一种基于Maxout增强技术的鲁棒深度卷积神经网络模型，用于利用Sentinel-1 SAR数据进行洪水测绘

《Physics and Chemistry of the Earth, Parts A/B/C》：A Maxout-Enhanced Robust Deep Convolutional Neural Network Model for Flood Mapping using Sentinel-1 SAR Data

本文提出基于DeeplabV3+的Maxout增强模型DB-SEN1FloodNet，用于Sentinel-1 SAR影像的洪水检测。实验表明该模型在11个不同区域的数据集上表现优异，准确率达96%，且具有跨区域泛化能力。

　　

舒巴姆·阿瓦斯蒂（Shubham Awasthi）| 戈帕尔·辛格·法尔蒂亚尔（Gopal Singh Phartiyal）| 迪维耶什·瓦拉德（Divyesh Varade）| 卡马尔·贾恩（Kamal Jain）

英国伦敦帝国理工学院地球科学与工程系

摘要

及时准确地检测洪水对于减少人员伤亡和评估灾害造成的损失至关重要。遥感技术能够实现近乎实时的洪水范围绘制，这对于有效的灾害应对和准备工作至关重要。其中，合成孔径雷达（SAR）数据因其全天候、昼夜成像的能力而特别有价值。本研究提出了一个基于Sentinel-1 SAR图像的强大且计算效率高的深度学习框架用于洪水映射。利用包含11个地理和时间上不同洪水事件的Sen1Floods11基准数据集，我们提出了DeeplabV3PlusMX（DB-SEN1FloodNet）——一个基于DeeplabV3+架构的“Maxout”增强型语义分割模型。该模型在编码器-解码器流程的多个阶段策略性地集成了“Maxout”激活层，以减少特征空间的冗余，增强对斑点噪声的鲁棒性，并提高对异构洪水场景的泛化能力。通过启用自适应的分段线性特征表示和与dropout相结合的正则化，“Maxout”策略在复杂散射条件下提高了对洪水区域的区分能力。实验结果表明，该模型性能优异，总体准确率为96%，平均精确度为98%，平均召回率为94%，F1分数为96%，平均交并比（mIoU）为65%。此外，当在未见过的地理区域进行评估时，该模型表现出更好的迁移能力，优于那些通常仅限于特定事件或区域训练的现有方法。对辅助数据集的依赖减少进一步凸显了该框架在使用SAR数据进行可扩展的全球洪水监测方面的操作潜力。

章节摘录

引言

洪水被定义为地表水的暂时溢出，淹没通常干燥的土地，是全球最频繁和最具破坏性的自然灾害之一。它们在人类历史上造成了最多的死亡人数和经济损失（Burby 1998；Bankoff 1999；Doocy等人2013；Quirogaa等人2016；Kamal等人2018；DeVries等人2020；Alonso-Sarria等人2025）。在二十世纪，洪水灾害的发生频率和影响显著增加。

研究区域详情

本研究使用了Sen1Floods11基准数据集，这是一个由欧洲航天局（ESA）提供的Sentinel-1 SAR卫星观测数据生成的全球分布的地理参考洪水映射数据集（Bonafilia等人，2020）。Sentinel-1作为一个主动微波传感器，能够在不受太阳光照和大气条件（如云层覆盖和降水）影响的情况下进行一致的地球观测，这对于洪水监测应用尤为重要（Torres）

数据集详情

Sentinel任务的数据集在地球观测中得到了广泛的应用，特别是在洪水映射方面。Sentinel-1由于其免费可用性、相对较短的重复周期和全天候能力而具有明显优势，而Sentinel-2则因更高的分辨率和比Landsat任务产品更高的重复性而受到欢迎（Varade等人2018）。Sen1Floods11数据集包含两个不同的部分：一部分专门用于洪水事件，另一部分则关注

模型实现与洪水检测结果

各种基于CNN的模型，如Unet-2D、DeeplabV3、DeeplabV3Plus以及我们提出的DeeplabV3PlusMX，均被用于使用来自全球11个不同地区的Sen1Floods11数据集进行洪水映射。这些基于CNN的建模方法在洪水映射方面表现出高效性，我们提出的DeeplabV3PlusMX模型在所有这些方法中表现最佳。该模型能够避免误报，并提供高

讨论

由于气候变化、土地利用变化以及人类暴露程度的增加，洪水灾害在全球范围内的频率、强度和空间范围都在增加。这些趋势要求洪水映射方法不仅准确，而且能够在不同的地理、水文和环境条件下保持鲁棒性和可迁移性。合成孔径雷达（SAR）数据因其全天候、昼夜成像的能力而在大规模和近乎实时的洪水监测中变得不可或缺

结论

本研究调查了基于深度学习的洪水映射方法利用Sentinel-1 SAR数据可靠检测不同地理和水文环境中的洪水淹没情况的能力。通过利用全球分布的Sen1Floods11数据集，该研究能够全面评估模型的学习行为、性能一致性和在多个易受洪水影响地区的泛化能力。结果表明，有效的洪水映射不仅需要高

CRediT作者贡献声明

迪维耶什·瓦拉德（Divyesh Varade）博士：撰写——审阅与编辑、可视化、资源准备、概念构思。 戈帕尔·辛格·法尔蒂亚尔（Gopal Singh Phartiyal）博士：撰写——审阅与编辑、验证、资源准备、方法论、正式分析、数据管理、概念构思。 舒巴姆·阿瓦斯蒂（Shubham Awasthi）博士：撰写——初稿撰写、可视化、验证、方法论、调查、资金获取、正式分析、数据管理。 卡马尔·贾恩（Kamal Jain）博士：撰写——审阅与编辑、验证、监督、项目管理

未引用的参考文献

Alphen等人，2009；Cai和Liu，2016；Ghasemian Sorboni等人，2024；Gholami等人，2025；Lalchhanhima等人，2021；Li等人，2021b；Pandey等人，2024；Phartiyal等人，2017；Sahoo等人，2024；Sahoo等人，2025；Situ等人，2025；Qin等人，2020；Roohi等人，2025；Singh等人，2023；Varade等人，2019；Varade等人，2023；Yu等人，2018；Yu和Koltun，2015；Zhang和Xia，2021。

利益冲突

作者声明不存在利益冲突

资金支持

作者感谢印度鲁尔基理工学院提供助教职位以完成这项工作。本工作未获得任何外部资金支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本文作者感谢欧洲航天局（ESA）慷慨提供用于本研究的Sentinel-1 SAR数据集。同时，我们也感谢之前研究的作者提供了Sen1Flood11洪水标签数据集以帮助我们实施所提出的方法。作者还要感谢Sutapa Bhattacharjee博士和Deepmala Trivedi Phartiyal博士在改进本手稿方面提供的帮助。