基于弱信息动态感知的遥感水体提取方法

《Remote Sensing Letters》：Remote sensing water body extraction method based on weak information dynamic perception

　　

摘要

作为遥感图像分析中的一项核心任务，水体提取对于生态监测、洪水预警和水资源管理至关重要。近年来，基于人工智能的遥感水体特征提取方法取得了显著进展，但在弱信息场景（多尺度小水体、边界模糊、表征受限）下仍面临挑战。本文提出了一种数据驱动的弱信息动态感知网络（Data-driven Weak Information Dynamic Perception Network, DWIDP-Net），用于高精度多尺度水体提取。该网络采用数据驱动、记忆耦合的多尺度框架，整合了Transformer的全局语义建模能力与MobileNet-v2的轻量级局部特征提取能力，以适应复杂的水体形态。研究设计了两个关键模块：多模态特征对齐模块（Multi-Modal Feature Alignment Module, MAM，通过掩码引导的残差重构优化跨尺度一致性）和弱信息引导特征增强方法（Weak Information-Guided Feature Enhancement Method, WIGFEM，利用梯度敏感掩码与级联融合解决特征退化问题）。在WaterFormer和LoveDA_Water数据集上的实验表明，DWIDP-Net实现了IoU（96.16%/78.27%）和召回率（Recall）（97.45%/86.23%），在召回率上超越主流模型1.06%–20.43%，在IoU上超越1.12%–15.81%，为洪水监测和水资源管理提供了技术支撑。

**基于弱信息动态感知的遥感水体提取方法：DWIDP-Net的提出与验证**

**一、研究背景与问题提出**

水资源是维持生态平衡、支撑社会经济发展和调节气候的关键自然资源。遥感影像凭借其宽空间覆盖、高重访频率和强实时性等优势，已成为水体监测的主要数据源，并广泛应用于长期水质监测和水体参数反演等领域。在遥感影像分析中，水体提取是一项核心任务，其精度直接影响生态监测、洪水预警和水资源管理的有效性。

然而，实际应用中水体提取面临严峻的"弱信息"挑战，具体表现为：小型水体面积占比小、水体边界模糊、阴影/云层干扰、低对比度区域以及混合像元等现象普遍存在。在这些条件下，水体往往呈现光谱-空间特征不清晰、边界混淆和空间结构破碎等特点，容易导致水体提取中的漏检和误分类错误。

现有水体提取方法可大致分为四类：基于光谱指数的方法、基于阈值的方法、机器学习方法和深度学习方法。传统方法过度依赖手工设计特征，对复杂背景和环境干扰敏感。近年来，深度学习方法凭借强大的特征学习能力显著提升了提取性能。具体而言，基于卷积神经网络（Convolutional Neural Network, CNN）的方法能有效捕获局部空间特征，但难以建模长距离依赖关系；基于Transformer的方法可通过自注意力机制捕获全局上下文信息，但在处理高分辨率遥感影像时计算成本过高。近期出现的频域增强和去噪引导方法（如FSSFFormer和FreDNet）虽然进一步推进了遥感图像分割的发展，但这些方法在弱信息感知、多尺度水体适应性和退化条件下的特征恢复方面仍存在局限。

因此，如何在保证计算效率的前提下，平衡全局语义建模与局部细节表征，并有效应对弱信息场景下的特征退化问题，仍是当前遥感水体提取领域的关键挑战。

**二、研究内容与核心贡献**

针对上述问题，研究人员提出了一种数据驱动的弱信息动态感知网络（Data-driven Weak Information Dynamic Perception Network, DWIDP-Net），用于复杂场景下的高精度水体提取。该方法的核心贡献包括三个方面：其一，设计了一种并行语义特征融合框架，由轻量级卷积分支和轴向稀疏注意力分支组成，实现局部细节与全局语义表示的高效协同；其二，引入动态多模态特征对齐模块（Multi-Modal Feature Alignment Module, MAM），在语义特征与空间上下文之间建立自适应映射，提升跨尺度特征一致性；其三，提出多级特征补偿策略，整合基于记忆的补偿和梯度敏感增强，逐步恢复退化的弱信息区域并重建完整的水体拓扑结构。

**三、关键技术方法概述**

DWIDP-Net采用双分支并行架构：Transformer分支负责全局语义建模，MobileNet-v2分支负责轻量级局部特征提取。核心模块包括：多模态特征对齐模块（MAM），通过掩码引导选择和残差重构实现跨尺度语义与空间特征对齐；弱信息引导级联增强模块（Weak Information-guided Cascaded Enhancement Module, WICEM），结合梯度敏感掩码与级联多尺度融合增强低置信度水体区域。此外，轴向稀疏注意力机制将二维注意力分解为水平轴与垂直轴分别计算，在降低计算复杂度的同时保证全局依赖捕获。实验在两个数据集上进行：WaterFormer数据集（源于Landsat-8 OLI和Sentinel-2 MSI的6个水敏感波段，共2,437张标注影像）和LoveDA_Water数据集（源于高分二号（GF-2）卫星影像，经Gram–Schmidt融合处理，分辨率0.3–0.5 m，共8,538个512×512影像块）。

**四、实验结果与分析**

**（一）对比实验结果**

在WaterFormer数据集上，DWIDP-Net在所有评估指标上均取得最优性能。与次优模型UNetFormer相比，IoU和召回率（Recall）分别提升0.89%和0.83%；与Sam2-UNet相比，提升幅度分别达到1.12%和1.25%。在更具挑战性的LoveDA_Water数据集上，DWIDP-Net在IoU、召回率和总体精度（Overall Accuracy, OA）上分别超越UNetFormer达1.19%、1.88%和0.22%，超越Sam2-UNet达1.91%、1.06%和0.40%。可视化结果表明，基线模型存在不同程度的分割误差——U-Net因全局上下文建模不足而出现严重的漏检，DeepLabV3+虽通过空洞卷积扩大了感受野，但对小水体的检测仍存在遗漏。

**（二）消融实验结果**

在WaterFormer数据集上的消融实验验证了各关键组件的有效性。基线模型IoU为93.92%，召回率为95.60%。引入双分支架构后，IoU和召回率分别提升至94.77%和96.28%，表明全局语义特征与局部细节表征的融合有效改善了水体区域连续性。进一步加入MAM后，IoU和召回率提升至95.35%和96.73%，证明MAM增强了跨尺度特征对齐能力。在双分支框架中引入WICEM后，模型F1分数达97.72%，IoU为95.54%，精确率（Precision）为98.47%，召回率为96.98%，OA为99.02%。完整DWIDP-Net取得最佳综合性能，F1、IoU、精确率、召回率和OA分别达到98.04%、96.16%、98.64%、97.45%和99.13%，相比基线模型IoU和召回率分别提升2.24%和1.85%。

**五、讨论与结论**

讨论部分指出，DWIDP-Net通过记忆耦合的多尺度感知与多模态特征对齐机制，有效抑制了复杂背景干扰并减少了小目标漏检。在植被遮挡等复杂低对比度场景下，DWIDP-Net仍能保持准确分割，生成更完整的水体区域和更平滑的边界，展现出较强的鲁棒性。

研究结论表明，为应对遥感图像弱信息条件下（小水体、模糊边界、阴影/云层干扰、低对比度区域和混合像元）的水体提取挑战，本研究提出的DWIDP-Net通过整合Transformer全局语义建模与轻量级CNN局部特征提取，构建了双分支架构，实现多级特征交互以增强上下文-细粒度特征协同。MAM的掩码引导机制和残差重构实现了跨尺度特征对齐，抑制了混合像元边界模糊；WICEM的梯度敏感掩码与级联融合有效重建了低对比度水体拓扑结构（复杂场景下召回率达86.23%）。实验证明DWIDP-Net具有显著优越性：在WaterFormer数据集上IoU达96.16%，在LoveDA_Water数据集上达78.27%，边界IoU超越主流模型1.12%–15.81%，验证了其在小水体分割和异质边界分割方面的优势。未来工作将优化MAM在复杂环境中的稳定性，并探索少样本迁移学习以减少对标注数据的依赖。