企业官网建设流程全解析

光学和SAR“语言不通”：这套方法如何只用少量样本完成多源洪水变化检测？

一句话读懂这篇论文：
它不是分别在灾前、灾后影像中“找水”再做叠加，而是先把光学和SAR中的水体特征映射到更一致的语义空间，再直接判断哪里发生了水体变化；更关键的是，它不需要大量真实洪水变化标签，而能利用已有水体数据自动构造伪变化样本。

洪水应急遥感有一个很现实的矛盾。

灾前，我们通常能找到清晰的光学影像；灾后，暴雨和厚云往往仍未消散，此时最可靠的却可能是能够穿透云雨的SAR影像。

于是，真正进入算法的往往不是“两张长得差不多的图”，而是一张光学影像和一张SAR影像。

问题也随之出现：

光学影像记录的是地物反射光谱，SAR记录的是微波散射。两者看起来完全不是一种“语言”，变化检测模型该怎样直接比较？

武汉大学Bofei Zhao、Haigang Sui等人在发表于Remote Sensing of Environment的论文《Flood inundation monitoring using multi-source satellite imagery: a knowledge transfer strategy for heterogeneous image change detection》中，提出了异构洪水淹没提取网络——H-FIENet。

这项工作的重点并不是简单设计一个更深的网络，而是同时处理两个长期困扰洪水应急制图的问题：异构影像特征不一致，以及真实双时相洪水变化样本太少。

一、先别谈网络：为什么“灾前光学 + 灾后SAR”这么难做？

1. 最简单的方法，是先分别找水，再做相减

传统洪水制图中，一个很常见的方法是后分类比较，也就是PCC（Post-Classification Comparison）。

它的逻辑非常直接：

先从灾前影像中提取正常水体，再从灾后影像中提取水体，最后比较两张二值水体图。

如果某处灾前不是水、灾后变成水，就认为这里发生了洪水扩张；如果灾前是水、灾后不是水，则对应退水。

听起来没有问题，但真正麻烦的是：

洪水结果的正确性，同时依赖灾前和灾后两次水体提取都正确。

只要其中一次出现误判，错误就会继续传递到最终变化结果中。

尤其是SAR影像中，道路、建筑阴影、平滑地表等区域都可能表现出较低的后向散射，从而被误认为水体。于是，单时相提取误差最终会被带入洪水图。

2. 为什么不直接让深度学习比较两张影像？

这正是变化检测网络擅长的事情。

但这里还有第二个问题：光学和SAR不是同一种数据。

光学影像依赖可见光和近红外反射；SAR影像依赖微波与地表结构、粗糙度和介电性质之间的相互作用。

同一个河流，在光学影像中可能表现为深色且光谱稳定的区域，在SAR影像中则主要表现为低后向散射。

因此，经典Siamese网络中“两个分支共享权重”的假设，并不天然适合这种组合。

3. 更棘手的是：高质量洪水变化标签太少

如果有几十万组精确配准的“灾前光学—灾后SAR—洪水变化标签”，模型当然可以慢慢学。

但真实情况恰恰相反。

大规模水体提取数据集很多，而真正包含不同卫星、不同地区、不同时间，并且具有像素级洪水变化标签的数据集十分有限。

人工制作这种样本不仅耗时，而且洪水应急场景本身就要求快速响应。

所以，这篇论文面对的其实是两个问题：

第一，光学和SAR特征空间不一致。
第二，异构洪水变化样本严重不足。

H-FIENet就是围绕这两个问题展开。

二、H-FIENet的核心思想：别从头学习“洪水”，先迁移已经学会的“水体知识”

作者注意到一个很重要的事实：

虽然“异构洪水变化数据”很少，但“单时相水体提取数据”并不少。

这意味着，与其让一个新模型从零开始同时学习“什么是水”“光学里的水长什么样”“SAR里的水长什么样”“什么时候算洪水变化”，不如先利用已经训练好的水体提取模型，把最基础的水体知识继承下来。

整个逻辑可以概括成一句话：

先让光学分支和SAR分支分别学会“看水”，再让变化检测模块学习“水发生了什么变化”。

论文把这种设计称为跨任务知识迁移（cross-task knowledge transfer）。

源任务是水体提取，目标任务是洪水变化检测。

也就是说，H-FIENet并不是把一个普通分类模型直接迁移到洪水任务，而是把与洪水最相关的“水体语义知识”迁移过来。

三、第一处关键创新：不用共享权重，而是让光学和SAR各自“说自己的语言”

经典Siamese网络通常由两个结构相同、参数共享的分支组成。

这在同源影像变化检测中很合理，因为灾前和灾后影像来自相同或相似传感器，特征表达基本一致。

但对于光学和SAR，这种共享反而可能成为限制。

H-FIENet因此采用了pseudo-Siamese，也就是伪Siamese结构。

两个分支不共享参数，而是各自使用最适合自己的水体特征提取网络。

论文中：

• 光学影像分支采用MSResNet；
• SAR影像分支采用Siam-DWENet。

这两个模型首先分别在光学水体数据和SAR水体数据上进行训练。

随后，作者去掉原来用于单时相水体分类的输出部分，把中间学到的水体特征提取能力保留下来，作为H-FIENet的两个特征转换模块。

于是，整个过程变成：

这里真正重要的不是“双分支”三个字，而是：

两个分支不再试图直接比较原始光学和SAR像素，而是先把它们转换成更接近的“水体语义”。

换句话说，模型不需要回答“这个SAR灰度值和那个光学像素值是否相似”，而是回答：

这两个位置在经过各自的水体特征提取后，表达的“水体状态”是否发生了变化？

这一步就是论文解决异构影像特征差异的核心。

四、为什么“特征统一”比直接做影像转换更合理？

面对光学—SAR变化检测，一个常见思路是把其中一种影像“翻译”成另一种影像，再计算差异。

例如，可以尝试把灾前光学特征回归成类似灾后SAR的特征，然后比较它们。

但这种方法会面临一个问题：

影像中包含建筑、道路、农田、植被、水体等大量信息，而洪水检测真正关心的，其实只是“水体状态有没有变化”。

H-FIENet因此没有要求两个模态在所有地物特征上都完全一致，而是重点统一与水体有关的深层语义特征。

论文图12对比了AGSCC、CAAE和H-FIENet的特征转换结果。

AGSCC能够通过特征回归获得较明显的变化区域，但超像素处理会带来锯齿和细节损失；CAAE依赖未变化区域进行无监督特征学习，当变化区域比例较大时，容易产生漏检。

H-FIENet则把注意力集中在水体语义上。

因此，它的目标不是：

让光学影像看起来像SAR。

而是：

让光学中的“水”和SAR中的“水”，在深层特征空间中变得更容易比较。

这是理解H-FIENet最关键的一点。

五、第二处关键创新：没有真实洪水配对样本，也可以“造”出变化标签

仅仅解决特征不一致还不够。

深度学习变化检测通常仍需要大量双时相标签。

而本文一个非常值得借鉴的设计，是重新思考：

变化检测训练样本是否一定要求灾前和灾后来自同一个地理位置？

作者的答案是：不一定。

1. 模型真正要学的，是“水—非水状态发生变化”

假设有一张来自中国的光学影像，其中已经标好了水体。

另一张来自其他地区的SAR影像，也已经有水体标签。

传统变化检测不会把它们放在一起，因为两个影像根本不是同一个地方。

但作者认为，如果目标只是训练模型理解“一个位置从水变成非水，或者从非水变成水意味着变化”，那么地理位置本身并不是必须信息。

因此，可以随机组合来自不同区域的光学水体样本和SAR水体样本。

然后，只比较它们的水体标签。

如果两个标签状态不同，就记为“变化”；如果状态相同，就记为“未变化”。

可以写成非常直观的逻辑：

光学标签 = 水 SAR标签 = 水 → 未变化 光学标签 = 非水 SAR标签 = 非水 → 未变化 光学标签 = 非水 SAR标签 = 水 → 变化 光学标签 = 水 SAR标签 = 非水 → 变化

本质上，它就是对两张水体标签做一种“异或”关系。

论文把这种数据称为：

spatially inconsistent heterogeneous image flood detection dataset

也就是“空间不一致的异构影像洪水检测数据集”。

2. 为什么这个想法重要？

因为它改变了样本获取方式。

传统路线是：

找到同一地点的灾前影像 + 灾后影像 → 精确配准 → 人工标注洪水变化。

H-FIENet的路线则是：

找到已有的光学水体数据 + SAR水体数据 → 随机组合 → 自动生成伪变化标签。

原本稀缺的是“洪水变化标签”，而已有资源中并不缺“水体标签”。

作者因此把一个难以获取的数据问题，转换成了一个可以复用已有公开数据的问题。

六、9组样本就能训练？真正起作用的是“迁移”，不是样本数量本身

论文实验中有一个非常醒目的数字：

H-FIENet的洪水变化训练数据只有9组512×512影像块。

这9组数据由灾前光学影像、灾后SAR影像和自动构造的伪洪水变化标签组成，并按照4:4:1划分训练、测试和验证数据。

如果一个普通深度网络完全从随机初始化开始，只依赖9组变化样本，很难期待它稳定掌握不同卫星之间复杂的水体表示。

但H-FIENet并不是从零开始。

它的两个前端分支已经通过光学水体数据和SAR水体数据预训练，学到了大量与水体相关的知识。

所以，最终的少样本训练更像是：

不是重新教模型“什么是水”，而只是教模型“已经识别出来的水体特征应该怎样比较”。

这也解释了为什么论文的重点必须同时看两个部分：

跨任务知识迁移 + 伪变化样本构造。

只有伪样本，没有稳定的预训练水体特征，少量样本很难支撑模型；只有预训练特征，没有一种低成本生成变化标签的方法，训练数据瓶颈依然存在。

两者实际上是一套完整设计。

七、实验怎么验证？作者故意让模型面对不同国家、不同卫星

为了证明H-FIENet不是只对某一组Sentinel影像有效，论文选择了多种洪水场景和多种卫星组合。

主要数据来自：

研究区域包括中国王家坝、比利时Liège以及莫桑比克Maputo等洪水区域。

这些区域的土地覆盖差异明显，有农田、居民区、河流、湿地和植被，也跨越不同气候和地理环境。

因此，实验真正想回答的不是：

模型能不能把一场洪水做准？

而是：

换一个国家、换一种地表、甚至换一组卫星后，这套特征迁移策略还能不能工作？

八、结果怎么样？先看王家坝：OA达到0.943

在王家坝实验中，作者使用灾前Sentinel-2光学影像和灾后Sentinel-1 SAR影像进行洪水提取。

H-FIENet与CMCDNet、GIR-MRF、AGSCC、CAAE和INLPG等方法进行了比较。

核心结果如下：

这里最值得关注的并不是单纯“0.943比0.930高多少”。

更重要的是：

CMCDNet属于监督式异构变化检测方法，需要较多双时相训练样本；H-FIENet依靠很少的伪变化样本，仍然获得了接近甚至更好的检测表现。

论文还指出，在3800×3100像素的灾前、灾后影像上，H-FIENet推理时间约为1分钟。

这使它更贴近洪水应急制图对快速处理的需求。

九、换到欧洲和非洲，它还能工作吗？

作者进一步使用Copernicus Emergency Management Service提供的洪水产品作为参考，在比利时和莫桑比克进行验证。

H-FIENet在不同场景下的OA分别达到：

• EMSR518：0.954
• EMSR650-02：0.871
• EMSR650-03：0.933

其中，在EMSR650-02场景中，H-FIENet的OA并不是所有方法中最高，但其Kappa达到0.441，并且在误警和漏检之间表现出较好的综合平衡。

这组实验的意义在于：

模型并没有只在王家坝这一处训练逻辑下获得有效结果，而是在欧洲和非洲完全不同的洪水背景中继续保持可用的变化检测能力。

在莫桑比克实验中，论文还提到H-FIENet能够在数分钟内完成洪水范围处理，并且整个检测过程可以自动执行，而CEMS产品本身还涉及专家参与和后处理。

这说明本文真正强调的是“自动化应急制图潜力”，而不仅是实验室条件下的像素精度。

十、再换一组卫星：GF-2 + GF-3也能直接做

如果一个模型只能处理Sentinel-2和Sentinel-1，那么所谓“多源”仍然比较有限。

因此，作者专门用王家坝洪水测试了：

灾前GF-2光学影像 + 灾后GF-3 SAR影像

结果显示，H-FIENet仍然能够提取主要洪水淹没范围。

这一实验实际上验证了H-FIENet结构中的一个重要思想：

变化判别部分和不同传感器的水体特征模块可以相对独立。

如果未来要加入新的遥感数据源，理论上不一定需要推翻整个变化检测框架，而可以针对新的传感器准备相应的水体特征转换模块，再嵌入H-FIENet。

这种模块化设计，比固定死在某一种传感器组合上的网络更有扩展潜力。

十一、一个容易被忽略的亮点：它不仅会看“涨水”，还会看“退水”

很多洪水研究最终只回答一个问题：

洪水最大淹到了哪里？

但洪水本身是动态过程。

水会扩张，也会退去。

作者因此使用王家坝2020年7月20日、8月1日和8月17日的多时相影像，进一步测试H-FIENet能否处理不同组合。

1. SAR → SAR：既检测扩张，也检测消退

使用7月20日和8月1日的两期Sentinel-1 SAR影像时，H-FIENet能够同时识别新增淹没区和退水区。

其中：

• 洪水扩张检测OA：0.973
• 洪水退水检测OA：0.853

对于洪水扩张，H-FIENet与传统RI、NCI方法表现接近；对于洪水退水，论文认为H-FIENet在空间结果上具有更明显优势。

2. SAR → 光学：前后数据类型反过来也能处理

作者又使用8月1日SAR影像和8月17日光学影像进行变化检测。

这一次，输入顺序不再是“光学 → SAR”，而是：

SAR → 光学

H-FIENet仍然能够提取退水区域。

这说明它的目标并不是建立一个只能服务于“灾前光学、灾后SAR”的固定模型，而是在一定程度上支持更灵活的双时相遥感组合。

因此，这篇论文已经从“一次洪水应急制图”向“多时相洪水过程监测”迈了一步。

十二、这篇论文真正的创新，不只是一个伪Siamese网络

如果只看网络结构，很容易把这篇文章理解成：

“作者设计了一个双分支变化检测网络。”

但这样会低估它。

论文真正值得关注的是，它重新组织了洪水变化检测中数据、知识和模型之间的关系。

因此，这项工作的创新可以浓缩成三个关键词。

1. 跨任务迁移

把“水体提取”中学到的知识迁移到“洪水变化检测”，减少对洪水变化标签的依赖。

2. 异构特征统一

不是强迫光学和SAR共享同一个特征提取器，而是让它们分别学习，再在更高层水体语义空间中进行比较。

3. 伪变化样本

不再要求灾前、灾后影像来自同一地理位置，而是利用已有水体标签自动构造变化监督信息。

这三点共同构成了H-FIENet，而不是彼此独立的小技巧。

十三、这套方法对洪水应急监测意味着什么？

1. 灾后不必等待“理想数据组合”

现实中，洪水发生后最先到达的影像来自哪颗卫星并不确定。

如果算法只能接受固定的Sentinel-2 → Sentinel-1组合，那么应急系统仍然受数据限制。

H-FIENet希望做的是：

谁先拍到，就尽量利用谁。

只要相应传感器具有可用的水体特征提取模块，就有机会进入同一变化检测框架。

2. 把数据瓶颈从“洪水变化标签”转移到“水体标签”

洪水变化标签昂贵且稀缺，而全球已经积累了大量单时相水体数据。

H-FIENet的价值之一，就是让这些已有数据不再只服务于水体提取，而能进一步支持洪水变化检测。

3. 更适合快速迁移到新的区域和卫星

由于两个传感器分支相对独立，未来加入新的光学或SAR传感器时，可以优先训练对应的水体特征模块。

这种设计降低了“每换一种卫星就重新构建整个洪水变化模型”的压力。

4. 为时序洪水监测提供基础

论文已经证明，H-FIENet可以处理SAR—SAR、SAR—光学等不同时间组合，也能区分洪水扩张与退水。

这意味着它具有进一步组织多期影像、构建洪水动态序列的潜力。

十四、总结：这篇论文最值得记住的，不是0.943，而是“先统一水体语义，再判断变化”

H-FIENet在王家坝异构光学—SAR洪水实验中的OA达到0.943，在欧洲和非洲不同洪水场景中仍保持较好的检测表现，同时能够扩展到GF-2/GF-3数据，并识别洪水扩张和退水过程。

但这些数字背后更值得关注的是它的问题拆解方式。

传统思路往往是：

直接让模型学习光学和SAR之间所有复杂差异。

H-FIENet则把问题重新定义为：

光学和SAR虽然长得完全不同，但它们都可以先回答“这里是不是水”；只要把这种水体语义表达统一，后续真正需要学习的就只是“水体状态有没有变化”。

与此同时，作者又进一步把稀缺的双时相洪水变化标签，转换成可以由已有单时相水体标签自动生成的伪变化样本。

因此，这篇论文真正解决的不是某一个网络层怎么设计，而是：

怎样利用已有知识和已有数据，让多源异构遥感影像在洪水应急中更快地形成可比较、可迁移、可自动化的变化结果。

这也是它发表于Remote Sensing of Environment后最值得关注的地方。

它把洪水变化检测从“必须拥有理想的双时相训练数据”，推进到了：

即使数据来自不同卫星、不同模态，而且真正的洪水变化样本很少，也可以通过知识迁移把已有水体数据重新利用起来。

论文信息

论文题目：Flood inundation monitoring using multi-source satellite imagery: a knowledge transfer strategy for heterogeneous image change detection

作者：Bofei Zhao、Haigang Sui、Junyi Liu、Weiyue Shi、Wentao Wang、Chuan Xu、Jindi Wang

期刊：Remote Sensing of Environment

卷期：Volume 314, 114373

发表年份：2024

DOI：10.1016/j.rse.2024.114373