基于深度學習的高分遙感影像水體智能識別技術研究

關鍵詞：深度學習；語義分割；MAResU-Net；數字孿生；長江水體

中圖法分類號：TP79 文獻標志碼：A DOI：10.15974/j.cnki.slsdkb.2025.08.017

文章編號： 1006-0081（2025）08-0111-07

0 引言

當前，智慧水利已成為新階段水利事業邁向高質量發展的顯著標志，而數字孿生流域建設則是這一體系中的核心[1-2]。推進數字孿生流域的建設，亟需強化“天空地水工”一體化數字孿生水文站構建，其中，“天”包含利用遙感衛星對流域內河湖水體、洪澇災害進行監測感知。洪澇災害是中國主要的自然災害之一，對農業、經濟等方面造成極大影響，江河、湖泊為澇災前期提供了緩沖區，充當著防汛抗災的重要角色[3-4]，并且在船舶運輸、農業灌溉、水產養殖等方面起著關鍵作用。因此，高效、準確地監測和識別江河、湖泊洪澇災害，不僅可以及時了解洪澇災情的發展情況，為防汛抗災的調度提供科學依據，同時也為災情評估和重建提供基礎數據[5-6]

使用傳統的實地測量方法制作水體圖，耗時費力，且更新時間久，無法大范圍監測各江河流域的水情情況。越來越多的學者開始聚焦于衛星遙感影像的水體提取工作，使其成為監測江河水資源的重要方法。遙感水體智能解譯往往存在著同物異譜、同譜異物、影像分辨率低等問題，難以準確確定水體自標及水體范圍，并且水體易受水草、船舶、陸地等復雜背景的影響，識別多存在困難。中低分辨率影像如Landsat系列數據和哨兵系列數據因其影像空間分辨率多在 10m 以上，加劇了其識別難度與精度[7]。隨著國內高分辨率遙感影像的快速發展，高分系列影像如高分一號、高分二號等衛星影像空間分辨率可達亞米級，影像分辨率更清晰，影像內容更豐富，為水體提取研究提供了良好的數據基礎。

眾多學者采用了不同的方法進行水體提取研究，并取得了相應的成果。鄧啟睿等8采用自適應閾值分割算法，融合Sentinel-2光學影像和Sentinel-1雷達影像，構建了洪水提取模型。吳浩等[9采用雙極化水體指數（SDWI）閾值分割方法，基于GF-3衛星影像數據提取天津段水體。曹引等[]利用基于 FUI（Forel-UleIndex）指數的水體顏色遙感監測方法，提取水庫水體。張珂等[\"]提出最大類間方差聯合水體提取法，基于高分一號遙感影像提取東方紅水庫水體。

葉雨陽等[12]利用監督學習SVM（SupportVectorMa-chine）算法，基于Landsat-8數據對洞庭湖地表水體進行提取。

常見的傳統遙感水體提取方法為水體指數法，擁有簡單且高效的特點，但是由于水體常存在于復雜的地形中，加上算法本身存在閾值難以確定的問題，利用其準確提取水體具有一定的困難[13]。機器學習方法如支持向量機、K均值法等方法，特征工程難以構建，無法較好地提取圖像抽象特征，導致識別精度有限[14]。隨著深度學習的發展，智能提取模型在水體提取中得以應用，語義分割方法逐漸用于水體提取研究，李振軒等[15]運用了 U-Net.U-Net++ 和 Attention -U-Net三種卷積神經網絡，并基于GID數據集進行試驗與定量分析，結果表明 U-Net+Ω+Ω 的訓練精度最高，且在邊緣提取能力、不同類型水體提取和區分非水體區域上效果顯著。Guo等[16]基于卷積神經網絡MWEN在高分一號影像上進行了水體提取研究。Peng等[17]基于改進的U-Net模型對珠海一號高光譜遙感影像進行了水體提取研究。Parajuli等[18]基于ResNet的改進方法，在哨兵二號影像上進行了水體提取研究。以上探索為水體智能提取方法的研究提供了重要的參考和借鑒，然而類似于U-Net的改進方法，如 U-Net+Ω+Ω 和 U-Net3+ ，識別效率較慢，在實際應用中可能無法做到快速提取影像中的水體。

提取研究，為光學遙感影像的水體智能識別與提取提供參考。

1研究區概況及水體數據集

1.1 研究區概況

本研究以長江下游張家洲河段及鄱陽湖出口處為研究區域。張家洲河段上起九江鎖江樓，下迄八里江口止，河段長約 31km 。左岸小池口至段窯有黃廣大堤，段窯以下為同馬大堤。右岸自鎖江樓至回峰磯有超過 10km 的江堤（九江市堤）。鎖江樓下游約1.6km 處建有九江長江大橋，張家洲右漢末端為鄱陽湖的出口，湖水由此匯入長江。鄱陽湖地處江西省北部，長江中下游南岸，地理坐標為 115^°50^′E～116^°44^′ 。它承納贛江、撫河、信江、饒河、修水5條河流來水，并通過湖口與長江相連通，是長江流域最大的通江型湖泊。其流域面積占長江流域面積的 9% 左右，達16.22萬 km² ，流域邊界與江西省邊界重合度很高，研究區如圖1所示。

鄱陽湖作為長江流域最大的通江湖泊，其獨特的水文節律在湖泊生態系統中具有顯著代表性。受地質構造、氣候波動及江湖交互作用的綜合影響，其呈現出“高水是湖，低水似河”的典型特征，在調節長江水位、涵養水源、改善區域氣候等方面發揮關鍵作用。研究區涵蓋水體（鄱陽湖）洲灘（張家洲）、城鎮（九江市）

為加快構建“天空地水工”一體化數字孿生水文站建設，強化“天”中的遙感衛星對流域河湖水體、洪澇災害進行監測感知的應用，探索適用于數字孿生水文站水體提取的智能模型，需要研究運算效率快且識別準確率高的方法[19]。本研究基于改進的U-Net，ResNet和注意力機制融合一體的MAResU-Net研究方法，以長江下游湖口水文站周邊的長江水體為研究對象，選擇長江下游張家洲河段及鄱陽湖出口處的GF1B影像水體數據，構建了ZP-River水體數據集，對U-Net，BiSeNet，U-Net++ ，DeepLabv3 + 方法和MAResU-Net方法在ZP-River數據集上的應用效果進行對比分析，旨在優化運用MAResU-Net語義分割智能模型開展水體等復雜地物類型，形成了天然的多源遙感數據驗證場。研究區域的典型性與代表性，使其在探究流域水文過程對鄱陽湖地區的生態保護以及周邊地區的生態健康中起到重要作用，可為數字孿生流域建設提供關鍵的案例。

圖1 研究區Fig.1Study area

1.2 高分一號數據

近年來，中國的遙感技術取得了迅猛發展，運用衛星影像展開資源調查已然成為一種關鍵手段。例如，借助高分辨率遙感影像來提取河流、湖泊等水體的表面信息，這在土地利用以及分類等領域得到了廣泛應用。本文采用高分一號衛星數據開展試點應用研究，高分一號及后續發射的高分一號B/C/D星，主要搭載高分相機（PMS），數據融合空間分辨率全色為 2m ，多光譜優于 8m ，單星成像幅寬大于 60km ，可用于 1：50 000 比例尺遙感專題圖制作，滿足長江水體提取等監測業務需求，其基本參數如表1所示。

表1GF-1B衛星主要技術指標

Tab.1GF-1B satellite main technical indicators

1.3 數據預處理

高分一號PMS數據的預處理流程包括輻射校正、大氣校正、正射校正、圖像融合、圖像裁剪和圖像配準等，輸出影像為融合之后的四波段影像，數據預處理流程如圖2所示。輻射校正、大氣校正、正射校正等步驟可以減少傳感器、大氣等因素的影響，圖像融合是將多光譜數據和全色數據進行融合，通過信息互補的方式提高多光譜圖像的空間分辨率和增加其空間紋理信息。

1.4ZP-River水體語義分割數據集

本文以長江下游張家洲河段以及鄱陽湖部分區域水體為研究對象，且由RGB圖像組成可見光光譜遙感圖像數據集，其中的圖像全部來自GF-1B衛星數據。ZP-River中的Z表示張家洲中文名拼音首字母，P表示鄱陽湖中文名拼音首字母。由遙感圖像解譯研究人員利用Arcgis工具對影像進行數據標注，3位研究人員同時標注，并采取少數服從多數的原則確定最終標簽。將影像數據分為A，B，C，D四個研究區，并將研究區A，C，D作為訓練集，研究區B作為測試集。水體提取研究區域如圖3所示。

圖2GF-1B衛星數據預處理流程

Fig.2 GF-1B satelite data pre -processing

圖3水體提取研究區域

Fig.3Water extraction research area

為了構建深度學習模型，滿足訓練要求，將A，B，C，D四個研究區進行裁剪，制作ZP-River水體語義分割數據集，其中A，B，C，D研究區圖像分辨率大小分別為16496像元 ×11 631像元、11743像元 x 10290像元、3018像元 ×4484 像元、11800像元 × 14316像元。將A，C，D研究區裁剪為1485張512像素 ×512 像素大小的訓練集，將B研究區裁剪為483張512像素 ×512 像素大小的測試集，高分一號ZP-River數據集如圖4所示。

2 研究方法

2.1卷積神經網絡

卷積神經網絡是前饋人工神經網絡的常用模型[20]，隨著深度學習與計算機技術的發展，其朝著深層、多樣、復雜方向演變，并在應用中取得重大進展。從結構上來看，卷積神經網絡是一個深層監督學習體系結構，由編碼器和解碼器兩部分構成。特征提取器可從卷積層和向下采樣層中選擇，其中卷積層的每個卷積核會作用于整個感受野，且各卷積核共享相同參數（權重矩陣和偏置項）。向下采樣層采用池化方法減少參數、保留重要特征，降低計算復雜度。通過卷積層與降采樣層逐層交替構建，以少量參數構建深層結構，挖掘數據深層特征信息，為后續特征提取和分類打下基礎。可訓練分類器通常由全連接層和輸出層組成，全連接層將前一層特征展開，供輸出層分類。語義分割模型主要由卷積神經網絡構成，常見的語義分割模型有 U-Net.U-Net+Σ+ 和DeepLabv3 + 等。本研究以MAResU-Net模型為主體進行水體提取研究，以探索模型在水體提取上的可用性。

圖4高分一號ZP-River數據集Fig.4Gaofen-1 ZP-River data set

Fig.5 MAResU-Netnetwork structure and attention mechanisr

2.2 MAResU-Net網絡結構模型

MAResU-Net模型由3個部分組成：編碼器模塊，注意力機制模塊和解碼器模塊。其中，編碼器模塊采用ResNet50為主干提取網絡，注意力機制模塊由通道注意力模塊（ChannelAttentionModule，CAM）和線性注意力模塊（LinearAttentionMechanism，LAM）組成[9]，其模型整體采用U－Net結構[2]，線性注意力模塊顯著降低了計算復雜度，使得在大尺寸特征圖上應用注意力機制成為可能。整體模型以ResNet為主干網絡，設計了MAResU-Net模型，通過多階段注意力機制融合低層級與高層級的特征圖，如圖5所示。MAResU-Net模型與U-Net網絡相比，在編解碼器同層網絡間加強了多次注意力機制，融合特征，將高級語義特征與低級語義特征相結合以還原語義分割圖像。該模型結構不僅可在通道維度捕捉細粒度特征信息，并且加人線性注意力機制以緩解模型的冗余度，使得模塊可以快速高效提取特征信息且保持較好的特征提取能力。

圖5MAResU-Net網絡結構與注意力機制

2.3 評價指標

語義分割常見的精度評價指標有整體準確率（OrerallAccuracy）、精確率（Precision）、召回率（Recall）、F1分數（F1_Score）、交并比（IoU）、平均交并比（MI-oU）和頻率權重交并比（FWIoU）[22]

精確率為網絡正確識別水體樣本個數占網絡正確識別水體樣本個數與錯誤識別水體樣本個數總和的百分比，公式如下：

式中： TP 為真正例，表示正確識別水體樣本的個數；FP 為假正例，表示錯誤地將非水體樣本識別為水體樣本的個數。

召回率為網絡正確識別水體樣本個數占網絡正確識別水體樣本個數和網絡錯誤識別為背景樣本個數總和的百分比，公式如下：

式中： FN 為假負例，表示錯誤地將水體樣本識別為非水體樣本的個數。

F1 分數為精確率與召回率的加權調和平均：

3 結果與分析

3.1模型參數設置

利用深度學習MAResU-Net語義分割方法對長江水體ZP-River水體數據集進行識別，并與 ΔU-Net 、 和DeepLabv3 + 方法進行比較。模型使用PyTorch框架，優化器設置為Adamw，學習率設置為0.001，優化策略為余弦退火學習率衰減，最大訓練次數設置為120，Loss損失函數為交叉熵損失函數。

3.2 模型訓練過程

ZP-River訓練集與驗證集的比例設置為8：2，模型從訓練集中學習樣本知識，并在驗證集上進行模型性能評估。訓練集與驗證集精度變化如圖6所示，紅色虛線表示過擬合點。隨著訓練次數的增加，訓練集和驗證集的模型精度均呈現逐步上升的趨勢。在訓練初期，兩者精度的提升速度較快，表明模型正在快速學習并適應數據特征。然而，隨著訓練進程的深人，驗證集精度的提升速度逐漸放緩，而訓練集精度則繼續穩步上升。這一差異可能預示著模型開始面臨過擬合的風險，即模型在訓練集上表現得越來越好，但在未見過的數據（驗證集）上的泛化能力卻有所下降。當模型迭代到第110次時，驗證集精度達到峰值并開始趨于穩定，在此之后，隨著模型訓練次數增加，訓練集精度依然上升，但是驗證集精度卻開始下降，這個穩定點是模型訓練過程中的一個重要參考，即在此之后，進一步增加訓練次數無法顯著提升模型在驗證集上的性能，反而會加劇過擬合現象。

圖6訓練集與驗證集精度變化

Fig.6Precision changes of training set and verification set

深度學習模型在每一次訓練中都會自動找尋最優的解，圖7為模型訓練次數與損失函數的變化示意，模型損失值從最早的0.4253變化為0.3268，這一變化表明模型在訓練過程中不斷優化其參數，以減少預測值與真實值之間的差異。隨著訓練次數的增加，損失函數值呈現出先快速下降后緩慢下降的趨勢，最終在模型迭代到100次之后，開始趨于平穩，逐漸達到收斂狀態。

3.3 試驗結果分析

3.3.1 試驗可視化結果

MAResU-Net方法與 U-Net，BiSeNet，U-Net+ + 和DeepLabv3 + 方法在ZP-River數據集上的可視化結果如圖8所示。

圖7模型訓練loss值變化

Fig.7Changes ofmodel training lossvalue

圖8MAResU-Net與各深度學習方法在ZP-River數據集的可視化結果

Fig.8VisualizationresultsofMAResU-Netand other deep learning methods in ZP-River dataset

注：Image為研究區圖像，GT為整體標簽，下同。

由圖8可知，示例1的水體類型是小型蓄水池和池塘細小水體，并且其周邊存在與水體形狀相似的耕地。示例1圈紅的區域，人工在標注過程中存在漏標注水體的情況，U-Net方法和BiSeNet方法僅能較少部分識別水體區域，其次為 U-Net+Ω+Ω 和DeepLabv3 + ，而MAResU-Net方法識別水體的完整度最高、效果最好。由此可見，MAResU-Net模型在識別容易與耕地混淆的鄉間池塘細小水體時效果良好，可基本完整提取小型蓄水池和池塘細小水體，整體效果均優于上述所對比的深度學習方法。

示例2為長江干流上水體，且水體中存在很多船舶，導致識別水體困難。示例2圈紅的區域有4個獨立的船舶， U-Net 模型、BiSeNet模型、 ΔU-Net+Ω+ 模型和DeepLabv3 + 模型所識別的船舶輪廓較模糊，無法準確分類出船舶邊緣，同時存在多個船舶連接在一起的情況，進而導致識別效果不理想。但是MAResU-Net模型可清晰地將船舶輪廓排除在外，準確識別出水體，最為完整地識別出了4個獨立的船舶邊緣。

示例3的水體類型是小型坑塘和人造池塘水體，示例3圈紅的區域為坑塘岸邊，所對比的深度學習方法在識別坑塘岸邊時，存在模糊和邊緣不清晰的問題，但是MAResU-Net模型可以準確地識別圩上的人造池塘水體和部分小型坑塘水體。

示例4上方存在壩體建筑物，所對比的深度學習方法均能較好地識別壩體建筑物，但是其壩體周邊的池塘岸邊與水體區域易混淆，如所框紅的區域所示，所對比的深度學習方法的提取結果存在池塘岸邊邊緣中斷和不完整的情況;而MAResU-Net模型對于池塘坑岸的輪廓識別更加完整，識別效果最好。

由此可見，MAResU-Net通過使用多階段注意力機制，豐富模型的特征提取和分類能力，使得其能夠更好地處理高分辨率遙感圖像中的復雜場景和細節信息，用于長江水體提取時具有一定的優越性，相比所對比的U-Net、BiSeNet .U-Net+Ω+Ω 和DeepLabv3 + 方法，具有更好的識別效果。

3.3.2 精度評價

表2展示了所對比的方法在ZP-River數據集上的精度表現。實驗表明深度學習MAResU-Net模型相比 U-Net.，BiSeNet.U-Net+Ω+ 和DeepLabv3 + 等方法在所有評價指標上均更優。與所實驗的U-Net方法相比，MAResU-Net模型F1分數提升約 0.27% ，平均 0A，mIoU 和FWIoU分別提升約 0.21%.0.22% 和 0.11% 。圖9對比了各模型在浮點運算次數FLOPs上的表現，MAResU-Net模型在浮點數計算上優于所對比的 U-Net.U-Net+Ω+Ω_sDeepLabv3+Ω 模型。在浮點數計算上排行第二，僅高于BiSeNet模型 10G 。

表2 U-Net 及各深度學習方法實驗結果

Tab.2Results of U-Net and traditional method：

3.3.3 示范區結果分析

選取高分影像研究區B進行展示，該區域位于長江干流與鄱陽湖交界處，大小為11800像元 ×14316 像元，用于分析其在實際應用中的效果。選取典型

U-Net模型與MAResU-Net模型進行效果展示，如圖10所示。MAResU-Net模型相比U-Net模型，在長江州區中的識別效果更平滑，噪聲更少，識別精度更高；介于鄱陽湖處的水體影像MAResU-Net模型同樣識別更為平滑，誤識別較少，可以更精確地識別水體與非水體區域，MAResU-Net模型中的多階段注意力機制可以捕捉更精細的特征信息，對于易于水體混淆的區域，區分度更高，效果更好，同時所應用的線性注意力模塊顯著降低了計算復雜度，使得MAResU-Net模型在保持較高精度的前提下，能顯著降低模型復雜度。

圖9MAResU-Net與各深度學習方法浮點運算次數比較 Fig.9Comparison of the number of FLOPs between MAResU-Net and various deep learning methods

4結論與展望

本研究構建了長江水體語義分割數據集（ZP-River），并將深度學習MAResU-Net模型的智能提取方法應用于水體提取領域，得到如下成果與結論。

（1）將基于深度學習的語義分割MAResU-Net智能識別模型應用于水體提取，成功構建了長江水體語義分割數據集（ZP-River）。相較于U-Net算法，在區分小型水體（如蓄水池、細小池塘、坑塘及人造池塘）及復雜周邊地物（包括船舶、壩體建筑體等）時，MAResU-Net模型表現出了更高的區分度和準確性，并且識別速度提升約 40% 。

（2）采用的語義分割深度學習框架為MAResU-Net ，該模型在實際應用中展現出了良好的識別效果。為了進一步提升模型的性能和泛化能力，未來可以進一步加大影像覆蓋范圍，考慮覆蓋長江下游其他水文站附近的影像數據，進一步擴充模型的識別范圍。

圖10MAResU-Net與U-Net效果展示Fig.10DemonstrationofMAResU-Net andU-Neteffect

（3）采用的MAResU-Net智能識別模型，識別速率快且識別精度較高。后續可以嘗試優化模型結構，進一步提高模型的識別精度，強化“天空地水工”一體化數字孿生水文站建設與河湖水體智能監測感知應用。

參考文獻：

[1］李國英.全面提升水利科技創新能力引領推動新階段水利高質量發展[J].中國水利，2022（10）：1-3.

[2] 蔡陽，成建國，曾焱，等.加快構建具有“四預”功能的智慧水利體系[J].中國水利，2021（20）：2-5.

[3] 路明浩，程先富.洪水災害風險評價研究綜述[J].四川環境，2010，29（6）：127-132.

[4] 饒恩明，肖燚，歐陽志云.中國湖庫洪水調蓄功能評價[J].自然資源學報，2014，29（8）：1356-1365.

[5] 李晟銘，劉吉平，王銘，等.基于Sentinel-1A的2016年長江中下游重災區洪水遙感監測及災情評估[J].安徽農業科學，2018，46（10）：68-74，91.

[6] 吳夢娟.基于深度學習的高分衛星數據水體提取研究[D].南京：南京信息工程大學，2020

[7] 易善楨，王志輝.不同方法在水體遙感提取中的應用實現[J].湖泊科學，2007（4）：3-6.

[8] 鄧啟睿，張英，劉佳，等.基于Sentinel-1/2數據的洪水淹沒范圍提取模型[J].人民長江，2024，55（9），71-77.

[9] 吳浩，陳楚，銀朵朵，等.基于GF-3衛星的海河“ 23.7 ；流域性特大洪水水體變化監測[J].海河水利，2024（9）：64 -67.

[10]曹引，趙紅莉，王曉東，等.1990-2022年膠東調水工程調蓄水庫水色時空變化數據集［J].中國科學數據（中英文網絡版），2024，9（3）：354-365.

[11] 張珂，吳星宇，吳南，等.基于高分一號遙感影像的水體提取方法對比分析與改進[J].水資源保護，2024，40（4）：9-16.

[12]葉雨陽，呂獻林，羅鍇澍，等.基于Landsat-8數據的洞庭湖區地表水體提取方法評價［J].水利水電快報，2023，44（8）：17 -24.

[13] BERTHON JF，ZIBORDI G. Optically black waters in thenorthern Baltic Sea[J].Geophysical Research Letters，2010，37（9） ：232-256.

[14]HUGHES M J，HAYES D J. Automated detection of cloudand cloud shadow in single - date Landsat imagery usingneural networks and spatial post - processing[J].RemoteSensing，2014，6（6） ：4907 -4926.

[15]李振軒，黃敏兒，高飛，等.基于 U-Net.U-Net++Ω 和Attention-U-Net網絡的遙感影像水體提取［J].測繪通報，2024（8）：26-30.

[16] GUOH，HEG，JIANGW，et al.A multi-scale water ex-traction convolutional neural network（MWEN）method forGaoFen -1 remote sensing images[J]. ISPRS InternationalJournalofGeo-Information，2020，9（4）：189.

[17]PENGQ，CAI Y，WANG X.Small waterbody extraction withimproved U Net using Zhuhai -1 hyperspectral remotesensing images[J]. IEEE Geoscience and Remote SensingLetters，2021，19：1-5.

[18] PARAJULI J，FERANNDEZBELTRAN R，KANG J，et al.Attentional denseconvolutional neural network for waterbodyextraction from sentinel2 images[J].IEEE Journal ofSelected Topics in Applied Earth Obser vations and RemoteSensing，2022，15：6804-6816.

[19]LIR，ZHENG S，DUAN C，et al. Multistage attention ResU-Net for semantic segmentation of fine-resolution remotesensing images[J]. IEEE Geoscience and Remote SensingLetters，2021，19：1-5.

[20]梁忠壯，孟令奎，謝文君，等.基于卷積神經網絡的城市水體提取方法研究[J].測繪地理信息，2021，46（2）：36-39.

[21]宋子俊，董張玉，張鵬飛，等.基于改進的U-Net卷積神經網絡的遙感影像水體信息提取方法[J].合肥工業大學學報（自然科學版），2024，47（4）：488-495，515.

[22]陳志程，萬華偉，萬鳳鳴，等.基于改進Unet模型的無人機影像兩階段草地退化指示物種分類[J].遙感技術與應用，2024，39（5）：1075-1084.

（編輯：張爽）

Research on intelligent recognition technology of water body extraction in high -resolution remote sensing images based on deep learning

SONG Shizhu，LIU Lin，XIAO Zhongkai，ZHONG Jiwen，YU Hui （LowerCangjiangRerBureauofHdrologicalndWaterResoucesureyureaufHydoogofangjiangaterRsoco mission，Nanjing 210011，China）

Abstract：Inorder to preciselyclassify water bodies and further enhance theaccuracyandeficiencyof water body extraction inthe Changjiang River，wetook the water bodiesof Hukou Hydrographic Stationof theLower Changjiang River as theresearch object，the GF1B image water data of Zhangjiazhou Reach and Poyang Lake exit of the lower Changjiang River was selected，the water extraction data setof ZP-River semantic segmentation was constructed by manually annotating the water data set. The water extraction performance of U - Net，BiSeNet，U - NET ++ ，DeepLabv3 + and MAResU-Net methods in ZP-River dataset （at the exit of Changjiang River and Poyang Lake）were compared and analyzed.Experiments showed that compared with the other methods，the MAResU-Net model was superior to the deep learning method in many evaluation indexes，and its average F1 score was 98.74% . The model had shown excellent performance inaccurately distinguishing betweensmall waterbodies （such asreservoirs，smallponds，pitsand man-made ponds）and confusing features around the Changjiang River （including ships，dam structures and soon）.Compared with U-Net method，the recognition efficiency of this model was improved by about 40% . The research results can provide a reference fortheconstructionof digitaltwin basin inteligent model，andhelp buildamonitoringand defensesystem for water and drought disasters in the Changjiang River.

Key Words： deep learning；semantic segmentation；MAResU-Net；digital twin;water bodyof Changjiang River