《International Journal of Digital Earth》：Monitoring and analysis of open water dynamics in the Poyang Lake region from 2015 to 2025 using sentinel-1 SAR data and an improved U-HRNet model
编辑推荐：
准确获取高分辨率水体信息对于流域生态管理和洪水监测至关重要。然而，现有深度学习模型在从SAR（合成孔径雷达）影像中提取水体时面临挑战，包括小型水体检测不完整以及水体与阴影区域混淆。因此，研究人员通过将坐标注意力机制与U形高分辨率网络（U-HRNet）集成，开发
准确获取高分辨率水体信息对于流域生态管理和洪水监测至关重要。然而，现有深度学习模型在从SAR（合成孔径雷达）影像中提取水体时面临挑战，包括小型水体检测不完整以及水体与阴影区域混淆。因此，研究人员通过将坐标注意力机制与U形高分辨率网络（U-HRNet）集成，开发了一种改进的基于SAR的水体提取模型（CA-U-HRNet）。为验证所提方法的有效性，将CA-U-HRNet应用于鄱阳湖地区的时间序列Sentinel-1影像，对2015年至2025年的开放水域范围进行动态监测和时空演化分析。实验结果表明，该模型在Sentinel-1水体数据集上实现了93.27%的平均交并比（mIoU），优于主流的语义分割模型如U-Net、PSPNet、DeepLabV3+和OARENet。这表明，引入坐标注意力使CA-U-HRNet能够通过结合通道和位置信息更好地捕捉特征并增强空间敏感性。此外，时间序列监测结果揭示了近十年来鄱阳湖地区开放水域范围的季节性波动，其特征为高水期大幅扩张，低水期收缩。同时，水体的淹没频率从河道向外逐渐降低。
**论文解读：基于CA-U-HRNet模型与Sentinel-1 SAR数据的鄱阳湖开放水域动态监测与分析**
**研究背景与问题**
水是地球基本要素之一，在自然生态循环和人类生活中扮演关键角色。湖泊作为地表水资源的重要组成部分，不仅为生活用水、农业灌溉和工业发展提供基础水源，还在水产养殖、洪水调蓄和内河航运中发挥关键功能。然而，随着社会经济的快速发展，不合理的开发利用导致水资源枯竭、利用效率低下和水质恶化等多重挑战。同时，在全球气候变暖影响下，湖泊水资源加速衰退，伴随淡水资源持续减少、生态系统退化以及洪涝和干旱灾害频发。因此，开展湖泊水域面积动态监测并准确理解湖泊的时空演化特征，对于科学规划水资源利用、加强生态环境保护以及促进社会经济可持续发展具有重要的现实意义。
传统光学遥感方法在水体提取中依赖光谱信息，受云和雾干扰严重，尤其在鄱阳湖地区，多云多雾天气导致光学数据有效时间分辨率降低，难以实现连续高频监测。与光学遥感相比，合成孔径雷达（SAR）具有全天候、全天时成像能力，其主动微波信号可穿透云层，为时间序列动态水监测和洪水识别提供连续高质量数据。然而，SAR影像固有的复杂地形信息和斑噪噪声仍制约着水体分割任务的精度和鲁棒性。现有深度学习模型在SAR影像水体提取中面临小型水体检测不完整、水体与阴影区域混淆等问题。为此，研究人员开展了本研究，旨在开发一种改进的深度学习框架，增强SAR影像中空间和语义特征的表征能力，从而提高水体提取精度。
**研究目的**
本研究的主要贡献包括：（1）开发CA-U-HRNet模型用于SAR水体提取，通过将坐标注意力机制嵌入U形高分辨率网络，增强空间-通道交互，更有效地表征水体在SAR影像中的结构和纹理特征；（2）将CA-U-HRNet应用于时间序列Sentinel-1 SAR数据，监测鄱阳湖地区近十年开放水域范围，开展多尺度时空分析，探讨不同水文条件下（低水期、高水期、年内变化、年际波动）的开放水域范围变化；（3）进一步分析开放水域动态与关键气候因子（降水和温度）的关系，揭示其对鄱阳湖地区水文变化的影响。该论文发表在《International Journal of Digital Earth》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：（1）基于Sentinel-1 SAR数据，获取2015年至2025年每月一景影像，涵盖VV极化后向散射系数图，经辐射定标、斑噪滤波和地形校正等预处理，构建时间序列数据集；（2）构建CA-U-HRNet模型，以轻量级U-HRNet-W18-Small为骨干网络，在第2、3、4阶段特征输出中引入坐标注意力（CA）模块，增强空间信息表达，并融合高层特征；（3）数据集构建方面，使用一幅覆盖研究区的Sentinel-1 SAR影像和三景来自公开S1S2-Water数据集（Wieland et al. 2024）的影像，经裁剪为512×512像素图块并人工标注水体掩膜，共3177张图像，按7:3随机划分为训练集（2223张）和测试集（954张）；（4）实验平台采用PyTorch框架，设置训练轮次100、批次大小4、随机梯度下降（SGD）优化器（动量0.9，权重衰减1e-4），学习率在1e-5至1e-3之间动态调整。
**研究结果**
**模型测试结果与分析**
为评估坐标注意力机制的有效性，将CA-U-HRNet与U-Net、DeepLabV3+、PSPNet和OARENet进行对比。定性结果（图6）显示，CA-U-HRNet能有效保留高分辨率边界和细节信息，同时捕捉全局上下文特征，在复杂环境中更好地区分水体与低后向散射地物。例如，在湖泊和窄河道区域，U-Net分割结果过于粗糙，DeepLabV3+和PSPNet存在明显漏检；在城区河流区域，U-Net和DeepLabV3+受建筑物阴影影响严重，边界误分类显著，而CA-U-HRNet能有效区分船只、桥梁、岛屿等小型结构，对城市阴影和高反射干扰最不敏感。定量结果（表2）表明，CA-U-HRNet在所有指标上均最优：mIoU达93.72%，FWIoU（频率加权交并比）为94.26%，mPA（平均像素精度）为95.75%，mPrecision（平均精度）为97.66%。与U-Net、PSPNet、DeepLabV3+相比，mIoU分别提升5.28%、3.89%、3.25%；与OARENet相比，mIoU、FWIoU、mPA和mPrecision分别提升1.26%、1.33%、0.47%和0.96%。在效率方面，CA-U-HRNet训练时间为2小时36分钟，单景提取时间33秒，优于OARENet（训练3小时55分钟，提取51秒）和DeepLabV3+（3小时28分/51秒），实现了精度与效率的良好平衡。
**消融实验**
为验证各组件贡献，以原始U-HRNet为基线，引入CA模块（图7）。定性对比显示，CA-U-HRNet能更好地保留水体边界，减少小型水体漏检，尤其在阴影和斑噪影响下优势明显。定量结果（表3）表明，引入CA模块后，mIoU提升2.55%，mPA提升0.28%，mPrecision提升2.43%。尽管训练时间增加约7分钟，推理时间增加约2秒，但该计算成本主要来自注意力机制的额外操作，模型在精度提升上取得了显著收益。
**鄱阳湖地区近十年开放水域范围统计**
基于优化后的CA-U-HRNet模型，利用时间序列Sentinel-1 SAR数据（每月一景，2015-2025年）进行长时序监测。高水期（4-10月，图8）分析表明，开放水域范围呈现显著季节性波动：最大面积出现在2020年7月（4859 km2），最小在2018年10月（1889 km2）。除2023年外，高水期水体演化规律一致：4-5月逐渐扩张，6-8月达到峰值，9-10月因降雨减少和长江来水减退而回落。2016年高水期提前，4-8月平均面积超过4301 km2。低水期（11月-次年3月，图9）分析显示，开放水域面积总体呈下降趋势：最小值出现在2022年11月（1531 km2），最大值在2019年3月（3711 km2）。2022-2023年和2024-2025年低水期平均面积低于2000 km2，主要因五大支流来水减少和长江干流河道水位退却。年际统计（表4）表明，2015-2024年年均开放水域面积呈波动下降趋势，2016年最大（3360.17 km2），2023年最小（2534.33 km2）；2015、2016、2020年为丰水年，2018和2023年为枯水年。年内统计（表5）显示，开放水域面积从1-3月缓慢增加（2245.60→2857.30 km2，月增约305.85 km2），3-4月增速加快（月增564.10 km2），4-8月维持在3400 km2以上，标准差显示9-10月变异最大，12月-次年1月变异最小。
**鄱阳湖地区时空变化分析**
动态变化分析（图10）显示，年度最大覆盖状态下，大部分淹没区域相互连接形成连续水体；最小覆盖状态下，开放水域高度破碎，仅剩狭窄南北水道和少量残余水体。2020年极端洪水事件中，西南部区域因盆地平均海拔低于30 m而显著扩张。年度最大与最小面积比在1.88（2018年）至2.71（2024年）之间。淹没频率分析（图11）表明，高淹没频率区域集中在中央河道、邻近洪泛区、入湖河流及南部和东部小型湖泊，这些区域几乎全年被水覆盖；随着距主河道距离增加，淹没频率逐渐降低，外围多为季节性水体（黄色区域）；部分耕地淹没频率极低（约0.83%），可能与2020年极端洪水和水田分类误差有关。年际淹没频率统计（图12）显示，2020年整体淹没频率最高，其次为2016年和2021年。
**驱动力分析**
降水分析（图13）显示，近十年降水总体呈下降趋势，最大月降雨量出现在2020年7月（605.37 mm），最小在2022年9月（0.73 mm）。降水量与开放水域面积的月变化高度一致，月尺度Pearson相关系数为0.64（p<0.001），呈显著正相关（图14a）。温度分析（图14b）显示，月尺度上温度与开放水域面积呈显著正相关（r=0.64），但年尺度上呈负相关（r=-0.48，p>0.01），表明温度主要反映季节性变率而非长期驱动因子。
**讨论与结论**
**讨论部分**：研究存在一定局限性。训练样本来源于一幅代表性Sentinel-1 SAR影像，虽包含多种地表类型有助于提高泛化能力，但应用于长期时间序列数据时，环境条件变化（如季节变化和土地覆盖动态）可能影响SAR后向散射特性，引入不确定性。由于Sentinel-1数据传感器特性和采集模式一致，模型在不同时期可保持相对稳定性能，提取的时间序列结果显示出总体一致的变化模式，表明该模型适用于鄱阳湖地区开放水域长期监测。另一局限是仅使用VV极化作为输入，未来可加入VH极化、极化比值和纹理特征等，以进一步提高水体与雷达阴影的区分能力及小型水体检测效果。
**结论部分**：针对SAR影像中水体提取不完整及水体与阴影混淆的问题，本研究提出集成坐标注意力机制的水体提取模型CA-U-HRNet，并将其应用于鄱阳湖地区开放水域范围的时间序列分析。主要发现如下：（1）CA-U-HRNet在SAR影像上达到mIoU 93.27%、mPA 95.75%、mPrecision 97.66%，相比原始U-HRNet分别提升2.55%、0.28%和2.43%；在湖泊、窄河道、水库、水田和城市水体等多种水体类型上均表现出优异的提取性能和鲁棒性。（2）基于近十年遥感监测，鄱阳湖地区2015、2016、2020年（丰水年）平均开放水域面积超过3300 km2，2018和2023年（枯水年）低于2700 km2；湖泊中央河道、周边平原、湖泊、水库和入湖河流表现出高淹没频率，全年大部分时间被淹没，而远离主河道的区域淹没频率较低，季节性水体在低水期常干涸成泥滩或草地。（3）在驱动因素分析中，开放水域面积与年均温度呈负相关（r=-0.48），但未达到统计显著水平；而与降水量呈显著正相关（r=0.64）。本研究为基于SAR影像的精确水体提取和时间序列监测提供了稳健的方法框架，为大型洪泛区开放水域系统动态提供了新见解。未来工作将聚焦于将该方法扩展到多传感器和多时相数据集，以增强模型适应性，支持更精确的水资源管理。
