利用Sentinel-2多光谱图像，更快、更准确地绘制烧毁区域的地图

《Remote Sensing of Environment》：Faster, better, and more accurate mapping of burned areas using Sentinel-2 multispectral images

烧损区（BA）动态检测框架MSR-BACD通过构建百万级样本数据集、开发定制化Swin Transformer模型及候选推断策略，显著提升Sentinel-2影像的BA检测精度（IoU 90.5%）和效率，计算成本降低95.62%。

　　近年来，随着全球气候变化和人类活动的加剧，野火的发生频率和强度不断上升，对生态环境和社会经济造成了深远的影响。为了更准确地评估这些影响，快速、高效且精确的烧毁区域（Burned Area, BA）制图技术变得尤为重要。烧毁区域通常指的是受火灾影响的地区，其特征包括焦炭和灰烬的残留、植被的破坏以及植被结构的变化。这些区域不仅是火灾事件的重要记录，还对温室气体排放、生态系统退化和基础设施损毁等关键因素具有指示作用。因此，开发一种能够满足这些需求的BA制图方法成为研究热点。

现有的BA制图技术主要分为两类：一类是主动火产品，如基于MODIS的MCD14DL和基于VIIRS的VNP14IMG及VJ114IMG，它们通过检测热异常来识别卫星过境时的火点；另一类是BA产品，用于绘制火灾发生后的空间范围和强度。这两种产品在时间和空间特征上具有互补性：主动火产品能够捕捉瞬时燃烧事件，而BA产品则记录火灾的累积空间足迹。结合这两类产品，可以提升全球火灾监测的精度和效率。

然而，现有的BA产品在空间分辨率上存在一定的局限性。早期的BA产品如8公里分辨率的全球烧毁地表（Global Burnt Surface, GBS）数据集和基于AVHRR的FireCCI长期系列，由于分辨率较低，难以准确识别小型火灾，导致遗漏率较高。随着技术的发展，高分辨率的BA产品逐渐出现，如基于VEGETATION传感器的1公里分辨率Global BA2000和Globcarbon数据集，以及基于MODIS的500米分辨率MCD45A1和MCD64A1系列，以及250米分辨率的FireCCI50/51数据集。这些产品在精度和分辨率上有所提升，但仍无法完全满足对小型火灾的识别需求。

为了应对这些挑战，研究者们开始关注中等分辨率（Moderate Resolution, MR）光学传感器，如Landsat的Operational Land Imager（OLI）和Sentinel-2的Multispectral Instrument（MSI），它们在检测小型烧毁区域和提升制图精度方面展现出更大的潜力。然而，即使使用这些高分辨率传感器，BA检测仍然面临多重困难。首先，烧毁区域的多样性使得其在光谱、形状和大小上具有高度变化，受到植被类型、燃烧强度以及火灾后恢复动态的影响，这导致了边界识别的困难。其次，背景干扰，如农业收获、山地和云影以及植被的季节性变化，往往与烧毁区域具有相似的光谱特征，增加了区分的难度并提高了误分类率。最后，由于中等分辨率图像数据量庞大，处理这些数据需要大量的计算资源，特别是在自动化制图过程中，这增加了检测错误的风险。

在这一背景下，深度学习（Deep Learning, DL）技术被引入到遥感数据的处理中，以提高目标识别的精度和效率。深度学习模型能够从大规模数据集中学习复杂、非线性的特征与标签之间的关系，并动态调整模型参数以减少预测误差。一旦模型训练完成，就可以实现自动化的特征提取过程。尽管深度学习在BA制图方面展现出潜力，但仍然存在一些限制。首先，多数BA数据集用于训练深度学习模型时规模较小，通常仅包含区域性的样本，且多为正样本（即包含烧毁区域的图像），缺乏负样本（即不包含烧毁区域的图像）。这限制了模型在区分烧毁区域与相似的非烧毁区域方面的泛化能力。其次，大多数基于深度学习的BA检测方法使用单一场景、三波段的图像分割模型，如卷积神经网络（CNNs）、U-Net及其变体。这些方法虽然在许多应用中表现良好，但在检测小型或微妙的烧毁区域时存在困难，因为它们未能充分利用预火和后火的遥感数据，容易受到具有相似光谱特征的非烧毁区域的干扰。最后，多数深度学习应用为了满足计算限制，会将整个遥感图像裁剪为更小的图像块进行推理，这种方法在大面积的BA制图中效率较低，因为生成的图像块中大部分并不包含烧毁区域，导致计算资源的浪费。

基于上述挑战，本研究提出了一种中等空间分辨率烧毁区域变化检测（Moderate Spatial Resolution Burned Area Change Detection, MSR-BACD）框架。该框架旨在通过数据集构建、模型创新和推理优化，实现更快速、更准确和更全面的BA检测。具体来说，首先，构建了一个全球范围内的大规模MSR-BACD数据集，涵盖了多种土地覆盖类型和云条件，以支持深度学习模型的学习过程并提升其泛化能力。其次，设计了一种基于定制化Swin Transformer架构的深度学习基础模型，利用预火和后火的双时相遥感数据，以实现更精确的烧毁区域边界识别。最后，提出了一种基于候选的推理策略，该策略结合了部署在Google Earth Engine（GEE）上的随机森林模型，用于从大量中等分辨率遥感图像中筛选潜在的烧毁区域候选，再通过部署在本地GPU服务器上的深度学习模型进行精细提取，以提高检测效率和精度。

本研究的MSR-BACD框架具有以下优势。首先，它通过构建大规模、多样化的数据集，提高了模型的泛化能力和对复杂干扰的识别能力。其次，它利用双时相遥感数据，能够更全面地捕捉火灾前后的变化，从而提高边界识别的准确性。第三，它采用基于候选的推理策略，减少了计算资源的浪费，提高了处理效率。这些改进使得MSR-BACD框架在大规模区域的BA检测中表现优异，能够有效应对现有方法在精度和效率上的不足。

实验结果表明，MSR-BACD框架在封闭集场景中实现了平均交并比（Intersection over Union, IoU）达到90.50%的检测精度，同时在开放集评估中，特别是在葡萄牙地区，相较于传统的逐场景推理方法，提高了Dice系数19.90%，并减少了计算成本95.62%。这些结果表明，MSR-BACD框架不仅在精度上优于现有方法，而且在计算效率上也具有显著优势。

此外，本研究还探讨了MSR-BACD数据集的特性，以及该框架在不同模块和不同区域尺度上的表现。数据集涵盖了2019至2021年间超过81万景Sentinel-2 MSI图像，其中包括141万对256×256像素的图像块，其中105万对为预火和后火图像块，并包含相应的烧毁区域掩膜（正样本），而35万对为未包含烧毁区域的图像块（负样本）。正样本（MSR-BACD-P/PA数据集）包含62万对图像块，分别来自2019年、2020年和2021年。这些数据集的构建为深度学习模型的训练提供了坚实的基础，并有助于提升模型在不同环境下的适应能力。

在数据集构建和模型设计方面，本研究强调了数据集多样性的重要性。现有的许多数据集主要关注于从正样本中学习烧毁区域的特征，而忽略了负样本在训练中的作用。尽管正样本可能包含背景干扰的信息，但它们可能不足以有效抑制复杂的干扰目标。因此，本研究假设在训练过程中引入多样化的干扰信息，可以增强模型对非烧毁区域的识别能力，从而提升检测的稳定性。为了验证这一假设，研究团队对数据集进行了进一步的优化，确保其不仅包含正样本，还涵盖了丰富的负样本，以支持深度学习模型的学习过程。

本研究还探讨了MSR-BACD框架在不同区域尺度上的表现。在封闭集场景中，模型能够准确识别烧毁区域，而在开放集场景中，模型的泛化能力也得到了验证。此外，研究团队还评估了该框架在不同土地覆盖类型和不同气候条件下的适用性，确保其能够适应多种环境，从而提高其在实际应用中的鲁棒性。

最后，本研究强调了该框架在实际应用中的重要性。MSR-BACD框架不仅能够提升BA检测的精度和效率，还能够为火灾后的恢复、温室气体排放估算以及火灾趋势分析提供重要的数据支持。此外，该框架还能够适应不同的遥感数据源，如Landsat-8/9的OLI/OLI-2传感器，从而扩大其应用范围。

总的来说，MSR-BACD框架为中等空间分辨率的BA检测提供了一种全新的解决方案。通过数据集构建、模型创新和推理优化，该框架能够有效应对现有方法在精度和效率上的不足，为野火科学和应用研究提供了重要的支持。未来，随着遥感技术和深度学习技术的不断发展，该框架有望在更广泛的领域中得到应用，为全球火灾监测和环境评估提供更准确的数据支持。