图1.研究区地图，展示 2019 年美国国家土地覆盖数据库土地覆盖类别、实地观测点位，插图标示融合方法应用的空间范围。右下角小插图显示研究区在北卡罗来纳州及周边各州中的地理位置。
图2.本研究采用的基于机器学习的数据融合框架工作流程。首先对卫星影像做预处理，再使用机器学习模型完成分类，得到的淹没地图作为固定秩克里金（FRK）数据融合模型的输入。
图3.空间域对比：(A) 谷歌地球卫星影像；(B) 真实淹没过程；(C) 较高分辨率分类结果（来自 PlanetScope）；(D) 较低分辨率分类结果（来自 Sentinel‑1/2）。(E) 展示 Sentinel‑1/2 与 PlanetScope 像元足迹（虚线）、像元中心点（圆点）叠加在固定秩克里金（FRK）生成的基础面单元（BAU）预测网格之上。
图4.各传感器在相对干旱日期（上行）和相对湿润日期（下行）的分类结果示例图。
图5.2017‑2021 年每个像元被分类为淹没状态的时间占比。黑色代表极少或从未发生淹没的像元，浅青色代表长期或高频淹没区域。插图 X、Y 展示典型区域，并列展示各传感器得到的淹没频率以及谷歌地球真彩色影像。
图6.第 1 行：待预测的真实过程 Y；第 2 行：含云条件下得到的 3 m、10 m 分辨率遥感观测 Z；第 3 行：融合得到的各像元淹没概率图；第 4 行：由 90% 预测区间宽度表征的对应不确定性分布图。
图7.融合方法捕捉短期淹没事件的示例。左侧示例 A：马特穆斯基特湖周边农田，展示 8 月 12 日干旱状态向 8 月 20 日淹没状态的转变，以及对应的融合结果与单传感器分类结果。右侧示例 B：通量塔 US‑NC4 附近湿地，展示 2021 年 6 月 17‑21 日期间，融合模型如何整合 Sentinel‑1、Sentinel‑2、PlanetScope 相互存在差异的观测结果。为节约篇幅，图中仅展示部分融合时序结果。
图8.融合子区 A、B、C（见图 1 插图）结果图。左列：真彩色影像（谷歌 / Esri 卫星底图）；中间列：单日淹没概率示例图；右列：采用 50% 淹没概率阈值得到的 2019 年全年像元淹没天数占比图。
图9.融合子区 A 结果汇总。上图：融合方法得到的总淹没面积时间序列，不同颜色代表不同淹没概率阈值；中图：通量塔 US‑NC2 处相对于地表的地下水位；下图：US‑NC2 站点实测降水量。
图10.柱状图，统计 2019 年全部融合区域（上行总览）以及各个融合子区（下方分图）的总淹没面积。每个区域分别给出原始观测结果与间隙填充后的结果。
