合成孔径雷达图像中基于空间-通道知识蒸馏的洪涝区域精准测绘方法

针对SAR图像洪涝检测中模型复杂度高、边界模糊等难题，研究人员提出特征选择-边缘生成优化网络(FS-EGR)，通过空间-通道双域知识蒸馏(FS-SC模块)和分层边界监督(EGR模块)，在三个SAR数据集上超越15种先进方法，参数量减少23%的同时IoU提升5.8%，为应急响应提供高效精准的技术方案。

　　

洪涝灾害是全球最常见且破坏力最强的自然灾害之一。近年来，受全球变暖和人口增长影响，洪灾频率急剧上升，严重威胁社会经济稳定。传统光学卫星在阴雨天气成像受限，而合成孔径雷达(SAR)凭借全天候成像优势成为洪涝监测利器——其发射的无线电波遇粗糙地表产生强后向散射，平静水面则呈现弱散射特征，形成鲜明对比。尽管基于卷积神经网络(CNN)和Transformer的方法已取得进展，但模型臃肿、边界模糊、特征利用不充分等问题仍制约着实际应用。

针对这些挑战，研究人员提出特征选择-边缘生成优化网络(FS-EGR)。这项发表在《Knowledge-Based Systems》的研究创新性地将知识蒸馏引入SAR洪涝检测：通过特征选择-空间通道模块(FS-SC)实现动态信息过滤，指导学生模型自主选择有价值的空间-通道特征；边缘生成优化模块(EGR)则利用粗细双边界标签增强轮廓识别。在覆盖中国内蒙古、河南等地的HISEA数据集(2240张3m分辨率SAR图像)测试表明，该方法参数量减少23%的情况下，交并比(IoU)提升5.8%，F1-score达91.2%。

关键技术包括：1) 空间-通道双域蒸馏框架，通过门控机制实现特征动态筛选；2) 构建粗细双粒度边界标签监督网络；3) 在线蒸馏策略使师生模型协同学习。实验采用6:2:2划分训练集(1404样本)、验证集和测试集(各468样本)，以平均像素精度(mAcc)、Kappa系数等6项指标评估。

【FS-EGR架构】提出轻量化蒸馏框架，FS-SC模块通过空间注意力图与通道权重矩阵的交互，使学生模型能像"智能滤网"般提取关键特征。消融实验显示该模块使mAcc提升3.4%。

【边界优化】EGR模块创新性地将传统Canny算子与形态学边界结合生成互补标签。可视化表明，该方法在河道蜿蜒区域误检率降低19%，小水体检测召回率提高12%。

【对比实验】在Sen1Flood11等三个数据集上，FS-EGR全面超越U-Net、TransUNet等15种模型，推理速度达47FPS，满足Jetson TX2嵌入式设备部署要求。特别在弱散射区域(如镜面水体)，F1-score较次优方法提高7.3%。

该研究突破性地解决了SAR洪涝检测中模型效率与精度的平衡难题。FS-SC模块的特征选择机制为遥感图像分析提供了新范式，EGR模块的边界优化策略可推广至其他不规则地物分割任务。未来工作将探索多时相SAR序列的时空特征蒸馏，进一步提升洪涝动态监测能力。开源代码已发布在https://github.com/TChi-Xu/A1，为灾害应急响应提供技术储备。