬度地区和季风主导区域。为了弥补云覆盖造成的数据缺失，一些方法被提出，这些方法基于相似的原理：由于水体面积通常受到周围地形的限制，它们往往形成一致的等深线，使得观测数据可以用来推断未观测的区域。例如，Zhao和Gao（2018）通过将受污染像素分类为水，基于邻近未受污染像素的水出现值来解决云引起的观测缺失。同样，Yao等人（2019）采用了一种算法，利用无云图像中推导出的等深线，从受污染的Landsat图像中恢复水体面积估算，从而插补缺失的水体区域。Mullen等人（2021）则利用监督分类技术，通过从相邻清晰像素中推导出的统计关系预测云覆盖像素的淹没状态。这些方法主要是为Landsat数据开发的，但其基本概念可以应用于基于其他卫星（如MODIS）的产品，以提高云影响区域的水体监测能力。例如，全球水体产品（GWP）利用每日MODIS Terra和Aqua反射率数据生成全球内陆水体数据集，分辨率为250米，取得了较高的整体精度，但在捕捉亚像素变化和小水库方面仍存在局限，这主要是由于其粗略的空间分辨率和硬分类方法。

本文提出了一种方法，利用MODIS反射率数据和高分辨率参考数据集，创建每日30米分辨率的水库表面积变化地图。该方法的核心理念是，通过高分辨率的水体出现数据，引导模型解释MODIS反射率值。其基础在于，每个MODIS像素的反射率受到其中水体比例的影响，而不同的水库范围或等深线（定义为水体出现数据超过某一阈值的区域）会形成不同的反射率模式。此外，我们还提出了一种云效应模拟方法，用于模型输入，使得深度学习模型能够学习从受云污染的图像中重建完整的淹没范围。同时，在模型推理过程中还应用了云掩码方法，以确保模型在从训练转移到实际应用时不会出现性能崩溃。该方法在无云和有云条件下进行了验证，并与最近发布的基于MODIS数据的全球水体产品（GWP）进行了比较。

水体出现数据是该研究的重要基础之一。GSW出现数据（Pekel等人，2016）是一个静态数据集，表示每个30米像素的水体出现频率。该产品通过分析1984年至2021年间数百万幅Landsat图像生成，检测了地球每个30米像素的表面积水情况。每个像素记录了在多少次观测中出现了水体。具有相同水体出现频率的像素被认为形成等深线（图1）。地形轮廓控制水体的保留，这使得水体出现数据能够为模型提供重要的参考信息。通过这些数据，模型可以更准确地识别不同水库范围，从而提高对表面积变化的监测能力。

在无云条件下，该方法的面积精度得到了验证。在基于Landsat的验证中，大多数水库（超过50%）使用GSW方法时NSE评分超过0.63，这表明该方法在监测能力上优于基准方法（GWP），后者NSE评分的中位数为0.48（0.15的提升）。研究发现，当模型仅使用分割损失进行训练时，NSE评分显著降低（图5）。然而，当在训练过程中加入额外的面积回归损失项后，面积变化的精度得到了明显提升。从现在起，仅考虑该方法的性能表现。

该框架在不同环境下的泛化能力也得到了验证。其基础在于全球多样化的训练数据，这使得模型能够适应各种环境变化。具体而言，训练标签是使用DeepWaterFraction模型生成的，而该模型本身是基于JRC-GSW数据集进行训练的。JRC-GSW数据集是一个高质量的全球地表水数据集，通过数十年的Landsat图像数据生成，旨在捕捉广泛的水文、气候和景观条件。因此，模型继承了JRC-GSW数据集的高分辨率和多样性，从而增强了其在不同环境下的适应能力。这种能力使得模型不仅适用于特定区域，还能够在不同气候和地形条件下保持较高的监测精度。

在有云条件下，该方法的性能同样得到了验证。通过模拟云效应，模型能够从受云污染的图像中重建完整的水库范围。这一过程涉及对云覆盖区域的识别和处理，以确保模型在有云数据的情况下仍能保持较高的精度。此外，云掩码方法在模型推理过程中被应用，以防止在使用真实云数据替换模拟云数据时模型性能下降。通过这些技术，模型在有云条件下依然能够提供可靠的数据，从而提高了对水库面积变化的监测能力。

在不同水库类型和规模的案例研究中，该方法表现出良好的适应性。例如，在小水库（<50平方公里）的监测中，模型能够可靠地检测到面积变化，并在不同时间尺度上提供准确的估算。通过结合高分辨率水体出现数据和深度学习技术，模型不仅能够捕捉水库面积的变化，还能够提供对储水量变化的估算，从而支持更全面的水资源管理。此外，该方法在动态操作水库的监测中也表现出较高的灵活性，能够适应水库在不同水文条件下的变化。

该研究提出的框架在多个方面展示了其创新性和实用性。首先，它解决了MODIS数据分辨率较低的问题，通过引入高分辨率参考数据，使得模型能够更准确地估算水库表面积的变化。其次，它克服了云覆盖对遥感监测的限制，通过云模拟和云掩码方法，确保模型在有云条件下仍能保持较高的精度。此外，该框架还通过结合分割损失和面积回归损失项，提高了模型在捕捉面积变化相关性方面的性能。这些改进使得该方法在不同气候和地形条件下都具有较高的适应性，能够为全球范围内的水资源管理提供支持。

通过将MODIS数据与高分辨率参考数据结合，该框架能够实现对水库表面积的每日高分辨率（30米）监测。这种能力对于全球水资源管理具有重要意义，尤其是在需要精确监测小水库和动态操作水库的区域。通过这一方法，研究人员可以更准确地评估水库对水循环和气候的影响，从而为水资源管理提供科学依据。此外，该方法还能够为洪水事件的监测提供接近实时的数据，这对于灾害预警和应急响应具有重要的应用价值。

该研究的创新性不仅体现在技术方法上，还体现在其对全球水资源管理的贡献。通过开发一种能够适应不同环境条件的框架，研究人员能够更全面地监测水库的表面积变化，从而为全球水文研究提供新的视角。此外，该方法的高分辨率和接近实时的特性，使其能够为水资源管理提供更精确的数据支持。通过这一框架，研究人员可以更好地理解水库对水循环和气候的影响，从而为水资源的可持续利用提供科学依据。

在研究过程中，团队成员对模型的构建和优化做出了重要贡献。Zhen Hao负责撰写和修改论文、可视化、验证、软件开发、方法设计、调查、数据分析、数据整理和概念设计。Zhuopu Guo和Qichi Yang、Xiaofeng Jia、Zehu Hong、Zirui Wang、Yifan Chen、Yuhong Huang、Yun Du和Feng Ling均参与了可视化、调查、数据分析和数据整理工作。这些贡献使得模型能够在不同条件下保持较高的监测精度，从而支持全球范围内的水资源管理。

该研究的成果不仅对学术界具有重要意义，还对实际应用领域产生了积极影响。通过开发一种能够适应不同环境条件的框架，研究人员能够更全面地监测水库的表面积变化，从而为全球水文研究提供新的视角。此外，该方法的高分辨率和接近实时的特性，使其能够为水资源管理提供更精确的数据支持。通过这一框架，研究人员可以更好地理解水库对水循环和气候的影响，从而为水资源的可持续利用提供科学依据。

该研究的创新性在于其结合了MODIS数据和高分辨率参考数据，通过深度学习技术实现了对水库表面积的高精度监测。这种方法不仅能够克服MODIS数据分辨率低的限制，还能够处理云覆盖对遥感数据的影响，从而提高了模型的适用性和准确性。此外，该方法在不同气候和地形条件下的表现也得到了验证，表明其具有良好的泛化能力。通过这一框架，研究人员能够更全面地监测水库的表面积变化，从而为全球水资源管理提供支持。

该研究的成果对于未来水资源管理的研究具有重要的指导意义。通过开发一种能够适应不同环境条件的框架，研究人员能够更全面地监测水库的表面积变化，从而为全球水文研究提供新的视角。此外，该方法的高分辨率和接近实时的特性，使其能够为水资源管理提供更精确的数据支持。通过这一框架，研究人员可以更好地理解水库对水循环和气候的影响，从而为水资源的可持续利用提供科学依据。

总之，该研究提出的框架在多个方面展示了其创新性和实用性，能够有效解决MODIS数据分辨率低和云覆盖对遥感监测的限制，从而提高对水库表面积变化的监测能力。通过结合高分辨率参考数据和深度学习技术，研究人员能够更全面地监测水库的动态变化，为全球水资源管理提供支持。该方法的高精度和接近实时的特性，使其在动态操作水库的监测中具有重要的应用价值，能够为洪水事件的监测提供更可靠的数据。通过这一框架，研究人员可以更好地理解水库对水循环和气候的影响，从而为水资源的可持续利用提供科学依据。