水体信息提取是水资源管理与保护的重要前提。遥感技术是水体提取的一个重要手段，现有的水体提取方法大多应用于中低分辨率遥感影像，而对高分辨率遥感影像，尤其是GF-7卫星影像的水体提取研究较少。笔者针对GF-7数据空间分辨率高和像素级数庞大等特点，提出了一个基于语义分割网络的水体信息自动提取方法。在该研究中，基于GF-7的立体像对数据进行数字地表模型（DSM）的提取，并通过波段组合的形式进行学习训练，有效缓解了复杂地形或背景下的水体错分和漏分现象。网络使用空洞卷积和空间金字塔池化结构有效提高了模型大尺度空间特征提取和多空间尺度下的语义信息学习能力。以湖北省泉河流域为研究区，进行了水体提取实验及不同方法的对比实验。由于影像非水体信息较多，引入平均交并比 MIOU 作为评价指标。实验结果表明，该方法可有效实现GF-7影像水体信息的高精度提取，与传统水体指数法、支持向量机及U-Net方法相比，提取精度显著提高，水体提取精度可达到95.3%， MIOU 高达0.932。

水电站近坝库岸边坡稳定是大坝运行风险辨识的关键要素之一，特别是蓄水初期，稳定的近坝库区边坡是否受水位涨落的影响更是需要重点关注。利用升降轨Sentinel-1A时序数据，对金沙江溪洛渡水电站及其周边区域进行了形变监测，从2020年1—12月的形变分析结果可知，溪洛渡水电站主要建筑物和近坝库岸保持稳定，同时也发现远离库岸的坝区周边区域存在两处变形量较大的天然滑坡形变区。通过现场地质勘查与复核，显示SBAS-InSAR技术形变监测结果与现场调查结果具有很好的一致性。研究结果表明，Sentinel-1A时序数据和SBAS-InSAR技术在高山峡谷地区形变监测领域有着较为广阔的应用前景，为水库大坝的库区形变监测预警提供了新的技术手段。