基于显著目标检测网络的高分辨率遥感影像燃烧区域分割方法研究

为解决高分辨率遥感影像(RSIs)中燃烧区域分割(BAS)存在的定位信息稀释和边缘模糊问题，研究人员开发了新型显著目标检测(SOD)网络PANet。该网络通过路径聚合解码器(PAD)和渐进式多级聚合预测器(PMAP)模块，显著提升了1024×1024等高分辨率影像的BAS精度。实验表明，PANet在自定义HRBAS数据集和2019-Bushfire公开数据集上均超越现有方法，为森林火灾监测与生态恢复提供了更精准的技术支撑。

　　

森林火灾是全球生态系统面临的重大威胁，准确评估火灾影响范围对灾后恢复至关重要。传统燃烧区域分割(Burned Area Segmentation, BAS)方法在低分辨率遥感影像(如128×128)表现尚可，但当面对1024×1024等高分辨率影像时，由于采样过程中的定位信息稀释和边缘模糊效应，现有基于UNet、DeepLabV3+等架构的方法往往表现不佳。这种技术瓶颈直接影响了火灾损失评估的准确性，也制约了灾后恢复工作的效率。

针对这一挑战，中国国家自然科学基金资助项目(Grant No.42475149)支持的研究团队创新性地将显著目标检测(Salient Object Detection, SOD)技术引入BAS领域。研究人员发现，燃烧区域与SOD任务中的显著物体具有高度相似性——它们都表现出与背景明显的颜色、纹理差异。基于这一发现，团队开发了名为PANet的新型网络，其核心创新在于路径聚合解码器(Path Aggregation Decoder, PAD)和渐进式多级聚合预测器(Progressive Multi-level Aggregation Predictor, PMAP)两大模块。相关成果发表在《Environmental Modelling》期刊，为高分辨率遥感影像分析提供了新思路。

研究采用三项关键技术：首先构建了基于Landsat8卫星753波段组合的高分辨率BAS数据集(HRBAS)；其次设计PAD模块，通过细节特征流(Detail Feature Flow, DFF)和定位特征流(Location Feature Flow, LFF)双路径增强边缘与空间信息；最后开发PMAP模块，采用特征融合模块(Feature Fusion Module, FFM)渐进整合多尺度特征。实验同时使用2019年澳大利亚山火Sentinel-2数据集(2019-Bushfire)进行验证。

【网络架构】部分显示，PANet以ResNet50为编码器，PAD通过DBlock模块实现PAN风格的特征传播，有效保留采样过程中的细节信息。PMAP则通过层级式FFM融合，使高层特征辅助低层特征预测。

【实验结果】表明，在HRBAS数据集上，PANet的F_β分数达到0.892，比次优模型提高3.2%；在2019-Bushfire数据集上mIoU达到0.863。可视化结果显示，PANet能准确识别不规则燃烧斑块，尤其在山区等复杂地形中保持较高分割精度。

【局限性】部分指出，PANet在低对比度影像和烟雾干扰场景仍存在误判，如将未燃烧植被错误分类。这主要源于影像质量限制和植被多样性带来的特征混淆。

结论部分强调，PANet通过PAD和PMAP的协同设计，首次将SOD技术成功应用于高分辨率BAS任务。研究不仅贡献了新数据集和算法，更重要的是建立了跨技术领域的方法迁移范式。该成果为森林火灾应急响应提供了更精准的技术工具，也为遥感影像分析开辟了新的技术路径。未来工作将聚焦多模态数据融合和三维地形整合，以进一步提升复杂环境下的分割鲁棒性。