摘要
在那些水文状况复杂且陆水过渡带存在光谱不确定性的河流-水库监测系统中，要准确划分地表水体范围仍然是一项艰巨任务，这往往会导致大型水体的分类出现重大误差。本研究开发了一种概率集成技术，将深度迁移学习与1000次基于蒙特卡洛方法的改进归一化差异水指数计算相结合，以此提升坎吉水库以及跨境尼日尔河在动态水流条件下的水体划分精度。研究人员使用1562幅7波段的Landsat 8/9卫星反射影像，通过80/20的比例进行训练集和验证集划分，训练出了6种基于不同核心网络的图像分割模型。其中U形残差网络表现出最稳定的收敛性及最高的性能，随后该网络与1000次蒙特卡洛-MNDWI计算结果相结合，通过像素级最大概率规则，在2019年至2024年间用于水库边界划分，并能在复杂的汇流条件下检测洪水事件。最终形成的UResNetMNDWI集成模型在各项评估指标上的分类性能均优于其他七种分类方法，其准确率在0.92到0.99之间，误检率低于2%。通过对5000个重采样数据进行自举不确定性分析，进一步证实了该集成模型预测结果的统计可靠性。该模型还识别出了穆加塔雷岛和伊努古定居点等洪水高发区域，显示出在实际洪水监测应用中的巨大潜力。
