天津
图1 CIM-TTDA海岸水淹智能提取方法框架
近日，中国科学院海洋研究所人工智能海洋学研究组在卫星合成孔径雷达（SAR）海岸水淹智能制图方面取得新进展。针对深度学习模型在不同灾害事件中识别效果容易下降的问题，研究团队提出引入了测试时域适应的海岸水淹智能提取方法CIM-TTDA（Coastal Inundation Mapping via Test-Time Domain Adaptation），利用新灾害事件自身的无标注SAR观测数据，对已有模型进行针对性调整，在无需新增人工标注的情况下提升海岸水淹识别精度。研究成果发表于 Journal of Geophysical Research: Machine Learning and Computation。
海岸水淹是热带气旋引发的重要海洋灾害，快速、准确获取灾后淹没范围，对灾害应急响应和灾情评估具有重要意义。SAR具有全天时、全天候成像能力，在台风和强降水造成云层遮挡时仍能观测地表，因此是洪水和海岸水淹监测的重要手段。然而，不同地区的地形、地表覆盖、水体形态和卫星成像条件存在明显差异，一个在已有数据上表现良好的深度学习模型，直接应用到新的灾害事件时往往会出现识别精度下降的情况。依靠增加人工标注样本来解决这一问题，不仅成本较高，也难以覆盖未来可能发生的各种灾害场景。
针对这一难题，CIM-TTDA首先利用大规模公开S1S2-Water数据集训练一个具有通用水体识别能力的模型。当新的海岸水淹事件发生后，模型可以直接利用该事件自身的无标注SAR观测数据进行学习和调整，形成更适合当前事件的模型，再用于生成水淹范围图。与需要提前准备新区域数据的传统方法相比，CIM-TTDA能够根据实际发生的灾害事件“边看边调”，更适合突发灾害的快速制图需求。
针对SAR影像中淹没信号较弱、淹没区域占比较小以及噪声干扰明显等问题，研究团队进一步设计了自监督学习策略，使模型能够重点学习容易漏判和边界模糊的水淹区域，同时降低错误预测对模型调整过程的影响。此外，研究还通过随机选取部分代表性数据参与模型调整，在保持识别效果的同时减少计算量。
为检验方法在真实灾害中的应用效果，研究团队构建了包含越南热带气旋Matmo、马达加斯加热带气旋AVA和美国飓风Florence在内的海岸水淹数据集，共涵盖8个不同遥感场景。 结果表明，CIM-TTDA在两类不同的深度学习模型上均能将像元级平均交并比（IoU）提高约0.15。以EfficientNet-B0为基础模型时，像元级和事件级平均IoU分别达到0.803和0.806，整体优于实验中比较的传统方法、深度学习基线模型以及已有的模型适应方法。
研究进一步发现，不同洪水事件之间的差异十分明显。一个模型针对某次洪水完成调整后，如果直接用于其他事件，部分事件的平均IoU会下降超过0.1。这说明，与依赖一个固定模型处理所有灾害场景相比，根据每次新事件的实际观测对模型进行针对性调整，更有利于保持海岸水淹识别的稳定性和准确性。
在应用效率方面，模型经过约4轮适应后性能趋于稳定，使用60%~80%的事件数据即可获得接近全部数据参与调整时的效果。 该研究为提高遥感智能模型在未知灾害场景中的适应能力提供了新的思路，方法未来还可进一步拓展至河流洪水、城市内涝等事件驱动型遥感灾害制图任务。
论文第一作者为中国科学院海洋研究所陈万泰，通讯作者为李晓峰研究员，合作作者包括王充、赵子萌。研究得到国家自然科学基金项目资助。
论文信息：
Chen, W., Wang, C., Zhao, Z., & Li, X.* (2026). Improving Cross-Event Generalization for SAR-Based Coastal Inundation Mapping via Test-Time Domain Adaptation. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH001145.
https://doi.org/10.1029/2025JH001145
信息来源：中国科学院海洋所。
转载请注明信息来源及海洋知圈编排。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
