企业官网建设流程全解析

穿过云层看洪水：光学卫星被云挡住后，还能画出连续洪水地图吗？

一句话读懂这篇论文：
这篇论文解决的不是“如何在晴天识别水体”，而是“洪水发生在阴雨天、卫星图被云挡住时，如何把被遮住的水面合理补出来，并形成连续的洪水过程图”。

洪水监测有一个很尴尬的现实：

洪水越严重，天气往往越糟；天气越糟，光学卫星越看不见。

遥感论文里经常会展示非常清楚的洪水边界图，蓝色是水，灰色是陆地，红色是新增淹没区。但真实灾害现场并不总是这样理想。很多时候，卫星图上最醒目的不是洪水，而是一大片白色云层。

于是，一个关键问题出现了：

如果一张洪水影像有一半被云挡住，我们到底应该把云下面留空，还是想办法恢复出它背后的洪水范围？

武汉大学李志伟等人在论文《Beyond clouds: Seamless flood mapping using Harmonized Landsat and Sentinel-2 time series imagery and water occurrence data》中，提出了一套面向云雨洪水场景的连续洪水制图方法。

它的核心思路不是简单“去云”，也不是凭空生成一张好看的图，而是把三类信息合在一起：

• 当前卫星影像中已经看见的水体；
• 历史上这个位置出现水的频率；
• 前后时相中水体变化的空间和时间连续性。

最终，它让被云遮挡的洪水图从“缺了几块的拼图”，变成更连续、更完整、更适合应急分析的洪水时间序列。

一、研究背景：洪水监测为什么总和云层过不去？

1. 洪水需要高频监测，但卫星不是时时在线

洪水不是静态的。

今天水还在河道里，明天可能漫过堤岸，后天可能淹没农田，再过几天又开始退水。对救灾来说，最重要的不是某一天的洪水边界，而是整个过程：

• 洪水什么时候开始扩张？
• 哪些区域最先被淹？
• 峰值范围有多大？
• 水退得快不快？
• 某个村镇或农田到底淹了几天？

这就要求卫星既要看得清，也要来得勤。

但单颗卫星有重访周期，Landsat、Sentinel-2虽然都是开放数据，但并不是每天都能对同一地区提供清晰观测。洪水持续时间若只有几天，观测间隔太长就可能直接错过峰值。

2. SAR不怕云，但也不是万能答案

很多人会说：既然光学卫星怕云，那用SAR不就好了？

SAR确实有巨大优势。它能穿透云雨，白天晚上都能工作，是洪水监测的重要数据源。

但SAR也有自己的难题：

• 城市区域建筑物和水体会产生复杂散射；
• 窄河道、植被覆盖和风浪会影响水体识别；
• 开放SAR数据源相对有限；
• Sentinel-1B在2021年12月发生故障后，Sentinel-1有效重访频率进一步下降。

也就是说，SAR像是一个能在雨夜工作的观察员，但它并不一定每天都来，也不一定在所有地表场景都看得准。

3. 光学卫星信息丰富，但最怕“白屏”

光学卫星的优势也非常明显：

• 影像直观；
• 波段丰富；
• Landsat和Sentinel-2长期开放；
• HLS产品把Landsat-8/9和Sentinel-2A/B进行了协调，可以形成约2—3天频率、30米分辨率的时间序列。

问题是，洪水多发生在强降雨和多云天气中。

云一来，光学影像就像监控摄像头被人贴了白纸：不是算法不努力，而是地表信息真的被挡住了。

过去很多研究为了避免麻烦，直接只选晴空影像做洪水制图。但这样一来，最关键的阴雨洪水阶段反而被跳过了。

这篇论文正是从这里切入：

不要只在晴天谈洪水监测，要在真正云多雨多的洪水场景里，尝试恢复被遮住的洪水信息。

二、论文要解决的核心问题：不是“识别水”，而是“补完整”

传统水体提取方法已经很多了。

比如NDWI、MNDWI等水体指数，利用水体在不同波段上的反射差异来区分水和陆地；机器学习和深度学习方法，则可以自动学习更复杂的光谱和空间特征。

但这些方法有一个共同前提：

你得先看见地面。

如果某个区域被云挡住，水体指数也好，深度学习也好，都没法直接从“白云”里识别出地表洪水。

因此，这篇论文真正解决的是三个更实际的问题：

换句话说，这篇论文不是简单地问：

这张图哪里是水？

而是问：

这段时间里，洪水到底怎样扩张、持续和退去？即使有云，我们能不能把过程补得更完整？

三、方法总览：三步走，把“云下空白”变成连续洪水图

论文提出的流程可以概括为三步：

论文图1：整体流程图

这三步对应三个非常通俗的动作：

1. 先看清能看见的地方：用大模型从HLS影像中提取水体；
2. 再推断云下面可能是什么：利用历史水体出现频率和局部阈值重建云遮挡区；
3. 最后让时间序列别乱跳：用时空马尔可夫随机场让前后结果更连贯。

下面逐个拆开讲。

四、第一步：用遥感大模型先把“看得见的水”识别出来

1. 为什么不用传统水体指数？

传统水体指数最大的优点是简单、快、容易解释。

比如MNDWI可以快速突出水体，但它也容易遇到几个问题：

• 阈值需要人工设定；
• 不同地区、不同季节、不同传感器的最佳阈值不一样；
• 山影、建筑阴影、湿土、薄云等都可能干扰判断；
• 洪水区域地表复杂，水体边界并不总是清晰。

因此，论文没有把水体提取完全交给水体指数，而是使用了一个遥感大模型。

2. Prithvi-100M：给HLS影像用的遥感基础模型

论文使用的是Prithvi-100M，这是NASA和IBM团队基于HLS影像预训练的遥感基础模型。它可以理解为一个已经看过大量地球观测影像的“遥感底座模型”。

论文图2：Prithvi-100M–Sen1Floods11模型结构

作者在这个基础上，采用Prithvi-100M–Sen1Floods11架构，并用Sen1Floods11洪水数据集进一步微调，让模型更适合水体和洪水分割任务。

输入影像包括六个波段：

• Blue 蓝光；
• Green 绿光；
• Red 红光；
• NIR 近红外；
• SWIR1 短波红外1；
• SWIR2 短波红外2。

模型输出的是每个像素是否为水。

3. 大模型这一步表现如何？

在Sen1Floods11测试集上，微调后的模型总体精度达到97.35%，F1-score为0.895。与预训练模型相比，微调后精度略有提升，尤其是精确率提升到了88.93%。

这里有一个细节很关键：

论文认为，水体提取中的“误报”比“漏报”更麻烦。

为什么？

如果漏掉了一些真实水体，后续云区重建和时间序列优化还有机会补回来；但如果一开始把陆地误判成水，后面可能会把这个错误继续传播，导致洪水范围被夸大。

所以，作者更看重减少误报。

五、第二步：云下面怎么补？关键是“历史水体出现频率”

这篇论文最有特色的部分，就是云下重建。

论文图3：云遮挡水体图重建示意

它没有直接生成一幅无云影像，而是在水体图层上做重建：

不去恢复云下面的真实颜色，只判断云下面到底更可能是水还是非水。

这就降低了问题难度，也更符合洪水制图需求。

1. 什么是水体出现频率？

论文使用了Global Surface Water，GSW数据集中的水体出现频率。

这个数据是根据1984—2021年的历史Landsat观测统计出来的。每个像素都有一个数值，表示历史上它被观测为水体的频率。

可以这样理解：

如果云下面的像素历史上经常是水，同时附近云外区域也显示为水，那么它现在是水的可能性就更高。

这听起来很自然，但直接用历史频率会有坑。

2. 为什么不能简单按历史水体频率填充？

因为洪水恰恰常常发生在“历史上不常有水”的区域。

如果一个村庄或农田平时从不积水，历史水体出现频率可能接近0。但洪水来时，它可能被完全淹没。

所以，不能简单规定：

水体出现频率高于某个固定值，就判为水；低于这个值，就判为陆地。

这样会漏掉大量低频洪水。

论文为此提出了一个更稳健的思路：submaximal stability assumption，可以译作“次最大稳定性假设”。

名字有点抽象，但背后的想法很接地气。

六、次最大稳定性假设：别盯着一个固定阈值，要看局部统计关系

论文的观察可以概括为三点：

1. 平常水体范围通常落在历史最大水体范围之内；
2. 洪水这类动态水体往往出现在低水体频率区域；
3. 水体出现频率越低，受云遮挡和历史观测不足影响越大，不确定性越高。

因此，作者没有直接使用固定水体频率阈值，而是在局部窗口内计算两个直方图：

• 一个统计云外区域所有像素的水体出现频率；
• 另一个只统计云外且当前被识别为水的像素的水体出现频率。

然后计算两者的像素数量比例。

通俗地说，就是问：

在这个局部区域里，历史水体频率达到多少时，当前云外像素大多数已经表现为水？

如果某个频率段上，云外像素中有相当比例被当前影像识别为水，那么云下相邻像素只要历史水体频率也超过这个门槛，就有理由被补成水。

论文最终使用的像素数量比例阈值是0.35。局部窗口初始大小为50 × 50像素，如果有效像素不足，则逐步扩大窗口。

这一步的聪明之处在于：

它不是用全国统一阈值去填云，而是在每个局部区域内，根据当前洪水状态和历史水体频率自动找阈值。

这对复杂洪水尤其重要。

比如溃坝洪水中，有些地方水体扩张，有些水库水面反而下降。如果用全局阈值，很容易顾此失彼；局部自适应窗口则更能适应不同区域的变化。

七、第三步：用时空MRF让洪水图别“闪烁”

云区重建之后，仍可能有问题。

比如某个像素：

• 第一天被判为水；
• 第二天被云遮挡后补成非水；
• 第三天又被判为水。

如果这种跳变没有真实物理原因，就会让洪水时间序列很不稳定。

论文用时空马尔可夫随机场，spatiotemporal MRF来做进一步优化。

这个方法的直观假设有两个：

1. 空间上，水体通常是连片的，不会像椒盐噪声一样随机散落；
2. 时间上，同一位置的水体状态往往会持续一段时间，尤其在洪水过程中不会毫无规律地每天反复变化。

所以，MRF会综合考虑一个像素周围的邻居，以及前后几天的状态，选择一个更合理的水/非水类别。

论文中空间邻域设置为3 × 3像素，时间邻域为目标日期前后5个时间片。同时，对重建像素赋予比清晰观测像素更低的权重，承认“补出来的结果”本身不如真实观测可靠。

这点很重要。

它不是盲目相信重建结果，而是在优化时告诉模型：

真实看到的像素更可信，云下推断的像素可以参考，但不要让它过度主导结果。

八、从水体图到洪水图：还要剔除“本来就有的水”

得到连续水体图之后，还不能直接说所有水都是洪水。

河流、湖泊、水库原本就有水，它们不是新增洪水。

论文通过洪水前的最大水体范围来区分：

• 洪水前就存在的水：标记为 pre-flood water；
• 洪水期间新增出现的水：标记为 floodwater；
• 其他区域：非水。

最终可以得到三类结果：

在此基础上，还能进一步合成：

• 最大洪水范围图；
• 洪水淹没持续时间图；
• 洪水过程变化图。

这比单张水体图更接近真实应急需求。

九、实验设计：四个国家，四种典型洪水场景

论文没有只在一个案例上验证，而是选择了四个全球研究区：

这四个案例覆盖了不同气候、不同水文过程和不同云量条件。

其中，密歇根溃坝洪水尤其有意思：它不是单纯“水越淹越多”，而是有的地方水涨，有的地方水退。这样的场景能检验方法是否只是机械扩张水体，还是能适应局部变化。

十、实验结果一：HLS组合显著提高观测频率

论文使用HLS影像，也就是协调后的Landsat-8/9和Sentinel-2时间序列。

论文图5：四个研究区的重建结果

把两个传感器系列合起来后，四个研究区的平均观测间隔明显缩短：

这说明，Landsat和Sentinel-2的融合不是锦上添花，而是直接关系到能否捕捉洪水过程。

对于变化很快的洪水，多看一次，可能就多抓住一个关键阶段。

十一、实验结果二：云下重建精度明显优于传统填补方法

论文通过模拟不同云量条件，对比了本文方法和典型gap-filling方法。

论文图7：不同云量下重建结果对比

核心结果很清楚：

也就是说，在洪水期间，F1-score提高了0.060；在洪水前后，提高了0.131。

从总体精度看，本文方法在洪水期间和非洪水期间分别达到96.46%和97.91%。

不同云量下，本文方法平均F1-score分别为：

可以看到，云越多，精度确实会下降；但在高云量下，方法仍保持了相对可用的表现。

更重要的是，论文指出：云量越高，时空MRF优化越重要。因为当可见信息变少时，前后时相和邻域关系能提供更强的约束。

十二、实验结果三：最大洪水范围和淹没时长更完整

单张洪水图能告诉我们某一天哪里有水，但灾害评估更关心两个综合指标：

1. 最大洪水范围：这场洪水最多淹到了哪里；
2. 淹没持续时间：一个区域被水覆盖了多久。
   
   论文图9：云重建前后的最大范围和持续时间对比

论文比较了使用原始云污染水体图和使用重建后水体图合成的结果。

结果显示，重建后的水体序列可以生成更完整的最大洪水范围图，也能得到空间连续性更好的淹没时长图。

这很好理解。

如果原始序列中很多日期被云遮住，那么你统计淹没时长时就会漏掉大量信息。某块区域可能连续淹了10天，但因为其中6天被云遮住，原始方法可能只能记录到4天。

云下重建的价值就在这里：

它不只是让单张图更完整，还让整个洪水过程的统计结果更可信。

十三、SAR加入后有没有帮助？有，但还需要协调

论文也讨论了加入Sentinel-1 SAR影像的可能性。

理论上，SAR不怕云，应该能增强重建结果。实验结果显示，加入SAR后F1-score有小幅提升，约0.12%。

这个提升并不算大，原因也很现实：

• SAR和光学影像成像机制不同；
• 同一天获取的SAR水体图和光学水体图也可能不完全一致；
• SAR在城市、植被、水面风浪等场景中会出现特有误差；
• 直接把SAR水体图堆进光学时间序列，仍会带来跨传感器不一致。

因此，论文的态度是谨慎乐观：

SAR确实有潜力，尤其在持续浓云条件下很重要，但未来需要解决SAR与光学水体图的统一和协调问题。

这也是后续多源洪水监测研究的重要方向。

十四、这篇论文的创新点到底在哪里？

1. 它把“云下洪水重建”从普通水体填补中单独拎了出来

已有水体gap-filling方法多面向常年水体或季节性水体。

但洪水是不稳定的、快速变化的、低频出现的。直接套用常规水体补洞方法，容易漏掉洪水扩张区，或把历史河湖信息误用到当前洪水。

这篇论文明确把场景限定在云雨洪水过程下，提出更适合动态洪水的重建策略。

2. 它使用遥感基础模型进行水体提取

传统水体指数依赖阈值，机器学习依赖手工特征。

本文使用Prithvi-100M基础模型，并在洪水数据集上微调，使水体提取更自动化，也更适合多地区、多传感器场景。

这代表了一种趋势：

遥感任务正在从“每个任务单独设计特征”，走向“基础模型迁移到具体任务”。

3. 它提出了次最大稳定性假设

这是本文方法的关键思想。

它承认历史水体频率有用，但也承认它有偏差；它既利用历史信息，又不盲目相信历史信息。

通过局部窗口和像素数量比例，方法能更稳健地确定云下重建阈值。

4. 它用时空MRF提高连续性

洪水图不是单张照片，而是一段时间序列。

论文用空间邻域和时间邻域约束，让水体结果更符合“水体连片、状态持续”的常识，从而减少噪声和跳变。

5. 它把结果推向应急真正关心的产品

论文不仅展示单期洪水图，还合成最大洪水范围和淹没时长图。

这意味着它不仅关注算法精度，也关注灾害管理中真正会使用的产品形式。

十五、通俗理解：这套方法像一个会补拼图的调查员

可以把洪水制图想象成拼图游戏。

卫星影像给了你一部分拼图，但很多块被云盖住了。

普通方法可能有两种做法：

• 看不见的地方直接空着；
• 按历史经验粗略填上。

本文方法更像一个谨慎的调查员：

1. 先用大模型识别已露出的水体；
2. 查历史档案，看这些位置过去有多常出现水；
3. 观察周围云外区域当前是不是已经被水覆盖；
4. 根据局部统计关系判断云下区域；
5. 再检查前后几天结果是否连贯；
6. 最后输出完整的洪水过程图。

它不是凭空想象，而是在“当前观测、历史经验、时空连续性”之间做平衡。

十六、它对实际救灾有什么意义？

1. 提高阴雨天气下的洪水地图完整性

洪水应急最怕地图有大片空白。空白区域可能正是受灾最严重的地方。

这套方法能在云遮挡区域给出更合理的水/非水判断，减少洪水图中的空洞。

2. 提高洪水过程监测频率

HLS时间序列可以达到约2—3天频率。结合重建方法后，即便某些日期有云，也能尽量保留过程信息。

这对判断洪水峰值、退水节奏和后续风险很重要。

3. 支持灾后损失评估

最大淹没范围可以用于估算受灾面积；淹没时长则对农田损失、道路中断、基础设施影响评估非常关键。

淹没一天和淹没两周，灾害后果完全不同。

4. 适合开放数据驱动的业务化应用

本文主要使用HLS、GSW等开放数据，并公开了代码和数据。这意味着方法具备较强的推广潜力，尤其适合缺少商业高分数据支持的区域。

十七、也要冷静看待：这套方法还有哪些局限？

1. 它仍然依赖历史水体出现频率

GSW水体出现频率来自历史观测。如果某场极端洪水淹没了历史上几乎从未被淹的区域，历史水体频率可能无法提供足够提示。

论文也指出，这可能限制方法对气候变化背景下极端洪水事件的捕捉能力。

2. 云量太高时，重建不确定性仍会上升

当一幅影像几乎全被云覆盖，局部可用观测太少，重建就会更依赖历史数据和前后时相。

这时结果仍有价值，但不应被当作完全等同于真实观测。

3. 计算效率有改进空间

局部滑动窗口方法比全局阈值更精细，但计算更慢。

论文以印度阿萨姆案例为例，24景HLS影像、平均云量76.10%的时间序列，在普通桌面电脑上完整处理耗时约9234秒。其中，局部重建步骤比传统全局方法更耗时。

这对于离线分析可以接受，但要做近实时业务，还需要进一步优化。

4. 光学和SAR融合仍需解决一致性问题

SAR能补充云下信息，但SAR水体图和光学水体图存在物理机制差异。未来不是简单“把SAR加进来”就行，而是要解决跨传感器水体定义和误差模式不同的问题。

5. 它主要解决二维范围，不直接给出水深

本文重点是洪水范围、最大范围和淹没时长。对于应急决策来说，水深同样关键。

未来若能结合DEM、水动力模型或水位观测，就有机会从“哪里被淹”进一步走向“淹了多深”。

十八、和KDFIMv2有什么区别？可以这样理解

如果把这篇论文和前面那篇KDFIMv2放在一起看，会很有意思。

可以说，Beyond clouds更像是在回答：

光学卫星被云挡住时，二维洪水范围能不能补完整？

KDFIMv2则进一步回答：

多源卫星都有缺口时，能不能重建洪水的时空连续过程，甚至估计水深？

两者并不是简单替代关系，而是同一研究方向上的不同层次。

十九、总结：这篇论文最值得记住的是“不要让云层决定洪水地图的完整性”

这篇论文最打动人的地方，不是用了大模型，也不是某个指标提高了多少，而是它抓住了洪水遥感中的一个真实痛点：

灾害最严重的时候，往往也是遥感观测最不完整的时候。

如果我们只依赖无云影像，就会错过很多关键时刻；如果我们把云下区域直接留空，洪水图就无法支撑完整的应急分析；如果我们粗暴按历史水体填补，又可能忽略低频极端洪水。

本文提出的做法，是在这三者之间找到平衡：

• 用遥感大模型提升当前可见区域的水体识别；
• 用历史水体出现频率为云下区域提供先验；
• 用局部自适应阈值避免简单套用全局经验；
• 用时空MRF保证洪水过程图更连续；
• 最终服务于最大淹没范围和淹没时长等实际产品。

一句话概括：

它不是让卫星真的穿透云层，而是让算法学会在云层遮挡下，更谨慎、更连续地恢复洪水过程。

这正是“Beyond clouds”这个题目的含义：越过云层，不是靠魔法，而是靠当前观测、历史知识和时空逻辑共同推理。

论文信息

论文题目：Beyond clouds: Seamless flood mapping using Harmonized Landsat and Sentinel-2 time series imagery and water occurrence data

作者：Zhiwei Li、Shaofen Xu、Qihao Weng

期刊：ISPRS Journal of Photogrammetry and Remote Sensing

卷页：216，185–199

发表时间：2024

DOI：10.1016/j.isprsjprs.2024.07.022

Download：https://www.sciencedirect.com/science/article/pii/S0924271624002892