《Remote Sensing of Environment》：A CNN-based mapping approach for aeolian dunes in Arctic Sweden
编辑推荐：
•ArcticSandNet通过双编码器CNN整合光学和地形数据。•基于注意力的融合机制增强了植被覆盖的北极景观中沙丘的边界描绘。•交叉验证表明，与传统CNN分割模型相比，该方法表现出一致的性能提升。引言寒冷气候下的风成沙丘保存了关于过去风场和环境变化的地貌学信息（Koste
- •
ArcticSandNet通过双编码器CNN整合光学和地形数据。
- •
基于注意力的融合机制增强了植被覆盖的北极景观中沙丘的边界描绘。
- •
交叉验证表明，与传统CNN分割模型相比，该方法表现出一致的性能提升。
引言
寒冷气候下的风成沙丘保存了关于过去风场和环境变化的地貌学信息（Koster, 1988）。其空间分布、形态和走向可用于推断造沙丘风向、地形控制、沉积物输送路径以及沙丘稳定的时间（Sepp?l?, 1972; Stammler et al., 2023）。因此，精确制图对于建立空间一致的北极沙丘清单以及将地貌学分析从单个站点扩展到区域尺度至关重要。然而，许多北极沙丘部分被植被覆盖，这使其在光学影像中的光谱表达变得模糊。它们还可能过渡到富含沙质的河流表面，如河岸和阶地，这些表面具有相似的光谱特征。这些因素使沙丘覆盖区域的边界描绘变得复杂，亟需可靠且可扩展的制图方法。
欧洲北极地区识别和监测寒冷气候沙丘的传统方法通常依赖实地测绘（Bergqvist, 1981; H?gbom, 1923），或后期借助高分辨率卫星影像和航空照片进行人工辅助解译（如K?yhk? et al., 1996）。这些方法虽然在局部研究中行之有效，但劳动强度大、耗时长，且难以在大范围内一致地应用。近年来，随着新的遥感平台和传感器的进步，各种更先进的技术已被用于在所有气候带提取、分类和监测风成沙丘（Hugenholtz et al., 2012; Zheng et al., 2022）。
风成沙丘制图研究大致可根据所用数据进行分类，例如地形衍生数据或光学影像。基于数字高程模型（DEM）的研究利用地形指数（如高程、坡度和曲率）量化沙丘形态，以进行区域识别和分类（如Stammler et al., 2023）。基于光学影像的研究考察了沙丘表面的光谱特征（Karnieli, 1997），例如使用卷积神经网络（CNN）识别新月形沙丘（van der Merwe et al., 2022）或基于Landsat影像分类风成沙丘（Solazzo, 2016）。近期研究强调了整合地形和光谱数据以改善地貌要素分类的价值（Pham et al., 2016），Lu等（2023）在滑坡制图中的成功应用便是例证。这些发现凸显了多模态方法的重要性，同时也揭示了开发能够应对类别不平衡（沙丘区域通常仅占景观中远小于非沙丘区域的比例）和精确刻画复杂边界的稳健模型的迫切需求。
不仅数据类型，而且制图方法本身也极大地影响所选方法的适用性、可推广性和可重复性。早期的自动化方法采用有监督机器学习方法，利用陆地和行星遥感影像来制图沙丘及相关土地覆盖类型（Bandeira et al., 2013; Carrera et al., 2019; Timm and McGarigal, 2012）。地理对象影像分析（GEOBIA）也被用于半自动化制图风成沙丘（Nowatzki et al., 2024; Stammler et al., 2023），有助于处理大规模数据集，但这些方法通常需要大量人工调整，例如在使用基于规则集的方法时。Zheng等（2020）提出了一种半自动多尺度分割方法，整合多种空间特征以描绘异质性沙丘场景观斑块。最近，基于CNN的方法已用于不同的沙丘制图任务。Rubanenko等（2021）使用Mask R-CNN检测和描绘火星及地球上孤立的新月形沙丘，而Daynac等（2024）将深度学习与DEM衍生数据相结合以制图沙丘轮廓、脊线和缺陷。Tang等（2023）和Zhao等（2025）将深度语义分割网络应用于低中纬度干旱环境中的光学卫星影像沙丘制图，这些环境以主要裸露的沙质表面和有限的植被覆盖为特征。然而，其在植被覆盖或地形复杂的沙丘系统中的表现，包括北极环境中的沙丘系统，仍未得到充分探索。
针对上述挑战，本研究提出了ArcticSandNet——一种利用多模态数据输入自动制图风成沙丘覆盖区域空间范围的语义分割网络。该网络整合了坡度、曲率和高程等地形特征与高分辨率光学遥感影像，采用双输入架构以有效处理和融合空间与光谱信息。网络中还引入了注意力机制以增强特征对齐和边界精化，从而在异质性和形态学复杂地形中实现精确检测。由于在北欧斯堪的纳维亚北部制图风成沙丘所面临的挑战，特别是植被覆盖、多个沙丘的形态学连接以及复杂地形，并非北极高纬度地区所独有，因此该网络也可作为制图不同生物群系中面临类似地貌和环境复杂性的风成沙丘的有效工具。
章节摘要
研究区域
研究区域位于瑞典北部的诺尔博滕省（东经20°15′至23°42′，北纬67°7′至69°5′，图1），以亚极地气候为特征，冬季漫长寒冷，夏季短暂凉爽。年平均气温低于0°C，年降水量在400至800毫米之间，主要集中在夏季和秋季。地形西部为相对较高的山地（瑞典北部山地），东部和东南部则为平坦的湿地，朝向
数据与方法
在本研究中，我们使用光学卫星数据和高程数据训练CNN模型，以自动描绘和制图瑞典北部的寒冷气候风成沙丘。以下章节详细介绍了训练和验证数据集的生成以及模型的构建过程。
ArcticSandNet的实验设置
我们实施了一个数据预处理流程（图2），以生成包含光学影像（红、绿、蓝通道）、地形衍生数据（坡度、曲率和高程）以及16个目标站点（见表1和图1b）对应像素级掩膜图像的数据集。为确保稳健且无偏的模型评估，采用了空间五折交叉验证策略。对于独立性能测试，将FID 11保留为未见的测试集，并将其排除在所有训练过程
ArcticSandNet的优势与比较分析
定量结果（表2、表3）表明，ArcticSandNet改善了沙丘覆盖区域的分割效果。通过整合多模态输入和基于注意力的融合策略，该模型实现了二分类平均交并比（mIoU）为78.15%，沙丘类别F1分数为72.61%，表明与参考掩膜之间具有更好的空间一致性，并能有效分类沙丘像素。这些结果表明，结合光学影像和地形信息能够改善沙丘的表达，同时
结论
本研究提出了一种基于U-Net的双编码器深度学习方法，通过整合光学卫星影像与数字高程模型（DEM），实现对北极沙丘的自动检测。研究聚焦于北极地区风成沙丘的制图，因为这些沙丘是气候变化的敏感指标，其形成和演化与环境波动密切相关（Clarke and K?yhk?, 1997; K?yhk? et al., 1999; Oehler et al., 2024）。所提出的沙丘分割网络
CRediT作者贡献声明
刘婷（Ting Liu）：撰写——审阅与编辑，监督，方法论，资金获取，概念化。Melanie Stammler：撰写——审阅与编辑，撰写——初稿，资源，资金获取，数据整理，概念化，可视化，项目管理。江阳伟（Yangwei Jiang）：撰写——初稿，验证，软件，调查研究，形式分析。Daniel H?lbling：撰写——审阅与编辑，撰写——初稿，资金获取，概念化。Thomas
利益冲突声明
作者声明，他们不存在任何已知的、可能对本研究工作中报告的内容产生影响的竞争性经济利益或个人关系。
致谢
M.S.、D.H.和T.S.得到深时数字地球（DDE）重大科技计划通过"欧洲北极沙丘与全新世环境变化（ArcDune）"项目（项目编号：GJ-C03-2023-004）的支持。M.S.感谢德国奖学金基金会的支持。我们感谢并认可所有野外工作参与者Lilia Campo、Yunus Baykal和Yi Shuangwen。我们还衷心感谢许述昌博士和苏成博士在本文中的宝贵建议。
刘婷|Melanie Stammler|江阳伟|Daniel H?lbling|Thomas Stevens|胡林舒
