基于光谱-语义图推理实现单颗卫星影像的高效多灾害检测
《Remote Sensing of Environment》:Towards efficient multi-hazard detection from single satellite imagery via spectral-semantic graph reasoning
【字体:
大
中
小
】
时间:2026年07月22日
来源:Remote Sensing of Environment 12.3
编辑推荐:
•一种基于新型GNN的方法,可从单张遥感图像中检测多种类型的灾害。•通过融合光谱指数与语义特征来实现灾害识别。•一个新的多灾害检测基准数据集。•在多种真实场景中验证所提出的方法。
引言
地球上自然灾难和人为引发的灾难频发,每一次灾难都可能对生态系统、人类生命、基础设施以
•一种基于新型GNN的方法,可从单张遥感图像中检测多种类型的灾害。•通过融合光谱指数与语义特征来实现灾害识别。•一个新的多灾害检测基准数据集。•在多种真实场景中验证所提出的方法。
引言
地球上自然灾难和人为引发的灾难频发,每一次灾难都可能对生态系统、人类生命、基础设施以及经济发展造成严重威胁(Metternicht等人,2005;Wang和Wei,2025;Kucharczyk和Hugenholtz,2021)。及时准确地确定灾难发生的时间、地点和类型,对于减少受影响地区的损失至关重要。然而,灾难本身的多样性、复杂性及不可预测性使得全球范围内的灾难检测成为一项艰巨任务。多种类型的灾难同时发生,再加上不同的环境条件和灾难特征,进一步增加了采用统一检测方法的难度。因此,迫切需要创新方法来应对这些挑战,实现全球范围内对灾害事件的可靠、实时监测。
卫星遥感凭借其对大范围地理区域进行快速、重复观测的能力,为灾害检测提供了独特优势(Garg等人,2024;Vajedian等人,2023;Chen等人,2026)。但由于遥感影像量巨大,且不同地区和不同时间段的影像分布差异显著,如何从大规模影像中快速、准确地识别出受灾区域仍是一项重大挑战。传统的灾害检测方法主要依赖人工设计的光谱或纹理特征,这些特征利用了不同类型灾难的物理特性(Lee和Li,2024;Lomeo等人,2025;Medvedeva等人,2024)。例如,归一化燃烧比常用于野火检测(Roy等人,2006;Youn和Jeong,2019);归一化植被指数则多用于监测水体富营养化现象(Oyama等人,2015;Ogashawara等人,2017;Pu等人,2022);而灰度共生矩阵等纹理描述符则被用来识别受损的道路(He等人,2023)。类似地,距离编码多样性也显示出在检测被毁建筑物方面的有效性(Zhu等人,2024)。尽管这些方法计算效率高且能快速得出结果,但它们存在诸多局限性:其特征设计高度依赖专家知识,往往难以泛化到未见过的场景,且缺乏自动化功能,因此不适合在动态环境中进行大规模的多灾害监测。
随着深度学习的出现,灾害检测领域取得了显著进展。卷积神经网络和视觉变换器在从遥感影像中提取语义特征方面表现出强大能力,大幅提升了检测精度(Wittstruck等人,2025)。例如,ResNet(He等人,2016)和Swin Transformer(Liu等人,2021)等广泛应用的计算机视觉架构,在灾害检测任务中也展现了出色性能。当使用大规模数据集以监督方式训练时,这些模型能够在灾害检测中实现高精度结果。它们的优势在于能够学习不同尺度上的区分性特征,并能泛化到具有复杂灾害模式的场景中,因此特别适用于那些既需要局部细节又需全局背景信息的遥感应用。然而,由于遥感影像的地理分布范围广泛,深度学习方法通常只在训练过的数据所在区域表现良好,应用于新环境时可能无法取得理想效果。
为解决上述问题,已有许多研究被提出。例如,利用灾前灾后影像进行变化检测,已被证明可用于识别洪水影响区域并评估建筑物的损坏程度。此外,多源数据融合技术也被广泛应用于多个领域,包括野火监测(Jana和Shome,2023;Xu等人,2023;Bhowmik等人,2023)以及水体富营养化评估(Samuel等人,2024;Duan等人,2022;Chen等人,2021)。虽然这些方法能够达到较高的检测精度,但它们在时空对齐和辐射一致性方面存在问题,这限制了其在需要快速响应、及时决策的场合中的应用效果。更重要的是,难以保证始终有连续的时间序列影像可用,这也大大降低了这些方法的实际应用价值。因此,这些方法往往难以为动态、实时的灾害监测与响应提供有效的解决方案。
在本研究中,我们提出了一种基于在轨卫星观测的全球灾害检测框架。如图1所示,该框架采用图像级分类策略,以便在复杂条件下快速识别不同类型的灾害。该框架的设计考虑了三个关键因素:首先,模型需具备识别各类灾害的强大能力;其次,它应具有可靠的泛化性能,即便应用于训练数据中未出现的区域也能保持高精度;最后,该框架无需依赖多源或多时相数据的融合,从而确保灾害检测的时效性。通过这样的设计,所提出的方法能够构建出兼具高时效性和广泛适用性的灾害检测模型。
为实现这些目标,我们将传统指标的优势与现代深度学习技术相结合,从而开发出了光谱-语义融合图神经网络SSF-GNN。该方法将有助于灾害检测的光谱特征与CNN提取的深层语义特征相整合,进而生成对灾害更为敏感的表征。此外,为提升模型的泛化能力,我们不再仅仅依靠解码器来识别图像中的灾害,而是将图像转换为图结构,再利用图神经网络来推断图中节点状态之间的关系。这样,模型就能识别出异常节点或不规则的邻接关系。为进一步提升模型识别多种灾害类型的能力,我们对每张遥感图像根据空间邻近性和属性关联构建了两种不同的图结构。第一种图用于检测由土地覆盖关系变化引起的灾害(如洪水、火山爆发),而第二种图则侧重于由土地覆盖属性变化引发的灾害(如赤潮、石油泄漏)。这种设计不仅提升了模型在全球范围内识别各类灾害的能力,而且由于GNN结构较为轻量,也满足了在轨部署时对模型效率的要求。
此外,现有的灾害数据集数量有限,且通常仅聚焦于单一类型的灾害。例如,xbD(Gupta等人,2019)和Bright(Chen等人,2025)数据集仅标注了受损建筑物,而SpaceNet8(H?nsch等人,2023)和Cas Landslide(Xu等人,2024)数据集则分别用于标注洪灾区和水土流失易发区。为解决这一缺陷,我们构建了Sentinel-2多灾害数据集S2MHD,这是一个大规模的多灾害基准数据集,涵盖了2015年至2025年间全球发生的167起重大灾害事件。S2MHD包含了六种常见的灾害类型,涵盖自然灾害和人为灾害,包括野火、洪水、石油泄漏、赤潮、火山爆发以及藻华。凭借其多样的类别和全球覆盖范围,S2MHD为训练和评估多类灾害检测模型提供了全面的平台,从而促进了多灾害监测及快速灾害响应相关研究的发展。
本文的主要贡献如下:
•我们提出了一种统一的框架,可基于单张遥感图像检测多种类型的灾害,无需依赖多时相数据,即可在大规模影像上实现准确、及时的灾害识别。
•我们介绍了SSF-GNN,这是一种基于图神经网络的新型模型,它将先前的光谱指数与深层语义特征相结合,从而实现快速、准确的多灾害检测。通过明确建模上下文关系,与主流的基于CNN或ViT的方法相比,所提方法在不同区域和场景下的泛化能力更强。
•我们构建了S2MHD,这是一个包含多种真实世界事件的大规模多灾害数据集,可作为推动单图像多灾害检测研究的新的基准数据集。
本文的其余结构如下:第2节介绍本研究中所使用的实验数据集;第3节详细阐述所提出的SSF-GNN模型;第4节通过定性和定量实验验证该方法的有效性;第5节分析其有效性的内在原因;最后,第6节总结本文的贡献。
数据集
在本研究中,我们构建了一个大规模的多灾害数据集,用以评估所提方法的有效性。如图2所示,该数据集包含了联合国卫星中心、国际空间与重大灾害宪章以及全球火山活动计划所报告的167起重大灾害事件的Sentinel-2影像。数据集中的所有影像均为Sentinel-2 L2A级别。
方法论
本研究的主要目标是判断给定遥感图像中是否存在异常的物体分布。为完成这一具有挑战性的任务,本节我们将介绍SSF-GNN模型。SSF-GNN的设计遵循两个核心原则:一是能够识别多种类型的灾害;二是要在准确性和效率之间取得平衡,从而使该方法能够应用于单张遥感图像。
如图4所示,所提出的方法主要……
实现细节
所有实验均使用PyTorch深度学习框架来完成。在构建模型时,我们尝试了EfficientNet-b0(Tan和Le,2019)和ViG-s(Han等人,2022)两种骨干网络。整个模型的训练分为两个阶段:首先,使用PSPNet(Zhao等人,2017)架构单独训练ALP模块以实现语义分割,训练后的整体像素准确率可达85%;随后,再训练SCGC和DGR模块以……
讨论
在本节中,我们将分析所提模型之所以有效的各种原因。分析内容涵盖框架中各模块的作用、GNN的选择、GNN深度的影响、提取特征的特点、基于图的推理机制的贡献,以及模型中纳入的各种光谱指数的作用。
结论
在本研究中,我们提出了SSF-GNN,用于实现快速的多灾害检测。通过将传统的光谱指数方法与最先进的深度学习技术相结合,该方法能够从单张遥感图像中准确识别多种类型的灾害。具体而言,我们先将20种光谱特征与深层语义特征相融合,从而生成更具代表性的地表状况描述符。随后,我们引入图神经网络,以此从这些描述符中推断灾害的存在。
CRediT作者贡献说明
魏骜:撰写——原始草案、可视化、验证、方法论、数据整理。高志:写作——审稿与编辑、资金筹集、概念设计。陈博安:写作——初稿撰写、可视化、数据整理。龚新宇:调研、数据整理。翟玉阳:可视化、形式分析、数据整理。李子耀:方法论、调研、数据整理。王桥:监督、资金筹集、概念设计。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金委员会的支持,项目编号为42192580和42192583。数值计算工作得到了中国武汉大学超级计算中心的超级计算系统的支持。
魏骜|高志|陈博安|龚新宇|翟玉阳|李子耀|王桥
生物通微信公众号
生物通新浪微博
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