卫星没看到，不代表那里没淹：云和植被究竟让光学洪水图漏掉多少水？

一句话读懂这篇论文：
作者用高分辨率WorldView影像训练了一个洪水水体分割模型DELTA。模型在“能够被光学卫星直接看见的水面”上表现很好，但与水动力模型给出的完整洪泛范围相比，仍漏掉约62%的淹没区域。进一步分析发现，约79%的漏检区域受到植被、云层或二者共同遮挡。这说明光学洪水图的核心短板不只是算法不够强，而是传感器根本看不到被遮住的水。

洪水发生后，人们常把卫星提取的水体范围当作“实际淹没范围”。

这种理解并不完全正确。

光学卫星看到的是：

从太空中能够直接观测到的水面。

如果洪水位于：

• 树冠下面；
• 稻田和湿地植被下面；
• 云层下面；
• 建筑阴影附近；

即使地面已经被淹，光学影像也可能仍然显示为植被、云或阴影。

于是会出现一个非常危险的误解：

卫星图上没有水，所以这里没有发生洪水。

实际上：

没有被观测到，不等于没有发生。

2023年，Shastry等人在《Remote Sensing of Environment》发表论文：

Mapping floods from remote sensing data and quantifying the effects of surface obstruction by clouds and vegetation

研究了两个问题：

1. 能否利用高分辨率光学遥感影像和卷积神经网络自动提取洪水范围？
2. 云和植被究竟会让光学洪水图漏掉多少真实淹没区域？

论文最有价值的地方，不只是训练了一个水体分割模型，而是把：

• 遥感可见水面；
• 人工标注水面；
• 水动力模型洪泛范围；
• 云层；
• 植被；

放到同一个框架中比较，定量揭示了光学遥感的“看不见区域”。

---

一、为什么“没有识别出水”不能直接判定为陆地？

传统二分类洪水图通常只有两个结果：

分类	常见解释
Water	被淹
Not water	未被淹

但真实情况至少应分为三种：

状态	含义
已观测到水	卫星明确看见水面
已观测到非水	地表清晰可见，且没有水
无法观测	被云、树冠或其他地物遮挡

第三种情况非常关键。

如果把“无法观测”直接归入“未被淹”，洪水范围一定会偏小。

这篇论文证明：

光学遥感的许多漏检，并不是模型把清晰水面认错了，而是水面根本没有进入传感器的有效视野。

---

二、论文要解决的三个实际问题

1. 建立能够跨地区工作的高分辨率水体分割模型

洪水水体的光谱并不固定。

它可能是：

• 清澈水；
• 浑浊水；
• 含泥沙洪水；
• 城市积水；
• 林下洪水；
• 农田积水；
• 河流漫溢。

因此，训练数据必须覆盖不同：

• 地形；
• 季节；
• 纬度；
• 土地覆盖；
• 水体颜色；
• 水体尺度。

2. 区分算法错误和传感器观测限制

当模型与水动力模型结果不一致时，原因可能是：

• 神经网络识别错误；
• 云遮挡；
• 植被遮挡；
• 水动力模型错误；
• 卫星与水位观测时间不一致；
• 洪水已经退去，但低洼地仍有积水。

论文并没有简单把所有差异都归咎于AI。

3. 量化云和植被造成的漏检比例

“云和植被会影响洪水制图”是常识。

但应急决策更需要知道：

到底影响多大？
哪一类植被影响最大？
云下漏检有多严重？

---

三、数据设计：从8.4万景影像中选出100景代表性样本

卫星没看到，不代表那里没淹

作者使用Maxar WorldView-2和WorldView-3高分辨率多光谱影像。

主要特点包括：

• 8个多光谱波段；
• 约0.3米空间分辨率；
• WorldView-3重访时间约1.1天；
• 能够识别窄河流、小型积水和复杂水陆边界。

作者不是随意选择训练影像，而是从超过：

$$84000$$

景WorldView影像中进行分层抽样，最终选择100景。

其中：

• 80景用于训练；
• 20景用于独立验证。

样本选择考虑了：

• 土地覆盖类型；
• 高程和坡度；
• 纬度；
• 季节；
• 一年中的日期；
• 树冠覆盖；
• 水体形态和尺度。

训练标签由USGS专业人员基于8波段影像制作，并通过：

• 无监督聚类；
• 人工判读；
• 质量控制；
• 同行复核；

获得水体与非水体标签。

这套数据设计的重点不是样本数量特别大，而是尽量覆盖美国大陆不同水体光谱和景观条件。

---

四、DELTA模型怎样识别水体？

作者使用DELTA开源框架训练卷积神经网络。

模型基于改进的Spinal Segmentation Network，核心特征是：

• 使用多尺度空洞卷积；
• 同时感知局部边缘和较大空间背景；
• 输入全部8个WorldView多光谱波段；
• 输出每个像元属于水体的概率。

论文还对原网络做了两项重要修改：

1. 删除全局平均池化分支

原结构中的全局池化在大图切片推理后容易产生明显的“瓦片接缝”。

删除后可以减少拼接痕迹。

2. 减少部分Dropout

作者发现过多Dropout可能导致模型欠拟合，因此只在关键位置保留。

训练设置包括：

• 512×512像元图块；
• 随机翻转、旋转和亮度变化；
• Adam优化器；
• 100个训练周期；
• Dice Loss与Focal Loss组合。

由于训练数据中水体仅约占17%，作者没有把总体Accuracy作为主要指标，而是重点使用：

• Precision；
• Recall；
• Miss Rate。

这一选择是合理的，因为在类别不平衡情况下，即使模型全部预测为陆地，也可能得到很高的表面准确率。

---

五、模型在独立验证集上表现如何？

在20景未参与训练的WorldView影像上，DELTA取得：

指标	结果
Precision	98.2%
Recall	93.7%
Miss Rate	6.3%

通俗解释：

• 模型识别为水的像元中，约98%确实是水；
• 人工标注的可见水面中，约94%被模型找到；
• 对清晰可见水体的漏检率约为6%。

这说明模型本身具有较强的可见水体识别能力。

但论文也指出，模型更容易漏掉：

• 狭窄水道；
• 云影附近水体；
• 云层覆盖区域；
• 植被下面的洪水。

---

六、为什么论文使用两套“参考答案”？

这是整篇论文最关键的设计。

作者没有只使用一种参考洪水范围，而是使用两套。

1. 人工参考标签

专业人员直接根据WorldView影像标注水体。

它回答：

光学影像中能够被人看见的水，模型识别得怎么样？

这套标签适合验证神经网络的图像分割能力。

但它也有局限：

人工标注员和神经网络看到的是同一张光学影像，都无法看到云层和树冠下面的水。

2. USGS Flood Inundation Mapper水动力模型范围

USGS FIM提供不同水位条件下的洪泛区多边形，通常基于二维HEC-RAS模型和高分辨率地形数据生成。

论文图2：不同水位等级对应的FIM洪泛范围

它回答：

根据河流水位和地形，哪些区域理论上可能已经被淹？

这套结果能够补充光学卫星看不到的部分，但也不是绝对真值。

两套参考答案分别代表：

参考数据	更接近什么？
人工遥感标签	可见水面真值
FIM水动力范围	模拟的完整洪泛范围

因此，DELTA与二者比较得到的精度含义完全不同。
论文图3：多尺度空洞卷积网络结构

---

七、独立洪水事件验证：39景影像、17个地点、45个区域

作者另外选择了39景WorldView-2/3影像，用于洪水事件测试。

选择条件包括：

• 与USGS FIM区域存在空间重叠；
• 影像质量较好；
• 附近水文站记录显示处于洪水阶段；
• 云量低于约35%；
• 经过人工质量检查。

最终覆盖：

• 17个FIM地点；
• 45个分析区域；
• 约680平方千米洪泛平原。

作者根据卫星成像时间，选择最接近的USGS水位观测，并调用对应水位等级的FIM洪水多边形。

此外，研究人员还为39景影像制作了独立的可见水体参考标签，并制作：

• 云掩膜；
• NLCD植被掩膜。

这使论文可以分别回答：

1. 模型是否识别了影像中可见的水？
2. 模型是否覆盖了水动力模型认为已经淹没的区域？
3. 差异是否集中在云和植被下面？

---

八、与可见水面标签比较：模型依然表现较好

在45个分析区域中，DELTA与人工可见水面标签比较得到：

指标	结果
Precision	92.7%
Recall	83.2%
Miss Rate	16.8%

相比20景标准验证集，Recall从93.7%下降到83.2%。

论文图4：水体标签、模型结果和混淆矩阵

原因可能包括：

• 洪水事件场景更复杂；
• 云和阴影更多；
• 狭窄或浑浊水体更难识别；
• 农田、湿地和城市积水光谱更复杂。

但总体而言，模型仍然能够识别大部分光学影像中直接可见的水面。

这组结果说明：

DELTA作为“可见水体提取模型”是有效的。

真正的大幅差异出现在与水动力洪泛范围比较时。

---

九、与FIM水动力模型比较：光学洪水图漏掉约62%

论文图5：云和植被场景中的遥感与模型差异

DELTA与FIM范围比较得到：

指标	结果
Precision	76.5%
Recall	38.4%
Miss Rate	61.6%

也就是说：

FIM认为被淹的区域中，DELTA只识别出约38%，约62%没有出现在光学洪水图中。

这并不意味着神经网络突然从“高精度模型”变成了“低精度模型”。

两组评价回答的是不同问题：

比较方式	Recall	主要含义
对人工可见水标签	83.2%	能否识别影像中看得见的水
对FIM洪泛范围	38.4%	能否覆盖模型推断的全部淹没范围

巨大的差距说明：

很多水动力模型中的洪水区域，在光学影像中并没有直接呈现为可见水面。

---

十、云和植被究竟造成了多少漏检？

45个分析区域总面积约为：

$$682k{m}^2$$

其中：

• 植被覆盖区约436平方千米，占64%；
• 云覆盖区约37平方千米，占5%；
• 同时被云和植被覆盖约20平方千米，占3%。

DELTA相对于FIM的总漏检面积约为：

$$131k{m}^2$$

漏检区域的组成如下：

遮挡或地物类型	占全部漏检面积比例
植被	74%
云	9%
同时为云和植被	4%

由于“云和植被同时覆盖”被前两项重复包含，因此受遮挡影响的独立并集为：

$$74\%+9\%-4\%=79\%$$

也就是说：

约79%的漏检区域受到植被、云层或二者共同遮挡。

植被漏检进一步包括：

• 森林：18%；
• 农业用地：21%；
• 湿地：35%。

湿地是漏检面积最大的植被类型。

论文图6：参考标签和FIM两套混淆矩阵

---

十一、为什么云层比植被造成的漏检更彻底？

论文图7和图8：植被区、云区混淆矩阵及地物组成

论文分别统计了植被区和云区的结果。

植被覆盖区

指标	结果
Precision	75%
Recall	38%
Miss Rate	62%

光学影像有时仍能通过：

• 稀疏树冠间隙；
• 水面反射；
• 冠层变化；
• 开阔湿地；

看到一部分洪水。

云覆盖区

指标	结果
Precision	93%
Recall	9%
Miss Rate	91%

云层会直接阻断可见光和短波红外观测，因此光学影像几乎无法识别云下洪水。

高Precision并不代表云下表现好。

它只说明：

模型很少把云误判为水。

真正的问题是Recall只有9%，说明云下绝大部分洪水根本没有被识别出来。

---

十二、模型“多画出来的水”一定是错误吗？

DELTA相对于FIM的过预测面积约为：

$$32k{m}^2$$

这些区域主要分布在：

• 建设用地；
• 农业用地；
• 局部低洼积水区。

论文指出，其中一些并不一定是遥感模型误判。

可能原因包括：

1. 洪峰退去后低洼地仍然积水

卫星成像时，河道水位已经下降，但洪泛平原中的池塘状积水尚未排出。

FIM根据当前水文站水位生成稳态洪水范围，可能不会包含这些残留积水。

2. FIM模型存在地形和参数误差

极平坦地区中，DEM的微小高程误差可能导致洪泛边界大幅变化。

论文图9：遥感捕捉到积水而FIM遗漏的案例

3. 一个水文站不能完全代表整个洪泛平原

卫星影像覆盖大范围区域，而FIM对应的是最接近成像时间的单一水位等级。

局地支流、降雨积水和排水过程未必与主河道水位同步。

因此：

遥感图与水动力模型不一致时，不能默认遥感一定错，也不能默认水动力模型一定错。

---

十三、这篇论文真正的创新和贡献

创新一：建立具有代表性的高分辨率水体训练集

从8.4万余景影像中进行分层抽样，覆盖不同地形、季节、土地覆盖和水体形态。

创新二：区分“可见水面精度”和“完整洪泛范围精度”

论文没有用一个精度数字概括全部能力，而是分别对：

• 人工可见水标签；
• 水动力模型洪水范围；

进行评价。

创新三：定量计算云和植被造成的漏检

论文给出了79%的遮挡贡献，而不只是笼统地说“云和植被会影响结果”。

创新四：揭示算法能力和传感器能力的边界

即使CNN能很好识别可见水体，也无法从完全被云遮住的光学信号中恢复真实水面。

创新五：指出遥感与水动力模型应当互补

光学遥感能够提供真实成像时刻的可见水面，水动力模型能够补充遮挡区和空间连续性。

---

十四、必须冷静看待的局限

1. FIM不是绝对地面真值

FIM是水动力模拟结果，可能受到：

• DEM误差；
• 河道断面误差；
• 稳态假设；
• 水位时空不一致；
• 模型参数；

影响。

因此，“漏检62%”是相对于FIM而言，不等于经过地面测量确认的真实漏检率。

2. 云量样本偏低

研究选择云量低于约35%的影像，45个区域中云覆盖仅约5%。

在热带季风洪水中，实际云量可能远高于该研究，光学漏检可能更加严重。

3. 商业高分辨率影像不等于免费卫星数据

模型使用0.3米、8波段WorldView影像。

直接迁移到：

• Sentinel-2的10—20米；
• Landsat的30米；
• 不同光谱波段；

时，性能不一定保持。

4. 人工标签也看不到遮挡区

人工可见水标签只能证明模型是否复现了影像中的水，不能验证树冠和云层下面是否真实被淹。

5. 研究范围主要位于美国

训练集覆盖美国大陆的多种水体，但尚不能直接证明对全球泥沙型河流、热带森林和密集小农区同样有效。

6. 近实时能力受到数据获取限制

WorldView重访快，但商业数据能否及时获得、是否正好覆盖灾区，以及云量是否合适，都会影响业务应用。

---

十五、光学、SAR和水动力模型分别适合做什么？

数据或方法	主要优势	主要短板
高分辨率光学	边界细、地物直观、城市和小水体清楚	不能穿云，难看见植被下洪水
SAR	可穿云、昼夜观测，对开阔水面敏感	城市、风浪、阴影和植被下识别复杂
水动力模型	空间连续，可模拟遮挡区和未来过程	依赖DEM、边界条件和参数
地面观测	水位和局地真值可靠	空间覆盖有限

最合理的洪水制图不是在四者中只选一个，而是融合：

需要注意：

SAR能够解决云遮挡，但并不自动解决所有植被遮挡问题。不同波长、入射角、植被密度和洪水类型都会影响结果。

---

十六、推荐的多源动态洪水制图框架

结合论文结果，可以建立以下流程：

一种简单的概率融合形式为：

$$P_{flood}(x,t)=w_o{P}_{optical}+w_s{P}_{SAR}+w_k{P}_{KDFIM}+w_h{P}_{hydraulic}$$

其中权重随地表条件变化：

• 无云开阔区：提高光学权重；
• 云区：光学权重接近0；
• 植被区：提高SAR和模型权重；
• 城市区：结合高分辨率光学和道路、建筑信息；
• 缺测区：主要依赖水动力模型并提高不确定性。

最终产品不应只有一张二值洪水图，还应同时输出：

• 数据来源；
• 观测状态；
• 置信度；
• 是否受云或植被影响；
• 模型填补比例；
• 可能漏检区域。

---

十七、总结：深度学习能改进识别，却不能穿透不存在的信息

这篇论文训练的DELTA模型在高分辨率可见水体识别中表现很好：

• 标准验证集Precision为98.2%；
• Recall为93.7%；
• 独立洪水区域中Precision为92.7%；
• Recall为83.2%。

但与水动力模型洪泛范围比较时：

• Precision下降到76.5%；
• Recall只有38.4%；
• 漏检率达到61.6%。

约79%的漏检区域受到：

• 植被；
• 云层；
• 植被与云共同遮挡；

影响。

其中：

• 植被区漏检率约62%；
• 云区漏检率约91%。

整篇论文最重要的结论不是：

这个CNN还需要继续提高精度。

而是：

再强的光学图像分割模型，也无法稳定识别传感器根本看不到的洪水。

同时，FIM水动力模型也不是绝对真值。

它可能漏掉：

• 洪峰退去后的低洼积水；
• 局地降雨积水；
• 地形误差导致的真实洪泛区。

因此，最可靠的洪水制图应当是：

用光学遥感确定清晰可见水面，用SAR补充云下观测，用水动力模型连接空间过程，再通过云、植被和数据质量掩膜表达不确定性。

对KDFIMv2和持续同化而言，最重要的原则是：

把“未观测”与“观测为干地”严格分开。

只有这样，遥感观测才不会在云区和植被区错误地消除真实洪水。

---

论文信息

论文题目： Mapping floods from remote sensing data and quantifying the effects of surface obstruction by clouds and vegetation

作者： Apoorva Shastry、Elizabeth Carter、Brian Coltin、Rachel Sleeter、Scott McMichael、Jack Eggleston

期刊： Remote Sensing of Environment

卷与文章号： 291，113556

发表年份： 2023

DOI： 10.1016/j.rse.2023.113556

Download： https://www.sciencedirect.com/science/article/pii/S0034425723001074