TGB-UNet:双尺度地形门控与地形引导边界学习的潮滩瞬时水边线提取

《Journal of Marine Science and Engineering》:TGB-UNet: Dual-Scale Topographic Gating and Topography-Guided Boundary Learning for Instantaneous Waterline Extraction on Tidal Flats

【字体: 大 中 小 】 时间:2026年10月23日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  潮滩上瞬时水边线提取具有挑战性,因为浑浊水、湿润裸露潮滩和残留河道水之间的光谱混淆可能导致误分类和边界位移。本研究提出了一种用于杭州湾的地形引导边界U-Net(Topography-Guided Boundary U-Net, TGB-UNet),并使用高分一

  
潮滩上瞬时水边线提取具有挑战性,因为浑浊水、湿润裸露潮滩和残留河道水之间的光谱混淆可能导致误分类和边界位移。本研究提出了一种用于杭州湾的地形引导边界U-Net(Topography-Guided Boundary U-Net, TGB-UNet),并使用高分一号(Gaofen-1)和高分六号(Gaofen-6)多光谱影像。该模型通过双尺度地形门控和地形引导辅助边界学习,融入了坡度和局部相对高程。与FCN-8s、vanilla U-Net和HED-UNet相比,TGB-UNet在六项评估指标上取得了最佳平均性能。其F1分数和边界F1分数分别达到98.44%和83.52%,平均对称表面距离(average symmetric surface distance, ASSD)为50.13 m,相对于vanilla U-Net降低了44.41%。消融实验表明,直接地形拼接并未产生一致的增益,而门控融合和地形引导边界学习改善了水边线定位。按潮位分层比较显示,在低潮位条件下,ASSD和第90百分位边界距离的绝对降幅最大。在相邻海岸段的空间留出测试进一步表明,TGB-UNet在所有六项指标上均保持了相对于vanilla U-Net的优势。这些结果表明,通过双尺度门控和地形引导辅助边界学习将静态地形先验融入,有助于改善潮滩复杂水-陆界面处的瞬时水边线定位。
潮滩是海陆动态界面,具有生境提供、物质循环和海岸防护等生态与防护功能,并受潮汐、泥沙输运、海平面变化和人类活动共同影响。杭州湾是典型强潮浑浊河湾,宽阔浅滩、潮沟、岛屿礁石和人工岸线构成复杂水陆过渡地带。利用遥感影像准确刻画成像时刻的水与非水瞬时边界,对于表征潮滩淹没与出露格局及支持海岸带管理至关重要。然而,在遥感图像中,浑浊水体、湿润裸露潮滩和潮沟残余水之间的光谱特征相似,导致水陆分割易出现误分类和边界位移。传统方法(如单波段阈值、水体指数、边缘检测和常规分类)高度依赖场景,深度学习方法如全卷积网络(fully convolutional network, FCN)和U-Net虽能学习多尺度特征,但优化目标偏重区域重叠,水边线像素占比极小,高区域指标并不能保证边界连续和准确定位。虽然已有边界感知模型(如HED-UNet)通过边缘检测或多任务监督强化边界,但在光谱混淆严重时仍可能误分类。静态地形数据可提供相对稳定的地貌背景,但其融合方式与空间尺度对收益影响显著。因此,研究人员提出TGB-UNet,将坡度和局部相对高程作为静态地形先验,通过双尺度地形门控和地形引导辅助边界学习,以改善潮滩瞬时水边线定位。

研究人员利用杭州湾44幅高分一号(Gaofen-1)和高分六号(Gaofen-6)多光谱影像,提出了地形引导边界U-Net(TGB-UNet)。该模型在U-Net前两个编码器阶段引入双尺度地形门控,并在解码器后加入地形引导辅助边界头,同时优化水陆区域分割和边界学习。与FCN-8s、vanilla U-Net和HED-UNet相比,TGB-UNet在六项指标上均取得最佳平均性能;与vanilla U-Net相比,平均对称表面距离(ASSD)降低了44.41%。消融实验和潮位分层分析表明,地形门控和地形引导边界学习的组合优于直接拼接,并在低潮位复杂界面产生最大改善;空间留出测试也验证了模型在相邻未见海岸段仍保持优势。上述结果说明,将静态地形信息与光学特征通过合理的门控与边界监督融合,可有效提升复杂潮滩水陆界面的瞬时水边线提取精度。

关键技术方法概括如下:研究以44幅GF-1/GF-6 WFV多光谱影像(蓝、绿、红、近红外四波段)为数据源,并统一重采样至15 m;地形先验来自Copernicus DEM GLO-30(约30 m分辨率),从中计算坡度和330 m邻域局部相对高程(RE330);样本按成像日期划分训练、验证与测试集(26、9、9个日期),另有相邻海岸段6个日期72个样本用于空间泛化测试。模型以U-Net为骨干,在前两个编码器阶段加入双尺度地形门控(G1、G2),使用双曲正切函数(tanh)生成调制图并实施残差门控;解码器后接地形引导辅助边界头,将地形特征与解码器特征拼接后预测边界。损失函数为主分割损失(Dice与二元交叉熵)与辅助边界损失(类平衡交叉熵和边界Dice),辅助损失权重为0.1;采用AdamW优化器训练150轮。

5.1 不同模型的性能比较:在测试集上,TGB-UNet的F1、IoU和边界F1(BF1)分别达到98.44%、97.17%和83.52%,ASSD、第90百分位距离(P90)和水线长度相对误差(WLRE)分别为50.13 m、85.67 m和5.56%。相比vanilla U-Net,F1、IoU、BF1分别提高3.03、2.49、3.13个百分点,ASSD、P90、WLRE分别降低44.41%、32.16%、28.35%。逐日期配对检验表明,BF1、ASSD和P90的改进具有统计显著性;边界匹配容差从1至5像素变化时,TGB-UNet的平均BF1始终最高,且在1–2像素严格容差下优势更明显。局部示例显示,TGB-UNet能更好地保留码头、岛屿等细长非水结构,并在浑浊水和湿润滩涂区域减少漏分和误分。

5.2 不同潮位条件下的模型性能:按乍浦站潮位数据将9幅测试图像分为高、中、低三组后,TGB-UNet在三个潮位组的全部指标上均优于vanilla U-Net。低潮位组包含大面积湿润裸滩、潮沟残余水和浅水区,水陆界面更曲折破碎,两模型误差均增大;TGB-UNet在低潮位组的ASSD和P90绝对降幅最大,分别为56.76 m和56.31 m,表明地形引导可减少部分光谱混淆区域的水边线定位误差,但未能完全消除复杂水陆分布的影响。

5.3 地形门控与边界头的消融结果:通过M0至M5六种配置对比,直接拼接坡度与RE330(M1)相对基线(M0)未产生一致增益,ASSD反而增加;将拼接改为双尺度地形门控(M2)后所有指标优于直接拼接,但仍未显著改善水边线定位;在M2基础上加入常规辅助边界头(M3)使全部六项指标改善;完整模型M5(双尺度门控加地形引导辅助边界头)取得最佳结果。与仅通过辅助边界分支引入地形信息的M4相比,M5进一步提高了BF1并降低了ASSD、P90,表明编码器阶段的地形门控具有额外贡献。局部场景中,M5在弱边界、浑浊水和湿润裸露滩涂区域有效减少了误分类和虚假边界。

5.4 全场景水边线提取结果:选取高、中、低潮位各一景的全场景提取示例显示,高潮位时TGB-UNet与vanilla U-Net均较接近参考水线;中低潮位时,vanilla U-Net在湾澳、岛屿礁石和复杂岸线段出现明显位置偏移和虚假闭合线段,而TGB-UNet显著减少了这类误差,并较好地保留了不规则岸线几何和岛屿礁石轮廓,与定量结果一致。

5.5 空间泛化测试结果:在未参与训练和验证的相邻海岸段,使用6个日期的72个样本直接推理,TGB-UNet在所有六项指标上均优于vanilla U-Net:F1、IoU、BF1分别提高1.98、2.23、4.63个百分点,ASSD从122.30 m降至79.47 m,P90从156.80 m降至105.58 m,WLRE从24.18%降至13.61%。可视化表明TGB-UNet减少了陆地区域内虚假水线片段,显示出对杭州湾内未见海岸段的空间泛化能力。

在讨论部分,研究人员指出,GLO-30作为静态数字表面模型(digital surface model, DSM),其坡度与RE330反映的是源数据的空间和时间尺度信息,可能与GF影像获取时刻的滩涂地形存在差异;DSM高程也可能受植被、人工地物和水体处理影响。将地形从30 m重采样至15 m并未增加实际地形细节,但一位像素偏移敏感性分析显示模型输出总体稳定。参考水线由人工初化和修正,存在位置不确定性,且尚未被独立量化;因此报告精度反映的是预测与人工参考水线的一致程度。研究结果主要适用于杭州湾主实验区和相邻海岸段,向其他区域推广需进一步验证。瞬时水线位置受潮位、岸坡和动力条件共同控制,用于滩涂演变分析时需考虑潮位校正,并可与数字高程模型、坡度、土地利用等结合用于海岸脆弱性评估。

研究结论部分可翻译为:为应对潮滩水陆界面的光谱混淆和水边线定位误差,本研究提出TGB-UNet,将双尺度地形门控与地形引导辅助边界学习相结合,并使用杭州湾44幅GF-1和GF-6多光谱影像进行评估。主要结论为:(1) TGB-UNet在三次独立随机种子运行中,六项评估指标均取得最佳平均值:F1、IoU和BF1分别为98.44%、97.17%和83.52%,ASSD、P90和WLRE分别为50.13 m、85.67 m和5.56%;与vanilla U-Net相比,ASSD降低44.41%,证明其在改善水体区域分割的同时,也提升了水边线匹配和空间定位能力。(2) 地形信息的贡献取决于其融合方式及是否参与边界学习:直接拼接坡度与RE330未产生一致增益,双尺度地形门控优于直接拼接;在门控骨干上增加常规辅助边界监督可进一步提升整体性能,而完整模型(含地形引导辅助边界头)取得最佳结果;与仅通过辅助边界分支引入地形信息的配置相比,完整模型进一步降低水边线距离误差,表明编码器阶段地形融合具有额外贡献。(3) 在按潮位分层的比较中,TGB-UNet在高、中、低潮位组的全部指标上均优于vanilla U-Net,低潮位组ASSD和P90的绝对降幅最大,分别为56.76 m和56.31 m;局部和全场景结果表明,改进主要体现在减少误分类、更好保留结构细节以及减小复杂水陆界面处的水边线位置偏差。(4) 在空间留出测试中,TGB-UNet在未参与训练和验证的相邻海岸段上,六项指标均优于vanilla U-Net,表明其具备在杭州湾内未见海岸段的空间泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号