改进的CNN与多源遥感融合技术用于长城风化侵蚀监测

《Scientific Reports》：Improved CNN and multisource remote sensing fusion for great wall weathering erosion monitoring

　　

摘要

风化作用正在以比遗产保护记录所能追踪的速度更快地侵蚀中国长城，而基于遥感技术的应对措施面临两个难题：如何从光谱特征相似的背景中准确识别出长城实体，以及如何将识别结果转化为能反映长城沿线侵蚀状况的空间信息。我们通过一个统一的框架来解决这两个问题。该模型在ResNet-50的基础上，结合了扩张卷积分支、双通道-空间注意力模块以及多尺度特征金字塔结构，隶属于一个三阶段的渐进式融合流程，在像素级、特征级和决策级整合光学数据与SAR数据以实现长城特征的识别；而由激光雷达获取的高程数据则被直接用于侵蚀程度分析，而非纳入识别融合过程，这样就能分别对这两个问题进行独立评估。跨模态注意力机制能够实现不同数据源之间的选择性信息交换，而德普斯特-沙弗证据理论则可在决策阶段解决数据源之间的冲突问题。将该模型应用于中国西北地区宁夏-甘肃地区的典型夯土长城段后，其整体准确率为94.6%，F1值为92.7%，IoU值为86.5%，在F1值和IoU值上分别比DeepLabV3+高出4.7%和7.9%。多源数据融合后，F1值相比仅使用光学数据时提升了5.8%，其中SAR数据在区分风化后的土墙与光谱特征相似的黄土地形方面表现尤为出色。通过对2015年至2023年的时空侵蚀情况分析发现，严重受损的城墙段长度占比从14.2%上升到了21.7%，且这些受损区域多集中在裸露的山脊线和黄土陡坡边缘。地理加权回归分析揭示了不同区域的侵蚀驱动因素存在差异：西部干旱地区以风蚀为主，而中部黄土地带则以降水引发的沟蚀为主。所提出的框架不仅推动了遗产特征提取技术的发展，还为差异化的空间保护规划提供了基于证据的决策工具。