亚欧大陆科学资源管理

研究贝加尔湖流域的时空水分布对于了解该流域的水资源和环境及其在气候变化和防灾减灾方面的影响至关重要。贝加尔湖流域是世界上蓄水量最大的淡水湖所在地。该盆地横跨俄罗斯和蒙古两个国家，再加上其广阔的面积，使得准确自动化大规模和长期系列数据的采集变得具有挑战性。谷歌地球引擎（GEE）能够处理大量遥感图像，但不支持深度学习模型的计算和应用。本研究结合了本地深度学习培训和GEE基于云的大数据智能计算，为GEE提供深度学习计算能力，使其能够快速自动化深度学习模型的部署。选择对水体更敏感的可见光、近红外（NIR）、修正归一化差分水分指数（MNDWI）、短波红外1（SWIR1）、线性增强带（LEB）和数字高程模型（DEM）作为输入特征，以及现有基于像素的卷积神经网络（CNN）模型的优化输入特征。该方法对陆地卫星质量评估带中的初始水标签进行校正，以减少手动绘制标签的时间成本，提高水体的分类精度。平均而言，贝加尔湖流域每个时期的每个水体产品只需要1-2小时即可得出结果。从2013年到2021年，贝加尔湖流域的水体提取工作已经完成了九年一次。2013年、2017年和2021年的验证准确率分别为92.9%、92.7%和92.4%。结果表明，2013年至2021年，流域水体平均面积为3.75万平方公里，流域水体面积波动不大。本研究为在更多集水区尺度和其他大型情景下持续监测和评估水体动态提供了方法论支持。