卫星画出洪水边界后，机器学习能把水深估准吗？

一句话读懂这篇论文：
作者先用Sentinel-1雷达影像找到洪水范围，再用FwDET根据洪水边界和DEM快速推算初始水深，最后让随机森林结合降雨、地形和土地覆盖，对FwDET的系统误差进行二次修正。

卫星遥感已经很擅长回答：

哪里被淹了？

但在洪灾损失评估中，更关键的问题往往是：

水有多深？

同样一片被淹区域：

• 0.2米积水可能影响步行；
• 0.5米积水可能阻断车辆通行；
• 1米以上积水会显著增加建筑和人员风险；
• 数米水深往往对应严重灾害。

传统二维水动力模型可以计算洪水水深，但需要：

• 降雨和径流过程；
• 河道断面；
• 高精度地形；
• 上下游边界；
• Manning糙率；
• 堤坝、道路、桥梁和排水设施；
• 专业人员率定和较长计算时间。

对于资料不足的地区，建立一套可靠水动力模型并不容易。

因此，Liou和Hoang在2024年的论文：

Improved flood depth estimation with SAR image, digital elevation model, and machine learning schemes

提出了一条更轻量的路线：

它最吸引人的地方是：

不用先建完整的降雨—径流—水动力模型，也能尝试获得空间连续的洪水水深图。

但这篇论文也有几个必须认真讨论的问题：

• 它真的能“近实时”运行吗？
• 随机森林的超高精度是否可靠？
• 机器学习究竟学到了洪水规律，还是只记住了这个流域和这场洪水？
• 它能否迁移到印度河、尼泊尔或其他洪水区？

下面逐步拆解。

---

一、为什么只有洪水范围还不够？

洪水风险一般至少包含三个重要变量：

变量	说明
洪水范围	哪里被淹
洪水水深	水淹多深
洪水流速	水流多快

其中，水深直接关系到：

• 人员安全；
• 房屋损毁；
• 道路中断；
• 农作物受损；
• 设备进水；
• 灾害损失曲线。

遥感影像可以较快识别洪水范围，却通常不能直接测量每个像元的水深。

于是出现了一类简化方法：

从洪水边界推断水面高程，再用水面高程减去DEM，得到水深。

基本关系非常简单：

$$FloodDepth=WaterSurfaceElevation-TerrainElevation$$

也就是：

$$洪水水深=水面高程-地面高程$$

难点不在公式，而在于：

洪水内部的水面高程如何恢复？

FwDET就是解决这一问题的一种快速工具。

---

二、FwDET是什么？可以理解为“从洪水边缘向内部铺水面”

FwDET全称为：

Floodwater Depth Estimation Tool

即洪水水深估算工具。

它的核心思路是：

1. 从卫星影像得到洪水范围；
2. 提取洪水边界；
3. 在DEM上读取边界像元高程；
4. 将边界高程向洪水内部插值，重建水面；
5. 用水面高程减去DEM，得到水深；
6. 对结果进行平滑。

这个方法的优势很明显：

• 速度快；
• 不需要完整水动力模型；
• 输入数据相对少；
• 可以在Google Earth Engine中运行；
• 适合快速灾情评估。

但它也有明显缺点。

1. 洪水边界稍微错一点，水深就会跟着错

FwDET把边界高程当作水面控制点。

如果SAR洪水边界受到：

• 雷达斑点；
• 建筑物阴影；
• 植被遮挡；
• 永久水体；
• 边界混合像元；

影响，错误会直接传入水深图。

2. DEM误差会被直接继承

如果DEM中缺少：

• 河道深槽；
• 堤坝；
• 道路；
• 沟渠；
• 微地形；

水深也会出现异常。

3. 容易出现条带和异常深值

FwDET使用边界像元逐步向内部估计水面，可能产生：

• 线状条纹；
• 水深突变；
• 穿过河流的异常线；
• 局部极端深值。

这篇论文中，原始FwDET结果甚至出现了超过28米的水深，显然值得警惕。

作者的思路是：

既然FwDET能够快速给出一个“大致正确”的初始水深，就让机器学习进一步学习它在哪些地方容易算错。

---

三、研究区：越南中部一块“山洪易进、洪水难退”的平原

研究区位于越南广平省日丽河，也就是Nhat Le River流域。

论文图1：日丽河流域位置及高程分布

流域面积约为：

$$2650k{m}^2$$

其地形具有非常鲜明的特点。

1. 西部是高山

流域西南部地形陡峭，最高海拔约1582米。

强降雨后，水会快速从山区汇入下游。

2. 河流短、坡降大

日丽河由Long Dai和Kien Giang两条主要支流汇合形成。

山区到海岸距离较短，洪水传播速度快。

3. 东部有沿海沙丘

沿海沙丘平均高约30—40米。

它像一道天然屏障，限制平原洪水快速排向海洋。

因此，这个区域的洪水过程可以概括为：

这也是为什么日丽河下游经常出现严重且持续时间较长的洪水。

---

四、2020年洪水：四个台风接连而来

论文研究的是2020年10月越南中部历史性洪水。


论文图2和图4：洪痕测量照片及水位过程与Sentinel-1过境时间

这场洪水与四个连续影响该地区的台风有关：

• Linfa；
• Nangka；
• Saudel；
• Molave。

洪灾从2020年10月初延续到11月初。

论文列出的灾害影响包括：

指标	数值
死亡人数	150人
受伤人数	超过220人
房屋受损	1037栋
被淹房屋	361,787栋
下游持续淹没	约4周
Kien Giang河最高水位	4.88 m

作者选择2020年10月18日的Sentinel-1影像，因为这一时刻：

• 与Dong Hoi站洪峰较为一致；
• 接近Le Thuy站洪峰；
• 能较好代表本次洪水最大淹没范围。

但需要注意：

不同位置的洪峰并不会同时出现。

卫星只在一个固定时刻过境，因此一张影像不可能严格代表整个流域所有位置的最大水深。

这也是论文自己承认的重要局限。

---

五、这篇论文用了哪些数据？

这篇研究看似“轻量”，实际上使用的数据并不少。

数据	用途
Sentinel-1 SAR	提取洪水范围
Sentinel-2	制作土地覆盖图
10米DEM	FwDET与地形因子
河床地形数据	提高DEM精度
14个雨量站	插值累计降雨
717个洪痕水深点	机器学习与验证
87个未淹点	提供0米水深样本
MIKE FLOOD结果	空间分布对照

论文图3：土地覆盖和累计降雨分布

1. 717个实测洪痕点

洪水退去后，越南水利大学和越南水资源科学院调查了大量历史最高洪痕。

作者从两个项目中筛选出717个有效水深点，覆盖：

• 居住区；
• 建设用地；
• 农田；
• 道路。

这些点是整篇论文最关键的数据。

因为机器学习不是凭空学会水深，而是依赖这些实测点进行训练。

2. 87个未淹点

作者又在非淹没区域随机选择87个点，并把水深设为0。

总样本量为：

$$717+87=804$$

3. 10米高精度DEM

DEM并非普通全球DEM。

它由以下数据生成：

• 城区1:2000地形图；
• 农村和山区1:10000地形图；
• 1米等高线和高程点；
• 2018年实测河床地形；
• TIN插值。

最终生成10米分辨率DEM。

这点非常重要：

方法看似不需要水动力模型，却依赖质量较高的地形和河床资料。

如果换成普通30米全球DEM，能否保持同样精度，论文并没有验证。

---

六、第一步：用Sentinel-1提取洪水范围

论文图5：Sentinel-1—FwDET—机器学习完整流程

Sentinel-1是C波段SAR雷达，具有全天候和昼夜观测能力。

平静水面通常会把雷达信号镜面反射到远离传感器的方向，因此在SAR影像中表现较暗。

论文使用Otsu自动阈值法，将影像分成：

• 水体；
• 非水体。
  
  论文图7：SAR、Otsu洪水图和人工修正边界

流程包括：

提取出的洪水面积为：

$$297.24k{m}^2$$

但作者并没有完全接受Otsu结果。

为了提高FwDET精度，他们还进行了人工修改：

• 删除邻域像元不足的区域；
• 删除坡度大于5%的部分；
• 结合高程、等高线和洪痕点；
• 在ArcGIS中手动修正洪水边界。

这一步非常关键，也需要坦率说明：

论文最终使用的洪水边界并不是完全自动生成的，而是经过人工和实测洪痕辅助修正的。

---

七、第二步：FwDET先给出一张“初稿水深图”

FwDET使用SAR洪水边界和10米DEM估算初始水深。

论文图8：FwDET水深图与实测散点

其主要步骤为：

1. 将DEM上传到GEE；
2. 提取洪水边界像元高程；
3. 根据边界高程估计洪水内部水面；
4. 水面高程减去DEM；
5. 低通滤波平滑。

FwDET结果显示：

指标	FwDET结果
最大水深	约28.15 m
全区域平均水深	4.171 m
标准差	1.901 m
与实测点相关系数R	0.849
决定系数R²	0.721
RMSE	0.729 m

总体上看，FwDET与实测水深具有较高相关性。

但图中存在明显问题：

• 局部水深高达28米；
• 条带状深度结构；
• 某些异常线穿过河流；
• 河床和低洼区出现过度预测。

所以，FwDET的角色不是最终答案，而是：

给机器学习提供一个有物理和地形基础的初始猜测。

---

八、第三步：机器学习不仅看FwDET，还看“为什么这里会积水”

作者没有让机器学习只使用FwDET水深。

论文图6：坡度、曲率、TWI和SPI

输入变量包括：

变量	它告诉模型什么
FwDET初始水深	基础水深估计
高程	地势高低
坡度	水是否容易快速流走
曲率	地形是凹地、凸地还是平地
TWI	地形积水倾向
SPI	水流侵蚀和汇流能力
累计降雨	洪水输入强度
土地覆盖	地表阻水、入渗和人类地物差异

1. TWI是什么？

TWI是Topographic Wetness Index，即地形湿度指数。

其思路是：

汇水面积越大、坡度越小，越容易积水。

$$TWI=\ln \left(\frac{A}{\tan \beta }\right)$$

其中：

• $A$为汇流面积；
• $\beta$为坡度。

2. SPI是什么？

SPI是Stream Power Index，即水流功率指数。

$$SPI=A\times \tan \beta$$

它反映地表水流对地形冲刷和输移的能力。

3. 为什么土地覆盖也重要？

相同地形上：

• 建成区；
• 农田；
• 森林；
• 裸地；

对洪水传播和积水过程的影响不同。

虽然这套机器学习并没有真正求解流体动力学，但它可以学习这些变量与实测水深之间的统计关系。

---

九、六种回归模型同台比赛

作者比较了六种常见回归算法：

1. Ridge；
2. Lasso；
3. Gaussian Process Regression；
4. KNN；
5. Support Vector Regression；
6. Random Forest Regression。

数据划分为：

• 70%训练集：563个点；
• 30%测试集：241个点。

结果如下：

模型	R²	MAE	RMSE
Ridge	0.733	0.628 m	0.718 m
Lasso	0.844	0.476 m	0.419 m
Gaussian Process	0.905	0.354 m	0.256 m
KNN	0.721	0.611 m	0.751 m
SVR	0.805	0.521 m	0.523 m
Random Forest	0.933	0.290 m	0.181 m

随机森林明显表现最好。

论文图9：RF水深、散点图和箱线图

为什么？

因为洪水水深与各影响因素之间并不是简单直线关系。

随机森林擅长处理：

• 非线性；
• 变量之间的交互；
• 不同土地覆盖下的不同规律；
• 局部阈值；
• 异常值和复杂数据结构。

通俗地说：

线性模型试图找一条统一公式；
随机森林则允许不同地形、不同降雨和不同土地覆盖使用不同判断规则。

---

十、最终结果：随机森林把异常28米压到了8.8米

使用随机森林生成最终水深图后：

论文图10：FwDET和ML绝对误差空间分布

指标	RF最终结果
最大水深	8.802 m
平均水深	3.950 m
标准差	1.901 m
与717点相关系数R	0.981
决定系数R²	0.962
RMSE	0.068 m

相比FwDET：

指标	FwDET	RF修正
R	0.849	0.981
R²	0.721	0.962
最大水深	约28.15 m	8.802 m
平均深度	4.171 m	3.950 m

论文将改善总结为：

• R²提高25.05%；
• R提高13.46%；
• 平均误差从约0.54米降至0.17米；
• 误差标准差从约0.47米降至0.21米。

随机森林还明显减少了FwDET的：

• 异常深值；
• 横向条带；
• 局部过度预测；
• 水深分布不连续。

---

十一、为什么“FwDET + RF”会比直接机器学习更合理？

这篇论文的设计有一个值得肯定的地方：

它没有让机器学习从零开始猜水深。

FwDET先提供了一个基于洪水边界和地形的初始水深。

机器学习主要负责修正：

$$真实水深-FwDET初始水深$$

虽然论文实际建模方式是将FwDET作为输入变量，而不是明确训练“残差模型”，但逻辑上接近：

这样做比完全黑箱预测有两个好处：

1. FwDET提供了空间连续的基本结构

即使实测点有限，FwDET也能先生成完整水深场。

2. ML重点学习FwDET的偏差

例如：

• 河道深槽被高估；
• 某类地形出现条带；
• 建成区与农田响应不同；
• 降雨空间分布没有被FwDET考虑。

这种“基础模型 + 数据校正”的思路，比纯数据驱动更适合洪水遥感。

---

十二、与MIKE FLOOD水动力模型相比怎么样？

论文还将最终水深图与MIKE FLOOD模拟结果进行了空间对比。

论文图11：本文方法与MIKE FLOOD水深图

MIKE FLOOD系统包括：

• MIKE NAM降雨—径流模型；
• MIKE 11一维河道模型；
• MIKE 21FM二维洪泛区模型。

作者认为，两者在：

• 洪水范围；
• 深水区域分布；
• 浅水区域分布；

方面具有较高相似性。

这说明FwDET-RF不仅在实测点上表现较好，空间格局也与水动力模型大体一致。

但需要注意：

论文主要进行了视觉和定性对比，没有给出完整的逐像元误差、空间交叉验证或独立水动力结果统计。

因此，这一部分更适合表述为：

空间分布具有相似性，而不是已经严格证明可替代MIKE FLOOD。

---

十三、这篇论文真正的创新在哪里？

创新一：让FwDET从“最终模型”变成“初始估计器”

过去很多研究直接把FwDET结果当作水深产品。

这篇论文承认FwDET存在系统误差，并把它作为机器学习输入进行二次校正。

创新二：不用水动力模拟结果训练机器学习

一些洪水深度机器学习研究，以水动力模型输出作为标签。

这会产生一个尴尬问题：

既然已经有了水动力模型水深，为什么还要训练机器学习去模仿它？

本文使用现场洪痕水深作为监督数据，实际应用意义更强。

创新三：将多类洪水影响因子纳入水深校正

FwDET主要依赖洪水范围和DEM。

本文进一步加入：

• 降雨；
• 坡度；
• 曲率；
• TWI；
• SPI；
• 土地覆盖。

这使模型不再只按照“地势高低”解释水深。

创新四：形成了遥感—地形—现场—机器学习的混合流程

它不是纯遥感，也不是纯机器学习，而是：

创新五：适合资料不完整地区的快速制图

对于没有成熟水动力模型，但有：

• SAR；
• DEM；
• 一定数量洪痕点；

的地区，这条路线具有现实吸引力。

---

十四、必须冷静看待：0.068米RMSE可能没有看起来那么稳

论文最终给出的RMSE仅0.068米，非常亮眼。

1. 随机划分容易高估空间模型精度

洪痕点往往空间上彼此接近。

随机拆分时，一个测试点附近可能存在多个训练点。

模型实际上可能在做：

用旁边地点的规律预测这个地点。

这比预测一块完全陌生区域容易得多。

更严格的方法应使用：

• 空间分块交叉验证；
• 上下游分区验证；
• 按行政区留一验证；
• 按洪水事件留一验证；
• 跨流域验证。

2. 同一场洪水既训练又测试

所有样本来自2020年同一场洪水。

因此，论文证明的是：

模型能够拟合这场洪水的空间水深。

它还没有证明：

模型能预测下一场洪水。

如果下一场洪水的：

• 降雨中心；
• 洪峰大小；
• 河道状态；
• 土地覆盖；
• 洪水边界；

发生变化，模型表现可能下降。

---

十五、“近实时”这个说法也需要加条件

论文认为该方法具有快速、低成本和近实时潜力。

从算法计算角度，这个判断有一定道理：

• Sentinel-1可快速提供洪水范围；
• FwDET可在GEE运行；
• 随机森林推理速度快。

但实际流程中还有几个不够实时的步骤。

1. 洪水边界经过人工修改

作者使用：

• 等高线；
• 高程；
• 洪痕点；
• ArcGIS人工编辑；

修正Otsu洪水边界。

这并不是完全自动流程。

2. 训练需要洪后调查水深

717个洪痕点是在洪水发生后调查得到的。

对2020年事件本身，这些数据无法在洪峰时实时获得。

所以更准确的说法是：

如果一个地区已经通过历史洪水建立了训练模型，未来新事件可能近实时运行；但论文尚未用新事件验证这种能力。

3. 仍需要高质量DEM和雨量站

研究使用：

• 10米精细DEM；
• 河床实测地形；
• 14个雨量站；
• 人工边界修正。

这与“只需免费卫星和全球DEM即可运行”还有距离。

---

十六、还有哪些方法学局限？

1. 只验证了一个流域和一场洪水

日丽河下游地形相对封闭且较均一：

• 西侧高地；
• 东侧沙丘；
• 中间低平洪泛区。

FwDET在这种地形上相对容易工作。

对于以下区域，结果未必相同：

• 多分汊河流；
• 山区狭窄河谷；
• 城市内涝；
• 堤防密集平原；
• 沿海风暴潮；
• 河道深槽复杂区域。

2. 洪水边界修正使用了洪痕点

洪痕点既参与：

• 边界人工修正；
• 机器学习训练；
• 精度评价。

这可能造成信息泄漏，使结果偏乐观。

更规范的做法是：

边界修正、训练和独立验证使用完全不同的数据。

3. 未报告空间独立不确定性

最终水深图是单一确定值，没有给出：

• 置信区间；
• 像元不确定性；
• 深水区和边界区不同误差；
• 模型外推风险；
• 各类土地覆盖误差。

4. 未进行变量重要性与消融实验

论文说明多种因子改善了预测，但没有系统回答：

• FwDET本身贡献多大？
• 降雨贡献多大？
• TWI和SPI是否重复？
• 土地覆盖是否真的必要？
• 去掉某个变量后结果下降多少？

5. 随机森林不保证物理一致性

随机森林可以得到统计上更接近实测的水深，但不保证：

• 水面沿河道连续；
• 水不会“爬坡”；
• 上下游水位合理；
• 水量守恒；
• 洪水区域水力连通；
• 水深随洪水边界趋近于0。

它可以修正图像，却不能替代水动力方程。

6. SAR在城市和植被区仍会漏检

Otsu阈值适合开阔平静水面。

在：

• 建筑区；
• 林地；
  -高秆作物；
• 风浪水面；
• 雷达阴影区；

可能发生漏检或误检。

一旦洪水范围错了，后续FwDET和RF都只能在错误范围内工作。

---

十七、它和HAND、TVD、FwDET综合评估论文有什么关系？

你前面整理过HAND、TVD和FwDET三类简化水深模型。

这篇论文可以看作：

在FwDET后面再增加一个“本地数据校正层”。

方法	主要输入	优势	局限
HAND	DEM + 河道水位	不需要洪水范围	河网错误会传播
TVD	洪水范围 + 坡度修正DEM	深水区有一定优势	怕弯曲、堰坝和坡度变化
FwDET	洪水范围 + DEM	快速、整体较稳	深水误差与条带问题
FwDET-RF	FwDET + 地形 + 降雨 + LULC + 实测点	可显著修正本地偏差	依赖样本，跨区能力未知

这篇论文并没有证明：

FwDET-RF在所有地区都比HAND、TVD和水动力模型好。

它证明的是：

在日丽河2020年洪水中，有大量现场水深点时，机器学习可以明显改善FwDET。

---

十八、它能替代水动力模型吗？

不能直接替代。

FwDET-RF和水动力模型回答的问题不同。

FwDET-RF	水动力模型
根据一次洪水影像重建水深	模拟洪水随时间传播
不计算流速和流量守恒	计算水深、流速和通量
依赖历史实测样本	依赖物理参数和边界条件
速度快	计算量较大
适合快速评估和初始状态	适合预报、情景模拟和工程分析
跨事件迁移能力有限	可通过边界变化模拟未来事件

更合理的定位是：

也就是说，FwDET-RF可以成为：

• 快速灾情图；
• 水动力模型初始化工具；
• EnKF观测产品；
• 水动力模拟独立验证数据；
• 缺资料区的替代性估算。

但不能把它当作完整洪水预报系统。

---

十九、总结：这篇论文真正的价值是“让简单模型知道自己哪里会错”

这篇论文的核心路线可以浓缩为：

它证明了：

• FwDET能够快速生成洪水水深初稿；
• 但会产生条带和异常深值；
• 随机森林能够利用多源因子修正局地误差；
• 在日丽河2020年洪水中，测试集R²达到0.933、RMSE为0.181米；
• 最终拟合结果的R²达到0.962；
• 最大异常水深由约28米降至8.8米；
• 最终空间格局与MIKE FLOOD模拟具有较高相似性。

但这篇论文还没有证明：

• 模型能跨洪水事件稳定运行；
• 模型能迁移到其他流域；
• 0.068米RMSE代表真正独立精度；
• 整个流程能够在无人工干预下近实时运行；
• 机器学习结果满足完整水动力物理约束。

所以，最准确的评价是：

这是一条很有潜力的“快速水深校正路线”，而不是已经成熟的通用洪水水深预报系统。

它最值得借鉴的思想不是“随机森林比FwDET强”，而是：

先用地形和遥感构造一个可解释的初始结果，再用现场数据学习系统偏差。

---

论文信息

论文题目： Improved flood depth estimation with SAR image, digital elevation model, and machine learning schemes

作者： Yuei-An Liou、Duc-Vinh Hoang

期刊： Journal of Hydrology: Regional Studies

发表年份： 2024

卷与文章号： 53，101775

DOI： 10.1016/j.ejrh.2024.101775

Download： https://www.sciencedirect.com/science/article/pii/S221458182400123X