SAMWater: a prompt-guided multimodal framework for transferable water mapping with the segment anything model

准确且具有可迁移性的地表水制图对水资源评估、洪水监测和水生生态系统管理至关重要，但由于合成孔径雷达（SAR）斑点噪声、光学影像污染、异质背景以及高质量像素级标注稀缺等因素，实现稳健的大尺度制图仍然困难。我们提出SAMWater，一种提示引导的多模态框架，集成了Sentinel-1 SAR、Sentinel-2光学影像、分割一切模型（SAM）和分割一切模型3（SAM 3）。SAMWater并非将SAR和光学数据用作独立分类器，而是将其互补信息转化为结构化提示，用于由粗到精的水体分割。首先，利用基于自动阈值的策略从Sentinel观测中生成具有物理可解释性的多传感器粗水体先验。随后，通过基于提示的边界细化、多提示挖掘策略（导出点、框和高斯式掩膜提示）以及面向水体的Water-IoU微调进行候选排序，对该先验进行精化。利用全球分布的样本和人工解译的PlanetScope参考标签，SAMWater在按水体类型、土地覆盖背景和气候带分层评估中分别取得了90.71%、85.63%和89.05%的平均Kappa系数。其总体优于传统阈值法和聚类方法、公开深度学习模型以及现有全球水体或土地覆盖产品，尤其是在结构复杂的河流、水库、城市、农业和山地场景中。消融实验证实，多模态先验融合、结构化提示构建和面向水体的排序共同驱动了性能提升。此外，SAMWater生成的精化标签改善了U-Net、DeepLabV3+和SegFormer的训练，表明其可用于弱监督分割。因此，SAMWater表明，将具有物理可解释性的遥感先验与可提示基础模型相结合，为可迁移地表水制图、大尺度多传感器弱标签生成以及更一致的地表水范围监测提供了一条实用路径。