深度学习驱动的RADARSAT星座任务紧凑极化SAR数据在火烧迹地制图中的应用与性能优化

推荐：本研究针对光学卫星在火烧迹地监测中受云层干扰的难题，创新性地利用RADARSAT星座任务(RCM)紧凑极化(compact-pol)SAR数据，结合m-χ分解和紧凑极化雷达植被指数(CpRVI)，开发了基于ConvNet和Transformer的深度学习模型。结果表明，融合多源特征的UNETR模型F1 Score达0.718，较单一数据提升显著，为全天候火烧监测提供了新范式。

　　

野火监测正成为全球气候变化背景下的重大挑战。近年来，加拿大等地区野火频发，2023年创纪录地烧毁1850万公顷林地。传统光学卫星如Sentinel-2和Landsat虽广泛应用，但云层和烟雾严重阻碍观测效果。合成孔径雷达(SAR)因其穿透云层的优势成为替代方案，但现有研究多集中于双极化或全极化数据，对RADARSAT星座任务(RCM)紧凑极化(compact-pol)SAR数据的应用探索仍属空白。

瑞典皇家理工学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，首次系统评估了RCM C波段紧凑极化SAR数据在火烧迹地制图中的潜力。研究团队构建了包含46,295个图像块的训练集，覆盖加拿大12个重大野火事件，并采用欧洲航天局SNAP平台处理MLC产品，生成地距检测(GRD)图像、m-χ分解图像和紧凑极化雷达植被指数(CpRVI)。通过对比U-Net、Attention U-Net等6种深度学习模型在三种输入组合下的表现，揭示了多源特征融合的价值。

关键技术方法包括：1)基于SNAP平台的三分支预处理流程，同步生成GRD、m-χ分解和CpRVI图像；2)采用对数比值法处理前后期SAR图像差异；3)构建包含加拿大2023-2024年7场野火的测试集；4)使用Dice Loss优化UNETR等模型的语义分割性能。

研究结果显示：

1. 多源数据协同效应：融合对数比值、m-χ分解和CpRVI的特征组合表现最优，UNETR模型的F1 Score达0.718，较单一对数比值输入提升5.3%。在英属哥伦比亚的测试案例中，多源输入使检测准确率从近乎零提升至0.755。

2. 特征贡献度分析：m-χ分解的R通道均值变化最显著(增幅37%)，证实其对植被结构变化的敏感性。CpRVI通过量化最小/最大后向散射功率比，有效识别植被损失区域，但单独使用时准确率仅0.455。

3. 模型性能对比：Transformer架构的UNETR表现最优，其全局注意力机制优于SwinUNETR的局部窗口注意力。Attention U-Net通过引入注意力机制，在ConvNet类模型中取得0.713的F1 Score。

4. 实际应用验证：在魁北克(-75.49, 53.24)的火烧迹地检测中，多源输入模型准确率达0.790，仅低估云层遮挡区域。西北地区(-115.47, 62.77)案例显示，地形效应导致的误判率降低21%。

该研究证实RCM紧凑极化数据通过m-χ分解和CpRVI等特征提取，可有效弥补双极化信息的不足。UNETR模型展现出的强泛化能力，为多云地区的近实时火烧监测提供了可行方案。研究建立的90GB训练集和开源处理流程，为后续SAR遥感在生态灾害监测中的应用树立了新标准。未来通过纳入更多洲际火案例和数据，有望进一步提升模型在复杂地形下的稳定性。