PFEB:一种面向遥感语义分割的后融合增强解码器模块

《Remote Sensing》:PFEB: A Post-Fusion Enhanced Decoder Module for Remote Sensing Semantic Segmentation Dongjie Lian, Gang Chen, Biao Wu and Feifan Yang

【字体: 大 中 小 】 时间:2026年04月22日 来源:Remote Sensing 4.1

编辑推荐:

  准确识别耕地种植类型对于农业资源管理与国家粮食安全至关重要。传统光学遥感方法在多云多雨地区易受天气干扰,难以实现连续作物生长监测。为此,研究人员提出了一种基于Sentinel-1A合成孔径雷达(SAR)时间序列影像并结合递归神经网络(RNN)的作物分类框架,以

  
准确识别耕地种植类型对于农业资源管理与国家粮食安全至关重要。传统光学遥感方法在多云多雨地区易受天气干扰,难以实现连续作物生长监测。为此,研究人员提出了一种基于Sentinel-1A合成孔径雷达(SAR)时间序列影像并结合递归神经网络(RNN)的作物分类框架,以上海崇明岛为实验区。该框架融合了后向散射系数(VV、VH、VV/VH比值)与极化分解参数(熵H、散射角α、各向异性A),形成多维时序输入特征,并采用决策级投票获得地块级分类结果。实验涵盖三类任务:水稻与非水稻分类、小麦与非小麦分类及多类轮作模式分类。结果显示,六维BSPD模型在像素级精度分别达到99.72%、99.60%和98.39%,地块级F1分数均超过0.990;相比仅使用后向散射特征,分类误差最大降低70%,尤其在物候期重叠的作物类别区分上效果显著。研究表明,密集时间序列SAR影像提取的多维时序特征可显著提升全天候条件下的作物分类精度。
研究背景方面,高精度耕地种植类型识别是农业资源管理、粮食安全评估及可持续发展决策的核心基础。随着城市化进程加快,耕地利用格局呈现动态变化,传统地面调查难以及时响应。光学遥感虽具备丰富的光谱信息,但在多云多雨地区受云层遮挡导致数据缺失,无法保障时间序列完整性,且在中低分辨率条件下难以解决破碎农田的混合像元问题。合成孔径雷达(SAR)凭借其主动微波成像特性和全天候观测能力,为耕地动态监测提供了不可替代的数据源。然而,现有SAR作物分类方法多依赖单一后向散射强度或人工构建特征,缺乏对多维度散射机制的充分利用,且在地块尺度分类中易受混合像元干扰,对复杂轮作模式的适应性不足。因此,研究人员以上海崇明岛为实验区,构建了结合多维时序特征与递归神经网络的耕地种植分类方法,旨在克服上述局限。
关键技术方法方面,研究人员选取2023年5月至2024年10月的25景Sentinel-1A双极化(VV+VH)时间序列影像,包括GRDH与SLC两种产品。GRDH数据进行精确轨道替换、相邻影像拼接、辐射定标、精细Lee滤波、地形校正及分贝转换,生成VV、VH及VV/VH比值三个后向散射特征波段;SLC数据进行C2协方差矩阵生成、多视处理及H-Alpha极化分解,提取熵(H)、平均散射角(α)、各向异性(A)三个物理参数。基于上海市第三次国土调查的耕地矢量地块数据,提取像素级时序特征,构建水稻与非水稻、小麦与非小麦及六种轮作模式三类训练数据集。分类模型采用四层RNN结构,隐藏神经元数为42,以交叉熵损失函数和AdamW优化器进行训练,并在像素级分类基础上引入概率加权决策级投票实现地块级分类。
研究结果方面,在水稻与非水稻分类任务中,六维BSPD模型的像素级精度达99.72%,相比仅使用后向散射特征的BS模型提升约1.3%,分类误差降低约70%;在地块级密集时间序列数据中F1分数提升至0.994,稀疏数据条件下仍能维持较高稳健性。小麦与非小麦分类任务中,BSPD模型测试集F1分数为0.996,地块级分类中通过极化分解参数的空间一致性约束有效抑制田埂区域混合像元干扰。多类轮作模式分类任务显示,对于物候期完全错开的小麦-水稻轮作,BS模型F1已达0.983,BSPD模型提升有限;但对于物候期重叠的油菜-水稻、绿肥-水稻等模式,BSPD模型将F1从0.96提升至0.99,并通过高各向异性和低熵特征增强了林地与作物的区分度。全岛尺度的水稻和小麦概率分布图显示,两类作物主要分布在崇明岛西北部和东南部,西北部为现代农业集中区,水稻连片度高,小麦分布较散;东南部生态农业综合区两者均有大面积种植,符合当地地形、水源及规划布局特点。
讨论部分指出,BSPD模型在各类任务中均表现出更高的分类精度与稳健性,极化分解参数弥补了单纯后向散射特征在稀疏时间序列或复杂轮作条件下的判别力不足。与光学遥感相比,SAR的全天候能力在崇明岛等多云区域优势明显,密集时间序列保障了物候建模的连续性。同时,极化参数反映的散射机制差异可与光学光谱信息形成互补。研究局限性包括C波段SAR信号对土壤湿度及淹水条件的敏感性、单一年份训练模型在跨年物候变化下的适用性受限、区域迁移能力需进一步验证,以及传统RNN在长序列建模中的梯度消失问题。结论部分强调,RNN时序建模可有效捕捉作物关键物候阶段的散射变化,多维特征融合显著提升分类性能,决策级投票在密集时序条件下可提高地块级分类精度,但在稀疏时序且像素级精度较低时可能放大误差。该研究发表于《Remote Sensing》。
相关新闻
生物通微信公众号
微信
新浪微博

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