点击蓝色字体 
关注我们
团队成员冯子恒等人在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发文"Refining Water Body Extraction by Remote Sensing with Deep Learning Models: Exploring Different Band Combinations"
研究背景：湖泊是地球上重要的淡水资源之一，占据着全球陆地面积的3%，在提供淡水和食物供应、生物栖息地、以及污染物和营养物质的循环方面发挥着至关重要的生态系统服务作用。准确提取湖泊范围以掌握其变化状态，是研究自然环境保护、生态恢复及土地覆盖变化的必要基础。近年来，遥感技术凭借其高时空分辨率和大范围覆盖能力，成为湖泊水体提取和动态监测的重要手段。利用遥感数据对陆地水体进行及时、大面积的监测，是保障人类和生态系统水资源安全的重要措施，同时为环境科学研究和管理提供了关键数据支持。由于现有研究在水体提取任务中存在传统方法对复杂环境适应性较差的问题，以及深度学习方法对不同波段组合影响研究不足的现状，本研究旨在探究不同哨兵2波段组合对Transformer模型在水体提取任务中的性能影响，为提升水体提取精度提供了新思路，还展示了该方法在干旱区复杂水体监测中的应用潜力，为相关领域的进一步研究奠定了理论和实践基础。
研究内容：本研究旨在探究不同哨兵2波段组合对Transformer模型在水体提取任务中的性能影响。具体目标包括：①构建针对新疆复杂地区的多波段数据集，以便充分反映该地区的水体特征和环境复杂性；②对比不同波段组合的提取效果，寻找最优的三波段组合，以最大化模型的提取精度和适应性；③将所提出的模型应用于新疆地区，验证其在大规模、自动化水体提取中的泛化能力。
训练和测试数据的空间分布。橙色框表示训练和验证数据，蓝色框表示测试数据。在训练和验证数据框中，圆圈的颜色表示样本的数量。数据的时间跨度均为2023年7月至9月，训练和验证集的比例为8:2。插图显示了青藏高原、北美和南美的位置，以测试本研究方法的可移植性。
训练数据处理流程。首先获得6波段的哨兵影像数据，之后对影像进行人工标注，最后输出为7个不同3波段组合的图像及对应的标签。这些组合除了波段不同外，其他条件均保持一致
湖泊提取网络结构
研究区域样本影像所在位置及波段组合可视化效果。图中展示了10景Sentinel-2影像的分布位置，并从中选取了八个样本进行展示。下方呈现了其中四个样本的标签（label）以及七种波段组合的可视化效果，以直观展示不同波段组合的表现差异。
不同波段组合的性能比较。a)水体类IoU随迭代次数的变化，b)训练过程中损失随迭代次数的变化
大型湖泊提取结果
小型湖泊与河流的提取结果
积雪区域误分类提取结果。红色框代表对积雪误分类的场景。
研究区域真彩色图像与湖泊提取结果的叠加，湖泊以半透明的红色标记
塔里木河流域（塔里木盆地）的分类结果对比：典型干旱区域
喀纳斯湖（新疆北部）的分类结果对比：典型高山湖泊环境
本研究模型的可移植性。在以下地区测试了提取性能：a)青藏高原，T1、T2、T3、T4是高山积雪附近的冰川湖，T5、T7、T8是被云雾遮盖的水体，T6是部分云影误识别为水体的场景。b)北美洲，N1、N2是与冰雪接触的湖泊，N3、N4是被云遮挡的湖泊，N5、N6、N7是悬浮物含量较高的水体，N8是云影遮盖的水体。c)南美洲，S1
、S3是云影误识别为水体的场景，S2是被云遮挡的河流，S4、S5是悬浮物含量高的河流，S6、S7是与冰雪接触的湖泊，S8是与冰川接触的湖泊。
研究结论：本研究展示了基于Transformer的深度学习模型在从哨兵2号遥感图像中提取湖泊方面的优越性能。该模型能够在无需额外预处理的情况下，处理云影干扰并有效提取水体，极大地提升了其在实际应用中的可行性。这一特点使得该模型在面对多变的天气和环境条件时，展现了较强的鲁棒性。在模型的训练过程中，本研究强调了自建数据集的重要性。通过合理的波段组合和多样化的样本选择，成功构建了7个不同波段组合的训练数据集。实验结果表明，使用B4、B8、B11组合（即常用的红、近红外和短波红外波段）能够显著提高水体提取的准确性，尤其在复杂环境下表现优异。此外，其他波段组合（如B2+B3+B4、B8+B11等）也能在特定环境下有效提升模型性能。因此，合理的波段组合为模型的提取效果提供了坚实的基础，且不同波段组合的对比分析为未来遥感水体提取研究提供了有价值的参考。随后，模型在南美洲等地区的测试也展示了其跨区域的适应性和可移植性。通过在不同地理环境下的应用验证，模型的普适性得到了有效证明，进一步增强了其实际应用的可靠性和广泛性。本研究的成果不仅为遥感水体提取提供了一种新的深度学习模型，也为相关领域的研究提供了宝贵的参考。未来，随着模型的进一步优化，尤其是在云影和冰雪干扰处理方面的改进，该模型将具备更广泛的应用潜力。
- 免责声明：本文遵循微信公众平台各项保护原创的措施。推文可能未提前与原作者取得联系，或无法查证真实原作者，若涉及版权问题，请原作者留言联系我们。经核实后，我们会及时删除或者注明原作者及出处。本公众号原创文章，欢迎转载，转载时请注明出处。推文数据来源于网络，本文仅用于学术分享与传播。
