摘要
森林覆盖了地球陆地表面的近三分之一，且正面临日益严重的人为压力，包括非法建设、基础设施扩张以及栖息地破碎化。检测隐藏在森林冠层下的建筑物对于环境监测和区域监控而言至关重要，但光学卫星图像在云层覆盖或植被过密的情况下无法发挥作用，而且现有的方法也无法在差异较大的森林生态系统中实现可靠的检测。为解决这一难题，我们提出了一种基于SAR的混合检测框架，该框架结合了十二种具有物理意义的分散信息SAR特征——这些特征源自电磁散射理论，在振幅、极化、时间和纹理维度上均有体现——并与通用卷积神经网络相结合，通过概率级融合与等值区域校准技术实现检测。该框架并非依赖单一特征阈值，而是通过识别建筑物的特征性多维散射特征来进行检测，这种组合在不同生物群落中仍能保持区分度，而单一SAR描述符则无法做到这一点。该框架在包含7721个目标物的多生物群落测试集上进行了验证，测试集涵盖了森林草原（哈萨克斯坦）、北方森林（俄罗斯科米共和国）以及热带雨林（巴西帕拉州）。最终经过融合与区域校准处理的模型在保留的测试集（N=1545）上的整体F1分数为0.803，比单一模型基准高出17个百分点。各区域的F1分数在0.727（哈萨克斯坦）到0.944（科米共和国）之间，即使在部分冠层遮挡的情况下，检测性能依然良好（F1值为0.911，而未被遮挡的建筑物为0.903）。在每个生物群落中，我们还发现负面样本比例与检测F1分数之间存在反比关系，我们所分析的区域内28–35%的负面样本比例仅作为初步观察结果，而非最优范围——这一数据集设计特点在现有文献中尚未被报道。所提出的框架为在森林冠层下利用SAR检测建筑物提供了一种具有物理可解释性的解决方案，其在三种不同的森林生物群落中均表现出稳定性能，可直接应用于森林地区的环境监测和区域监控领域。
