基于小样本学习方法的卫星反演水库溶解氧：2018年至2025年的多年验证

《Remote Sensing Applications: Society and Environment》：Satellite-based retrieval of reservoir dissolved oxygen using a few-shot learning approach: Multi-year validation from 2018 to 2025

　　

摘要

从卫星图像中获取非光学活性的水质参数仍然具有挑战性。这些变量缺乏明确且可直接解释的光谱特征。然而，它们通常需要大量的标注数据集。本研究提出了一种名为LFAB-DeepBDC的少样本度量学习框架，用于连续溶解氧（DO）的获取。该框架集成了局部特征增强模块（LFAB）以增强局部特征表示，并采用深度布朗距离协方差（DeepBDC）来捕捉通道间的二阶依赖关系。此外，还引入了原型加权回归机制，将度量相似度映射为连续的DO估计值。实验采用Sentinel-2图像，结合中国32个水库的现场观测数据进行验证，并采用了严格的时间划分方式。所有训练样本均采集于2025年1月1日之前，而所有测试样本均采集于此之后。LFAB-DeepBDC consistently优于DN4和经验基线方法，相对误差通常低于3%，在某些情况下实现了亚百分比的相对误差。大霍水库（2018–2025）的长期案例研究进一步表明，该模型在不同季节条件下表现出稳定的获取效果，并在突发热力和水文扰动期间仍保持可靠的性能。结果表明，LFAB-DeepBDC为动态环境条件下的卫星DO监测提供了一项实用且数据高效的解决方案。

引言

随着环境污染的加剧和水资源的匮乏，对淡水水质进行高频监测和评估已成为生态保护中的关键任务。水质监测通常采用两种方法：基于现场测量的监测方法和基于卫星遥感的反演方法（Deng et al., 2024）。前者依赖于现场采样和测量，具有较高的精度，但存在运行成本高、效率低、空间覆盖有限和时间分辨率不足等缺点（Yang et al., 2022, Schaeffer et al., 2013）。相比之下，后者通过建立卫星观测数据与现场测量数据之间的反演模型，从而实现对水质参数的大范围获取（Cai et al., 2023）。得益于其高效性、广泛的空间覆盖和高时间分辨率，基于遥感的反演方法为传统水质参数监测提供了有效的补充（J. Li et al., 2020, Malahlela, 2019, Karthick et al., 2024, Cai et al., 2022）。从遥感角度来看，水质参数可根据其与太阳辐射的相互作用被大致分为光学活性变量和非光学活性变量（Odermatt et al., 2012, Dekker et al., 2011, Guo et al., 2021, Ngamile et al., 2025）。光学活性参数，如叶绿素-a（Yu et al., 2026, Neil et al., 2019, Fang et al., 2024）、悬浮颗粒物（Zhao et al., 2018）和有色溶解有机物（Pitta and Zeri, 2021），通过吸收和散射过程直接影响水体出射辐亮度。因此，这些参数可以利用基于物理的生光模型或半解析模型进行获取（Du et al., 2020, Borges et al., 2019, Niu et al., 2024）。相比之下，非光学活性参数在可见光和近红外光谱中不表现出直接的光学敏感性，这使得它们在辐射传输框架中无法被显式表达，从而需要采用其他反演策略（Deng et al., 2025, Duan et al., 2025）。尽管如此，此类参数可以通过利用其与光学活性组分及相关生物地球化学过程之间的统计关联，从卫星遥感数据中间接估算。本研究的主要关注对象是溶解氧（DO）。DO在可见光和近红外光谱中没有直接的光学特征，因此无法使用基于辐射传输的生光解析模型进行物理获取。然而，DO与影响水体出射反射率的光学活性组分和生物地球化学过程密切相关，这使得利用经验方法或数据驱动方法从多光谱卫星图像中对其进行间接估算成为可能（Kim et al., 2020）。

从方法论角度来看，利用卫星遥感数据获取水质参数的研究已广泛采用经验方法、半经验方法和数据驱动方法（Li et al., 2012）。受篇幅限制，本研究重点关注经验方法和半经验方法，这些方法建立了遥感观测数据与现场测量数据之间的统计关系（Adjovu et al., 2023, Sun et al., 2022, Zhu et al., 2022, Yigit Avdan et al., 2019）。

经验方法代表此类方法中最直接的形式，通常构建遥感变量与同步采集的现场测量数据之间的回归关系（Zhou et al., 2022, Sun et al., 2023）。这些方法简单、计算高效且易于实现。然而，其适用范围通常局限于特定的水体，并且在不同地区或水型的环境条件变化时，其性能往往会下降（Wasehun et al., 2024, Isenstein and Park, 2014, WU et al., 2018）。

为了提高稳健性，半经验方法将基于水体光学特性先验知识选取的光谱特征或波段组合纳入统计建模框架中（Fang et al., 2021）。尽管这些方法在一定程度上整合了物理洞察与经验建模，并能取得相对稳定的性能，但其适用性仍然局限于特定的水体，且对季节变化较为敏感（Lymburner et al., 2016）。

近年来，卫星图像和现场水质观测数据的可获得性大幅增加。这一数据增长促使数据驱动模型在水质获取中得到应用。传统机器学习算法和神经网络架构在此方面均得到了探索（Mamun et al., 2019, He et al., 2025, Salah et al., 2023, Syariz et al., 2020）。

与依赖水体光学特性先验知识的物理模型不同，数据驱动方法利用大规模数据集进行统计学习，从而实现灵活的模式适配和预测。基于机器学习的方法可以改善获取性能，它们能够捕捉遥感观测与水质变量之间复杂且非线性的关系（Halecki et al., 2017, Zhang et al., 2025）。

传统机器学习方法依赖于人工设计的特征，不显式考虑空间结构。随机森林和支持向量机属于此类方法。当应用于未见过的条件时，其性能往往会下降。深度学习方法在一定程度上缓解了这些局限性，但仍面临实际挑战。在不利气象条件（如云覆盖和降雨）或复杂周边环境（如植被和建成区）下，高质量遥感图像的可用性通常会降低。在此类场景中，传统神经网络（如反向传播网络）容易过拟合，导致获取精度下降。

少样本学习（FSL）解决了标注数据有限的问题，已成为人工智能研究的一个重要方向。FSL的核心目标是仅使用有限数量的标注样本即可实现对新任务或新类别的快速泛化（Wang et al., 2020, Gharoun et al., 2024, Song et al., 2023）。FSL整合了元学习、度量学习和生成建模技术，在仅有少量标注样本可用时支持知识迁移，从而降低了对大规模训练数据集的依赖。

基于度量学习的方法尤为突出，它们学习判别性嵌入空间，使得同一类别的样本紧密聚集，而不同类别的样本则被充分分离。这有助于在数据稀缺的情况下仍保持强大的判别能力（Li et al., 2023, X. Li et al., 2020, Li and Tian, 2018）。在基于遥感的水质参数获取方面，这种方法使得即使仅有有限数量的标注样本，也能开发出精确的模型。

深度布朗距离协方差（DeepBDC）利用布朗距离协方差捕捉特征通道之间的非线性关系（Xie et al., 2022）。与一阶度量方法（如匹配网络和原型网络）相比，DeepBDC能够生成更具判别力的特征表示。然而，它仍存在两个关键局限性：

- 通过将空间维度展平为向量，模型丢失了空间结构和局部模式，这限制了其捕捉细粒度差异的能力。
- 此外，由于缺乏注意力机制，模型更容易受到背景噪声的影响。

因此，由于局部信息的丢失和背景噪声的影响，其性能可能会下降。为了解决这些局限性，我们在主干网络中引入了局部特征增强模块（LFAB）。LFAB采用双分支设计，将局部结构建模与全局注意力机制相结合，以增强特征表示：

- LFAB模块首先将输入特征图裁剪为不重叠的块，然后在局部区域内应用卷积操作以提取和强化关键空间特征。
- 它整合了通道注意力和空间注意力模块，以适应性地获取不同特征通道和空间位置的重要性。该机制使得模型能够关注信息丰富的区域并抑制无关的背景响应。

如图1所示，子图(a1)和(a2)展示了河南省百龟山水库中与现场水质采样点空间对齐的Sentinel-2图像块。相应的溶解氧（DO）浓度通过现场测量获得，分别为6.929 mg/L和9.575 mg/L。ResNet-12生成的特征图分别呈现在子图(b1)和(b2)中，而将LFAB整合到ResNet-12中后对应的结果则显示在子图(c1)和(c2)中。如子图(b1)和(b2)所示，由于特征激活相对分散，类间可分性较弱，因此两个特征图之间获得了0.6566的较高相似度分数。相比之下，(c1)和(c2)中的热力图表现出更加集中和显著的激活，特别是在中心区域，并伴有清晰的从中心到外围的梯度变化。(c1)和(c2)之间的相似度降低至0.5925，这表明类间判别能力得到了增强。这些结果表明，LFAB模块有效地强化了特征表示。

本研究的主要贡献总结如下：

1. 局部特征增强模块（LFAB）：我们提出了一种局部特征增强模块，将特征图划分为不重叠的块以进行局部卷积特征提取，并整合注意力机制。该策略实现了自适应地强调判别性区域并同时抑制背景噪声。

2. LFAB-DeepBDC框架：我们开发了一种少样本DO回归框架，通过将LFAB整合到DeepBDC架构中来联合建模全局二阶通道统计量和局部空间结构。该新框架在全局上下文表示和细粒度局部特征建模之间实现了有效的平衡。

3. 现场验证：利用地理多样化地区的多个水库采集的现场记录进行了精度验证。开展了为期八年的水库尺度DO获取时间序列实验。我们结合历史降水和温度数据，对跨多个季节的DO演变进行了分析。结果验证了基于有限样本的所提出框架的有效性和稳健性。

各章节摘要

基于遥感的水质参数获取

基于遥感的水质参数获取通常依赖于多光谱或高光谱图像以及现场记录。在这些监督数据集上建立回归模型，以估算经典参数，如DO、总磷（TP）和叶绿素-a（Chl-a）。Ruddick等人（2001）提出了一种适用于光学复杂Case 2水体的叶绿素-a获取方法。他们采用了一种自适应双波段算法，具有最优误差特性。该方法……（原文截断）

方法

本节介绍了所提出的LFAB-DeepBDC少样本DO获取框架的总体架构。DO估计作为典型的非光学活性参数，是本研究的关注对象，尽管所提出的框架是在水质参数获取的一般背景下构建的。LFAB-DeepBDC少样本分类框架将相应地进行适应性调整以实现连续的DO获取，因为它本质上是一个回归任务而非纯分类问题。

实验与分析

本节在两种互补设置下评估了LFAB-DeepBDC框架。首先，使用Sentinel-2图像结合多个水库的现场观测数据进行了少样本DO获取实验，以在严格的时间划分下评估时间泛化能力。随后，在mini-ImageNet和CUB-200-2011上进行了LFAB-DeepBDC的消融实验，以评估LFAB模块对DeepBDC度量学习架构的贡献。

结论

本研究提出了LFAB-DeepBDC，一种针对从多光谱Sentinel-2图像中连续获取溶解氧的少样本度量学习框架。该框架通过所提出的LFAB实现局部特征增强，通过DeepBDC实现二阶特征建模，并将集束式度量学习重新表述为原型加权回归以实现连续的DO估计。

实验采用了严格的时间划分方式。训练数据在2025年1月1日之前采集，……

CRediT作者贡献声明

Sun Sheng：写作—审阅与编辑，写作—初稿撰写，监督，方法论，形式分析，概念构思。Fan Peiyan：写作—审阅与编辑，验证。Yu Xu：写作—审阅与编辑，软件。Chen Pinghua：写作—审阅与编辑。Zhao Genping：写作—审阅与编辑，资金获取。

Changcai Yang：形式分析。
使用AI辅助工具声明
在本研究的准备过程中，作者使用了ChatGPT（OpenAI）来辅助进行语言编辑和句子润色。在使用该工具后，作者对内容进行了必要的审查和修改，并对已发表文章的内容承担全部责任。

伦理声明
本研究不涉及人类参与者、动物或个人数据。本研究所使用的全部数据均来自公开的卫星观测数据和环境监测记录。

利益冲突声明
作者声明不存在任何竞争性财务或非财务利益。

孙升 | 范沛岩 | 于旭 | 陈平华 | 赵根平 | 杨昌才
广东工业大学计算机科学与技术学院，中国广州 510006