亚马逊 2023 年干旱：Sentinel-1 揭示了里奥内格罗河的极端收缩
内容提要
该文综述了利用卫星影像与深度学习监测亚马逊雨林的研究，涵盖合成孔径雷达多时相数据、多模态数据增强、注意力引导UNet等方法，用于森林砍伐检测与火灾预测，最高像素准确率达93.45%；还介绍了DeepAqua自监督模型分割水域，以及机器学习替代物理模型预测水位，以提升预警能力。
延伸解读
技术路线：从光学到SAR的互补监测
文章汇总的研究显示，亚马逊雨林监测正从单一光学影像转向多源卫星数据融合。Sentinel-1的合成孔径雷达能穿透云层，弥补光学影像在雨季的不足；Sentinel-2和Landsat 8则提供多光谱信息。这种互补策略提升了森林砍伐检测的连续性，尤其适合亚马逊多云多雨的环境。
模型性能：准确率与效率的权衡
文中提到的RRCNN-1模型在森林砍伐检测中兼具最高准确率和最短处理时间，而注意力引导UNet达到93.45%的像素准确率。这些指标表明深度学习已能高精度识别砍伐区域，但不同模型在F1、IoU等指标上仍有差异，实际部署需根据任务对精度和速度的要求选择。
无标注分割：DeepAqua的实用价值
DeepAqua通过自监督学习和知识蒸馏，利用NDWI作为教师模型训练CNN从SAR图像分割水域，无需人工标注。这降低了湿地水域变化监测的成本，使其更具可扩展性。对于缺乏地面真实数据的亚马逊流域，该方法为长期水位和洪泛范围监测提供了可行方案。
预警系统：从预测到业务化应用
文章提及的AI水文模型能提前七天预测极端事件，并已纳入全球80多个国家的预警系统。机器学习替代物理模型进行水位预测，在保证精度的同时降低了计算复杂度。这些进展表明，卫星监测与AI预测正结合成业务化工具，有助于提升亚马逊地区对干旱和洪水的响应能力。
Q&A
有哪些深度学习方法被用于监测亚马逊雨林的森林砍伐？
文章提到了多种深度学习方法，包括基于合成孔径雷达（SAR）多时相数据的RRCNN-1模型，具有最高准确性和最短处理时间；基于注意力引导的UNet架构，实现了93.45%的像素准确率和0.79的F1分数；以及利用预训练ImageNet体系结构提取特征，达到0.927的最佳F2得分。
DeepAqua模型是如何实现无需手动注释的水域分割的？
DeepAqua是一个自监督深度学习模型，通过知识蒸馏消除训练阶段的手动注释需求。它利用归一化差异水体指数（NDWI）作为教师模型，训练卷积神经网络（CNN）从合成孔径雷达（SAR）图像中分割水域，从而无需地面真实数据即可有效训练语义分割模型。
机器学习如何用于预测亚马逊雨林地区的火灾？
文章提到使用季节性和趋势性分解基于Loess的多月前短期负荷预测算法及异构分解集成模型，探讨巴西亚马逊雨林火灾的时间模式，结果表明该模型能提供更准确的预测，并通过Diebold-Mariano统计检验显示其优于其他对比模型。
在亚马逊雨林监测中，使用了哪些卫星数据源？
文章提到了Sentinel-1、Sentinel-2和Landsat 8等卫星数据源，这些数据被用于森林砍伐检测和水域分割等任务。
人工智能模型如何提前预测极端水文事件？
文章介绍了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，并已被纳入全球超过80个国家的运行中的预警系统。
机器学习模型如何替代物理模型进行水位预测？
文章指出，针对水平面的模拟和预测的物理模型计算复杂，因此提出机器学习模型作为替代，并在南佛罗里达的Miami River做了案例分析，证明了输出结果与物理模型的差距不大。
