Die präzise Extraktion von Oberflächenwasserflächen ist von großer Bedeutung für Hochwasserschutz, Katastrophenminderung und Wasserressourcenplanung. Aufgrund der räumlichen Skalierungsunterschiede zwischen Flüssen, Seen und deren Nebenflüssen können traditionelle, auf einer einzigen Skala basierende Extraktionsalgorithmen Wasserflächeninformationen oft nicht umfassend erfassen, was dazu führt, dass Randdetails übersehen werden und kleine Wasserflächen schwer erkannt werden. Vor diesem Hintergrund wurde ein Multi-Scale Feature Fusion Encoding-Decoding Network (MSFFEDN) Modell vorgeschlagen, das semantische Informationen auf verschiedenen Skalen effektiv extrahieren kann und die automatische Extraktion komplexer und vielfältiger Oberflächenwasserflächen ermöglicht. GF-3-Fernerkundungsbilder wurden als Datenquelle verwendet. Die Gesamtgenauigkeit der Wasserflächenextraktion mit der MSFFEDN-Methode beträgt 90,42 % und übertrifft Methoden wie Support Vector Machine (SVM), Random Forest (RF), U-Net, U-Net-ResNet34 und das WENet (Waterline Extraction Net) Modell. Das MSFFEDN-Modell berücksichtigt umfassend semantische Informationen auf verschiedenen Skalen und bietet eine neue Perspektive für die Extraktion von Oberflächenwasserflächen.

Extraktion von Oberflächenwasserflächen;SAR;Multi-Scale-Feature-Fusion;MSFFEDN;GF-3