RiverScope

RiverScope是一个高分辨率河流掩模数据集，由计算机科学和水文学专家合作开发。该数据集包含1145张高分辨率图像（覆盖2577平方公里），由专家手动标注河流和地表水掩模，耗时超过100小时。每张图像都与Sentinel-2、SWOT和SWOT河流数据库（SWORD）进行配准，从而能够在传感器之间评估成本-精度权衡，这是对操作水资源监测的关键考虑。该数据集还为河流宽度估计建立了第一个全球性高分辨率基准，实现了7.2米的平均误差，显著优于现有的卫星衍生方法。RiverScope提供了宝贵的资源，用于细粒度和多传感器水文建模，支持气候适应和可持续水资源管理。RiverScope is a high-resolution river mask dataset developed collaboratively by experts in computer science and hydrology. This dataset comprises 1,145 high-resolution images covering a total area of 2,577 km², with river and surface water masks manually annotated by experts over 100 cumulative hours of work. Each image is co-registered with Sentinel-2, SWOT, and the SWOT River Database (SWORD), enabling the evaluation of cost-accuracy tradeoffs across sensors—a critical consideration for operational water resources monitoring. This dataset also establishes the first global high-resolution benchmark for river width estimation, achieving an average error of 7.2 meters and significantly outperforming existing satellite-derived methods. RiverScope provides a valuable resource for fine-grained and multi-sensor hydrological modeling, supporting climate adaptation and sustainable water resources management.

原始信息汇总

RiverScope: 高分辨率河流掩码数据集

数据集概述

RiverScope是一个高分辨率河流掩码数据集，专注于河流水域分割和河流宽度估算任务。

数据集获取

• 数据集下载地址：https://github.com/cvl-umass/riverscope
• 数据集发布年份：2025年
• 数据集发布机构：Zenodo
• DOI：10.5281/zenodo.15376394

模型架构

数据集支持多种分割模型架构：

• DeepLabv3
• DPT
• FPN
• UNet

骨干网络

支持多种骨干网络结构：

• MobileNet_v2
• ResNet50
• Swin-B
• Swin-T
• ViT-B/16
• ViT-L/16

预训练权重

提供多种预训练配置：

• ImageNet1k预训练
• MoCoV3预训练
• SeCo预训练
• CLIP预训练
• DINO预训练
• Prithvi预训练
• SatlasPretrain预训练

性能指标

水域分割性能

最佳F1分数模型配置：

• UNet + ResNet50 + SeCo预训练：F1=94.39
• UNet + ResNet50 + MoCoV3预训练：F1=94.20
• DeepLabv3 + ResNet50 + MoCoV3预训练：F1=93.92

宽度估算性能

最佳宽度估算模型配置：

• UNet + ResNet50 + SeCo预训练：中值误差=7.50米，平均误差=16.26米
• FPN + ResNet50 + SeCo预训练：中值误差=8.62米，平均误差=15.36米
• UNet + ResNet50 + MoCoV3预训练：中值误差=8.45米，平均误差=18.06米

预训练模型

提供33个预训练模型检查点，涵盖不同模型架构、骨干网络和预训练配置组合，每个模型都提供了最优阈值参数。

评估方法

• 水域分割评估：支持自动阈值搜索和手动阈值设置
• 河流宽度估算：基于分割结果进行河流宽度估算
• 测试集包含约400个节点的标注数据

基准模型

提供Sentinel-2训练的基准模型，使用SatlasPretrain数据集进行训练。

引用信息

bibtex @dataset{daroya_2025_15376394, author = {Daroya, Rangel and Rowley, Taylor and Flores, Jonathan and Friedmann, Elisa and Bennitt, Fiona and An, Heejin and Simmons, Travis and Hughes, Marissa Jean and Kluetmeier, Camryn L and Kica, Solomon and Vélez, J. Daniel and Esenther, Sarah E. and Howard, Thomas E. and Ye, Yanqi and Turcotte, Audrey and Gleason, Colin and Maji, Subhransu}, title = {RiverScope: High-Resolution River Masking Dataset}, month = may, year = 2025, publisher = {Zenodo}, doi = {10.5281/zenodo.15376394}, url = {https://doi.org/10.5281/zenodo.15376394}, }

搜集汇总

数据集介绍

构建方式

RiverScope数据集构建采用高分辨率PlanetScope卫星影像（3米/像素），覆盖全球2577平方公里区域，包含1145张图像。通过水文与机器学习领域专家耗时超过100小时的手动标注，生成精确的河流与地表水掩膜。数据选取策略注重地理多样性，确保与Sentinel-2、SWOT卫星及SWORD数据库在±12小时时间窗口内协同配准，支持多传感器性能对比与水文任务评估。

使用方法

RiverScope支持两类核心任务：水体分割与河流宽度估计。用户可通过加载配准的多光谱影像（4通道）及专家标注掩膜，训练深度学习模型（如UNet、FPN等），并利用线性适配器优化预训练模型对多通道输入的适应性。河流宽度计算基于SWORD节点定义的正交线水像素统计，结合3米/像素分辨率转换。评估时需采用F1分数（分割任务）及中位绝对误差（宽度估计），并可与Sentinel、SWOT等衍生数据开展跨传感器性能对比。

背景与挑战

背景概述

RiverScope数据集由马萨诸塞大学阿默斯特分校、北卡罗来纳大学教堂山分校、布朗大学及科罗拉多大学博尔德分校的跨学科团队于2025年联合发布，旨在应对高分辨率河流监测的科研空白。该数据集聚焦于全球地表水动态分析，特别是狭窄或富沉积河流的精细识别问题，通过1145张3米分辨率的PlanetScope影像及专家标注的水体掩膜，覆盖2577平方公里区域，为水文建模与气候变化研究提供了关键数据支撑。其多传感器协同注册设计（Sentinel-2、SWOT与SWORD）推动了水文遥感领域的范式创新。

当前挑战

在领域问题层面，RiverScope致力于解决低分辨率卫星影像对狭窄河流形态捕捉不足的挑战，例如Sentinel-2（10米/像素）和Landsat（30米/像素）无法精确刻画河岸边界与沙洲等微地貌特征。构建过程中，团队需克服多源遥感数据时空配准的复杂性，包括在±12小时窗口内对齐异构传感器数据；同时，人工标注需区分河流与非河流水体，应对复杂水文形态（如辫状河道）的判读难题，累计耗费超100小时专家标注资源。此外，全球样本的地理分布偏差（以北半球为主）亦增加了数据代表性的优化难度。

常用场景

经典使用场景

在水文遥感研究领域，RiverScope数据集通过提供3米高分辨率的行星影像与多传感器协同注册数据，为河流水体精细分割建立了新的基准。该数据集最经典的应用场景在于支持深度学习模型进行高精度河流边界提取，特别是在处理狭窄河流、泥沙含量高的水体等传统低分辨率卫星难以捕捉的特征时表现出显著优势。研究人员利用其多光谱通道和专家标注的水体掩膜，能够训练出超越传统NDWI指数和定制CNN架构的先进分割模型。

解决学术问题

RiverScope有效解决了水文遥感中长期存在的空间分辨率瓶颈问题，显著提升了河流宽度估算的精度。该数据集通过提供全球范围内1154张高分辨率标注图像，使河流宽度估算的中位误差降低至7.2米，较传统Landsat和Sentinel方法提升超过80%。这一突破性进展直接支持了河流流量推算模型的改进，为全球水循环研究、气候变化对水文系统影响评估等关键科学问题提供了可靠的数据基础，推动了水文模型从粗粒度向精细尺度的范式转变。

实际应用

在实际应用层面，RiverScope为全球水资源管理提供了强有力的技术支撑。其高精度河流监测能力可直接应用于洪水预警系统，通过精确识别河流边界变化提升灾害预测准确性。在农业灌溉规划领域，该数据集能够追踪细小灌溉渠道的水量变化，优化水资源分配。此外，在水电工程运营中，河流宽度和流量的精准监测有助于发电效率评估和设施维护决策，为可持续水资源开发利用提供科学依据。

数据集最近研究

最新研究方向

在水文遥感领域，RiverScope数据集正推动高分辨率河流监测研究的范式转变。该数据集通过融合3米分辨率的PlanetScope影像与Sentinel-2、SWOT卫星及SWORD数据库的多源协同数据，为机器学习模型提供了前所未有的精细河流掩膜标注。当前研究聚焦于三大前沿方向：一是基于深度学习的水体分割算法优化，通过线性适配器将多光谱通道有效整合至预训练模型，显著提升窄河道与沉积物富集河流的识别精度；二是河流宽度估算的物理约束建模，最新研究通过正交剖面像素计数法将宽度估算中位误差降至7.2米，较传统卫星方法提升近80%；三是多模态传感器融合策略，结合SWOT雷达干涉测量与光学影像的互补优势，解决云层遮挡与光谱混淆问题。这些突破直接支撑全球水循环监测、洪水预警与气候变化适应性管理，为联合国可持续发展目标中的清洁水管理提供关键技术支撑。

相关研究论文

• RiverScope: High-Resolution River Masking Dataset

  UMass Amherst, UNC Chapel Hill, Brown University, CU Boulder · 2025年