快速且准确地掌握地表水体的空间分布具有重要价值，可为水资源监测、自然灾害分析、城市环境管理等诸多应用提供有力支撑。随着对地观测技术的发展和卫星遥感时空分辨率的不断提高，已有丰富的遥感数据可用于地表水体的大规模提取。然而，水体较高的类内差异（如水体中成分不同导致光谱差异较大）和较低的类间差异（如不同地物阴影带来的光谱特征混淆）加大了水体提取的难度。
光谱指数计算简单，常被用于水体提取。然而，光谱指数往往难以应对复杂环境下的水体提取，同时面临着自动设定合适阈值的难题。基于深度学习的语义分割技术是地表信息高效准确提取的有力途径。然而，训练深度语义分割网络模型需要大量逐像元标记，制作这种标记费时费力且成本昂贵，极大地限制了语义分割技术在水体信息提取方面的大规模应用。
为此，南京大学高分辨率遥感实验室提出了一种光谱指数驱动的弱监督水体智能提取方法，将遥感图像中地物的光谱响应特征视为天然的弱标记，利用地物光谱指数和知识规则识别地物以自动生成训练样本，在零人工标记成本的条件下训练遥感图像语义分割网络实现水体提取。
图1 光谱指数驱动的水体弱监督智能提取流程图
具体而言，将水体指数图视为一种弱标记形式，采用先生成模拟标记再训练分割网络的两阶段训练模式。提出先确保准确度、后提高完整度的模拟标记生成方法，充分挖掘并利用水体光谱指数所提供的先验信息，自动生成高质量的模拟标记，进而实现高质量的语义分割。
本研究使用 Sentinel-2 遥感图像，制备了全球范围内具有多种挑战的水体提取测试数据集，验证了光谱指数驱动的水体弱监督智能提取效果。
图2 Sentinel-2 水体数据训练集与测试集位置分布图
研究结果表明：（1）本方法取得了高精度的水体提取结果，Kappa系数和 F1分别达到0.9673和0.9696；（2）在不同地区、具有不同水体类型和挑战的研究区上，水体提取的精度波动性极低，具有较高的稳定性和鲁棒性；（3）在面临建筑、山体、云阴影的干扰下，该方法仍可以取得平均 0.9677的高准确率。
图3 本方法与其它方法的精度对比
图4 建筑阴影干扰下的水体提取效果示意图
该研究成果近日以“Spectral index-driven FCN model training for water extraction from multispectral imagery”为题发表于ISPRS Journal of Photogrammetry and Remote Sensing。南京大学地理与海洋科学学院博士生李振世为论文第一作者，张学良副教授为论文通讯作者，肖鹏峰教授为论文合作作者。该研究得到国家自然科学基金项目（42071297, 41871235, 31860679）和中央高校基本科研业务费（020914380095）资助。
