论文标题：Deep Learning Small Water Body Mapping by Transfer Learning from Sentinel-2 to PlanetScope

论文链接：https://www.mdpi.com/2072-4292/17/15/2738

期刊名： Remote Sensing

期刊主页：https://www.mdpi.com/journal/remotesensing

池塘、小型水库和狭窄河道等小微水体广泛分布于农业生产区及自然生态系统，是灌溉、水产养殖和区域水资源管理的重要基础。PlanetScope卫星具有约3 m空间分辨率和每日全球覆盖能力，为精细识别小微水体提供了数据条件。然而，深度学习制图通常需要大量人工标注样本；小微水体形态复杂、边界细碎，进一步增加了标注成本，制约了模型在不同地区的推广应用。

近日，中国科学院精密测量科学与技术创新研究院李晓冬研究团队在Remote Sensing发表论文“Deep Learning Small Water Body Mapping by Transfer Learning from Sentinel-2 to PlanetScope”。研究利用Sentinel-2与PlanetScope部分波段的光谱对应关系，提出先以公开Sentinel-2水体数据预训练、再用少量PlanetScope标注样本微调的跨传感器迁移学习方案，并系统比较了八种深度学习网络在小微水体制图中的表现。

研究过程与结果

研究首先采用公开S1S2-Water数据集中的65景Sentinel-2影像及其水体标签开展预训练，生成53,112个训练图块和22,767个验证图块。随后，利用26景不同时相的PlanetScope影像构建人工标注数据集，共包含5,648个256 × 256像素图块，其中4,356个用于训练与验证，另有1,292个留作测试。研究统一使用UperNet分割框架，比较VMamba、MambaOut、CoAtNet、MaxViT、Swin Transformer、ConvNeXt、ResNet和Xception八种骨干网络，并通过五折交叉验证考察有限样本条件下的稳定性。

实验设置了直接使用Sentinel-2预训练权重、仅用PlanetScope样本从头训练，以及在Sentinel-2预训练基础上使用PlanetScope样本微调三种策略。结果表明，跨传感器直接应用预训练模型时，容易将阴影、暗色植被等误判为水体；经过PlanetScope微调后，八种网络的总体精度均得到提高，水体误检与漏检有所减少。

图1 八种网络在预训练与PlanetScope微调前后的MIoU对比（来源：论文图10）。

在保留的PlanetScope测试图块上，微调后的VMamba取得总体精度（OA）0.9781、F1值0.8661和平均交并比（MIoU）0.8710；相较直接使用Sentinel-2预训练模型，三项指标分别从0.9405、0.7049和0.7498提高至上述水平。五折交叉验证进一步显示，VMamba的综合得分在不同样本划分下变化较小，说明其在有限样本下表现较为稳定。

为检验区域应用效果，研究还在湖北随州及美国得克萨斯等测试区开展迁移实验。VMamba在两地的总体精度分别达到98.25%和96.04%，能够提取小型水库、池塘及部分狭窄河道等水体。与传统阈值法和随机森林方法相比，迁移学习后的深度学习模型在所选区域内减少了部分小水体漏检。

图2 湖北随州地区的VMamba水体制图结果及局部区域不同方法对比（来源：论文图16）。

研究总结

该研究表明，利用公开Sentinel-2水体标签开展预训练，再通过较少的PlanetScope人工标注样本进行针对性微调，可以有效改善高分辨率小微水体制图效果，减少对大规模人工标注的依赖。八种网络的对比结果也为跨传感器迁移学习模型的选择提供了实验参考。

期刊介绍

主编：Prasad S. Thenkabail, 美国地质调查局西部地理科学中心（WGSC），美国;

汪冬冬，北京大学，中国

期刊范围涵盖遥感科学的各个方面，从传感器设计、验证和校准，到其在地球科学、环境科学、生态学和土木工程中的应用。

2025 Impact Factor：4.3

2025 CiteScore：9.4

Time to First Decision：22 Days

Acceptance to Publication：2.9 Days