WaterFormer-MS: A multi-stream deep learning framework for surface water segmentation from satellite imagery

方法

多流架构融合光谱、几何与上下文特征，CBAM注意力卷积融合，Sentinel-2

发现

300轮训练下总体精度97.4%、IoU 89.7%，优于NDWI及对比深度学习方法。

机会点

可探索多流框架在农业灌溉水体与小型水塘精细提取中的迁移，并引入时序Sentinel-2提升季节鲁棒性。

准确绘制地表水体分布对于大坝监测、灌溉规划和水资源可持续管理至关重要。基于NDWI等光谱指数的传统方法在复杂环境中可能因光谱模糊性、季节性变化以及城市或植被覆盖地表而面临挑战。U-Net和DeepLabv3+等深度学习方法改善了水体分割效果，但精确描绘精细边界和检测小型水体仍然具有挑战性。为解决这些局限，本研究提出WaterFormer-MS，一种用于Sentinel-2影像地表水分割的多流深度学习框架。该架构通过专门的处理流整合光谱、几何和上下文信息，并利用经CBAM注意力增强的卷积融合模块将提取的特征进行融合。该设计旨在改善特征表征并支持精确的水体描绘。所提模型使用来自公开Kaggle数据集的Sentinel-2影像进行训练和评估，该数据集包含城市、植被和农业环境等多种土地覆盖条件。在300个训练轮次时，WaterFormer-MS取得了97.4%的总体精度、93.2%的精确率、94.2%的召回率、93.7%的F1分数和89.7%的IoU。在实验框架内，WaterFormer-MS取得了高于其他所提变体的数值。与传统基于NDWI的方法及已发表的深度学习方法进行比较，结果表明其性能具有竞争力；然而，这些比较应谨慎解读，因为数据集、预处理流程、训练方案和评估设置可能存在差异。研究结果支持所提框架在多样化遥感场景中用于地表水分割和环境监测应用的潜力。