近年来，全球气候变化背景下极端天气事件频发，洪涝灾害的突发性、季节性和区域性特征更加显著，对洪水淹没范围的快速、精准、动态监测提出了更高要求。新疆地处干旱、半干旱区，但受升温、强降水和融雪过程共同影响，暴雨洪水、融雪洪水及复合型洪水事件时有发生，给区域生态安全、农牧业生产和生命财产安全带来较大威胁。然而，干旱区水体与裸地、植被等背景地物光谱差异较弱，多源异构遥感影像之间存在辐射差异和时相漂移，样本标注成本高、跨传感器样本迁移困难等问题，制约了洪水灾害高频率、高精度监测应用。

为此，沙漠气象研究所刘艳研究员联合长安大学研究团队，以阿勒泰市及柯克苏湿地一次典型融雪洪水事件为研究对象，综合利用Sentinel-2A、Landsat-8、高分一号（GF-1）和环境一号（HJ-1A）等多源多时相光学遥感影像，构建了面向洪水监测的多源遥感时序数据库，提出了一种融合多源影像与迁移学习的洪水水体提取框架。该框架通过异构影像相对辐射归一化、时空不变特征提取和跨传感器样本迁移，结合粒子群优化随机森林（Particle Swarm Optimization-based Random Forest classifier，PSO-RF）分类器，实现了复杂干旱区背景下洪水水体的快速识别与动态监测。研究发现，相对辐射校正能够有效降低多时相、多传感器影像之间的辐射差异，提高样本迁移的稳定性和水体提取精度。对于Landsat-8、HJ-1A等同源影像，水体提取总体分类精度超过93%，Kappa系数均大于0.8；在Landsat-8洪水情景中，校正后水体提取精度提升0.62%—2.10%。对于Sentinel-2A、GF-1等异构影像，归一化处理后Kappa系数同样保持在0.8以上，分类精度提升约1%—2%。与传统NDWI水体指数方法相比，PSO-RF模型在总体精度、精确率和召回率方面均表现出更优性能，显示出较强的鲁棒性和跨传感器推广能力。

该研究表明，多源遥感影像融合与样本迁移学习能够有效缓解干旱区洪水监测中样本不足、传感器差异和时相不一致等难题，显著提升洪水水体识别的自动化水平和应急响应效率。研究成果为干旱区洪涝灾害快速监测、水资源动态评估和防灾减灾决策提供了新的技术路径，也可为极端气候背景下区域水文灾害精细化监测和业务化应用提供科学支撑。

相关成果以“Flood monitoring: An innovative application of multisource image fusion and transfer learning”为题发表在《Journal of Hydrology》。论文第一作者为长安大学杨耘教授，通讯作者为沙漠气象研究所刘艳研究员。该研究得到沙漠气象研究所“天山英才”计划支持。

原文信息：Yun Yang , Xiuquan Chen , Yanting Wang , Yan Liu* , Yi Yan, Rongjie Cheng, Kaiyuan Yang, Xinxin Xu. 2026. Flood monitoring: An innovative application of multisource image fusion and transfer learning. Journal of Hydrology, 669, 135107. https://doi.org/10.1016/j.jhydrol.2026.135107

(作者：刘艳  校对：张旺 审核：周成龙 )