在多源遥感洪水淹没范围绘制中，通过自适应地形约束学习实现分割精度与水文合理性的平衡

《Journal of Hydrology》：Balancing segmentation accuracy and hydrological plausibility in multi-source remote sensing flood inundation mapping with adaptive terrain-constrained learning

　　摘要：基于遥感的洪水淹没范围绘制通常被视为一种语义分割任务，并通过像素重叠目标来优化。然而，洪水蔓延实际上也是一个受地形影响的空间过程，以准确性为目标的模型可能会产生局部不合理的结果，比如下游区域的不连续性、陡坡上的误判，以及低洼地区淹没情况的遗漏。本研究将洪水淹没范围绘制视为一个多目标问题，需要在基于图像的分割精度与符合地形水文特征的合理性之间取得平衡。我们提出了一种自适应的地形约束学习框架，在统一的U-Net架构中动态协调像素监督、区域重叠、边界优化以及基于数字高程模型的地形一致性约束。这些地形约束并非用于模拟水动力过程，而是作为轻量级的软约束，用以减少离散洪水概率图中的地形不合理现象。在Sen1Floods11数据集上进行的跨区域10折验证表明，可靠的多源观测能力是实施地形约束优化的前提。在完整的SAR-光学-地形数据输入条件下，固定的地形约束损失虽然减少了水流方向的错误，但却降低了F1分数和IoU值，体现了精度与合理性之间的权衡。相比之下，所提出的自适应动态策略取得了最佳的整体分割效果，F1分数为0.864，IoU值为0.761，同时降低了陡坡区域的误判率，并较好地恢复了低洼地区的洪水情况。这些结果表明，当地形相关的水文先验作为自适应软约束引入时，能够有效规范基于图像的洪水预测，而不至于主导预测结果，从而减少与基本地形逻辑相矛盾的局部预测模式。

引言：洪水是全球范围内最常见且最具破坏性的自然灾害之一，会给人类生命、基础设施、农业生产以及区域经济带来巨大损失。在全球气候变化背景下，极端降水强度和洪水灾害的影响预计都会加剧（Hirabayashi等人，2013；Tabari，2020）。因此，快速、可靠且空间覆盖完整的洪水淹没地图对于应急响应、灾后评估以及长期风险管理而言至关重要（Najibi和Devineni，2018；Tellman等人，2021）。尽管实地调查和监测站数据能够提供准确的局部信息，但在极端洪水事件中，尤其是在交通受阻或监测网络稀疏的地区，其空间覆盖范围和时效性往往受到限制（Alsdorf等人，2007；Schumann和Moller，2015；Sheffield等人，2018）。相比之下，卫星遥感能够提供大范围、可重复且空间连续的观测数据，已成为洪水检测和淹没范围绘制的核心数据来源（Bentivoglio等人，2022；Horritt，2006；Iqbal等人，2021；Merwade等人，2008）。然而，随着应用需求从快速检测转向决策支持，人们越来越期望洪水地图不仅能识别出被淹没的像素，还能生成准确、连贯且符合物理规律的空间化地图（Bentivoglio等人，2023；Tellman等人，2021）。

光学和SAR观测数据可以互补提供洪水相关信息，但这种互补主要提升的是洪水的可观测性，而非水文合理性。光学影像及其衍生的水指数通过可见光、近红外和短波红外波段的光谱对比度，增强水体与背景的分离度，而SAR则能提供结构信息和后向散射信息，在多云或降雨条件下依然具有重要价值（McFeeters，1996；Xu，2006；Feyisa等人，2014；DeVries等人，2020；Amitrano等人，2024）。先前的研究已经表明，相比单一传感器数据，SAR与光学数据的融合能够提升洪水映射的性能（Konapala等人，2021；Mu?oz等人，2021；Shastry等人，2023）。然而，仅提高可观测性并不能保证生成的洪水地图在空间上是连贯的，或者符合由地形决定的洪水分布规律（Bentivoglio等人，2022；Bentivoglio等人，2023）。

深度学习模型，尤其是像U-Net这样的编解码器架构，因能够结合语义抽象与空间细节恢复功能，已被广泛用于基于遥感的洪水分割任务（Ronneberger等人，2015；Bentivoglio等人，2022；Wang等人，2022；Wieland等人，2023）。不过，这类模型的优化目前仍主要以重叠为导向的损失函数为主，包括BCE、Dice、Focal和Tversky损失函数，这类函数主要奖励模型结果与参考掩模在像素级或区域层面的匹配程度（Milletari等人，2016；Salehi等人，2017；Lin等人，2017；Yeung等人，2022）。虽然这类重叠导向的目标有助于提升F1分数和IoU值，但它们并不能有效惩罚那些由地形梯度、坡度条件或潜在排水方向所导致的局部不合理洪水分布模式（Mosinska等人，2018；Hu等人，2019；Willard等人，2022）。近期一些基于物理原理的洪水映射研究开始将多源地形信息或水动力模拟纳入深度学习框架中，进一步表明了将洪水分割与物理或水文约束相结合的迫切需求（Zhou等人，2025；Li等人，2026）。

洪水淹没范围既不是空间上独立的，也不是随机分布的。它的范围和空间分布格局是由地形梯度、排水路径、低洼地区的蓄水条件以及水文连通性共同决定的（Bates和De Roo，2000；Bracken和Croke，2007；Bracken等人，2013；Nobre等人，2011；Teng等人，2017）。因此，仅以像素级重叠为优化目标的模型，仍然可能产生不符合水文规律的预测结果，比如在陡坡上出现虚假的淹没区域、沿潜在下流方向出现不连续现象、与当地地形不符的孤立水体，或是无法完整反映低洼地区的淹没情况。近期关于洪水地图不确定性、概率映射以及基于物理原理的学习的研究进一步表明，评估洪水地图的质量不仅要看整体重叠指标，还要看其预测的空间分布是否与基本的水文逻辑相一致（Hertel等人，2023；Bentivoglio等人，2023；Willard等人，2022）。

地形变量与基于图像的洪水证据发挥着不同的作用。数字高程模型和坡度数据能够描述影响水体汇聚、储存和扩散的地形条件，从而帮助确定洪水更可能发生或持续的区域（Bates和De Roo，2000；Noble等人，2011；Teng等人，2017；Johnson等人，2019）。不过，与SAR后向散射信号或光学水指数不同，地形变量无法直接检测水体的存在。光学指数是利用水体与非水体表面之间的光谱差异，而SAR后向散射则与表面粗糙度、结构以及与水分相关的散射条件有关（McFeeters，1996；Xu，2006；Feyisa等人，2014；Schumann和Moller，2015；DeVries等人，2020；Amitrano等人，2024）。因此，在本研究中，数字高程模型和坡度数据主要被视为地形控制信息和软约束机制，而非主要的区分水体的特征。它们的作用效果取决于是否已经从SAR和光学数据中获得了可靠的洪水证据（Konapala等人，2021；Fereshtehpour等人，2024）。

现有的洪水映射研究通常通过两种途径引入额外信息。一种途径是通过多源数据融合，结合SAR、光学数据、光谱指数以及地形相关数据，提升洪水的可观测性（Bentivoglio等人，2022；Konapala等人，2021；Mu?oz等人，2021；Shastry等人，2023）。另一种途径则是将地形或物理先验条件纳入优化目标中，以此减少那些与基本水文逻辑相悖的空间分布模式（Karpatne等人，2017；Willard等人，2022；Donnelly等人，2024；Zhou等人，2025；Li等人，2026）。这两种途径分别从不同角度解决洪水映射问题：输入端的丰富化决定了模型能够获取哪些洪水相关信息，而优化端的约束则影响着模型在预测过程中如何平衡图像信息与地形规律之间的关系。

因此，核心挑战并非简单地决定是否要引入更多数据源或更强的地形先验，而是在学习过程中如何协调基于图像的洪水证据与来自地形的水文约束。在基于遥感的离散洪水分割任务中，模型输出的是概率地图或二值掩模，而实际的淹没分布则受连续的地形梯度、排水路径、局部蓄水条件以及空间连通性共同影响（Bates和De Roo，2000；Bracken和Croke，2007；Bracken等人，2013；Noble等人，2011；Teng等人，2017）。固定的地形约束虽然能够减少局部不合理的预测结果，但也可能抑制语义区分能力，导致洪水边界过度平滑，或促使模型形成过强的空间连通性（Mosinska等人，2018；Hu等人，2019；Willard等人，2022；Donnelly等人，2024）。这就形成了精度与合理性之间的权衡，而当洪水地图需要为水文分析和决策提供支持时，这一权衡尤为重要。

为了解决这一问题，本研究开发了一种自适应的地形约束多目标学习框架，用于基于多源遥感数据绘制洪水淹没范围地图。该框架的核心假设是，地形相关的水文先验应作为自适应的软约束，其影响力会随着模型的学习进程而变化，而非在整个训练过程中统一施加固定惩罚。这一假设与多任务和多目标学习研究的结果一致，即当不同目标在规模、收敛行为以及优化难度上存在差异时，固定的损失权重往往难以达到最优效果（Kendall等人，2018；Chen等人，2018；Sener和Koltun，2018；Liu等人，2019）。具体而言，本研究旨在：（1）为基于地形约束的洪水映射建立可靠的多源可观测性基准；（2）量化固定地形一致性约束所带来的精度与合理性之间的权衡；（3）评估所提出的自适应动态加权策略是否能够更好地协调分割精度、边界完整性以及局部地形水文合理性。

本研究的主要贡献有三点。首先，我们将多源洪水淹没范围绘制问题视为在基于图像的分割精度与基于数字高程模型的地形水文合理性之间寻求平衡的问题，而非纯粹由像素重叠驱动的语义分割任务。这种表述方式将洪水的可观测性、边界完整性以及局部地形一致性明确地联系在同一个学习框架之中。在该框架中，数字高程模型提供的地形信息并非用于替代水力或水动力学洪水建模方法，而是作为局部地形控制约束，用于识别和纠正离散洪水概率图中的地形不合理现象。其次，我们提出了一种自适应动态的地形约束损失函数，能够在训练过程中动态调整像素监督、区域重叠、边界优化以及地形一致性约束之间的相对重要性。与固定的地形惩罚不同，所提出的策略将下流方向的概率连续性、陡坡区域的抑制以及低洼地区的洪水恢复视为自适应的软约束，其影响力会根据训练阶段、损失函数的当前状态以及地形不一致程度的不同而变化。第三，我们通过可控的跨区域实验表明，固定地形约束虽然能够提升局部地形一致性，但会以降低分割精度为代价，而自适应协调策略则能实现更理想的精度与合理性平衡。此外，我们还通过特征组合实验建立了可靠的多源可观测性基准，并明确了地形变量所起的辅助作用，而非将其视为核心贡献。

数据与预处理：本研究采用公开可用的Sen1Floods11数据集作为实验数据来源（Bonafilia等人，2020；Konapala等人，2021）。该数据集包含446个配准后的图像瓦片，空间分辨率为10米，每块图像的尺寸为512×512像素，涵盖了11个国家和地区的洪水事件，反映了多种不同的地理环境及洪水场景特征（见图1）。对于每一个样本，都包含了对应的Sentinel-1 SAR影像、Sentinel-2光学影像以及相关数据。

建立可靠的多源可观测性基准：为了评估基于地形约束的优化效果，我们采用了特征组合实验来建立可靠的可观测性基准。由于本研究的核心在于实现分割目标与地形一致性目标之间的自适应协调，正文中仅介绍了具有代表性的输入配置，而27种组合下的全部实验结果则列于补充表S6中。代表性结果汇总于表2中，并在图5中进行了可视化展示。

结果：在考虑地形因素的洪水分割任务中，存在精度与合理性之间的权衡。所提出框架的水文优势在于利用基于数字高程模型的局部地形控制信息，来识别并适度修正那些不符合地形规律的洪水预测结果，而非取代传统的水力或水动力学洪水建模方法。在该框架下，实验结果清楚地显示出了在考虑地形因素的洪水分割任务中，精度与合理性之间存在明显的权衡——提升局部地形一致性并不必然能带来更高的分割精度。

固定地形约束损失函数

结论：本研究开发了一种自适应的地形约束多目标学习框架，用于在多源遥感洪水淹没范围绘制任务中，实现分割精度与地形水文合理性之间的平衡。该框架将基于图像的洪水可观测性、边界优化以及基于数字高程模型的局部地形一致性约束整合在统一的训练策略之中。实验结果表明，可靠的多源可观测性是实现有效地形约束优化的必要前提。

CRediT作者贡献说明：Tan Yuping：写作——审稿与编辑、写作——初稿撰写、可视化、软件工具、方法论、形式分析、数据整理、概念构建。Wang Guoqiang：验证、监督、资源协调、项目管理、方法论、研究实施、资金获取、概念构建。A. Yinglan：监督、研究实施、数据整理。Xue Baolin：验证、监督、研究实施、数据整理。Wu Jin：研究实施、数据整理。王云涛：研究经费支持本项工作部分得到了中国国家杰出青年科学基金（编号52125901）、国家自然科学基金重点项目（编号52339002）以及中国教育部基础学科拔尖计划（JYB2025XDXM905）的资助。利益冲突声明作者声明不存在任何可能影响本文所述研究的已知财务利益或个人关系。谭玉平|王国强|A.英兰|薛宝林|吴金|王云涛|王桥