基于Sentinel-2影像和Google Earth Engine平台的10米分辨率全球动态地表水组分制图研究

本研究针对现有全球地表水数据集时空分辨率低(30米/月)、混合像元问题严重等瓶颈，创新性提出动态地表水组分(DSWF)制图方法。通过结合Sentinel-2影像与Dynamic World数据集，在GEE平台实现10米分辨率、按需生成的亚像元水面比例估算，验证显示RMSE仅0.090，显著提升小水体监测精度，为水资源管理和灾害防控提供新工具。

　　

在全球气候变化和人类活动加剧的背景下，地表水动态监测已成为环境管理和生态保护的重要课题。然而现有全球地表水数据集如JRC GSWE、GLAD GSWD等普遍存在两大瓶颈：空间分辨率局限在30米导致小水体漏检，月时间尺度难以捕捉快速变化过程。更关键的是，传统硬分类方法无法解决混合像元问题——研究显示约10%的内陆水体恰好位于Landsat混合像元中。

为突破这些限制，中国科学院精密测量科学与技术创新研究院王亚兰团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性开发了动态地表水组分(DSWF)制图框架。该研究巧妙结合10米分辨率Sentinel-2影像与Dynamic World(DW)数据集，通过自主训练的随机森林回归模型，在Google Earth Engine(GEE)云平台实现全球任意区域的按需制图，首次实现10米尺度的亚像元水面比例精确估算。

关键技术包括：1）基于DW水概率图生成10米二值水体掩膜；2）通过空间聚合构建50米训练样本，采用分层随机采样平衡纯水/纯陆/混合像元比例；3）随机森林回归模型建立光谱指数与水面比例的映射关系；4）结合DW概率和形态学运算的后处理优化。验证数据包含全球113个验证图斑，涵盖PlanetScope和Google Earth的1-3米分辨率参考数据。

研究结果方面：

1. 1.

   精度验证显示：DSWF整体RMSE为0.090，MAE为0.021；针对混合和边缘像元，RMSE和MAE分别为0.302和0.193，显著优于传统方法。

2. 2.

   小水体监测：在养殖池塘、狭窄河流等场景中，DSWF检测到的最小水体达0.01公顷，边界刻画精度较30米数据集提升50%以上。

3. 3.

   动态监测案例：巴基斯坦印度河洪泛区监测显示，DSWF以5天间隔捕捉到水体面积从68.68 km²到45.74 km²的连续退缩过程。

讨论部分指出，DSWF的创新性体现在三方面：首先，突破性地将深度学习(DW)与自训练机器学习结合，解决传统物理模型依赖端元光谱的局限；其次，GEE在线计算框架实现"按需制图"，避免PB级数据的存储压力；最后，亚像元分解使10米分辨率下仍能保持边界细节。尽管在浓密植被覆盖区存在局限，但该方法为联合国可持续发展目标(SDG)中的水资源监测提供了新范式。

这项研究标志着全球地表水监测进入亚像元时代，其10米级动态数据将显著提升农业灌溉效率评估、湿地退化预警等应用的精度。未来结合SAR数据有望进一步解决云覆盖限制，推动水循环研究的时空维度拓展。