综述：农业景观遥感影像水体检测：方法选择、传感器约束与性能度量

《Agricultural Water Management》：Detecting water in agricultural landscapes from remote sensing imagery: Methodological choices, sensor constraints and performance metrics

　　

监测农业景观中的地表水体是灌溉管理、渗漏探测及可持续用水的关键需求。尽管遥感文献已广泛探讨水体检测方法，但多数研究聚焦于异质景观中的大尺度地表水制图(SWM)，此类场景中湖泊、河流或海岸带等大面积水体占据影像主要区域。相比之下，农业环境下的精细尺度水体检测通常涉及嵌入植被或耕作区中的小型、破碎且高度不平衡的目标，因此面向大尺度制图开发的方法与性能度量指标无法直接迁移至农业精细场景而不加调整。本文分析了2020至2025年间发表的49篇同行评审研究，这些研究利用卫星与无人机(UAV)平台获取的多光谱、热红外及合成孔径雷达(SAR)影像，开展农业与农村背景下的水体检测。本研究并非单纯的描述性综述，而是深入剖析了从光谱指数、决策树到机器学习、深度学习及基础模型等方法学选择，如何与传感器特性、处理等级及评估指标相互作用。分析揭示了模型复杂度、数据可用性与鲁棒性之间的系统性权衡，识别了在水体像素远少于陆地像素场景下多精度指标的普遍局限性，并综合阐述了可见光-近红外(VNIR)、短波红外(SWIR)、热红外(TIR)等光谱波段选择与平台分辨率的实际影响。本综述的核心贡献在于证明：在农业水体检测中，预处理选择、传感器特性及恰当评估指标的使用，往往比检测算法本身的复杂度对报告性能的影响更为显著。基于上述发现，本文提供了比较性见解与方法学建议，以指导农业遥感应用中水体检测方法的选取与验证。

1. 1.
   引言
   光学制造、数据系统与遥测技术的重大进步推动了高光谱与多光谱成像的发展。这一进程始于1972年Landsat 1的发射，随后是1980年代航天飞机多光谱红外辐射计的早期任务。2000年发射的NASA EO-1卫星搭载的Hyperion仪器因其科学影响与耐用性被广泛认可。此后，数据连续性、标准化预处理流程与方法成熟度逐步建立，为大尺度、可复现的遥感分析奠定了基础。Sentinel-2任务（Sentinel-2A于2015年、Sentinel-2B于2017年发射）的业务化成熟是重要转折点，其结合了较高空间分辨率、高频重访能力、多光谱特性及无限制的开源数据访问，从根本上改变了光学遥感的格局。此前，可比的空间分辨率与重访性能主要依赖Pleiades、SPOT或SkySat等商业任务，其成本与有限的可及性制约了大规模研究的广泛应用与可复现性。早期研究已预见Sentinel-2的潜力，指出当时现有传感器的空间分辨率不足以支撑精细水体监测，并将Sentinel-2视为有前景的解决方案。然而，直到2020年左右，深度学习技术才开始在农业背景下的多光谱水体检测中得到系统性应用。与此同时，传感器快速小型化与成本下降进一步加速了遥感发展，无人机(UAV)、立方星(CubeSats)与小卫星(smallsats)等紧凑平台的兴起使高光谱与多光谱成像日益普及，推动了农业、环境监测与资源管理领域的应用，实现了前所未有的时空尺度精细环境分析。在此背景下，遥感地表水体检测已成为环境监测与资源管理的核心组成部分。地表水（包括河流、湖泊、水库及小型内陆水体）约占地球总水量的1.75%，却在维持生态系统、农业生产力和人类活动中发挥不成比例的重要作用。干旱持续、人口增长、污染及水资源向能源与生物燃料生产的转移，使得淡水资源的监测与保护日益紧迫，这些压力在农业与农村环境中尤为突出，此类区域的水资源供应常依赖于池塘、水井、灌溉渠、渗漏积水及临时地表积水池等小型破碎水体。遥感为跨大尺度异质景观的成本效益高、可扩展且可复现的地表水检测与监测提供了可行路径。传感器技术、空间与光谱分辨率的提升，以及卫星与UAV多光谱数据的日益可及，显著增强了多尺度水体特征的识别能力，这些进展在大尺度地表水制图(SWM)中成效显著，尤其适用于农业场景——精准的水体检测可支撑灌溉管理、干旱评估与水文决策。然而，精细尺度与大尺度水体检测面临截然不同的方法学挑战。农业环境中的水体特征通常小型、破碎、短暂且嵌入以植被或耕地为主的背景中，导致水体像素仅占影像的小部分，引发严重的类别不平衡及与土壤湿度、植被和阴影的光谱混淆。因此，针对大尺度或较平衡制图场景开发的技术与评估策略无法直接迁移至此类精细农业场景。本文聚焦基于多光谱影像（源自卫星与UAV平台）的农业与农村区域地表水制图(SWM)遥感方法，重点关注尺度、类别分布与方法学适配。尽管原位与地面传感器（如土壤湿度探针、水位计或流量计）在局地水体监测中发挥关键作用，本综述仍聚焦基于影像的遥感方法。原位传感器提供高时间分辨率的精准点测量，但其有限的空间覆盖与部署成本制约了其在大规模或异质农业景观中的应用。相比之下，卫星与航空影像可实现广域空间连续的水体检测，支持识别小型、破碎或短暂的地表水体特征。本文综合了文献中最常采用的遥感实践及在特定实验背景下已证实稳健性能的成果。研究人员共分析了2020年以来发表的49篇同行评审研究，本综述做出四方面核心贡献：第一，系统调研了基于多光谱影像的农业区域水体检测方法；第二，深入分析了方法学进展、近期趋势及常用性能度量的局限性，阐明这些局限如何影响农业场景下的结果解读；第三，评估了跨卫星平台与UAV多光谱系统的传感器能力（包括空间与光谱分辨率、波段配置及处理等级）对检测精度与可靠性的影响；第四，在农业水资源管理背景下，整合了来自农村非城市研究（如小型水体制图、洪水监测、土壤湿度估算与基础设施渗漏检测）的相关方法学。本文还包含标准化的性能指标汇总表，尽可能将指标转换为F1分数，以透明结构化评估预处理决策、方法选择与后处理策略如何影响各研究特定实验背景下的报告性能。全文结构如下：第2节阐述文献综述的方法学框架；第3节详细分类水体检测方法；第4节讨论多光谱光学与SAR数据的影像处理等级；第5节分析遥感平台（卫星与UAV）及其光谱特性；第6节回顾检测性能评估指标；第7节综合关键发现与研究趋势；第8节概述遥感水体检测的主要见解与未来展望。综上，本研究目标不仅是总结近期文献，更是提炼分散于各研究中隐含或碎片化的方法学见解与实践权衡，聚焦农业水体检测的多光谱遥感应用。
2. 2.
   文献综述方法学
   本节阐述了数据库检索的标准与流程，比较了农村与城市区域水体检测研究的分布，并总结了综述文献的关键特征，以确保文献综合的透明度、可复现性与可靠性。
   2.1 文献筛选与综述标准
   伴随本研究的文献计量分析显示，自21世纪初以来，采用遥感技术开展农业背景水体检测的研究发表量呈稳定持续增长态势。2000至2017年间，增长趋势相对平缓；2018年后，发表曲线斜率显著变陡，表明该领域进入方法学与技术的巩固期，可能与传感器可用性、空间分辨率、数据可及性及处理能力的提升相关。另一项聚焦机器学习与深度学习方法应用的文献计量评估表明，2020年起这类方法在农业水体检测研究中得到广泛系统性应用。Bijeesh和Narasimhamurthy(2020)指出，基于神经网络的方法尚未在水体制图(SWM)领域得到充分探索，而神经网络方法正是当前该领域最前沿且发展最为活跃的方法学方向。鉴于此加速的方法学演进，本综述特意聚焦2020至2025年间发表的研究，确保分析反映多光谱遥感农业水体检测的最新实践与新兴趋势。文献检索通过Scopus与Web of Science(WoS)的高级检索功能完成，辅以Google Scholar的补充查询，以识别基于遥感的精细尺度水体检测同行评审研究。高级筛选结合水资源相关主题关键词（如“水体”“渗漏”“洪水”“河流”“灌溉”）与遥感技术关键词（如“卫星影像”“分割”“分类”“多光谱影像”），并根据以下纳入标准过滤结果：农业背景（研究聚焦农业或农村环境，排除城市背景）；遥感技术（分析主要依赖遥感获取的多光谱影像，含卫星或UAV平台）；实地验证（检测方法在真实或近业务条件下得到验证）；技术方法（论文详细描述方法学流程）；近期研究（研究发表于近六年内，即2020至2025年）。
   2.2 综述研究概览
   应用纳入与排除标准后，研究人员从Scopus、WoS及补充Google Scholar检索中筛选出49项研究进行深入分析，这些工作均利用卫星与UAV平台的多光谱影像开展地表水制图(SWM)。每项文献通过五个描述符标准化：研究文献与年份；检测方法及多光谱影像处理等级；设备（卫星或UAV）；精度指标；地理背景（研究区、检测目标）。筛选后的研究按方法学路径与遥感平台（区分免费开源与商业卫星及UAV系统）分组，构成后续章节的分析基础。
3. 3.
   水体检测方法
   对综述研究的分析揭示了近期研究在方法学、数据源与性能指标采纳上的共性模式。本文将研究分为四类核心检测方法：光谱指数阈值法、决策树、机器学习技术与神经网络。
   如图1所示，方法分布显示神经网络占主导地位，共25项研究（约51%），其次为光谱指数阈值法10项（约20%）、决策树模型9项（约19%）及其他机器学习技术5项（约10%）。分布表明，六年间神经网络的应用保持高位，光谱指数方法活动度中等但稳定，决策树与其他机器学习路径则呈现间歇性特征。
   3.1 光谱指数阈值法
   光谱指数方法依赖定义阈值实现水体像素与周边地表分离。实践中，首先从特定光谱波段计算指数，随后通过经验调整或迭代调优确定决策边界，以最大化性能指标的方式区分水体与非水体像素。高于（或低于，取决于指数公式）选定阈值的像素被分类为水体，其余归为非水体类。光谱指数因简洁性被广泛应用，既可作为直接分析工具，也可作为决策树、机器学习(ML)或深度学习(DL)分类器的预处理输入。常用指数包括归一化植被指数(NDVI)、归一化湿度指数(NDMI)、归一化水体指数(NDWI)及其改进版本(MNDWI)、自动水体提取指数(AWEI)、增强型植被指数(EVI)与土壤调整植被指数(SAVI)，均能增强水体与陆表的区分度。实证研究凸显了指数的场景依赖性：NDWI在全球大尺度水体检测中有效，但在强降雨或复杂阴影地形下可靠性下降；MNDWI稳定性更高，F1分数可达0.96左右；NDVI通常不适合作水体指示因子，但在特定场景下优于EVI；最优波段选择至关重要，例如NIR₂波段对小灌溉渠检测效果最佳，而NDWI适用于大型水体；NDMI、TCW与AWEI等非传统指数在区分水体与植被或浑浊水体时可能优于NDWI与MNDWI，印证了传统NDWI在异质环境下的局限性。此外，三角法(T-VI)、OSAVI等几何方法对裸土反射率变化更具鲁棒性；SAVI成功实现了陆水分类；MNDWI与SAR后向散射数据融合提升了云覆盖下的检测精度；粒子群优化光谱多波段水体指数(PSO-SMBWI)实现了0.97的高F1分数。综上，光谱指数具备简洁性、可解释性与计算高效性，适用于缺乏ML/DL所需高分辨率标注数据集时的快速大尺度监测，但阈值法对环境变异、传感器类型与土地覆盖异质性敏感，跨区域与跨季节性能不稳定。指数选择也具有场景依赖性，积雪覆盖、阴影区与混合像素等因素会影响最优指数选择。
   3.2 决策树
   决策树分类器通过树结构节点的分层决策规则实现陆水分隔。每个节点依据输入属性（如光谱指数、反射率波段、纹理描述符或雷达特征）的条件拆分数据，逐步划分特征空间为更均质的子集。拆分准则通常通过基尼系数或熵等不纯度度量优化，引导各层级选择最优阈值分隔水体与非水样点。最终分类结果由遍历规则分支得到，每个像素被分配至代表特定类别的终端节点（叶节点）。决策树因可解释性与灵活性保持 relevance。多项研究利用免费与商业卫星的光学多光谱影像取得成效：例如结合NDMI与AWEIsh指数的Gond决策树总体精度达0.96；随机森林(RF)分类Landsat影像识别水文土壤，总体精度0.92、F1分数0.89；时间序列森林(TSF)与Weasel-Muse分类器以NDWI、NMDI、MNDWI为输入，总体精度达0.95；基于高分一号(Gaofen-1)多光谱数据的决策树成功实现了亚米级精度的湿地 delineation。这些研究证明，经适当优化的决策树在光学影像中仍能保持竞争力，在不同分辨率与光谱配置下取得可比结果。另有研究仅聚焦SAR数据：从Sentinel-1影像提取灰度共生矩阵(GLCM)纹理特征训练RF模型检测地下渗漏，总体精度0.81、F1分数0.79；仅使用SAR衍生特征（VV、VV+VH、VV×VH）的决策树在洪水检测中实现高度判别性结果，总体精度0.94、F1分数0.93，证实了SAR信息在无光学输入时水体分割的鲁棒性。近期研究转向SAR与光学影像融合以检测小型水体与湿地：多光谱与SAR融合(MASF)算法整合Sentinel-1与Sentinel-2影像，实现500 m²小型水体的可靠 delineation，总体精度0.90；融合Sentinel-1/2的多源SAR与光学特征（含光谱水体指数、光学纹理属性、SAR极化描述符及地形指标）的RF模型，精度达0.84，F1分数0.72，优于Landsat全球地表水(LGSW)产品，尤其在极小型季节性池塘检测中表现突出；整合ECOSTRESS热红外波段与Sentinel-1/2特征的RF模型总体精度0.88、F1分数0.87，表明互补光谱、雷达与热信息的融合可提升水体检测性能。总体而言，决策树（尤其是应用于融合数据集时）在可解释性与性能间取得平衡。但简单或未校准的树若未针对输入影像调优，性能可能逊于基础指数阈值法，凸显了参数优化与数据适配的重要性。
   3.3 机器学习技术
   除决策树外，传统机器学习技术通过在多维特征空间中学习标注训练数据的决策边界实现水体像素分类。与阈值或规则方法不同，ML方法通过优化损失函数推断判别模式，依据光谱、纹理、时序或上下文属性分隔水体与非水样点。像素分类通过统计或几何分离实现，每个像素由光谱指数、反射率波段、纹理描述符或融合变量等输入特征向量表示，模型参数与超参数经调优以最大化验证集分类性能。综述研究采用了多种经典ML技术，包括聚类方法、贝叶斯分类器、支持向量机(SVM)、梯度提升等集成方法及时序分类器。聚类算法用作无监督预分类器或混合流程的一部分，识别光谱一致的水体类区域；贝叶斯框架通过似然估计进行概率建模以分配类别归属；SVM等基于间隔的方法在高维特征空间中构造最优分离超平面以实现最大类别间隔。研究发现Weasel-Muse分类器略优于TSF，但需更多指数（NDVI、NDWI、EVI、NMDI、NDMI、MNDWI）作为输入才能达到更高精度，体现了性能与输入维度的权衡。Water Detect算法结合聚类与贝叶斯分类，强调超参数调优（正则化、最大聚类深度）与VNIR波段选择的重要性。SVM亦表现出色：结合GS全色锐化的SVM处理Landsat-5与Landsat-7影像，小水体检测精度达0.99；梯度提升融合SAR与光学影像，洪水分割F1分数达0.99，优于RF。这些研究表明，传统ML方法（尤其经光谱融合或特征工程增强后）可实现高精度，其训练数据与计算资源需求低于深度神经网络，但对复杂空间模式与大尺度变异的适应性较弱。
   3.4 神经网络
   神经网络方法通过模型隐藏层的表征学习实现陆水分隔。与阈值或特征空间ML分类器不同，神经网络直接从输入影像中自动学习层次化空间-光谱特征。训练过程中，卷积滤波器与中间层逐步提取边缘、纹理、光谱对比度等低级模式，并将其组合为高级抽象特征，实现密集像素级分类。最终分割图通过反向传播学习的非线性变换获得，模型权重经优化以最小化标注训练数据上的任务特定损失函数。神经网络因能学习复杂光谱-空间模式，比传统阈值或统计方法具备更强鲁棒性，已成为遥感水体检测的主流趋势，可适应多样环境与传感器条件，提升多云或异质区域的检测精度。综述文献识别出几类神经网络架构：标准卷积神经网络(CNN)通过堆叠卷积层提取特征，以斑块方式或通过分割头分类像素；编码器-解码器架构（如U-Net及其变体）主导语义分割任务，通过跳跃连接将空间信息压缩为潜在表征并重建高分辨率分割图；注意力机制网络引入权重机制，使模型聚焦显著空间区域，增强复杂场景判别力；近期Transformer启发的基础模型通过大规模预训练与提示式分割策略，实现跨传感器与环境的泛化。其中U-Net应用最广：Sentinel-1 SAR影像洪水制图中U-Net的F1分数达0.935，优于SegNet等其他架构，跳跃连接与编码器重训练对SAR影像特征传播的作用显著；U-Net与DeepResU-Net在洪水分割中F1分数≥0.92，优于FCN-8与SegNet；UAV超高分辨率影像小水体检测中U-Net的F1分数约0.92。多项研究通过迁移学习改进U-Net：ResNet骨干结合U-Net的F1分数约0.92；ResNet结合Mask R-CNN的F1分数约0.91，优于DeepLabv3+且计算成本更低；MobileNetV3作为U-Net骨干的F1分数达0.89，优于ResNet。注意力机制进一步提升检测性能：Attention U-Net、CoANet、GLF-MFUnet的F1分数最高达0.97。简化CNN亦具竞争力：分割CNN(SCNN)的召回率高于U-Net，在假阴性代价高的洪水检测中具关键价值；物理引导神经网络(PGNN)融入物理参数，F1分数达0.86；Fast R-CNN的F1分数达0.96，优于标准CNN。其他架构亦有贡献：SegFormer的F1分数达0.97；U-Net3+的F1分数达0.96；GeoAI与WatNet的F1分数达0.8；AFR-LinkNet+ResNet的F1分数达0.89；DeepLabV3+结合SegNet的F1分数达0.81。多源融合亦提升精度：SAR与光学融合的F1分数分别达0.68与0.83。基础模型的出现代表了水体检测研究的范式转变：Segment Anything Model(SAM)结合CLIP RSICD框架，在跨传感器与空间分辨率的水体分类分割中展现卓越适应力，常超越U-Net等传统监督模型。但SAM仍面临挑战：需大量用户交互、性能随影像复杂度与背景相似性波动、小或不规则水体分割困难、阴影与前景偏差处理欠佳。总体而言，从迁移学习到多模态与基础模型的神经网络技术快速演进，凭借捕捉复杂空间-光谱关系的能力，在鲁棒性与泛化性上超越传统方法。但训练影像的数量与多样性至关重要，有限数据集会严重制约模型泛化，大幅降低精度；简单光谱阈值在神经网络校准不足或超参数调优缺失时可能优于后者，凸显深度学习鲁棒性不仅依赖架构，更取决于数据量、质量与模型优化的适配性。
4. 4.
   遥感数据与处理等级
   遥感水体检测不仅依赖分类方法，还与输入数据的特性、预处理等级及空间整合密切相关。卫星与UAV影像的校正质量、辅助空间数据集的融入，直接影响像素级水体检测结果的可信度与可解释性。本节同时探讨传感器级处理方案与矢量数据融入栅格分析工作流的内容。
   4.1 处理等级与数据准备
   卫星与UAV平台不直接提供传感器原始光学或SAR数据，而是发布时已应用了供应商预设的预处理流程，确保公开前完成基线校正。这些标准流程通常包括几何与辐射校正、正射校正，多数情况下还包括大气校正或地形归一化。因此，研究人员获取的数据集（无论开源或商业来源）均按预定义处理等级交付，决定了已实施的校正类型与程度。尽管存在基线预处理，多项研究仍应用额外精修步骤以适配特定分析目标，包括：辐射定标，用于提升数据一致性；大气校正，如LaSRC处理Landsat 8数据、TOA反射率转BOA反射率、Sen2Cor处理Sentinel-2地表反射率；SAR数据极化调整，如VH极化提升水体检测性能，VV极化增强陆水分隔度，或同时纳入VV、VH波段及其比值(VV/VH)作为模型自变量；基于数字高程模型(DEM)的校正，如融入DEM衍生特征提升神经网络性能，或利用DEM识别阴影区以减少误分类。这些步骤共同降低了几何畸变、辐射变异与环境干扰，提升了后续水体检测的精度与可靠性。需注意，卫星与UAV影像按标准化处理等级分发，分类了交付前的传感器、几何与大气校正程度。免费平台（如Landsat与Sentinel）影像通常提供一致的处理等级（如Level-1C或Level-2A），可直接用于科研；商业系统则提供多等级产品，从最小预处理数据集到完全校正的分析就绪产品，成本随精修程度而异。各机构（如NASA、USGS、欧空局ESA、Planet）已定义标准化命名规范。表2汇总了遥感影像标准化预分析处理等级，作为本综述识别分析研究工作流中影像输入数据状态的分类框架。除预处理外，采用机器学习或深度学习方法的研究常应用数据增强技术（如旋转、翻转、缩放）以提升模型泛化性与鲁棒性，防止过拟合。另一种常见增强策略是全色锐化，将多光谱影像与更高分辨率的全色波段融合以提升空间细节。Gram-Schmidt(GS)方法在四种融合方法中表现最优，可用于提升小水体检测的空间分辨率，或作为CNN训练前标准化波段空间分辨率的常规预处理步骤，解决有限空间分辨率这一水体检测持久挑战。这些预处理与增强策略对提升遥感水体检测方法的精度、可靠性与应用性至关重要。
   4.2 栅格影像与矢量数据的整合
   除传感器级与用户端预处理外，多项研究将矢量数据集融入分析工作流。矢量图层（通常为多边形，如水体外轮廓或农业地块；线要素，如灌溉或排水网络；点要素，如GPS实测参考位置）提供了补充像素级栅格影像的结构化空间信息。在监督分类框架中，矢量多边形常用于生成标注训练样本，例如手动生成可见灌溉区多边形掩膜以执行监督最大似然分类，或将shapefile格式的地面真值注记转换为栅格格式以训练CNN。此类场景中，矢量数据经栅格化以匹配卫星影像的空间分辨率与网格结构，实现像素级监督。矢量数据也在验证中发挥核心作用：手动 delineation 水体外轮廓构建算法评估参考数据集；通过实地GPS调查生成灌溉渠与真实水体的详图作为验证基准；利用水文与排水网络矢量作为参考图层评估模型输出的空间一致性。这种矢量-栅格对比实现了像素级预测结果与真实地理特征的配准。空间掩膜与感兴趣区(ROI)界定是另一重要应用场景：生成限定特定农业地块的掩膜，将像素分析限制于预定义区域，降低计算成本并确保分类仅应用于相关区域，减少研究区外的虚假检测。矢量衍生信息也可转换为栅格特征作为模型输入：例如将DEM衍生的坡度信息作为额外解释变量纳入神经网络模型，证明地形属性可提升分割精度；灌溉渠等线矢量可转换为连续距离栅格（如距最近水源的距离）并作为上下文预测因子整合入分类算法。最后，矢量与辅助空间数据集常用于后处理：利用DEM信息识别阴影区并重新分类错误标记为水体的像素，此类空间滤波操作有助于移除物理上不可能的检测结果（如路面或高地）。总体而言，矢量与栅格数据的整合通过支撑监督学习、验证、上下文特征增强、空间掩膜与分类后精修，强化了方法学鲁棒性，提升了遥感水体检测输出的技术可靠性与现实可解释性。
   4.3 空间精修策略
   精准 delineation 水陆边界是地表水制图(SWM)的核心挑战，尤其在精细农业场景中，灌溉渠、水坑或小型池塘仅占单个像素的一小部分。类别界面的混合像素常引发边界噪声、分割掩膜破碎与局部误分类。为缓解这些效应，遥感文献提出了多种空间精修策略，从基础的后分类像素重分配到概率边界优化与完全学习型精修机制。最基础的空间精修策略作为初始分类掩膜的后处理校正，包括膨胀、腐蚀、开运算、闭运算等形态学操作，以及移动窗口内的多数滤波。这类方法通过预定义结构规则重新分配孤立或边界像素，强制局部空间一致性以提升分割效果。例如形态学膨胀适度扩展光谱指数阈值分类后的检测水域，重新分配因光谱混合被误分为陆地的边界像素，虽在简单阈值框架中作为快速几何校正有效，但仍属确定性方法，不依赖自适应优化准则。严格意义上的像素交换指迭代或基于准则的像素标签重分配，以改善全局分割连贯性，如迭代类别交换算法与上下文标签优化流程，评估像素类别交换是否降低预定义代价函数或提升空间一致性。尽管在解决混合像素伪影方面概念相关，但本综述纳入的49项研究均未实施正式的像素交换优化框架。更先进的空间精修策略依赖概率上下文建模，如马尔可夫随机场(MRF)、条件随机场(CRF)或图割优化，通过建模邻域依赖关系平滑分类输出并保留有意义边界，但这类概率精修方法未在综述研究中明确实施。其他精修策略通过优化几何轮廓或建模亚像素组成实现：变分方法（包括主动轮廓模型与水平集公式）通过最小化基于区域的能量准则调整边界；统计建模框架优化分割掩膜以提升边界 delineation；光谱混合分析估计混合像素内的组分丰度，以更好刻画水陆过渡带，这类方法比简单形态学校正更显式地解决混合像素效应。在深度学习框架中，空间精修常直接整合入模型架构：CNN、编码器-解码器架构与注意力模型通过多尺度特征提取与概率标签估计隐式学习空间上下文与边界表征，无需显式后分类交换即可在训练中调整像素概率，使网络学习复杂边界模式。这类学习型精修策略代表了最具适应性的空间校正形式，但需要充足训练数据与计算资源。总体而言，综述文献表明，尽管基础形态学调整偶有应用，稳健的像素交换与概率空间优化框架在近期精细尺度水体检测研究中仍鲜有探索。鉴于农业环境中混合像素与边界不确定性的普遍性，空间精修策略是极具潜力但尚未充分开发的方法学领域。
5. 5.
   平台与光谱特性
   遥感系统构成了水体检测研究的基础，提供监测农业环境必需的光谱与空间信息。综述文献显示，两类平台——卫星与UAV——得到广泛应用，各具优势与局限。卫星因全球覆盖、一致的获取计划与长期历史存档，仍是主要数据源，支持大时空尺度的监测；UAV则提供无与伦比的空间细节与操作灵活性，特别适用于灌溉监测等局地研究或卫星方法的验证。
   5.1 卫星平台
   多数综述研究使用开源任务（如Sentinel与Landsat）及商业实体（如WorldView、PlanetScope与HyperScout）的卫星影像。许多水体检测指数最初为Landsat任务开发，促使研究人员将其他卫星的光谱配置与Landsat对齐以保持传感器兼容性。商业卫星通常提供比Landsat更多的光谱波段与更高的光谱、空间分辨率，例如WorldView-2的NIR₂波段在水体像素判别中精度达94%，而该波段未被Landsat收录；结合WorldView、GeoEye与IKONOS等高分辨率商业卫星影像、NIR波段与DEM数据，F1分数从0.85提升至0.89，凸显了NIR波段对有效水体检测的重要性及高空间分辨率对水体制图的增益。另一项研究表明，Sentinel-2的中分辨率VNIR波段在复杂场景（如火烧迹地或阴影区）中可能产生误分类，推荐结合SWIR波段以降低风险，体现了高空间分辨率提升精细特征识别能力的同时，光谱覆盖不足可能损害复杂环境下的分类精度。传感器重访频率对作物水体监测至关重要，受气候影响显著，融合中分辨率（Sentinel-2）与低分辨率（Sentinel-3）影像可解决Sentinel-2重访频率较低而Sentinel-3重访频繁且云覆盖 resilience 更强的问题，Fit-FC方法是生成模拟中分辨率合成影像的最有效途径。综上，卫星数据类型选择与整合需在空间分辨率、光谱覆盖与 temporal 频率间进行明确权衡，以优化水体制图结果。高分辨率影像常作为验证而非直接训练数据源，例如利用WorldView数据生成掩膜，以校准与验证主要基于低分辨率影像的方法，充分发挥高分辨率数据的空间细节优势以确保大尺度分析的精度。
   5.2 UAV平台
   UAV作为补充与替代影像源被广泛应用于研究。其核心优势在于可在用户定义条件下，针对特定农业区域采集极高时空分辨率的影像。例如搭载RedEdge-3多光谱相机的Tecnam P2006T飞机实现约8-12 cm的地面采样距离(GSD)，取得良好效果；DJI Phantom 4约2-74 cm的极高空间分辨率有效检测了复杂景观中的小型水体，F1分数达0.92；Vexcel UltraCam Eagle亚分米级分辨率（5-10 cm）实现了0.97的优异F1分数。这些结果证明UAV可识别中型分辨率卫星影像无法探测的小型池塘、狭窄灌溉渠或细微渗漏。但UAV亦面临挑战：较高的运营成本、有限的覆盖范围，以及专用硬件与飞手专业技能的需求。因此，UAV平台特别适用于小范围农业区域的精细监测，并常作为生成高质量参考数据以验证卫星方法的工具。
   5.3 光谱波段考量
   水体检测的成功依赖空间与光谱特性的协同。水在NIR-SWIR区域（约0.97 μm、1.45 μm、1.90 μm处）存在强吸收峰，但这些波长仅可通过野外光谱辐射计观测，并非所有波长均可从空间或航空平台观测。大气吸收（气体、气溶胶与水汽）阻挡了部分电磁波谱，遥感仪器仅能通过大气窗口（空气透射率足够的区域）“看见”地球。多数VNIR与SWIR波段利用这些窗口捕获对水敏感的吸收肩，同时保持足够的信号透射率。但使用更窄波段（虽提升判别力）会降低光子捕获与信噪比(SNR)，因此平衡空间、光谱与辐射特性仍是可靠水体制图的关键传感器权衡，将波段选择与各传感器整体设计关联。对比评估显示，更高空间分辨率、更大辐射深度、更窄NIR与SWIR波段及更高SNR均可提升水体检测性能，但提升空间分辨率常降低SNR并引入噪声，可能损害影像质量。全色(PAN)波段通常比多光谱波段空间分辨率显著更高，通过全色锐化技术提升空间细节，例如GS全色锐化融合Landsat影像改善了小水体 delineation；但分辨率提升未必转化为大尺度水体检测的大幅增益，例如分辨率从30 m（Landsat 8）提升至10 m（Sentinel-2）仅带来约2%的大水体检测精度提升；而亚米级分辨率（如Cartosat-3）则可识别水坑等极小特征，对精细尺度水体检测价值显著。热红外(TIR)影像生成的陆表温度(LST)图可利用水的低热发射率特性辅助检测：Landsat TIR波段原生100 m分辨率的LST图可提升精度，但对小特征效用有限；ECOSTRESS TIR波段约70 m分辨率提供了更精细的LST细节，提升了小型或热变异水体的检测能力。两项研究均证实，LST与光谱或学习型方法结合可提升性能，TIR数据是精准水体制图的宝贵补充。综上，光谱、空间与热域的见解整合凸显了多源数据的价值：免费与商业卫星结合UAV传感器可提供互补优势，整合提升空间细节、 temporal 频率与光谱多样性，为农业水体检测与监测提供可扩展且精准的框架。
6. 6.
   评估指标
   水体检测模型的评估依赖预测分类与参考地面真值数据对比得出的定量性能指标。地面真值数据集（通过手动 delineation、GPS调查、栅格化矢量注记或辅助空间数据集生成）的构建已在第4节阐述，这些参考标签是构建混淆矩阵与计算量化模型性能评估指标的基础。为评估水体检测模型性能，综述研究采用了多种评估指标，最常用的是交并比(IoU)、F1分数、总体精度(OA)、受试者工作特征曲线下面积(AUC-ROC)、科恩卡帕系数(Cohen’s Kappa)与马修斯相关系数(MCC)。各指标从不同视角反映模型性能，取决于关注点是整体分类精度、分割质量还是对类别不平衡的鲁棒性。IoU衡量预测与参考水体像素的重叠度，广泛用于分割任务；F1分数是精确率与召回率的调和均值，受类别不平衡影响较小，被认为是检测小型水体最鲁棒的指标；OA是正确分类像素的比例，简单易用且报道广泛，但在高度不平衡数据集中可能高估性能；AUC是阈值无关指标，评估真阳性与假阳性的权衡，反映类别可分性，但仍可能受不平衡影响；Kappa系数衡量预测与参考分类的一致性，校正了偶然一致的影响；MCC是考虑混淆矩阵所有元素的平衡度量，反映预测与真实标签的相关性，取值范围为-1至1。在上述指标中，F1分数与IoU是农业或农村景观水体检测的首选。此类场景中，灌溉渠或池塘等水体仅占影像的小部分，造成水体与非水体像素的严重不平衡，这些指标强调真阳性检测，缓解了非水体像素占主导带来的偏差。尽管如此，许多综述研究仍仅报告OA。该指标在大尺度平衡场景（如湖泊、海洋或大面积淹没区）中有效且适用，但在精细尺度水体检测中可能产生误导——若方法未能检测到小型水体而将多数像素分类为非水体，OA仍可能因大量真阴性而呈现高值，造成性能强劲的假象，却未能实现识别真阳性的核心目标。因此，在这类场景中，明确考量真阳性检测的指标（如F1分数与IoU）才能提供更真实的性能评估。
7. 7.
   讨论
   大量文献聚焦地表水制图(SWM)，例如Nagaraj和Kumar(2024)全面回顾了20世纪90年代中期至2023年的水体提取方法。但多数研究聚焦异质景观（如湖泊、水库、海岸带或大面积洪泛区）的大尺度水体检测，仅有少数明确针对农业与农村环境的精细尺度水体检测。这两类问题在空间分辨率需求、类别平衡、光谱混合与上下文复杂度上存在根本差异：大尺度场景中，水体常占据影像相当比例，降低类别不平衡并简化分割；而精细尺度水体检测（如灌溉渠、渗漏点、小型池塘或短暂积水）则面临极端类别不平衡、高边界-面积比与频繁像素混合的挑战。本研究综述了2020-2025年精细尺度与农业水体检测的新进展，将时间截止点设于2020年，是因为深度学习水体检测方法自该时期开始巩固，且多光谱预处理流程已在遥感界达到一定程度的标凖化。2020年后，水体检测日益从以阈值为主的问题转向建模与泛化挑战。Bijeesh和Narasimhamurthy(2020)的综述涵盖2020年前的研究，不仅提供了历史背景，更证明当时深度学习方法占比极低，作者明确指出“人工神经网络分类算法已被研究人员广泛用于土地覆盖制图，但在地表水制图研究中探索不足”。早期方法学并非专为当代农业水体检测的典型精细对象设计。Sentinel-2（2017年发射）是一个转折点，作为首个结合中高空间分辨率与短重访周期的开源卫星，显著加速了该领域研究。在所有方法学中，预处理仍是基础前提：正射校正、辐射与大气校正、基于DEM的归一化等流程提升了影像一致性与模型鲁棒性。对精细尺度检测而言，高空间分辨率尤为关键，当原生分辨率不足时，锐化技术可部分缓解局限。全色锐化与空间精修方法提升了空间细节与边界 delineation，尤其在光谱阈值、决策树与经典机器学习工作流中；而深度学习架构通过内部学习空间-光谱关系或网络内专用精修模块实现类似效果，通常通过重采样而非显式锐化统一波段分辨率。但尚无研究系统评估不同锐化技术对深度学习分割性能的影响。云、阴影、浊度与茂密植被等常见挑战仍会降低各类方法的检测精度。性能评估对结果解读具有决定性意义：OA应用广泛且在大型水面（水陆像素相对平衡）中表现适宜，但在精细尺度检测任务中可能产生误导——非水体像素主导场景，若方法未能检测到小型水体而将多数像素分类为非水体，OA仍可能因大量真阴性而呈现高值，造成性能强劲的假象，却未能实现识别真阳性的核心目标。因此，F1分数与IoU等指标能提供更真实的性能评估。矢量数据整合亦是提升模型性能的相关补充策略：多项研究纳入灌溉网络、排水系统、地块边界或手动 delineation 水体等矢量图层，用于监督训练、验证、空间掩膜或特征增强。矢量数据集衍生的上下文空间信息可约束分析至相关感兴趣区，或引入提升分类鲁棒性的辅助变量。但多数情况下，矢量信息仍作为支持角色，未完全融入像素级决策机制。热红外信息进一步助力精准水体识别：TIR数据衍生的LST图利用水的低热发射率特性，提升水陆判别力，结合高分辨率TIR数据可显著提升检测性能，尤其与光谱或学习型方法结合时。合成孔径雷达(SAR)影像因独立于大气与光照条件亦具显著优势：SAR后向散射系数（尤其VV与VH极化）对地表粗糙度与湿度敏感，支持云覆盖或夜间条件下的可靠检测；SAR信号还可部分穿透地表，支持特定场景下的 subsurface 湿度分析。但平台特性显著影响性能：ALOS-2的L波段长波长穿透性强，降低水体边界精度；而Sentinel-1的C波段短波长更适用于SWM，分割精度大幅提升。多项研究证实，SAR-光学融合通过整合雷达衍生纹理与多光谱光谱信息提升性能。除方法选择外，采用先进架构时参数优化仍至关重要：样本量与训练迭代次数显著影响网络性能，超参数调优对充分挖掘模型潜力不可或缺。光谱指数在数据受限场景下仍具比较优势，校准简便且基线性能稳健。为缓解训练数据集的限制，多项研究实施数据增强技术（如水平垂直翻转、旋转、平移与几何变换）以人工扩展训练样本的多样性，提升模型泛化性。平台选择进一步影响光学多光谱工作流的结果：Sentinel等中分辨率卫星在空间细节与 temporal 覆盖间取得有效权衡，高分辨率系统（WorldView、PlanetScope）允许更高成本的精细 delineation；NIR与SWIR波段的可用性仍至关重要，对应实验室光谱识别的水体关键吸收特征。UAV平台提供厘米级分辨率，特别适用于检测极小型特征（如窄渠或渗漏）及验证卫星模型，卫星与UAV数据的整合为高精度水体制图提供了可扩展且互补的框架。最后，像素级分割与易发性或决策支持框架的融合是尚未探索的研究方向：在渗漏检测等精细场景中，分类不仅依赖光谱特征，还与管线或灌溉渠邻近性、基础设施老化程度、土壤属性与地形梯度等上下文因素相关。尽管多准则与易发性方法已广泛应用于地下水评估与GIS分析，但其与像素级地表水分割的整合在近期文献中仍基本空白，这为未来研究提供了广阔空间，尤其在农业基础设施监测中，上下文概率与光谱证据可联合提供信息增益。
8. 8.
   结论
   本综述综合了2020-2025年基于多光谱、热红外与SAR影像的精细尺度水体检测最新进展，特别关注农业与农村背景。本文并非孤立罗列方法，而是结构化阐释了从预处理、空间分辨率增强到模型选择、训练策略与评估指标等方法学选择，如何在现实条件下交互决定检测性能。通过批判性审视49项 operational 环境下的应用研究，本综述厘清了光谱阈值法、决策树、经典机器学习、深度学习架构与多传感器融合方法间的实践权衡，阐明了简单模型何时保持竞争力、先进架构何时具备优势，以及类别不平衡、像素混合、数据可用性与超参数优化如何制约泛化能力。本文不仅是对当前技术的综合，更提供了在语境中解读报告性能的框架，而非孤立依赖单一指标。重要的是，本综述证明精细尺度水体检测不存在普适最优解，成功实施取决于将方法学复杂度与可用数据、空间分辨率、计算资源及业务目标相匹配。通过系统梳理各方法学家族的优势与局限，本文为研究人员与实践者选取、适配或设计适配特定约束的水体检测工作流提供了实用指南。未来研究方向不应仅聚焦算法新颖性，而应着力提升方法学连贯性、评估分辨率增强策略、探索像素级分割与上下文或易发性建模的混合框架，以及完善评估实践以确保可持续环境与农业管理所需的鲁棒且可迁移解决方案。