基于迁移学习的遥感影像水体分割方法：基于扎达塔林区的案例研究

西藏高原作为亚洲水塔，因高度敏感于气候变化面临严重的水安全挑战。因此，发展地球观测以实现该地区可持续的水资源监测，对构建气候韧性势必是必不可少的。本研究提出一种基于 SegFormer 模型的两阶段迁移学习策略，通过解决领域迁移和数据稀缺这两个关键障碍，构建针对气候敏感应用的稳健人工智能模型。在源域进行预训练后，对该模型针对干旱的扎达塔林地区进行微调。实验结果显示，显著提升的性能表现：水体分割的交并比 (IoU) 从 25.50% (直接迁移) 提升至 64.84%。这种 AI 驱动的精度对于灾害风险降低尤其重要，特别是在监测易发生突发性洪水的系统方面。更重要的是，高精度地图揭示了水体高度集中的空间分布，超过 80% 的水体面积局限于河道长度不足 20% 的区域。这一定量发现为理解水文过程、设计针对性水资源管理和气候适应策略提供了关键证据。我们的工作因此展示了一个有效的技术解决方案，用于监测干旱的高原地区，为该地区及其跨境河源头重要水源头的灾害准备推动了 AI 驱动的地球观测的发展。