关于《integrating remote sensing and machine learning for flood modelling: a systematic literature review》的学术报告

本文是一篇发表于期刊《physics and chemistry of the earth》第143卷（2026年）的学术论文。该研究由来自南非西开普大学（University of the Western Cape）水研究所、南非金山大学（University of the Witwatersrand）以及南非国家空间局（South African National Space Agency）地球观测局的研究人员Naledi Manyaka、Cletah Shoko、Siyamthanda Gxokwe和Timothy Dube共同完成。这是一篇关于洪水建模领域最新发展的系统性文献综述，其核心主题是探讨和综合2010年至2025年间，遥感技术与机器学习（Machine Learning, ML）方法在发展中地区的洪水建模中的整合应用进展。

本综述旨在回应一个紧迫的全球性挑战：洪水是最具破坏性的自然灾害之一，尤其对发展中国家造成巨大的人员伤亡和经济损失。传统的水文和水动力模型虽然为洪水预测提供了基础，但往往依赖于密集的现场数据，这在数据稀缺、资金有限的发展中地区应用受限。与此同时，以哨兵（Sentinel）、陆地卫星（Landsat）等为代表的免费开放遥感数据源，以及以卷积神经网络（Convolutional Neural Network, CNN）、随机森林（Random Forest, RF）等为代表的机器学习算法的兴起，为克服这些限制提供了前所未有的机遇。然而，对这些新兴技术在发展中地区洪水建模中的应用现状、成效、挑战及未来方向的系统性梳理尚显不足。因此，本文旨在通过系统性文献综述方法，全面评估遥感与机器学习在洪水建模（包括淹没范围制图、风险评估、易发性分析等）中的整合应用，总结现有成就，识别关键差距，并为未来的研究方向提供基于证据的建议。

本综述遵循了系统综述和荟萃分析首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analysis, PRISMA）指南，以确保文献检索与筛选过程的透明性和全面性。研究工作流程主要包含以下几个关键步骤： 1. 文献检索与初步筛选：研究团队在Google Scholar、ScienceDirect、Web of Science和Scopus四大数据库中，使用与“洪水风险建模”、“遥感”、“机器学习”、“发展中国家”等关键词相关的布尔查询语句进行检索，时间跨度为2010年至2025年。初始检索获得了总计50,197篇文献。 2. 纳入与排除标准应用：根据预设的严格标准对文献进行筛选。纳入标准包括：英文发表的同行评议期刊文章或综述；研究主题涉及洪水建模（风险、淹没、易发性等）；明确应用至少一种机器学习方法和至少一种遥感数据产品；进行了准确性评估和敏感性分析；研究区域聚焦于发展中国家或数据稀缺地区。经过在数据库平台和Mendeley软件中的多轮筛选（包括去重、标题/摘要筛选、全文评估），最终确定了129篇文献作为本综述的分析基础。 3. 数据提取与文献计量分析：对最终纳入的129篇文献进行系统的数据提取，内容包括：出版年份、发表期刊、研究地理区域、使用的遥感数据产品类型、采用的机器学习模型、报告的模型性能指标（如总体准确率Overall Accuracy, OA、曲线下面积Area Under the Curve, AUC、均方根误差Root Mean Square Error, RMSE等）以及不确定性分析等。随后，对这些数据进行文献计量分析和可视化，以揭示该领域的发展趋势、地理分布和热点。 4. 专题综合分析与比较：在文献计量分析的基础上，报告深入分析了几个核心专题： * 传统水文与水动力模型的应用与局限：回顾并对比了水文模型（如HEC-HMS）和水动力模型（如HEC-RAS, LISFLOOD-FP）在洪水模拟中的应用。报告指出，这些模型在数据充足的地区仍具价值，但在发展中地区常因数据需求高、计算复杂、对地形数据（如数字高程模型Digital Elevation Model, DEM）分辨率敏感而面临挑战，且往往缺乏不确定性量化。 * 机器学习与遥感数据的整合应用：这是报告的核心。通过统计分析，揭示了最常用的机器学习模型是随机森林、支持向量机（Support Vector Machine, SVM）、人工神经网络（Artificial Neural Network, ANN）和卷积神经网络，而循环神经网络（Recurrent Neural Network, RNN）和长短期记忆网络（Long Short-Term Memory, LSTM）应用较少。同时，最主流的遥感数据是哨兵-1（合成孔径雷达SAR）、哨兵-2（光学）、陆地卫星系列和MODIS（中分辨率成像光谱仪），这主要得益于其免费、易获取和合适的时空分辨率。商业卫星数据（如Radarsat、TerraSAR-X）和无人机（Unmanned Aerial Vehicle, UAV）数据则使用率很低。 * 模型性能与不确定性比较：报告通过箱线图等方式，对比了不同机器学习模型（如CNN vs. 集成模型）和使用不同遥感数据（如SAR与光学数据融合 vs. 单一数据源）时的性能差异。结果表明，集成模型和CNN通常表现最佳，AUC值经常超过0.90；而SAR与光学数据的融合能带来最高且最稳定的准确性。报告也制作了专门表格，对比分析了不同研究中的模型不确定性来源，主要可归结为输入数据质量（如稀疏的雨量站网、过时的DEM）、模型参数调优以及区域特征差异。 5. 未来研究方向与结论提炼：基于上述分析识别出的研究空白，报告提出了明确的未来研究方向，并最终得出结论。

报告的主要论点及支持性论据如下：

第一，该领域研究呈现出显著的增长趋势，但存在严重的地理不平衡性。 文献计量分析显示，自2018年以来，相关出版物数量急剧上升，这与遥感数据普及、机器学习技术发展和气候变化关注度提高相吻合。然而，高达66%的研究集中在南亚和东亚（特别是印度、中国和孟加拉国），非洲贡献了约22%，拉丁美洲仅占约8%。这种地理偏见导致模型和方法可能过度依赖于特定区域的数据和条件，限制了其在其他高风险但代表性不足地区的普适性和适用性。

第二，免费中分辨率遥感数据主导了应用，而先进但昂贵的数据平台利用不足。 分析表明，Sentinel-1/2、Landsat和MODIS因其免费、开放获取和良好的时空分辨率，成为洪水建模中最主流的遥感数据源。相比之下，高分辨率商业SAR卫星（如Radarsat）和无人机等平台，虽然能提供更精细的数据，但由于成本和技术门槛，在发展中国家的研究中仍然未得到充分利用。这提示未来需要探索如何更有效地利用这些先进数据，或开发适用于更广泛可用数据的鲁棒算法。

第三，机器学习模型，特别是集成学习和深度学习模型，在性能上通常超越传统模型，但缺乏统一的评估基准。 报告通过综合比较发现，与传统水文水动力模型相比，以随机森林、卷积神经网络等为代表的机器学习模型在洪水易发性和淹没范围预测中经常展现出更高的准确性（AUC > 0.90）。然而，一个关键问题是，不同研究在数据集、输入特征、验证协议和性能指标报告上存在巨大差异，缺乏一致的基准测试框架。这严重阻碍了不同模型和研究成果之间的直接比较、复现和合成，是领域发展的一个主要障碍。

第四，当前研究普遍忽视不确定性量化和复合极端事件分析。 报告尖锐地指出，大多数被综述的研究没有明确量化其模型预测的不确定性。不确定性主要来源于低质量或稀疏的输入数据、模型结构简化以及参数选择。更重要的是，几乎没有研究考虑“尾相依性”或“复合极端事件”，例如同时发生的极端降雨和风暴潮共同引发洪水的概率。这种忽略可能导致对实际洪水风险，特别是极端事件风险的严重低估。为此，报告明确建议将贝叶斯深度学习（如蒙特卡洛丢弃法Monte Carlo Dropout）和基于Copula的二元极值模型等不确定性感知技术整合到未来的洪水风险建模中。

第五，模型的公平性、可解释性和伦理部署是亟待关注的前沿议题。 报告超越纯粹的技术讨论，提出了机器学习在洪水易发区应用的伦理维度。它指出，多数研究未报告模型在不同社会经济或地理群体间的公平性评估。训练数据可能包含偏见（例如，过度代表城市地区或特定收入群体），导致模型在边缘化社区表现不佳，从而加剧不平等。报告倡导在模型开发中提高透明度（明确假设）、进行公平性评估，并采用参与式模型设计，让本地利益相关者参与到模型构建和验证过程中，以确保模型的公正性和社会可接受性。

第六，针对数据稀缺地区，需发展可迁移、可扩展和高效的计算方法。 鉴于代表性不足地区（如非洲、南美部分区域）数据极度匮乏，报告建议未来研究应优先开发可扩展、可解释且公平的建模方法。具体策略包括：利用迁移学习（Transfer Learning）将在数据丰富地区预训练的模型适配到数据稀缺地区；建立自动化数据管道，整合免费卫星数据与低成本地面传感器网络；以及利用谷歌地球引擎（Google Earth Engine）等云平台降低计算门槛。

本综述的学术价值和现实意义重大。在学术上，它首次系统性地梳理和评估了2010-2025年间遥感与机器学习在发展中地区洪水建模中的整合研究，通过详尽的文献计量和比较分析，清晰描绘了该领域的演进图谱、技术现状和核心挑战。它不仅是未来研究者进入该领域的“导航图”，也为方法论改进（如标准化、不确定性量化）提供了明确的路线图。在应用层面，报告所提出的建议直接面向联合国可持续发展目标（SDGs）和气候韧性建设，旨在推动发展更准确、高效、公平且可操作的洪水预警和风险评估框架，对于指导发展中国家和全球机构在资源有限条件下投资于有效的洪水风险管理技术具有重要政策参考价值。