《Frontiers in Environmental Science》:BCDL-C2Net: a cloud-collaborative deep learning framework for large-scale bank collapse detection in the Yangtze River
编辑推荐:
崩岸是冲积平原河流两岸普遍存在的自然现象,导致河道失稳及冲淤频繁变化,引发一系列经济、环境与社会问题,对可持续发展产生不利影响。传统崩岸巡查方法在范围与效率上受限,难以及时侦测隐患。利用卫星遥感影像,特别是中国高分(GAOFEN)与Sentinel-1数据,可
崩岸是冲积平原河流两岸普遍存在的自然现象,导致河道失稳及冲淤频繁变化,引发一系列经济、环境与社会问题,对可持续发展产生不利影响。传统崩岸巡查方法在范围与效率上受限,难以及时侦测隐患。利用卫星遥感影像,特别是中国高分(GAOFEN)与Sentinel-1数据,可为监测与预警提供重要支撑。为应对上述挑战,研究人员提出一种云协同深度学习框架,称为崩岸深度学习云协同网络(Bank Collapse Deep Learning Cloud-Collaborative Network, BCDL-C2Net),其将多源卫星遥感数据与Google Earth Engine(GEE)及Pixel Information Expert Engine(PIE-Engine)双云平台集成,以实现高效可扩展的崩岸检测。在BCDL-C2Net框架内,GEE用于基于改进归一化差分水体指数(Modified Normalized Difference Water Index, MNDWI)与Otsu阈值分割算法进行2004–2024年长时序大尺度岸线变化快速筛查;PIE-Engine则用于基于深度学习的典型崩岸事件精细化识别与验证。主要发现如下:(1)基于Landsat派生岸线变化,通过目视解译识别长度约2 km以上的连续崩岸带,其数量由2004–2010年左右两岸共15条增至2010–2015年左岸37条、右岸34条,2015年后显著减少,崩塌易发段主要分布在弯曲段、分汊河道及江心洲附近。(2)精细化识别结果表明,所提框架可识别小盘(Xiaopan)约100 m × 60 m及天子一号(Tianzi No.1)约80 m × 20 m代表性崩塌事件,对大于约60 m × 20 m的典型崩岸具有实用检测潜力。(3)通过GEE大尺度筛查与PIE-Engine基于GAOFEN和Sentinel-1的精细化识别耦合,BCDL-C2Net为业务化崩岸监测提供了分层技术路径。
研究背景方面,天然条件下冲积河流持续经历垂向冲淤与横向变形,崩岸作为横向变形的重要表现,受三峡水库拦沙及河床调整影响,在长江中下游日益凸显。其导致农田丧失、泥沙入河改变水沙动力并引发生态问题,传统人工巡查、船只测量与无人机摄影虽能获取局部细部,但劳动强度大、时空覆盖有限且复杂河况下安全性差,难以满足长江大尺度快速监测需求。卫星遥感虽提升地表水体监测能力,但传统桌面处理(如ENVI、ArcGIS)在流域级长时序分析中数据获取与计算负荷巨大。近年遥感云计算平台(GEE、Microsoft Planetary Computer、PIE-Engine)兴起,其中PIE-Engine适配中国国产资源与高分数据,然而单平台直接套用高分光学与深度学习做全干流像素级识别仍成本过高,高精度与小区域精细化之间存在固有权衡。为此,研究人员开展本研究,提出“宏观筛查—微观精识”分层云协同框架BCDL-C2Net,以兼顾效率与精度,成果发表于《Frontiers in Environmental Science》。
关键技术方法上,研究人员采用分层路线:在GEE平台选取2004、2010、2015、2019、2024年长江枯季(11–12月)云量低于20%的Landsat影像,以MNDWI结合Otsu阈值分割提取岸线,经矢量转化与目视解译判定≥约2 km连续崩岸带;针对典型事件(小盘30.1275°N, 114.0876°E,2021-12-18;天子一号29.6600°N, 112.9317°E,2023-11),在PIE-Engine引入事件前后无云GAOFEN-1/2光学与Sentinel-1A C波段GRD双极化SAR数据,调用内置DeepLabV3(GAOFEN多光谱水体样本)与DeepLabV3+(Sentinel-1 SAR样本)模型进行水陆边界提取,通过前—后时序边界突变与形态学解译锁定崩塌范围。
研究结果部分,首先见“基于Landsat的崩岸时空分布格局与监测局限”:长江中下游1893 km干流分析显示,连续崩岸带数量2004–2010年共15条,2010–2015年增至左37/右34条,2015年后锐减(2015–2019左4/右3;2019–2024左6/右8),易发段位于弯顶、分汊与江心洲头部及贴流侧;Landsat可抓大尺度退缩但小盘巢状边界呈锯齿、天子一号信号弱,印证中分辨率局限。其次“光学卫星影像(GAOFEN)”小节指出,GAOFEN-2 1 m全色较8 m多光谱细节丰度显著提升;小盘事件12月18日与30日对比显示Ω形(巢状)崩塌口小腹大、逐次楔入深槽后扩展渐稳;PIE-Engine下DeepLabV3提取边界平滑,可清晰反映月内岸线变化。再次“SAR卫星影像(Sentinel-1)”小节表明,Sentinel-1在云雨条件补盲,小盘处Ω形缺口与曲率突变可被红线性边界捕获,光学与SAR互补。随后“天子一号崩岸应用”小节显示,PIE-Engine从10月31日与11月7日Sentinel-1提取边界见局部退缩,GAOFEN序列佐证11月初始发并扩展;该事件80 m×20 m信号弱于小盘,证明框架对>约60 m×20 m典型崩岸具实用潜力,更小者受分辨率与提取不确定性影响易漏判。
讨论部分,研究人员指出传统水体指数(NDWI、MNDWI)受云影地形干扰,SAR阈值法受散斑与散射机制制约;DeepLabV3+之编码—解码与空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)可自动学习多级特征,但全河段深度学习算力不可承受,故“宏观传统指数+微观深度学习”并非简单折中而是面向业务的优化:GEE控量筛查、PIE-Engine聚焦关键段亚像素定位。双云协同破除2004–2024年Landsat干流存储计算瓶颈,点面结合增强结论严谨性;当前框架止步于识别与定位,未量化崩塌体积、未建时序预警,未来需融合地形、水文与高级时序模型。
结论部分翻译:本研究开发云协同框架BCDL-C2Net用于长江中下游崩岸检测,通过GEE-Landsat岸线分析与PIE-Engine-GAOFEN/Sentinel-1精识耦合,提供宏观筛查与事件级解译分层路线。GEE筛查揭示2004–2024年连续崩岸带时空变异:2010–2015年激增至左37/右34条,其后锐减,空间上聚于弯段、分汊与江心洲。精识结果成功识别小盘约100 m×60 m与天子一号约80 m×20 m事件,对>约60 m×20 m典型崩岸具实用潜力;小尺度崩塌、体积估算、水下地形与实时预警仍具挑战,未来将集成更高分辨率影像、地形与水文要素以支持定量化与业务预警。