基于加权深度学习的海冰浓度遥感估算：FF-WGC模型在北极环境监测中的突破

《Ecological Informatics》：Remote sensing-based sea ice concentration estimation via weighted deep learning networks

本研究针对传统卷积神经网络在海冰分割中边缘模糊和计算冗余的问题，提出了一种结合分组卷积、通道加权和前馈增强的FF-WGC新架构。实验表明，该模型在哈德逊湾Sentinel-2影像上的交并比达到47.5%，显著优于DeepLab、SegNet等基准模型，为极地环境监测提供了精度与效率兼顾的解决方案。

　　

随着全球气候变暖加剧，北极海冰的急剧变化已成为影响海洋环流和全球能量平衡的关键指标。传统海冰浓度监测依赖微波辐射计和人工判读，存在空间分辨率低、时效性差等局限。虽然U-Net等编码器-解码器架构在语义分割任务中表现优异，但面对碎冰区边缘模糊、计算负载高等挑战时仍力不从心。

为解决这一难题，马来西亚国民大学的Marzuraikah Mohd Stofa与Mohd Asyraf Zulkifley团队在《Ecological Informatics》发表研究，创新性地提出前馈加权分组卷积（FF-WGC）模型。该架构通过三重技术融合：首先将输入通道按1:7:7:1等比例分组，实现特征选择性聚焦；其次采用非对称加权机制强化关键通道表达；最后引入轻量级前馈网络促进跨组特征交互。这种设计既保留了空间细节，又避免了注意力机制带来的计算开销。

研究团队采用2016-2018年哈德逊湾区域的Sentinel-2光学影像与加拿大冰情图作为数据集，将31类原始海冰浓度简化为8个主要类别。通过对比实验发现，FF-WGC模型在交并比（IoU）指标上达到47.5%，较基准模型提升3个百分点，同时准确率、精确度、召回率和F₁分数分别达到85.9%、98.6%、98.3%和98.4%。尤为重要的是，该模型在碎冰区和边际冰带表现出更清晰的边界识别能力。

在分组卷积深度优化实验中，二层卷积结构展现出最佳平衡性（IoU=46.2%），过深或过浅的卷积层都会导致性能下降。加权分组卷积的对比表明，1:7:7:1的通道分配方案最能有效捕捉海冰空间异质性，其IoU值较均匀分组提升至47.0%。当引入前馈增强模块后，模型性能达到峰值，证明序列化卷积操作能显著提升组内特征表达能力。

与主流分割模型对比显示，FF-WGC在IoU指标上远超SegNet（42.8%）、DeepLab V₂（32.1%）等架构。虽然所有模型在像素级准确率上都超过98%，但FF-WGC在空间对齐精度方面的优势表明其更适用于实际极地监测场景。值得注意的是，模型在低浓度海冰（<10%）和快冰（fast ice）类别中仍存在误判，这主要源于数据集固有的类别不平衡问题。

技术方法层面，研究主要依托分组卷积（GC）实现特征通道的并行处理，通过加权分组卷积（WGC）引入非对称注意力机制，最终结合前馈（FF）网络构建完整架构。所有模型均采用Adam优化器与稀疏分类交叉熵损失函数进行端到端训练。

【分组卷积模型优化】实验发现二层卷积结构在保持参数效率的同时最优平衡了特征抽象程度，过深的网络会导致全局上下文信息整合不足。

【加权分组卷积效能】非对称通道加权（如1:7:7:1）通过模拟注意力机制使模型聚焦于判别性特征组，显著提升边际冰区检测精度。

【前馈增强机制作用】轻量级序列卷积块促进跨组特征 refinement，使FF-WGC在复杂冰缘形态分割中保持最高鲁棒性。

【基准模型对比验证】与传统编码器-解码器架构相比，FF-WGC在保持高像素精度的同时，将边界对齐精度（IoU）提升4.7-15.4个百分点。

研究结论强调，FF-WGC架构通过模块化设计实现了精度与复杂度的最佳权衡，其分组加权策略为轻量级注意力机制提供了新思路。未来工作将拓展至SAR-光学融合数据、动态权重调整机制等方向，进一步提升模型在极区全时段监测中的实用性。该技术框架不仅适用于海冰浓度估算，还可迁移至医学影像、城市遥感等需要精细边界分割的领域，为应对气候变化下的极地环境监测提供重要技术支撑。