介绍一种基于Sentinel-2影像、通过多指标光谱融合与U-net优化技术实现的自动雪崩残骸检测框架

《Cold Regions Science and Technology》：Introducing an automated avalanche debris detection framework from sentinel-2 imagery using multi-index spectral fusion and U-net optimisation

　　•首个利用Sentinel-2多光谱图像的深度学习框架，可用于高海拔地区的雪崩残骸自动检测与大规模地图绘制。•创新的8通道多指标光谱融合技术（RGB、NIR、SWIR、NDSI、NDWI、NDVI）能有效区分雪崩残骸与光谱特征相似的周围积雪。•通过结构化的逐步优化方法，而非传统的随机调整，确定了Tversky损失函数、AdamW优化器、16的批量大小以及128×128的图像块大小为最佳参数组合，在独立测试集上取得了0.681±0.054的Dice系数。•该框架在无需针对不同场景进行定制的情况下，也具备在时间上独立的场景间迁移应用的强大潜力，这一优势已通过在不同地形条件下获取的PlanetScope影像进行的验证得到证实。

引言
雪崩是指雪、冰及碎屑在重力作用下沿斜坡快速移动的灾害现象，通常由弱层积雪在负荷增加时发生结构破坏引发，会对生命和基础设施造成严重威胁。全球范围内，雪崩每年导致约250人死亡，仅20世纪后期至2022年间，亚洲高山地区就因681起雪崩事故造成了3100多人死亡（Acharya等人，2023年）。来自实地报告、传感器以及卫星数据的持续雪崩监测信息，对于提升雪崩预报精度、制作危险区域地图以及开展救援工作至关重要。由于传统基于实地的雪崩观测方法存在空间和时间覆盖范围有限的缺陷，遥感技术便成为大规模自动化雪崩监测的一种极具前景的替代方案。（Eckerstorfer等人，2016年）指出了星载遥感技术在雪崩实时监测方面的潜力，同时强调了构建稳定可靠的自动化监测框架的必要性。目前，研究人员正在积极探索基于卫星的技术手段来识别雪崩残骸。

早期的自动化雪崩检测方法主要依赖基于SAR技术的无监督分类与变化检测技术。例如，（Vickers等人，2017年）使用Sentinel-1 SAR图像通过K均值聚类算法进行检测，虽然达到了60–70%的检测准确率，但误报率却高达28–76%；而（Eckerstorfer等人，2019年）开发的 Sentinel-1近实时监测系统则实现了67.2%的检测概率和45.9%的误报率。基于C波段SAR技术的方案，如利用Sentinel-1 A和Radarsat-2卫星，能够通过后向散射异常特征识别雪崩残骸，但由于这类方法容易产生误报，因此需要结合形状识别技术来区分真正的雪崩沉积物与光谱特征相似的地表物体（Wesselink等人，2017年）。同样，（Leinss等人，2020年）在瑞士阿尔卑斯山区对比了TerraSAR-X、Sentinel-1以及光学卫星SPOT-6图像在雪崩测绘方面的性能，发现基于SAR技术的测绘结果所显示的雪崩面积最多仅为光学图像结果的三分之一。（Karas等人，2022年）进一步发展了基于Sentinel-1的雪崩残骸检测技术，采用了时间序列颜色空间分割方法，不过该技术的性能仍会受到参考图像选择、卫星轨道几何特征以及地形条件的影响。值得注意的是，他们还通过将SAR处理结果与光学SPOT图像数据集进行对比，证明了即便是一些较为先进的基于SAR的技术，仍需以光学图像作为基准。即使在更广阔的区域范围内，基于SAR技术的雪崩检测可靠性依然是一个未解之谜，（Kaushik等人，2026年）在法国阿尔卑斯山区对Sentinel-1的雪崩残骸检测结果进行研究后指出，该技术仍面临地面真实数据获取不足、以及与参考数据集在空间和时间上存在偏差等长期存在的挑战。尽管这些研究已经证明了实现无需受天气条件影响的自动化雪崩监测的可行性，但其性能仍然受到SAR技术固有缺陷的限制，比如阴影效应、重叠现象以及对雪面条件的敏感性。正是这些问题促使人们着手开发专门的光学深度学习框架，正如本研究中所提出的那样，利用Sentinel-2卫星数据进行全面的雪崩测绘。

除了基于雷达的技术研究之外，（Korzeniowska等人，2017年）还采用了基于对象的分析方法，对分辨率达0.25米的近红外航空图像进行分类，以识别雪崩区域，其在局部区域的Cohen's kappa值可达到0.79至0.85，但在更大范围的分析中准确率则下降至0.61，这凸显了提高分析精度在尺度扩展方面的难度。虽然这类图像能够实现精细的区域分类，但其获取成本高昂，且在应用范围上也受到限制，无法与Sentinel-2卫星免费且覆盖范围广泛的图像数据相媲美，这也为本研究提出的框架提供了理论依据。

此外，还有多种其他技术被用于雪崩残骸的检测，包括比值法、灰度共生矩阵分析法（Haralick等人，1973年）、雪崩残骸指数法以及基于对象的形象分析技术（Blaschke，2010年）。其中，OBIA技术被认定为利用中分辨率卫星数据检测和绘制雪崩残骸的最有效方法（Singh等人，2022年）。然而，由于OBIA是一种基于规则且依赖于阈值设定的分析方法，因此存在诸多局限性：不同类型的雪、不同的光照条件以及不同的地形特征都可能影响阈值的适用性，而且还需要针对不同区域进行手动调整，这大大限制了该方法的推广能力。为了解决这些问题，可以采用机器学习技术，让系统根据数据自动生成阈值，从而实现更为灵活和可靠的检测效果。近年来，已有不少深度学习方法被用于雪崩残骸的检测，包括应用于SAR图像的卷积神经网络技术（Bianchi等人，2021年）、基于高分辨率光学卫星数据训练的DeepLabV3+架构（Hafner等人，2022年），以及应用于地面拍摄照片的YOLO和ResNet模型（Fox等人，2024年）。这些技术共同表明，深度学习技术在各种不同类型的传感器及成像平台上的应用前景日益广阔。目前大多数深度学习应用都依赖于SAR数据或商业提供的的高分辨率光学卫星图像。不过，Sentinel-2卫星每五天即可重访同一区域，且数据可免费获取，这一优势明显优于各类商业卫星。（Abhinav等人，2025年）曾运用模糊机器学习技术，结合多种颜色空间分析方法，利用Sentinel-2卫星图像对印度喜马拉雅地区的雪崩进行检测，获得了约0.87的F1分数，但在实际应用中，季节变化以及地形阴影等因素仍会限制检测精度。目前尚不存在能够同时兼顾可扩展性、数据开放获取性以及在不同场景条件下的适应能力的框架，基于Sentinel-2的雪崩残骸检测技术也仍处于发展初期。这些不足之处恰恰凸显出开发一种能够充分利用Sentinel-2丰富光谱信息，从而在不同地形和数据获取条件下识别复杂空间与光谱特征的深度学习框架的必要性。

Sentinel-2卫星凭借其短波红外波段所具备的光谱敏感度，能够有效打破雪面之间的伪装效果，完美满足雪崩残骸测绘的实际需求。而那些没有短波红外波段覆盖的高分辨率商业传感器则无法提供如此可靠的对比度。U-Net网络则可以弥补这一数据源的缺陷，因其架构能够有效解决不规则沉积形态、严重的类别不平衡问题，以及边界模糊、对比度低等复杂的图像分割难题。传统的卷积神经网络虽然在图像级别的分类任务中表现良好，但在需要精确处理每个像素的任务中则难以保持足够的空间精度（Long等人，2015年），这也为引入U-Net网络的对称编码器-解码器结构提供了依据。这种结构最初是为生物医学领域的图像分割而设计的，后来也被广泛应用于遥感领域（Ronneberger等人，2015年）。U-Net网络中的跳跃连接功能有助于有效恢复图像特征，因此非常适合用于像雪崩残骸和山体滑坡测绘这类数据较为匮乏的地球物理研究领域（Kaushal等人，2024年）。综上所述，将Sentinel-2卫星数据与U-Net网络相结合是一种基于实际问题的最优选择，二者各自能够解决雪崩残骸检测过程中出现的不同类型难题。基于以上背景，本研究旨在实现以下目标：
（i）开发一种基于优化的U-Net网络的分割框架，利用8通道输入数据（包括经过融合处理的RGB、NIR、SWIR以及NDSI、NDWI、NDVI指标），并通过逐步优化损失函数、优化器类型、批量大小以及图像块大小等超参数，实现基于Sentinel-2卫星图像的雪崩残骸自动检测，同时评估该框架在时间上和空间上独立的测试场景中的泛化能力。
（ii）通过基于对象的比较方法，将模型检测结果与为不同雪崩事件单独获取的高分辨率PlanetScope卫星图像进行对比，从而验证模型检测的准确性，进而评估该框架在那些难以进行实地监测的高海拔地区实现大规模雪崩残骸监测的适用性。

总体而言，这些目标恰好解决了在高海拔地区进行可靠雪崩残骸测绘的迫切需求，因为在这些区域开展实地监测往往面临着诸多实际困难。本文的结构安排如下：第2节介绍研究区域的情况，第3节详细说明所使用的数据集。第4节阐述研究方法，包括数据预处理过程以及U-Net网络架构的超参数逐步优化策略。第5节报告所提出框架的实验结果，以及在不同场景下通过其他传感器数据进行验证的结果。第6节将对研究结果进行讨论，分析现有方法的局限性，并提出未来的研究方向。第7节则总结本研究的主要结论。

研究区域
本研究区域位于印度北部的查谟和克什米尔地区以及拉达克地区，具体涵盖德拉斯和卡吉尔两座城镇所在的区域（见图1）。从地理角度来看，该地区在印度的地缘政治和生态环境中都具有极为重要的地位。德拉斯被誉为世界最寒冷的居民点之一，其海拔高度约为3300米；而卡吉尔的海拔虽然略低一些，但其地形和气候条件同样极为恶劣。

Sentinel-2数据集
Sentinel-2是欧洲航天局哥白尼地球观测计划中的组成部分。该计划由一对卫星组成，能够提供涵盖可见光、近红外以及短波红外波段在内的13个光谱波段的多光谱光学图像，空间分辨率分别为10米、20米和60米，卫星的重访周期约为五天。本研究中所使用的Sentinel-2大气顶层反射率数据是通过Google Earth Engine工具进行获取和处理的。

输入数据预处理
从2017年到2022年的五个冬季期间，共收集了54组Sentinel-2卫星图像数据（见表1）。首先从相关卫星图像中找出印度灾害管理部数据库中记录的雪崩发生位置。由于SWIR、NIR以及绿色波段在区分雪崩残骸与背景积雪方面具有独特的物理作用，因此被选用作为生成雪崩残骸检测用伪彩色合成图像的依据。RGB和NIR波段则用于捕捉残骸与背景之间的可见光-近红外对比度特征。

结果与验证
本节将详细介绍第4节中提到的分阶段实验框架的测试结果。各项结果的呈现均遵循逐步优化策略，这样有助于清晰地分析每一组超参数对最终检测结果的影响。

讨论、局限性与未来研究方向
所提出的U-Net网络在六组独立的测试场景中，采用指定的波段和指标组合后，平均测试Dice系数为0.681±0.054（见表6）。不同场景之间检测结果的差异主要是由于光照条件、地形阴影、雪面均匀性以及残骸的大小和光谱对比度等方面的不同所致。与仅使用单一波段的数据相比，多指标光谱融合技术提升了各项检测指标的性能，包括Dice系数（从0.640提升至0.681）、交并比、精确度、召回率以及MCC值等（详见补充表格）。

结论
本研究提出了一种实用且具有可扩展性的方法，用于在那些难以进行实地监测的高海拔地区自动检测雪崩残骸。该方法整合了免费获取的Sentinel-2卫星图像、多指标光谱融合技术、系统化的逐步超参数优化策略，同时还采用了高分辨率图像数据进行跨传感器验证，所有这些技术都被整合到了基于U-Net网络的分割框架之中。最终的框架配置是通过多阶段的评估流程确定的，评估过程中使用了Dice系数等指标来进行判断。

CRediT作者贡献说明
Anurag Sharma：论文撰写——审阅与编辑、论文撰写——初稿编写、可视化处理、结果验证、方法设计、数据整理、概念构思。
Sudhir Dhamija：论文撰写——审阅与编辑、可视化处理、结果验证、问题研究、定量分析。
H.S. Negi：可视化处理、项目监督、问题研究、定量分析。
Praveen K. Srivastava：项目监督、问题研究、定量分析。
Pramod K. Satyawali：项目监督、问题研究。

关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文的过程中，作者使用了Claude（Anthropic公司开发）和ChatGPT（OpenAI公司开发）工具，用以重新表述文本内容，提升文章的清晰度、可读性以及语言表达质量。在使用这些工具之后，作者对内容进行了必要的审核和修改，并对最终发表的文章内容承担全部责任。

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

Anurag Sharma|Sudhir Dhamija|H.S. Negi|Praveen K. Srivastava|Pramod K. Satyawali