卫星被云挡住后，AI还能知道洪水淹到哪里吗？

卫星也会“失明”：这套方法如何在云层、漏拍和时间断档中连续追踪洪水？

一句话读懂这篇论文：
它不是单纯让卫星“看得更清楚”，而是让系统在卫星看不见、看不全的时候，仍能依据水流规律和地形信息，把洪水的变化过程合理地补出来。

洪水监测听起来并不复杂：卫星飞过灾区，拍一张照片，把有水的地方圈出来，不就完成了吗？

真正做起来，却远没有这么简单。

洪水往往发生在持续降雨、厚云覆盖和极端天气期间。偏偏在这种最需要卫星的时候，光学卫星容易被云挡住；合成孔径雷达，也就是SAR，虽然可以穿透云雨，却不一定每天都经过同一个地方。即使两类卫星都用上，也可能只看到一块块彼此分离的“洪水拼图”。

于是，一个现实问题出现了：

我们需要连续监测洪水，但卫星提供的往往只是零散、缺失和时间不一致的观测。

中南大学吴立新等人在论文《Enabling seamless spatiotemporal flood monitoring via bridging observational gaps with a case study on the 2024 Bangladesh flood》中，提出了第二代知识驱动洪水智能监测框架——KDFIMv2。

这项工作的重点，不是再训练一个更大的“黑箱”模型，而是把光学影像、SAR影像、地形数据和洪水运动的物理规律组织到同一套框架中，让监测结果从“几张断断续续的洪水地图”，升级为一段能够连续播放的洪水演化过程。

一、先别谈算法：洪水监测为什么总是“断片”？

1. 光学卫星看得直观，但最怕云

光学卫星可以理解为一台在太空中的高性能相机。

在天气晴朗时，它能清楚地区分河流、植被、农田和居民区，洪水边界也比较直观。但洪水通常伴随着暴雨和大面积云层，结果就是：

• 厚云直接遮住地表；
• 薄云改变水体的光谱特征；
• 云影把植被压暗，看起来像水；
• 同一幅影像中，真正的洪水、云和阴影可能混在一起。

这就像暴雨天站在高楼上观察城市积水：不是你视力不够，而是窗外根本看不清。

2. SAR不怕云，但会“看错”，也不一定及时来

SAR不是拍照片，而是主动向地面发射微波，再接收返回的信号。

它可以在夜间工作，也能穿透云层，因此一直是洪水监测的重要工具。但SAR同样有短板：

• 风会使水面产生波纹，改变雷达回波；
• 城市建筑、植被和水体可能形成复杂散射；
• 山区阴影和狭窄河道容易产生噪声；
• 卫星存在重访周期，不可能持续盯着同一地区。

所以，SAR更像一位能在黑暗和雨雾中工作的观察员，但他看到的不是彩色照片，而是一幅需要专业解释的“回声图”。

3. 把两种卫星叠在一起，仍然不等于连续监测

一个自然想法是：光学卫星看不见时用SAR，SAR没经过时用光学卫星。

问题在于，流域尺度的洪水范围可能非常大，不同卫星的拍摄时间、覆盖宽度、空间分辨率和成像方式也不同。简单拼接后，仍可能出现：

• 今天只覆盖东部；
• 明天只覆盖西部；
• 后天虽然覆盖全区，却有一半被云挡住；
• 相邻日期的结果彼此跳变，无法判断洪水究竟是在扩张还是消退。

传统方法解决的是“这张图里哪里有水”，而应急管理真正需要回答的是：

水淹到了哪里？
水有多深？
已经淹了多久？
洪水是在上涨、稳定，还是消退？
没有被卫星拍到的区域，现在可能是什么状态？

这正是KDFIMv2试图解决的问题。

二、为什么选择2024年孟加拉国洪水作为测试？

孟加拉国地势低平，河网密集，受季风降雨和上游来水影响显著，是全球洪水风险较高的地区之一。

论文以2024年孟加拉国洪水为案例。研究中引用的灾情资料显示，这场洪水影响约580万人，近50万人流离失所，并造成超过110万吨水稻损失。

这里几乎具备洪水遥感监测最棘手的全部条件：

换句话说，这不是一个“天气晴朗、边界清晰”的简单测试场，而是一场专门检验系统抗干扰能力的压力测试。

三、KDFIMv2的核心思想：不要只看照片，要理解“水应该怎样运动”

KDFIMv2可以拆成三个连续步骤：

可以把整个框架理解为一个三人协作小组：

1. 观察员：尽可能从光学和SAR影像中识别洪水；
2. 水文推理员：依据地形和水面连续性补齐看不见的部分；
3. 计算员：进一步计算水深和淹没时间。

这三个角色分别对应论文中的三个模块。

四、第一个模块：先把卫星当天能看到的洪水尽量找全

1. SAR部分：不要只看一张图，要和洪水前的“正常状态”比较

单张SAR影像容易受到噪声、风浪和地物散射影响。

KDFIMv2使用SSF方法，将洪水发生时的SAR影像与洪水前多期、同轨道和同成像参数的影像进行比较。它关注的不是某个像素“看起来黑不黑”，而是：

这个位置相对于它平时的雷达回波，是否发生了异常下降？

这种思路类似于医院看化验单。一个指标本身高低未必说明问题，但如果它相对于个人长期基线突然变化，就更值得关注。

2. 光学部分：设计SKDWI，专门处理薄云和云影

传统的MNDWI等水体指数，在晴天条件下非常有效。但遇到薄云和云影时，常常出现两种错误：

• 把云或阴影误判为水；
• 为了去除噪声，又把薄云下面的真实洪水一起删掉。

作者分析了水体、薄云下水体、云影下植被、厚云和普通植被的光谱差异，提出了SKDWI：

S K D W I = G r e e n − N I R − S W I R 2 G r e e n + N I R SKDWI=\frac{Green-NIR-SWIR2}{Green+NIR}SKDWI=Green+NIRGreen−NIR−SWIR2​

其中，Green表示绿光波段，NIR表示近红外波段，SWIR2表示短波红外波段。

不用记公式，理解它的判断逻辑就够了：

水体在近红外和短波红外区域通常吸收较强。即使上方存在薄云，这种关系仍有机会保留下来；而云、植被和阴影在不同波段中的变化方向并不完全相同。

论文还把云影指数和植被指数加入决策过程，相当于不只问“它像不像水”，还要追问：

• 它会不会其实是云？
• 会不会是被阴影压暗的植被？
• 多个指标综合投票后，它更可能属于哪一类？

论文图5显示，在Sentinel-2、Landsat-8和Landsat-9的多个场景中，SKDWI比MNDWI更能保留薄云下的水体，同时抑制厚云和云影误判。

五、第二个模块：真正关键的创新，是给“看不见的区域”补课

仅靠更好的水体提取算法，仍然无法解决卫星没有覆盖的问题。

KDFIMv2最有特色的部分，是把洪水看作一个受物理规律约束的连续过程，而不是一堆互不相关的红色像素。

1. 洪水不是随机长出来的

假设卫星只拍到了河流左岸，而右岸被云挡住。

传统方法可能只能留下空白，或者用图像插值把附近像素机械地扩散过去。但洪水不能像给照片修补背景那样随意填充，因为水的运动受到明确约束：

• 水通常向低处扩展；
• 同一连通水体的水面高程应具有连续性；
• 相邻区域的洪水状态往往比远处更相关；
• 不同流域、堤坝两侧或高地之间，不能随便传播。

KDFIMv2先从已观测到的洪水边界估计水面高程，再计算相邻日期的水位变化，最后把这些变化传递到同一水文连通区域中。

通俗地说，它做的不是“猜哪里有水”，而是：

先找到已经确认被淹的地方有多高，再沿着合理的地形通道，判断附近缺测区域是否也应该被同一片水覆盖。

2. 为什么这比纯深度学习更容易解释？

深度学习可以从大量样本中学习复杂特征，但在灾害应急中，人们经常会问：

为什么这里被判定为洪水？
为什么云下面的区域被补成这样？
如果判断错了，错误来自影像、地形，还是模型？

KDFIMv2的推理链条相对清晰：

• 哪些像素来自真实卫星观测；
• 哪些区域是根据相邻日期推断；
• 推断使用了怎样的水面高程变化；
• 地形是否允许洪水继续扩展。

这不意味着它一定不会出错，但至少它的错误来源更容易追踪。

六、第三个模块：从“哪里有水”升级到“水有多深、淹了多久”

很多洪水遥感研究最后输出的是一张二值地图：

• 红色：被淹；
• 灰色：未被淹。

但在实际救灾中，这远远不够。

同样是被淹，10厘米积水和2米深水的危险程度完全不同；淹没两小时和持续一个月，对房屋、道路和农作物的影响也完全不同。

1. 水深怎么计算？

KDFIMv2先重建洪水水面高程，再减去地面高程：

洪水深度 = 洪水水面高程 − 地面高程 洪水深度=洪水水面高程-地面高程洪水深度=洪水水面高程−地面高程

例如，某处地面海拔为8.2米，推断出的洪水水面高程为9.5米，那么该处水深约为1.3米。

2. 淹没时长怎么计算？

系统将连续日期的洪水状态串联起来，统计一个像素从开始被淹到恢复未淹的时间跨度，并用水深过滤掉过小、短暂或不明显的积水。

于是，最终结果不再只是二维的洪水范围，而是接近一个四维信息体：

• X、Y：洪水发生在哪里；
• Z：水有多深；
• T：洪水持续多久、如何随时间变化。

这也是论文所说的“四维洪水追踪”。

七、实验结果怎么样？三个数字最值得记住

1. 水深误差多数控制在0.1米以内

论文将KDFIMv2计算的水深，与基于实际SAR观测得到的水深结果进行交叉验证。

多数日期中，平均误差接近0，主要误差集中在0.1米以内，说明模型在大部分时段具有较好的水深重建精度。

需要注意的是，这里的参照数据主要来自已有的SAR水深估算方法，而不是覆盖整个灾区的大规模现场水尺测量。因此，这个结果更准确的理解是：

KDFIMv2与成熟的遥感水深估算结果具有较高一致性。

2. 洪水上涨、峰值和消退阶段，OA与F1均超过0.9

作者选择了三个代表性阶段：

• 洪水上涨期；
• 洪水峰值期；
• 洪水消退期。

并将KDFIMv2与MNDWI、NDFI、SSF和RIEM等方法比较。每个日期随机抽取1000个洪水像素和1000个非洪水像素，重复20次评估。

结果显示，KDFIMv2在三个阶段的平均总体精度OA和F1值都保持在0.9以上。

这说明它的优势不是只在某一个“好天气日期”出现，而是在洪水不同演化阶段都相对稳定。

3. 稳定像素比例超过70%

洪水监测不仅要看单张图准不准，还要看时间序列是否稳定。

假设一个没有明显变化的地方，今天被判成洪水，明天突然变成非洪水，后天又变回洪水，这种“闪烁”会严重干扰决策。

论文统计了不同方法在时间序列中的像素状态变化。KDFIMv2的稳定像素比例超过70%，明显优于受云层、观测间隔和影像质量影响较大的基线方法。

换句话说，它生成的不是一组彼此打架的静态地图，而是一个更连贯的洪水过程。

八、一个很有意思的异常：到底是模型错了，还是“标准答案”错了？

在2024年7月23日，KDFIMv2的水深误差明显增大，部分位置看起来高估超过1米。

乍看之下，这是模型失效的证据。

但作者回到原始SAR影像后发现，当天强风在水面形成密集波浪，增强了雷达后向散射。原本应该表现为低回波的水面，不再具有典型的“平滑水体”特征，导致SAR方法漏掉了大片洪水。

也就是说，所谓的“标准答案”本身可能受到了强风干扰。

KDFIMv2依靠前后时段和地形连续性，仍然判断该区域存在大面积积水。论文据此认为，这次异常不一定是模型高估，也可能是验证数据漏检。

这段分析非常重要，因为它提醒我们：

遥感算法的验证，不是简单拿一个结果去对比另一个结果。参照数据也可能有盲区。

当然，在缺少同期大规模现场水深数据的情况下，我们仍不能完全证明KDFIMv2一定正确。但这个案例很好地展示了知识驱动方法的价值：当单次观测被极端环境干扰时，系统仍能利用时间和空间上下文维持合理判断。

九、这篇论文真正的创新，不只是提出了一个新指数

很多论文的创新点可以概括为“换了一个模型”或“精度提高了几个百分点”。

KDFIMv2更值得关注的地方，是它重新组织了洪水监测的工作流程。

因此，它的创新可以概括为三个关键词：

1. 多源感知

让光学卫星和SAR各做自己擅长的事情，而不是强行把所有信息塞进同一个黑箱。

2. 物理补全

对缺失区域的推断受到地形、水面高程和水文连通性的限制，不允许结果任意扩散。

3. 四维重建

把离散的二维洪水斑块，组织为包含范围、深度和持续时间的连续过程。

十、它对真实救灾有什么意义？

1. 更早识别洪水扩张方向

如果系统能连续重建洪水边界和水位变化，应急部门可以更早判断哪些低洼区域可能成为下一批受灾区。

2. 区分“被淹”与“严重被淹”

洪水范围只能说明哪里进了水，水深则能进一步支持道路通行判断、人员转移和救援装备配置。

3. 评估农业和基础设施损失

农田淹没一天和淹没一个月，损失完全不同。连续的淹没时长数据，比一张峰值洪水地图更适合灾后评估。

4. 降低发展中国家的监测门槛

论文使用的Sentinel、Landsat和Copernicus DEM均属于全球可获取的数据源。作者认为，这使框架更适合缺少密集水文站和商业高分辨率数据的地区。

5. 为预警系统提供中间层

KDFIMv2本身不是降雨预报模型，但它可以提供更连续的洪水状态。如果进一步接入实时降雨、河流水位和预报数据，就有机会从“灾后制图”走向“过程监测与风险预警”。

十一、也要冷静看待：这项研究还有哪些问题？

论文结果很亮眼，但距离全球自动化业务运行仍有几步要走。

1. 现场验证仍然不足

极端洪水期间，很难在大范围内同步获得真实水深。论文使用SAR驱动的水深估算结果作为主要参照，这是一种合理但不完美的替代方案。

未来若能结合水文站、无人机、现场水痕、ICESat-2或SWOT等数据，验证会更加有说服力。

2. DEM误差会传递到水深结果

水深由“水面高程减地面高程”得到。如果地形数据在城市、堤坝、密集植被区存在偏差，最终水深也会受到影响。

3. 水面连续不代表所有场景都连续

堤坝、道路、闸门、城市排水系统和地下通道，都可能改变真实水流路径。简单依据自然地形推断，在复杂城市洪水、山洪或溃坝场景中可能面临更大挑战。

4. 孟加拉国案例不能代表所有洪水类型

这套框架在低平、河网密集、季风洪水环境中表现良好，但在陡峭山区、沿海风暴潮、冰湖溃决或高密度城市内涝中，仍需单独检验。

5. “近实时”不等于实时

约两天一次的有效监测频率已经明显优于单一SAR观测，但对于几小时内快速暴涨的山洪，两天仍然太慢。它更适合流域洪水连续跟踪，而不是替代分钟级或小时级预警系统。

这些问题并不否定论文的价值。恰恰相反，它们指出了这项工作下一步最值得发展的方向。

十二、总结：这篇论文最值得记住的，不是0.9，而是“连续性”

KDFIMv2的精度指标很突出：

• 水深误差多数在0.1米以内；
• 不同洪水阶段的OA和F1超过0.9；
• 稳定像素比例超过70%；
• 有效监测频率约为两天，部分时段可以达到逐日更新。

但这些数字背后更重要的变化是：

洪水遥感正在从“拍到一张算一张”，转向“理解一个连续发生的物理过程”。

传统方法依赖卫星在正确的时间、正确的位置，提供一张足够清楚的影像。KDFIMv2则承认观测天然不完整，并试图用多源信息和物理规律弥补这种不完整。

这是一种很现实的研究思路。

因为在真正的灾害现场，我们很少能得到完美数据。更有价值的系统，不是只在数据齐全时表现优秀，而是在云层遮挡、卫星漏拍和环境噪声同时出现时，仍能给出稳定、可解释、可用于决策的结果。

论文信息

论文题目：Enabling seamless spatiotemporal flood monitoring via bridging observational gaps with a case study on the 2024 Bangladesh flood

作者：Zhijun Jiao、Pengtianhao Wu、Biyan Chen、Zhimei Zhang、Syed Amer Mahmood、Lixin Wu

期刊：International Journal of Applied Earth Observation and Geoinformation

发表年份：2026

DOI：10.1016/j.jag.2026.105412

Download：https://www.sciencedirect.com/science/article/pii/S1569843226003286