面向Sentinel-1 SAR长期地表水监测的时空自适应高斯混合模型（ST-GMM）框架

《Journal of Hydrology: Regional Studies》：Spatiotemporally adaptive gaussian mixture modelling (ST-GMM) framework for SAR-based long-term surface water monitoring

　　

研究人员开发了用于合成孔径雷达（SAR）水体制图的时空自适应高斯混合模型（ST-GMM）框架；利用768个区–日历月自适应阈值处理了7891景Sentinel-1影像；在多样水文环境下取得92.55%的分类精度；孟加拉国地表水从旱季到季风季扩展约2.4倍；量化了2015–2025年全国地表水动态的年际与季节变异性。

Milon Bokshi等针对潮湿热带和季风区光学遥感在峰值水文期受持续云覆盖限制、现有SAR水体制图多面向事件尺度而缺少长期自适应框架的问题，提出并评估时空自适应高斯混合模型（ST-GMM；按区–日历月分别拟合水/非水双峰后向散射分布并取概率密度交点作为阈值）框架。研究以孟加拉国这一季风三角洲为试验场，利用2015–2025年Sentinel-1 C波段SAR地距探测干涉宽幅影像，构建月度地表水检测、年水出现频率、年际增益/损失/稳定变化、季节水足迹和十年趋势分析模块；目标为开发可转移概率SAR水体检测框架并量化季节与年际地表水动态。结论是ST-GMM在多样水文环境取得总体精度（OA）92.55%、Cohen's κ=0.85、平衡精度91.2%，距监督随机森林（RF）基准1.25个百分点以内并显著优于Otsu阈值法，且运行分类不需监督标签；孟加拉国地表水从旱季最小约15,900 km²扩张至季风峰值约37,500 km²，约2.4倍，2015–2025年全国年峰值无统计显著单调趋势。意义在于提供可重现的云平台工作流和十年Sentinel-1地表水档案，支持云致洪泛区长期水文监测。

关键技术方法（不超过250字）：主要方法包括：以Sentinel-1 C波段GRD IW VV后向散射为输入，按64个区×12个日历月构建双分量高斯混合模型，用期望最大化（EM）迭代估计参数并以水/非水高斯概率密度交点确定自适应阈值；以SRTM 30 m DEM坡度≤5°约束剔除雷达阴影假水；在Google Earth Engine（GEE）云平台处理7891景影像并生成768个区–日历月阈值。验证采用2025年4310个概率分层随机参考点（可野外核查点用GPS，其余用同期Sentinel-2/Landsat及Google Earth Pro解译）、2020年9月Gazipur的Sentinel-2归一化差异水体指数（NDWI）交叉基准，以及与Otsu和RF比较；趋势用Modified Mann-Kendall、Sen's slope、Kruskal Wallis和变异系数（CV）。

3.1 分类精度与基准测试：通过4310个2025参考点分层验证，ST-GMM OA=92.55%、κ=0.85、平衡精度91.2%；永久水87.29%、半永久水89.71%、短暂水92.05%、非水95.05%；Gazipur 2020年9月与Sentinel-2 NDWI在10 m网格比较像素一致97.9%、交并比（IoU）=0.896；RF OA=93.80%、κ=0.87、F1=0.94，ST-GMM OA=92.55%、κ=0.85、F1=0.92，Otsu OA=86.90%、κ=0.74、F1=0.85；commission/omission误差分别RF 10.8%/3.5%、ST-GMM 12.2%/3.2%、Otsu 17.6%/5.9%；McNemar检验χ²=142.76，p<0.001。结论：ST-GMM接近监督RF且显著优于Otsu，无需监督训练标签。

3.2 时空变异与持续性：通过月面积序列和年水出现频率F（0–12）分析，干季最小约15,900 km²，季风峰值约37,500 km²，季节振幅约2.4倍；5/6月CV=21.5%/16.6%最高；永久水（F≥10）覆盖3.4%国土，沿Ganges–Brahmaputra–Meghna（GBM）干流和深水Haor洼地；短暂水占29.2%。结论：季风三角洲季节循环显著且空间持续性与河流/洼地格局一致。

3.3 长期再分布与十年趋势：通过2015年7月与2025年7月像素比较，稳定水52.0%（15,270.9 km²）、增益21.5%（6,305.0 km²）、损失26.5%（7,784.0 km²）；分区Rajshahi负趋势最大，Rangpur/Sylhet稳定；全国Modified Mann-Kendall τ=?0.091，p=0.76，Sen斜率?342.4 km² yr^?1（95% CI ?2067至+1087），线性趋势?300.9 km²/yr（R²=0.028，p=0.620）。结论：空间再分布活跃但全国十年基线无显著单调趋势；2017和2020峰值对应已记录洪水，Bagerhat 2021年1月约179 km²增加与养殖淹水周期同步。

讨论部分总结：4.1框架性能：Bhola海岸三角洲Otsu与GMM阈值平均绝对差0.49 dB；Sunamganj Haor旱季Otsu偏差+2.9–4.6 dB因单峰；Dhaka城市+2–7 dB因高后向散射城市表面主导；commission有限、omission在低水破碎湿地区更明显；RF精度略高但依赖监督标签，ST-GMM初始化后训练独立；AIC/BIC支持二分量可解释性。4.2水文视角：季节振幅约2.4倍，无显著全国单调趋势；VIF=1.04是自相关校正方差修正因子非共线性；极端峰值与独立洪水记录一致；CV显示旱季稳定（2–3月4.4–4.7%）而季风过渡期高（4–5月19.7–23.0%）；Bagerhat显示对人为养殖淹水的敏感性。

研究结论翻译：ST-GMM框架成功表征了地表水约2.4倍的季节扩张，同时检测到2015–2025年全国尺度无统计显著单调趋势。补充评估支持区–日历月自适应阈值的方法学价值：ST-GMM距监督RF基准1.25个百分点以内，同时显著优于Otsu阈值法（McNemar χ²=142.76，p<0.001），且运行分类无需监督训练标签。该框架仍受若干已知物理与分析限制：风致水面粗糙化和挺水湿地植被可产生不同程度的二次散射与漫散射，偶尔在浅水或破碎水体中造成漏分；这些限制部分与二值陆地–水体公式有关，可能无法完全表征植被、湿地和混合像元相关的异质散射条件。未来扩展可纳入双极化Sentinel-1信息，特别是VV和VH极化的互补响应；在ST-GMM内整合两个极化通道可为区分开阔水与植被覆盖水、湿地表面及其他VV后向散射单独可能产生水/非水分布重叠的散射环境提供额外信息。