基于 SAR 和不完整多光谱数据的多模态后洪水水域映射的空间掩码自适应门控网络

在灾害管理的各个阶段（减灾、准备、响应和恢复）中，映射洪水事件的水域范围至为重要。特别是在响应阶段，当及时且准确的信息变得尤为关键时，合成孔径雷达（SAR）数据主要用于生成水域范围图。最近，利用 SAR 和 MSI（多光谱）数据特征互补性，通过多模态方法进行水域映射，已成为一种前景广阔的策略。当及时后的洪水观测受限（在洪水峰值期间或洪后短时间内获取）时，这种方法尤其有益，因为它能够利用所有可用影像，以更准确的方式进行后洪水水域映射。然而，将部分可用的 MSI 数据自适应地集成到基于 SAR 的后洪水水域映射过程中仍未得到充分探索。为弥合这一研究空白，我们提出了 Spatially Masked Adaptive Gated Network（SMAGNet），一种多模态深度学习模型，利用 SAR 数据作为后洪水水域映射的主要输入，并通过特征融合整合互补的 MSI 数据。在 C2S-MS Floods 数据集上进行的实验表明，SMAGNet 在 MSI 数据可用性不同程度下，始终优于其他多模态深度学习模型。此外，我们发现即使 MSI 数据完全缺失，SMAGNet 的性能也与仅使用 SAR 数据训练的 U-Net 模型相当。这表明 SMAGNet 增强了模型对缺失数据的鲁棒性，也拓宽了多模态深度学习在现实灾害管理场景中的适用性。