From pixels to runoff: integrating high-resolution remote sensing and deep learning for hydrologically meaningful urban land-use classification
Ahmed Wageeh · Alaya Albalushi · Fatema Alnuaimi 等 5 人
比较高分辨率遥感分类精度与水文模拟效果，发现像素精度不足以判断土地利用图的水文适用性。
8厘米3波段航空影像，用RF、SVM及U-Net、PSP-Net、DeepLab
U-Net宏观IoU最高且水文表现强；分类方式使峰值流量差1.54 m³/s，总精度相同但水文效果不
可将分类评价从像素精度转向水文/生态过程指标，探索面向应用目标的遥感分类优化与不确定性传播。
研究聚焦城市土地利用遥感分类与水文建模，属城市环境与遥感领域，与三农、农业信息化、智慧农业无直接关联，未达相关性门槛。
准确的城市土地利用分类对水文建模至关重要，然而多数研究仅以像元级精度评价分类方案，而未考察其水文后果。本研究探讨传统分类精度是否足以识别适用于水文建模的土地利用图。针对这一问题，采用随机森林（RF）和支持向量机（SVM）两种机器学习分类器，以及三种深度学习语义分割模型（U-Net、PSP-Net、DeepLabV3），对高分辨率（8 cm）三波段航空影像进行分类。以参考点为基础，采用总体精度（OA）、Kappa系数及各类别精度评价分类精度。以NSE、R²、KGE和RMSE评估所得图件的水文性能。U-Net取得了最高的宏平均IoU（63.1%），并在铺装路面和人行道类别上表现出更强的空间一致性，表明其更好地保留了具有水文影响的不透水面特征。尽管经后处理的RF和U-Net取得了相同的OA值（84.7%），但基于深度学习的分类总体上产生了更强的水文性能，其中U-Net频繁位列表现最优的模型之列。设计暴雨分析表明，分类类型可使峰值流量改变1.54 m³/s，证明径流预测对分类土地利用输入具有敏感性。这些发现表明，仅凭总体像元级精度不足以判定水文适用性，还应考虑水文重要地表的类别特异性表征。本研究强调了从水文结果角度评价遥感分类的重要性，对雨水基础设施设计和城市防洪韧性具有启示意义。