基于图对比学习的异源遥感影像土地覆盖变化检测方法研究

本文提出了一种基于图对比学习网络（GCLN）的异源遥感影像（Hete-RSIs）土地覆盖变化检测（LCCD）新方法。通过超像素构图、图特征学习和对比损失函数设计，解决了异源影像模态差异导致的直接比对难题，在五组数据集上总体精度提升3.63%-8.47%。该方法为无监督场景下的多模态遥感变化检测提供了创新解决方案。

　　

亮点

本文提出了一种创新的图对比学习网络（GCLN），用于解决异源遥感影像（Hete-RSIs）土地覆盖变化检测中的三大挑战：跨模态特征共享、无监督损失函数设计以及图结构噪声抑制。

方法论

如图1所示，GCLN包含四大核心模块：

1）基于超像素的图构建：采用k近邻（KNN）算法增强超像素内光谱同质性

2）图特征学习：通过双视角（相似性/非相似性）构图捕获顶点远-近依赖关系

3）对比损失函数：耦合相似性损失与差异性损失形成动态约束

4）特征筛选策略：通过排序剔除顶点异常特征，保留代表性特征

数据集描述

实验选用五组多平台异源数据集（表1，图4），涵盖光学-SAR等多种模态组合，空间分辨率从高分到低分，变化类型包括野火、城市扩张等典型场景。

结论

GCLN在无监督条件下显著优于7种对比方法，最高提升8.47%的总体精度。其创新性体现在：1）首个面向无监督图卷积的对比损失函数；2）自适应平均池化（AAP）分支保留局部顶点关联；3）动态特征筛选机制。未来将优化超参数敏感性问题。

作者贡献声明

吕志勇：构思/数据/基金；程思哲：方法/实验；谢林甫：指导/资源；李俊怀：监督；赵明华：验证

利益冲突声明

作者声明无潜在竞争关系

致谢

感谢国家自然科学基金（42271385，42001407）、深圳市科技计划（RCBS20221008093124064）、广东省基础与应用基础研究基金（2024A1515010777）及粤港联合实验室项目（2020B1212030009）的支持