国际河流与生态安全研究院陆颖课题组改进U-Net模型，助力雅鲁藏布江流域辫状水系识别

近日，Journal of Hydrology期刊发表了研究院陆颖研究团队在雅鲁藏布江流域辫状水系识别领域的研究成果：“Identification and spatiotemporal analysis of braided rivers in the YarlungTsangpo basin using an enhanced U-Net approach”。通过构建MSU-Net模型，有效提升了辫状河流这一复杂地物的识别精度，为高寒地区复杂地物的语义分割提供了新的算法思路。在现实层面，研究揭示了雅鲁藏布江关键河段的水体演变规律，为青藏高原水资源动态监测及应对极端气候事件提供了科学依据。研究院2023级硕士研究生罗向阳为第一作者，陆颖副研究员为通讯作者。

图1研究区概况图

辫状河流系统具有高度复杂的几何形态，其主河道旁侧分布着多个向下游辐射的支流和沙洲。这类河流系统的形成受到流量、泥沙输移和植被生长的共同驱动。在气候变化背景下，辫状河流的形态变化剧烈，对其进行精准监测是水资源管理和生态保护的前提。传统的阈值分割法（如NDWI、MNDWI）在处理大尺度或地表异质性强的区域时，往往难以保持一致的精度。虽然深度学习中的U-Net架构在图像分割任务中表现优异，但在处理高寒山区阴影或极其细碎的辫状水体时，仍面临特征丢失和误分的问题。

研究团队提出的MSU-Net模型在Sentinel-1（SAR）和Sentinel-2（光学）数据集上的表现均优于传统的U-Net、CNN和DeepLabV3+。其在Sentinel-2数据上的精度达到了0.93，显著降低了由建筑物和山体阴影引起的误分率。

图2模型结构图

尽管MSU-Net表现优异，但研究仍存在一定的局限性。首先，模型训练的标签数据源于指数法后的二次人工修正，这在一定程度上引入了解译者的主观偏好。其次，在泥沙含量极高的浑浊水域或极窄的干旱季节河道，模型的识别精度仍有提升空间。未来研究需考虑融入地形因素或多源载荷数据（如高分数据）以进一步强化模型对复杂环境的适应性。

原文链接：https://doi.org/10.1016/j.jhydrol.2025.134796