基于特征融合和区域自适应深度学习方法的近实时SAR洪水检测

《Journal of Hydrology》：Near-real-time SAR flood detection using feature fusion and region-adaptive deep learning method

城市区域自适应多特征组合的Sentinel-1三分类洪水监测方法，通过构建区域专用SAR特征子集并设计可微分路由头实现特征动态分配，有效区分城市洪水与开放水域洪水，在河南2021年洪水中达到0.978的总体精度，并验证了模型的泛化能力。

　　

宋莉|刘凯|王桥

中国北京师范大学地理科学学院卫星应用高级跨学科研究所，遥感与数字地球国家重点实验室，北京100875

摘要

洪水测绘对于应急响应至关重要，而合成孔径雷达（SAR）能够实现不受天气影响的近实时观测。然而，在城市地区进行准确的基于SAR的洪水测绘仍然具有挑战性。现有方法缺乏对不同类型洪水淹没的明确区分，并且难以区分与不同区域洪水相关的复杂SAR信号。在新构建的全球洪水数据集上应用的深度学习（DL）模型仍不足以解决这些问题。为了填补这一空白，我们提出了RAFNet，这是一个区域自适应的特征组合网络，用于使用UrbanSARFloods数据集进行三类（非洪水、开阔区域洪水和城市洪水）的Sentinel-1洪水测绘。我们首先为城市和开阔区域构建了特定的SAR特征子集，以更好地捕捉不同的洪水特征。然后通过一个具有可微分路由头的双分支专家架构，动态地将每个像素分配到相应的分支中，从而减少信号混淆并更好地表示区域差异性。每个分支将区域先验特征子集与共享特征结合使用，以提高分类准确性。在2021年河南洪水事件上的实验表明，RAFNet实现了高精度（OA = 0.978，Kappa = 0.870），在保持开阔区域性能的同时显著提高了城市区域的检测能力。对其他独立事件的额外测试也证实了其良好的泛化能力。这项工作为大规模、区域感知的洪水监测提供了一个可靠且高效的解决方案。

引言

洪水是全球最具破坏性的自然灾害之一。由于气候变化、人口增长和经济暴露范围的扩大，洪水的强度和频率不断增加（Tellman等人，2021年；Rentschler等人，2023年；Collet等人，2018年），造成了深远的社会经济影响。在高风险地区，每年的直接经济损失超过数十亿美元，全球每年都有数千人因洪水丧生（Lan和Wang，2025年）。洪水淹没会损坏关键基础设施，破坏农田，引发公共卫生紧急情况，并加剧社会经济差距（联合国减灾办公室（UNISDR），2017年；Rentschler等人，2022年）。在城市环境中，这些事件严重阻碍了包括健康安全、弹性基础设施和灾害准备在内的可持续发展目标（Persello等人，2022年）。因此，高精度的近实时洪水监测成为优化应急响应、减轻损失和制定适应政策的重要工具（Dong等人，2025年）。

卫星遥感为近实时洪水测绘提供了基础，能够提供成本效益高、高分辨率的时空数据（Asadzadeh Jarihani等人，2013年；Martinis等人，2015年）。虽然光学传感器可以通过光谱指数（Huang等人，2014年；Sakamoto等人，2007年；Cian等人，2018年）和机器学习（ML）分类器（Mehravar等人，2023年；Jia等人，2023年；Goffi等人，2020年）提取水体信息，但在云层遮挡的降水事件中，它们的效用大大降低。合成孔径雷达（SAR）不受天气和日光条件的限制（Li等人，2018年；Mohamadiazar等人，2024年）。光滑水面的镜面反射会产生特征性的低SAR后向散射，从而实现可靠的水体检测（Berezowski等人，2020年）。这些独特属性使得SAR在实时洪水监测和预测影响评估中不可或缺。显著的案例研究表明，将SAR衍生的洪水地图整合到预测模型中可以将水位预测误差降低50%，并且这种效果在24-48小时内持续存在（Hostache等人，2018年），突显了快速洪水检测的关键价值。洪水事件期间的实时遥感获取为淹没范围评估提供了即时支持。为了满足快速响应的需求，开发仅依赖SAR卫星观测的高精度洪水检测方法至关重要，从而消除了多源数据融合和长时间跟踪所带来的延迟。

核心的SAR图像特征，如后向散射强度、干涉测量相干性和极化参数，共同增强了洪水测绘的鲁棒性。被淹没区域通常表现出较低的后向散射，因为水面起到镜面反射器的作用（Zhao等人，2022年），因此简单的VV极化阈值方法在开阔水域效果良好（Pierdicca等人，2008年）。然而，在城市区域，建筑物和水面之间的双次反射会增加后向散射，使得基于强度的方法可靠性降低（Li等人，2019年）。来自事件前后单次观测（SLC）对的相干性指标可以捕捉到由洪水引起的表面变化。洪水会改变表面粗糙度、介电性质和散射体的稳定性，从而降低相位相关性，进而降低干涉测量相干性。这使得相干性在植被和城市环境中特别有价值（Chini等人，2012年；Pulvirenti等人，2015年），并补充了开阔区域的基于强度的检测方法。极化特征提供了进一步的区分能力。VH极化对垂直结构敏感，结合VV和VH极化有助于减少风蚀水面或漂浮碎片引起的误报（Zhao等人，2022年；Li等人，2019年；Pelich等人，2021年）。尽管取得了这些进展，与光学数据提供的丰富信息相比，SAR特征组合的使用仍然有限。最近基于ML的伪颜色、极化和空间描述符融合方法（Zhang和Hu，2024年）并未在城市区域利用相干性信息，这突显了在异构景观中多特征优化方面的持续挑战。重要的是，城市洪水与开阔或植被区域的洪水相比，表现出不同的SAR散射行为和空间破碎性，使得统一的检测方法不够理想。

当前的近实时SAR洪水检测方法包括基于规则和机器学习两种范式。基于阈值的分割方法，通过区分暗（被淹没）和亮像素仍然是主要方法（Liu和Yamazaki，2018年；Liu等人，2021年；Kwak等人，2018年；Zhuang等人，2025年），尽管使用模糊分类器（Pulvirenti等人，2011年；Amitrano等人，2018年）和决策树（Pulvirenti等人，2010年）的扩展在一定程度上减轻了其固有的主观性。最近，ML/DL方法利用复杂的数据模式和开源的SAR洪水数据集（Bonafilia等人，2020年；Rambour等人，2020年；Zhao等人，2025年）实现了更快、更准确的检测。Saleh等人（2024a）使用大型全球Sentinel-1洪水数据集设计了DAM-Net，这是一种基于差分注意力度量的视觉变换器，用于双时相SAR洪水变化检测。基于类似的想法，Saleh等人（2024b）提出了SemT-Former，这是一种基于语义令牌的变换器，可以模拟多时相SAR特征中的时间依赖性，并进一步抑制洪水测绘中的伪变化。然而，许多现有的DL方法仍然是在区域或特定事件的样本上训练的，而不是在系统地整理的、全球分布的洪水数据集上训练的。

深度卷积网络现在被广泛用于基于SAR的水体提取。Wang等人（2022年）提出了FWENet，这是一种基于ResNet的U-Net，具有扩张卷积和注意力模块，用于鄱阳湖的多时相Sentinel-1图像。对于双时相SAR变化检测，Zhao等人（2023年）提出了Siam-DWENet，它将水体提取网络转移到洪水测绘中，并在少量标记样本的情况下提高了性能。最近，Jamali等人（2024年）引入了WVResU-Net，它将视觉MLP模块嵌入到ResU-Net骨干网络中，以改进双极化Sentinel-1洪水测绘的全局上下文建模。同时，Yadav等人（2024年）提出了CLVAE，这是一种无监督的变分自编码器，可以从无标记的Sentinel-1 SAR时间序列中检测到洪水引起的变化。这些研究表明，深度学习可以显著提高像素级的SAR洪水划分精度。然而，现有模型仍然侧重于二分的水/非水分割，并没有明确处理城市和开阔区域洪水之间的特征级或区域特异性差异。这往往导致模型错误地混合了不同类型洪水的信号，忽略了基于上下文的洪水测绘需求。例如，Zhao等人（2022年）提出的考虑城市因素的U-Net使用城市掩码来调节单一分割流，但没有将特征明确路由到特定区域的分类器，并且是在有限的大都市案例集上训练的。相比之下，我们针对的是一个区域自适应的三类框架，该框架在多事件、多大陆的UrbanSARFloods数据集上进行训练，其中城市和开阔区域洪水由专门的专家在共享的骨干网络下处理。

总之，基于SAR的洪水测绘取得了显著进展，但仍存在三个关键问题：（i）未能充分利用互补的SAR特征以及不同区域洪水导致的SAR信号混淆；（ii）城市区域洪水检测的准确性有限；（iii）需要新的DL框架来有效利用新构建的全球SAR洪水数据集，并明确考虑区域差异性。为了弥合这些差距，我们提出了一个区域自适应的深度学习框架，该框架结合了特征整合和显式的空间适应性。使用UrbanSARFloods数据集，我们首先提取了多样的SAR特征，并为城市和开阔区域派生了特定的先验子集。然后，一个由可学习的区域路由头驱动的双专家网络根据这些先验将特征路由到城市和开阔区域的专家中，而不是像基于注意力的U-Net变体或基于Sen1Floods11的基线那样对所有区域应用单一的分割流。这种设计避免了依赖固定的城市掩码，能够更平滑地处理混合过渡区，并结合了物理意义上的SAR派生先验，从而提高了洪水检测过程的适应性和可解释性。在多种洪水事件上的全面验证表明，这种区域自适应设计实际上提高了城市洪水和开阔区域洪水测绘的性能，优于标准的U-Net/DeepLabV3+基线，同时保持了足够的轻量级，以便在单一来源的Sentinel-1 SAR上进行近实时推理。

部分摘录

SAR数据集

为了对不同土地覆盖类型的洪水淹没进行分类，本研究使用了Zhao等人（2024年）基于Sentinel-1 SLC数据构建的UrbanSARFloods数据集，用于城市洪水和开阔区域洪水检测。该数据集通过同时提供SAR强度、干涉测量相干性和极化波段，支持我们的多特征组合研究；通过提供非洪水（NF）、开阔区域洪水（FO）和城市洪水（FU）的三类标签，实现了区域自适应

特征提取与分析

特征提取和分析遵循第2.4节中描述的程序。共提取了24个参数，并将其分为四类SAR特征：极化、伪颜色、空间和相干性特征。为了提高模型训练效率，我们首先量化了每种特征组合对洪水检测准确性的贡献，然后为不同土地覆盖类型选择了高影响力的特征子集。如第2.4节所定义的，四个物理上合理的特征

实验设置和基线模型

为了全面评估所提出的框架，我们将其与传统的基于SAR的洪水测绘方法和代表性的深度分割架构进行了比较。首先考虑了三个已建立的基线：使用邻域比值的SAR变化检测方法NR-ELM（Gao等人，2016年）和极端学习机；特征聚类方法PCA-Kmeans（Celik，2009年）；以及语义分割模型UNet++（Zhou等人，2018年）。此外，还有两个

结论

本研究开发了RAFNet，这是一个用于三类Sentinel-1洪水测绘（NF、FO、FU）的区域自适应特征组合网络，基于UrbanSARFloods数据集。通过系统地分析极化、空间、相干性和伪颜色特征，我们为城市和开阔区域构建了特定的特征子集。这些子集被集成到一个具有可微分路由头和双专家分支的共享骨干网络中，实现了SAR特定先验的显式编码

未引用的参考文献

Chini等人，2020年；Natsuaki和Hirose，2018年；Orion29（GitHub），2023年。

CRediT作者贡献声明

宋莉：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。刘凯：撰写——审阅与编辑、资源获取、概念化。王桥：撰写——审阅与编辑、资源获取、项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金[项目编号 42377467]和中央高校基本科研业务费[项目编号 2243300007]的支持。