基于SAM 和 GEE 的遥感影像中河道自动提取方法研究

1 引言

地表水体，尤其是河道的空间分布与形态变化，在水资源管理、生态系统评估、洪水模拟及水文地貌演化研究中具有重要意义。随着遥感与 辨率卫星影像的水体自动提取已成为当前研究热点[1]。然而，传统水体 。以 McFeeters 提出的 NDWI[2]和徐涵秋改进的MNDWI[3]为代表 区和城市建成区易出现光谱混淆。Otsu 等阈值法虽引入自适应 。监督分类方法随机森林和 Cortes提出的支持向量机[4]虽具备较高精度，却依赖大量标注样本，难以快速迁移至新区。

近年来，深度学习为水体提取提供了新思路.U-Net、DeepLabv3+ 等等语义分割模型在遥感领域取得进展，但其性能受训练数据分布制约明显。2023 年，Kirillov[5]等发布的SAM 模型基于 ViT 架构，通过1100 万图像的大规模预训练实现了零样本分割能力，为遥感图像处理提供了新范式。然而，最新研究表明，SAM 在复杂遥感场景下的迁移性能仍需系统验证。

GEE 平台因其强大的数据处理能力，已被广泛应用于遥感分析领域。本研究创新性地融合 SAM 的智能分割能力与GEE 的云端计算优势，构建新型河道提取框架。选择黄河中游流域作为实验区，参考常用的水体检测标准，系统对比NDWI、MNDWI 及随机森林等传统方法，全面评估新方法在复杂环境下的适用性。这一研究为突破现有水体提取技术瓶颈提供了新的技术路径。

2 研究区与数据来源

实验区选取黄河中游山西吉县至陕西宜川县一带（110. 2^∘ E–110.6°E，36.07°N–37.04°N），地处黄土高原腹地，河道曲折、宽窄变化显著，支流发育、地貌复杂，具备典型性和代表性。河岸受地形与土地利用影响明显，常出现水体与非水体边界模糊，增加了提取难度。遥感数据来源于 GEE 平台，选用 2023 年丰水期的 Sentinel-2 SI evel-2A（SR）影像，空间分辨率为 10 米。影像经云掩膜与区域裁剪处理，同时计算 NDWI和 MNDWI 增强水体光谱差异。参考数据为人工标注与核查后的河流矢量图层，用于精度评估。

3 方法体系

本文构建了一套集数据预处理、SAM 模型智能分割、后处理优化及对比评估于一体的河道自动提取流程。整体方法分为四个核心模块：影像预处理、提示驱动分割、结果后处理与传统方法对比。研究中基于 GEE 平台获取并裁剪黄河中游 2023 年丰水期 Sentinel-2 影像，计算 NDWI 与 MNDWI 指数增强水体光谱特征，生成的 RGB 合成图像以 GeoTIFF 格式作为 SAM 模型输入。分割过程中通过交互式点提示标注前景与背景，引导模型结合 ViT 编码器与提示嵌入机制生成高精度掩膜，具备良好的迁移能力与遥感适应性。针对输出中边界锯齿、噪声斑块等问题，设计后处理策略，融合形态学闭运算与面积阈值筛选，并引入 NDWI 掩膜实现语义增强。最后选取 NDWI 阈值法、MNDWI 阈值法与随机森林三种方法进行对比，统一输出格式，基于人工标注的河道“真值”图层，采用 IoU、Precision、Recall 与 F1-score 等指标进行定量分析，验证所提方法在复杂水文背景下的准确性与稳定性。

4 实验结果与分析

图 1 展示了四种方法在试验区的河道提取结果对比。由图可见，NDWI 对主河道提取较为稳定，但在河岸植被、滩涂与浅水区存在边界模糊问题，常出现水体与陆地混淆，尤其在近岸泥沙沉积区域表现不佳。MNDWI 在植被背景下识别能力优于 NDWI，能部分削弱植被干扰，但整体边缘锐度仍不理想，易忽略狭窄支流或出现断裂。随机森林方法在多数区域提取结果相对准确，能处理一定程度的地物混杂，但在图像光谱差异不显著处仍存在分类不稳定的现象。而本文提出的基于 SAM 模型的河道提取方法在边界连续性、细节保持和语义一致性方面具有显著优势，尤其在弯曲支流、小型分汊河道中表现出更高的识别能力。

:原始图像；b:NDWI；c:MNDWI；d:随机森林；c:SAM+后处理

表 1 总结了不同方法的精度评价指标。SAM + 后处理方法在 IoU（0.8447）、F1-score（0.9158）等指标上显著优于传统阈值法与随机森林，展现出更高的提取精度与边界连续性。该方法通过融合提示分割与后处理策略，有效提升了河道识别的准确性与细节保留能力。此外，SAM 模型具有良好的计算效率，单幅 512×512 图像的平均推理时间为 ，无需模型训练，适合快速部署。交互式点提示机制增强了模型的可控性与灵活性，使用户可按需微调分割结果，提升实际应用效率。

5 结论与展望

本文提出的融合 SAM 模型与 GEE 平台的河道自动提取方法，在黄河中游典型区域取得良好应用效果。实证结果显示，F1-score 提升至 0.9158，优于 NDWI、MNDWI 与随机森林方法，在边界清晰度、支流连续性和小尺度目标识别方面表现更优。SAM 模型依托提示驱动机制，可在复杂背景下实现高效、精准分割，显著降低对大规模标注样本的依赖，具备较强的迁移能力与适用性。然而当前方法仍受提示点布设主观性和弱对比水体识别能力的影响。后续可结合自动提示生成、多时相影像与多光谱融合等策略进一步优化性能。整体来看，该方法适用于河道演变监测、水文图谱构建等场景，具备良好的应用推广潜力。

参考文献：

[1] 李德仁, 王密, 沈欣, 等. 从对地观测卫星到对地观测脑[J]. 武汉大学学报( 信息科学

版),2017,42(02):143-149.

[2] Tucker C J. Red and photographic infrared linear combination for monitoring

vegetation[J].Remote Sensing of Environment,1979,8(2):127-150.

[3] 徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报,2005,9(5):

589-595.

[4] Cortes C , Vapnik V .Support-Vector Networks[J].Machine Learning, 1995, 20(3):273-297.

[5] Alexander Kirillov,Eric Mintun,Nikhila Ravi,et al. Segment Anything[J]. 2023,.