《Artificial Intelligence in Geosciences》：Optimizing the Potential of Iterative Bilateral Proposed U-Net for Advanced Forest Segmentation Techniques
编辑推荐：
全球范围内，先进的森林分割方法是实现最优环境监测、资源管理与生态研究的重要工具。此类技术利用高分辨率卫星与航空影像，精确描绘森林边界并评估生态状况。然而，传统分割方法常面临严峻挑战，包括密集植被处理困难、光照条件变化及阴影干扰，这些因素显著降低了特征检测与分割
全球范围内，先进的森林分割方法是实现最优环境监测、资源管理与生态研究的重要工具。此类技术利用高分辨率卫星与航空影像，精确描绘森林边界并评估生态状况。然而，传统分割方法常面临严峻挑战，包括密集植被处理困难、光照条件变化及阴影干扰，这些因素显著降低了特征检测与分割的准确性。针对上述问题，研究人员提出了一种融合空间金字塔池化（Spatial Pyramid Pooling, SPP）层的迭代双边改进型U-Net模型。该模型通过在U-Net结构中引入迭代双边滤波，在有效降噪的同时保留边缘信息，从而提高了分割输出的清晰度。研究采用来自不同林区的高分辨率航空影像进行训练与验证，模型最终获得85.26%的准确率，相较于传统方法在分割性能上取得显著提升。此外，模型的交并比（Intersection over Union, IoU）得分更高，表明预测结果与真实值之间的重叠度更佳。所提U-Net模型在小尺度及复杂森林特征的检测上表现优异，这些特征常被传统方法忽略。同时，该模型能够在噪声影响下可靠地进行边缘检测，这对于植被密集区域尤为重要。综上所述，该模型在计算上具有高效性，适用于实时森林监测与管理。
研究背景与意义
随着全球变暖加剧，森林砍伐已成为国际社会关注的重大环境问题，动态监测森林资源对于生态保护、灾害评估及农业景观调查至关重要。遥感技术为此提供了有效手段，但高分辨率影像中复杂的场景、建筑物遮挡及植被多样性，使得传统像素级与面向对象的变化检测方法在精度与稳定性上存在局限。深度学习（Deep Learning, DL）凭借强大的特征提取能力，在遥感图像分析中展现出巨大潜力，其中全卷积网络（Fully Convolutional Network, FCN）与U-Net架构被广泛应用于语义分割任务。然而，现有方法在处理高分辨率遥感影像时，仍普遍存在建筑物边缘模糊、分割不完整等问题，限制了模型精度。因此，针对森林场景的特殊性，优化分割模型以兼顾边缘细节与计算效率，成为亟待解决的关键科学问题。本文提出的迭代双边改进型U-Net模型，旨在提升森林分割的准确性与鲁棒性，为森林资源管理提供可靠的技术支撑，相关成果发表于《Artificial Intelligence in Geosciences》。
关键技术方法
研究人员采用公开增强森林分割数据集，包含RGB影像及其二值掩膜。数据预处理阶段进行了归一化、高斯或中值滤波去噪、灰度化及阈值二值化处理。数据集按70:15:15比例划分为训练集、验证集与测试集。核心模型在传统U-Net基础上引入了残差块（Residual Block）、通道注意力模块（Squeeze-and-Excitation Block, SE Block）及空间金字塔池化（Spatial Pyramid Pooling, SPP）层。通过迭代双边滤波（Iterative Bilateral Filtering）进行边缘保持平滑，并利用焦点损失函数（Focal Loss）缓解类别不平衡问题。模型输入尺寸为128×128×3，基础滤波器数为32，激活函数为ReLU（隐藏层）与Sigmoid（输出层）。
研究结果
4.1 数据集描述
研究采用森林分割数据集，包含RGB格式的森林影像及其对应的二值分割掩膜，用于监督学习下的森林区域识别。
4.2 探索性数据分析
通过对比原始影像与掩膜，展示了模型从复杂环境中分离关键特征的能力。预处理流程包括缩放、去噪、灰度化与二值化，有效提升了图像质量，为模型训练奠定了基础。
4.3 性能指标
采用交并比（IoU）、精确率（Precision）、召回率（Recall）、准确率（Accuracy）及F1分数作为核心评价指标，全面衡量模型性能。
4.4 性能分析
模型在训练集上的准确率接近0.95，验证集准确率达0.87，表明模型拟合良好但存在一定过拟合风险。损失函数在训练集稳定下降，验证集损失则波动较大。最终模型在测试集上取得IoU 0.8337、准确率0.8592、精确率0.8584、召回率0.9572及F1分数0.9160的优异成绩。5折交叉验证结果显示模型性能稳定，平均准确率为85.25%，标准差仅为0.30%。Wilcoxon符号秩检验（p<0.05）证实了模型性能的统计显著性。可视化结果进一步验证了模型在不同地形下的分割效果，尽管在均质农田等场景仍存在边界模糊问题。
4.5 对比分析
与现有U-Net变体相比，所提模型准确率（85.26%）超越了Model-1（50.95%）、Model-2（63.43%）及Model-3（83.53%）。相较于专注于森林与水体的传统U-Net（准确率分别为82.55%与82.92%），本模型亦显示出显著优势。
讨论与结论
本研究通过融合迭代双边滤波与空间金字塔池化层，有效解决了传统U-Net在森林分割中存在的过拟合、泛化能力不足及细节丢失问题。研究人员指出，该模型虽提升了精度与计算效率，但在实时环境适应性与极高计算成本方面仍有局限。未来工作将整合激光雷达（LiDAR）与高光谱影像等多源数据，并引入迁移学习以增强模型在不同地域森林类型上的鲁棒性。结论表明，迭代双边改进型U-Net代表了森林分割方法的重要进展，为实现大规模、高精度的森林资源监测与环境管理提供了有力的技术保障。
