基于Sentinel-1相干特征的深度学习模型在亚马逊雨林南部边境毁林监测中的应用研究

本研究针对亚马逊热带雨林毁林监测中光学遥感受限于雨季及云层覆盖的问题，利用Sentinel-1合成孔径雷达（SAR）的相干特征（包括强度、干涉相干性与极化分解参数），开发了U-Net、SF-Net和LSTM三种深度学习模型，实现了多地形环境下土地利用与土地覆盖（LULC）的高精度分类。研究在南部亚马逊地区三类典型地形（平坦、起伏、丘陵）开展实验，最高总体精度达0.95，IoU为0.66，显著提升了干旱季LULC和毁林监测能力，为全天候、全地形森林动态监测提供了新方法。

　　

亚马逊雨林作为地球上最大的热带雨林，不仅拥有无与伦比的生物多样性，还在全球碳循环和气候调节中扮演着关键角色。然而，近年来，这片绿色宝藏正面临着日益严重的威胁：毁林、森林退化、野火以及农业、牧业和非法采矿的扩张不断侵蚀着它的边界。虽然光学和雷达遥感系统能够提供长期的准确数据，例如土地利用与土地覆盖（LULC）分类和毁林警报，但它们的效果很大程度上局限于旱季，有些甚至需要大量人工干预才能检测森林扰动。尤其是在靠近赤道地区（约南北纬4度以内）、地形复杂（如陡坡或洪泛平原）的区域，光学遥感受到云层覆盖的严重干扰，而雷达系统则在信号解析和目标区分方面存在挑战。

为了解决这些问题，一项发表在《Science of Remote Sensing》上的研究提出了一种创新的方法：利用Sentinel-1合成孔径雷达（SAR）的相干特征，结合深度学习（DL）技术，来改进LULC和毁林监测。该研究由Ulisses Silva Guimar?es、Thiago Bortoleto Rodrigues、Alen Costa Vieira、Edson Mintsu Hung、Maciej J. Soja、Leif E.B. Eriksson和Lars M.H. Ulander合作完成，旨在通过SAR数据在亚马逊雨林南部边境实现高效、准确的环境监测。

研究人员采用了多项关键技术方法。首先，他们利用Sentinel-1 C波段双极化数据，通过干涉相干性和Cloude-Pottier双极化分解提取了10个相干特征，包括后向散射强度、相干性和熵（Entropy）等参数。其次，基于光学影像（如PlanetScope和Sentinel-2）进行地面控制点（GCP）采样，并结合随机森林（RF）分类生成连续训练样本。最后，他们设计了三种深度学习架构——U-Net、语义流网络（SF-Net）和长短期记忆网络（LSTM），并通过Optuna框架进行超参数优化，以提升模型在复杂地形下的分类性能。

研究结果显示，Sentinel-1的相干特征显著提高了LULC分类的准确性。在三种不同的亚马逊地形场景中（平坦、起伏和丘陵），U-Net模型表现最佳，尤其是在场景54 622/627（起伏地形）中，4类LULC分类的总体精度达到0.95，IoU为0.66。相比之下，LSTM模型在场景83 617/622（平坦地形）中表现较差，总体精度仅为0.61，IoU为0.36。误差分析表明，U-Net模型的误差主要为随机误差（RMSE=0.43），而SF-Net和LSTM则存在系统性误差（RMSE介于0.38至0.83之间）。类别方面，森林（Fo）和毁林（De）的识别精度最高（F1-Score分别为0.97和0.92），而非森林（NF）和水体（Wa）的识别则较为困难（F1-Score分别为0.51和0.72）。通过泰勒和目标图分析，研究发现场景83 617/622特别适合U-Net建模，其预测结果与地面控制点高度一致。

此外，SHAP分析进一步揭示了相干特征的重要性：熵（Entropy）对各场景的分类贡献最大，其次是各向异性（Anisotropy）、VV通道强度和VH相干性。这些发现不仅验证了SAR相干特征在提升分类性能方面的价值，还为后续研究提供了关键特征选择依据。

研究的结论部分强调，Sentinel-1 C波段SAR数据结合深度学习模型，能够在亚马逊雨林南部边境实现高精度的LULC监测，尤其是在旱季和多地形环境下。U-Net模型因其较强的特征提取和空间上下文捕捉能力，成为最具潜力的架构。然而，非森林和水体的分类仍存在挑战，需通过增加样本多样性、使用更精细的地形数据（如DSM）以及结合更长波长（如L波段和P波段）SAR数据来进一步改进。这项研究为全球热带雨林监测提供了一种可靠、可扩展的技术方案，对未来应对气候变化、保护生物多样性以及实现联合国可持续发展目标（SDG 15——陆地生命）具有重要意义。