水体分布一直是遥感目标提取的重要对象。国家相关部委对8月份全国自然灾害风险形势进行会商研判发现，8月六类自然灾害风险较高，其中与水体分布变化直接相关的有洪涝风雹、台风、地质灾害、农业气象等四类风险。因此，及时掌握地表水系分布，对于水旱灾害防御，水资源基础调查至关重要。

经过PIE-Engine SAR团队设计与研发，PIE-Engine SAR AI水体监测服务正式进入公测阶段。

将繁琐的数据处理工作交给我们，您只需一杯咖啡的时间，即可体验高质量水体监测服务，获取您所关注区域的水体信息。SAR水体监测在线订阅服务具备以下几个特色优势：

✔ 多图层在线实时渲染

✔ 人工交互在线分析

▷ 卷帘对比

▷ 面积统计分析

单一图斑水体面积统计(北京密云水库)

 多时相重复轨道整景水体面积统计(广西梧州)

✔ 在线浏览成果并下载

一个优秀的服务 = 可看 + 可分析 + 可下载

PIE-Engine SAR支持在线浏览与下载。针对水体提取，我们不仅提供两种提取结果格式(shp矢量以及栅格影像)，还支持单波段(VV/VH)输入SAR影像，便于客户依据影像分析水体分布情况，并与平台提供的提取结果进行比对，不断提高SAR水体提取服务质量。

从数据到成果，实现分钟级成果响应

效率是应急响应的第一要义。SAR雷达技术是灾害应急高分辨率洪水监测的主要天基手段。结合云端哨兵SAR数据高速接入，协同平台自研的哨兵一号SAR预处理算法，可实现自动化SAR水体提取。

经测试，针对存档哨兵一号SAR数据，一个IWGRD标准景云端拉取平均用时57.8s；

SAR预处理(包括辐射与几何校正)平均用时164s；

深度学习水体提取(同时生成shp及栅格结果)平均用时110s，全流程共计约5min 32s(331.8 s)，可实现分钟级成果响应。

单位：秒/IW GRD标准景

 先进的SAR水体提取深度学习算法

 深度学习SAR水体提取算法主干网络Backbone使用了HRNetV2模型。该模型通过并行多个分辨率的分支，加上对不同分支的多次信息交互，达到保持强语义信息和精准位置信息的目的。decoder模块使用了OCRNet模型，该模型通过建立像素和区域的依赖以提升语义分割精度。

深度学习模型结构

在实际提取表现方面，我们选取三种对比算法：OTSU自适应阈值、DeepLabV3+、HRNet，输入同一哨兵一号SAR幅度数据。结果显示，本文算法表现更加优越，一方面能够克服山体阴影等低散射区域的水体误判，另一方面可以有效识别窄河道等细小水体。我们将在后续另一篇文章中详细介绍算法对比，敬请期待

面向31个重点防洪城市自动化水体监测

 全国31个重点防洪城市与部分成果分布

城市防洪排涝是我国防洪工作的重点。PIE-Engine SAR水体监测服务面向国家重大社会发展需求，对国家防总公布的本年度全国31个重点防洪城市进行自动化水体监测，有助于当地政府及时掌握洪水淹没状况，为抢险救援提供全天时全天候数据支撑。