《Atmospheric Pollution Research》：Sandstorm region identification based on dual-branch CNN-transformer network with hybrid loss
编辑推荐：
•双分支CNN-Transformer网络（DCTNet）提升了沙尘暴识别能力。•分辨率保持的CNN分支保留了局部多尺度空间细节。•Transformer分支通过自注意力机制捕捉全局上下文信息。•带有动态掩码的混合损失函数减轻了噪声标签的影响。•DCTNet显著提升了分割精度
- •
双分支CNN-Transformer网络（DCTNet）提升了沙尘暴识别能力。
- •
分辨率保持的CNN分支保留了局部多尺度空间细节。
- •
Transformer分支通过自注意力机制捕捉全局上下文信息。
- •
带有动态掩码的混合损失函数减轻了噪声标签的影响。
- •
DCTNet显著提升了分割精度和边界勾画能力。
引言
沙尘暴已成为中国的主要环境灾害，尤其在干旱和半干旱地区，对空气质量、生态系统和社会经济活动造成了严重影响。因此，准确勾画沙尘暴影响区域对于有效监测和早期预警至关重要。地球静止卫星遥感为快速演变中的沙尘暴事件提供了大范围、高频率的观测能力（Butt等，2022年；H. Jiang等，2025年）。然而，可靠的区域勾画受到尺度变化大、边界模糊以及沙尘、云层与亮地表之间光谱混淆的阻碍。这些挑战要求分割模型在保留精细空间细节的同时捕捉全局上下文关系。
传统的沙尘识别方法主要依赖于光谱指数和基于物理信息的分类方法。尽管这些方法提供了可解释的检测判据，但其性能往往对地表和大气条件的变化较为敏感（Alghamdi等，2024年）。因此，机器学习和深度学习方法被应用于从卫星观测中学习更具适应性的决策规则和空间表征（Jin等，2023年；Li等，2023年；Jiang等，2022年；Zhen等，2024年）。然而，反复下采样可能会模糊小区域和微弱羽流边界，而仅依靠局部特征则不足以将沙尘与光谱相似的背景区分开来。CNN-Transformer混合架构通过将详细的空间信息与长程上下文建模相结合，提供了一种有前景的解决方案，如UNetFormer和CMTFNet所示（L. Wang等，2022年；Wu等，2023年）。然而，对于沙尘暴影像而言，这种整合还必须适应沙尘-背景渐变过渡区域附近的标注不确定性。这些挑战呼唤一种既能保留多尺度空间细节，又能捕捉更广泛区域的上下文关系，并提升监督可靠性的框架。
为此，我们提出了DCTNet，一种用于基于FY-4A先进地球静止辐射成像仪（AGRI）观测数据进行沙尘暴分割的双分支CNN-Transformer网络。该网络采用了分辨率保持的CNN流与基于Transformer的上下文建模相结合的方式，并使用混合损失函数来减轻不完整标注的影响。主要贡献概述如下。
- •
为缓解卫星遥感影像中沙尘暴区域与背景地表类别之间高度光谱相似性导致的特征歧义问题，我们提出了一种用于增强沙尘暴识别的DCTNet。通过建立互补的局部-全局特征表征，所提方法有效捕捉了细粒度空间特征和长程上下文关联，从而在复杂环境条件下提升了沙尘暴区域的判别能力。
- •
为克服传统基于CNN的模型在难以同时实现多尺度特征提取和分辨率保持的情况下导致的空间细节退化问题，我们开发了一种分辨率保持（RP）特征提取模块。所提模块在特征学习过程中加强了层次化空间表征并保持了空间信息，从而能够更准确地刻画细尺度沙尘暴结构和边界细节。
- •
为减少标注不完美对模型优化和泛化能力的不良影响，我们提出了一种基于交叉熵（CE）和选择性置信度交叉熵（SCBCE）的混合损失优化策略。通过利用置信度感知掩码机制来强调可靠的监督信息，所提策略减轻了噪声标注的影响并增强了沙尘暴区域识别的鲁棒性。
本文结构安排如下：第2节回顾相关工作；第3节介绍双分支CNN-Transformer网络；第4节记录所提算法的性能评估；第5节进行总结与结论。
章节摘要
相关工作
传统的地面监测方法提供了对沙尘浓度和局部大气条件的直接观测，而激光雷达测量能够解析沙尘的垂直结构（H. Jiang等，2025年；Du等，2025年）。这些测量的区域代表性受到观测站点分布不均的制约，限制了重建沙尘羽流水平延伸和传输过程的能力。卫星遥感对这些测量形成了补充
DCTNet框架
如图1所示，DCTNet结合了分辨率保持的CNN流、基于Transformer的上下文流以及两个预测头。五个级联的RP模块在输入空间分辨率下保留了局部特征。其输出形成了特征表征的层次结构，其中最粗粒度的表征被嵌入12层Transformer编码器中。多级解码器将编码后的上下文与CNN特征进行整合，并为两个预测头生成特征表征。
分类器1
实验结果与分析
实验使用了FY-4A先进地球静止辐射成像仪（AGRI）在中国及周边沙尘暴多发地区获取的观测数据，时间范围为2020年4月至5月、2021年3月至5月以及2022年3月至5月。所有14个AGRI通道（0.45–13.8 m；从可见光到热红外）均作为模型输入。观测数据在00:00至11:00 UTC之间以15分钟间隔进行采样，数据分布在约4 km的空间网格上。质量控制排除了无效样本
结论
本研究通过DCTNet解决了沙尘暴识别的挑战，该网络采用双分支架构，集成了CNN和Transformer组件，旨在克服沙尘暴与地表特征之间的光谱混淆以及标注不完善导致的性能退化问题。为在保持空间完整性的同时提取多尺度局部纹理，CNN分支包含了一个分辨率保持模块，该模块利用多尺度卷积运算和残差连接
CRediT作者贡献声明
秦正伟：撰写——初稿，软件，方法论，调查研究，形式化分析，概念构思。任富权：撰写——初稿，软件，方法论，调查研究，形式化分析，数据整理。吴恩奇：可视化，软件，资源，数据整理。陈兆峰：验证，软件，资源，数据整理。赵鑫：撰写——审阅与编辑，撰写——初稿，方法论，调查研究，形式化分析，概念构思。刘洋：撰写——审阅与编辑
利益冲突声明
作者声明，他们不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
本研究得到国家自然科学基金资助（项目编号：62571281和62161037），部分由内蒙古自治区自然科学基金资助（项目编号：2023JQ17），以及内蒙古自治区重点研发与成果转化计划资助（项目编号：2025YFDZ0046）。
秦正伟|任富权|吴恩奇|陈兆峰|赵鑫|刘洋
