综述：一种基于对象的深度学习集成方法，用于绘制武装冲突影响及土地损毁的地图

《Science of Remote Sensing》：An integrated object-based-deep learning approach applied for mapping armed conflict impacts and land scars

中国摘要：本研究提出了一种结合对象基图像分析（OBIA）和深度学习卷积神经网络（DL-CNNs）的创新方法，用于高效、可移植地映射武装冲突造成的环境影响和土地疤痕。通过伊朗-伊拉克战争、叙利亚内战和卡拉巴赫冲突三个案例验证，总体精度分别为0.96、0.93和0.94，并开发了FSE-QADI评估方法确保结果可靠性。

　　随着全球范围内战争和武装冲突的增加，需要一种高效、经济且具有可转移性的方法论框架来映射环境影响和土地创伤。这项最新研究开发了一种新颖且可转移的数据驱动方法，用于映射战争和武装冲突造成的土地创伤和影响。在伊朗-伊拉克战争的战场中，研究人员确定了多种战争土地创伤，并采用集成的基于对象的图像分析（OBIA）和深度学习卷积神经网络（DL-CNNs）进行分析。然后，该方法的效率和可转移性被用于叙利亚内战和纳戈尔诺-卡拉巴赫（阿塞拜疆-亚美尼亚）冲突的案例研究中。为了验证结果并评估方法的可转移性和效率，研究中采用了集成的模糊综合评价（FSE）和数量与分配分歧指数（QADI）。通过FSE-QADI的准确性评估，伊朗-伊拉克战争中获得的土地创伤准确率达到了0.96，而叙利亚和纳戈尔诺-卡拉巴赫土地创伤的总体准确率分别为0.93和0.94，展示了该方法的可转移性。随着地球观测技术的最新进展和多种产品（如高分辨率卫星图像）的广泛应用，发展高效的可转移数据驱动方法变得尤为重要。因此，作为一项前沿研究，本研究为遥感领域做出了重要贡献，提出了一种集成的可转移方法，结合了OBIA-DL和FSE-QADI。该方法可以支持政府和相关利益方检测和绘制武装冲突对战区的影响，从而增强武装冲突操作中的环境因素，这可能有助于预防未来的冲突。

战争和武装冲突对环境造成了多种显著的影响和挑战，如土地创伤和破坏。即使这些冲突可能短暂，但主要的武装对抗可能会造成严重的破坏，导致土地的大量损坏和退化。在这种背景下，战争土地创伤被视为人类制造的景观，具有多种几何特征，被称为“人类世地貌”。武装冲突景观的地形涉及战争遗留的痕迹，如战壕、弹坑和战争基础设施和武器的残骸。目前，战争景观被“叠加”在战后文化景观的“层”上。人们普遍认识到，战争地貌是人类世地貌的重要特征之一。战争地貌和创伤不仅涉及历史挑战，还可能具有重要的档案价值，有助于更好地理解历史问题。

从技术角度来看，这些土地创伤和损坏可以通过它们的几何特性与地形特征进行区分，这些特征可以通过地球观测卫星图像和图像处理方法进行观察、监测和分析。基于地球观测科学的显著进展，地貌土地形态的测绘近年来发生了显著变化。早期的研究主要集中在开发技术来检测和绘制行星表面的陨石坑，而不是绘制由武装冲突造成的土地形态和创伤。近期的文献综述表明，随着地球观测产品的进步和高分辨率卫星图像的可用性，以及新型图像处理技术的发展，遥感已被用于土地形态和创伤的检测和绘制，从而提高了效率。这些方法的演变反映了从手动数字化（矢量化）地球表面土地形态到利用卫星图像和图像处理技术进行自动或半自动特征分析的转变。

基于对战争和武装冲突土地创伤和影响的遥感与图像处理方法的应用，研究发现，尽管战争对环境的影响具有重要性，但对遥感图像处理潜力和能力的分析仍处于发展初期，需要进一步关注。考虑到全球范围内战争和武装冲突的增加及其在环境损害评估和考古研究中的重要性，本研究旨在开发一种高效、前沿且经济可行的数据驱动方法，用于检测和绘制全球范围内的战争损害。因此，本研究的主要目标是提出一种集成、半自动且可转移的OBIA-DL方法论框架，能够根据类似案例进行定制和应用。

在伊朗-伊拉克战争的案例研究中，研究者开发了一种基于OBIA的方法，并通过叙利亚内战和纳戈尔诺-卡拉巴赫冲突的案例研究评估了该方法的效率和可转移性。该方法结合了多种图像处理技术，如多时相归一化植被指数和变化检测分析，以及基于深度学习的卷积神经网络。通过这些方法，研究者能够识别和绘制战争土地形态和创伤，从而提供详细的土地创伤地图。这些地图不仅帮助了解战争对环境的影响，还为后续的环境评估和冲突预防提供了重要的数据支持。

为了提高方法的准确性和可转移性，研究者采用了集成的模糊综合评价（FSE）和数量与分配分歧指数（QADI）进行验证。FSE和QADI方法通过结合模糊决策规则和统计分析，能够更全面地评估分类结果的准确性。FSE方法利用两组参考数据（地面控制数据）和基于OBIA的分类地图，通过模糊决策规则验证结果的准确性。QADI方法则通过计算参考地图（RM）和分类地图（CM）之间像素数量的差异，评估分类结果的准确性。这些方法的结合不仅提高了分类结果的准确性，还增强了方法的可转移性。

在实际应用中，研究者使用了高分辨率的卫星图像和历史资料，如伊朗-伊拉克战争期间的军事行动地图。这些地图提供了战区的详细信息，包括军队位置、基础设施和武器存储地点，从而帮助研究人员识别和绘制战争土地形态。此外，研究者还收集了600个采样点进行实地调查，以获取训练数据并验证结果。通过这些数据，研究者能够优化OBIA特征和阈值，提高分类结果的准确性。同时，考虑到战争环境的复杂性，研究者采用了随机采样方法，确保训练数据的代表性。

研究者还应用了深度学习卷积神经网络（DL-CNNs）进行图像分类。DL-CNNs能够自动提取图像特征，并通过多层网络结构进行分类。在本研究中，DL-CNNs被用于处理OBIA特征，如平均值、标准差和形状指数。这些特征能够有效区分不同类型的战争土地形态和创伤。通过训练数据的优化和特征提取，研究者能够提高分类结果的准确性，并增强方法的可转移性。此外，研究者还采用了集成的FSE-QADI方法进行准确性评估，确保分类结果的可靠性。

在叙利亚内战和纳戈尔诺-卡拉巴赫冲突的案例研究中，研究者评估了该方法的可转移性。这些案例研究展示了不同战争环境下的土地形态和创伤，如城市区域的破坏、基础设施损坏和农田损毁。通过调整分割参数和优化特征，研究者能够确保方法在不同案例中的适用性。同时，研究者还利用高分辨率卫星图像和历史资料进行验证，确保分类结果的准确性。

本研究的结果表明，集成的OBIA-DL方法能够有效检测和绘制战争土地形态和创伤，并在不同案例中保持较高的准确性。例如，在伊朗-伊拉克战争的案例中，分类结果的总体准确率达到了0.96，而在叙利亚内战和纳戈尔诺-卡拉巴赫冲突的案例中，准确率分别为0.93和0.94。这些结果表明，该方法不仅适用于特定的战争案例，还能够在其他类似环境中应用。此外，研究者还通过QADI方法评估了分类结果的准确性，确保结果的可靠性和可重复性。

本研究的结论表明，战争和武装冲突对环境造成了显著的影响和挑战，这些影响不仅限于土地形态和创伤，还包括对生态系统结构的破坏，如弹坑、碎片和污染。随着地球观测技术的进步，遥感成为监测和绘制这些影响的重要工具。本研究提出的集成OBIA-DL方法为遥感领域提供了一种新颖、高效且可转移的框架，能够支持相关机构和利益方在战区检测和绘制战争影响，从而促进环境评估和冲突预防。未来的研究可以进一步探索模糊OBIA和DL算法的集成，如深度信念网络、循环神经网络和去噪自编码器，以提高方法的准确性和可扩展性。此外，该方法还可以应用于其他类似案例研究，为全球范围内的战争影响评估提供支持。