《International Journal of Applied Earth Observation and Geoinformation》：Deep learning-based burned area mapping of California wildfires using Sentinel-2 and Landsat-8 imagery enhanced with super-resolution techniques
编辑推荐：
研究人员将超分辨率（Super-Resolution, SR）用作域对齐策略，以协调Landsat-8（30 m）与Sentinel-2（10 m）之间的空间分辨率差异。研究开发了一种多卫星迁移学习框架，以缓解域偏移和数据稀缺问题。基于SR的Landsat-8
研究人员将超分辨率（Super-Resolution, SR）用作域对齐策略，以协调Landsat-8（30 m）与Sentinel-2（10 m）之间的空间分辨率差异。研究开发了一种多卫星迁移学习框架，以缓解域偏移和数据稀缺问题。基于SR的Landsat-8预训练显著提升了过火面积分割性能（IoU = 0.850）。该模型在独立野火事件（包括近期加州火灾）中展现出稳健的性能。
本文针对气候变化背景下野火频发且过火面积精确制图需求迫切的问题，提出了一种结合超分辨率（Super-Resolution, SR）与迁移学习的多卫星过火面积制图框架。研究以美国加州为主要研究区，利用2013—2023年间150景Landsat-8 OLI影像（30 m分辨率，来自MTBS项目）和2016—2023年间94景Sentinel-2 MSI影像（10 m分辨率，来自GEE平台，经SIAC大气校正）构建训练与测试数据集。针对单一传感器在时空分辨率和影像质量上的局限，以及现有数据融合方法简单重采样导致细节丢失的问题，研究人员创新性地将SR用作域对齐策略：采用Lanczos重采样将Sentinel-2影像降采样生成训练对，训练四种SR模型（HAT、DRCT、Real-ESRGAN、SPSR），其中SPSR在感知质量指标上表现最佳。随后，利用SPSR将原始30 m Landsat-8影像以4倍尺度因子超分辨率重建至7.5 m，使其与10 m Sentinel-2空间网格对齐。基于超分辨率后的Landsat-8影像预训练Swin Transformer（Swin-L编码器，UPerNet解码器）分割模型，再在Sentinel-2影像上进行全参数微调，实现跨传感器迁移学习。输入特征除原始红、近红外、绿波段外，还加入归一化植被指数（NDVI）和归一化燃烧指数（NBR）以增强光谱信息。实验结果表明，在Sentinel-2测试集上，超分辨率预训练模型获得0.850的过火区域IoU，较无迁移学习基线（0.809）提高5.07%，较原始Landsat-8预训练（0.813）提高4.55%，且召回率达0.938，显著降低了漏检误差。在2022—2023年五场独立野火事件（共844个影像块）上平均IoU为0.843，在2025年PALISADES、EATON和HUGHES三场真实灾害场景中，基于周长估计的过火面积与官方CAL FIRE数据差异分别为+4.13%、?7.77%和?4.96%，验证了模型的实用性和泛化能力。研究还发现，模型对森林区域表现优异，但在灌丛和城市区域存在不足，主要归因于训练数据中此类地物占比偏低。结论指出，SR作为域对齐工具可有效提升多卫星数据融合的过火面积分割性能，未来将通过扩充多样化地物训练样本、引入裸土指数（BSI）和归一化差异建成指数（NDBI）等进一步改进模型，以实现通用化过火面积制图框架，支持实时灾害监测。
研究采用的主要关键技术方法包括：（1）数据来源方面，Landsat-8影像源自MTBS项目，Sentinel-2影像源自GEE平台的Level-1C产品，并采用SIAC进行大气校正；（2）超分辨率模型方面，利用Lanczos重采样合成低分辨率图像，训练并对比四种SR模型，最终选择SPSR用于Landsat-8影像的4倍超分辨率重建；（3）光谱指数增强方面，在原始红-近红外-绿波段基础上加入NDVI和NBR；（4）迁移学习方面，使用超分辨率后的Landsat-8影像预训练Swin Transformer编码器与UPerNet解码器，再于Sentinel-2影像上微调。所有输入均经过去除2%极值、min-max归一化及512×512像素分块（重叠128像素）预处理。
4.1 光谱指数波段扩展性能：基于Sentinel-2数据（无迁移学习），研究人员比较了不同波段组合。原始R-NIR-G基线IoU为0.809；单独添加NDVI后IoU提升至0.813；单独添加NBR后IoU为0.812；同时添加NDVI和NBR时IoU达到最高0.821。结果表明，NDVI与NBR在捕捉过火区域特征上具有互补性，联合使用可更精准地描绘燃烧边界。
4.2 超分辨率结果：在Sentinel-2测试集（1826对图像）上，Transformer模型HAT和DRCT的PSNR、SSIM较高，但感知指标较差；GAN模型Real-ESRGAN的LPIPS优于Transformer，但FID、CLIP-IQA和MUSIQ最低；SPSR虽PSNR和SSIM较低，但所有感知指标均最优（FID=11.473，CLIP-IQA=0.503，MUSIQ=50.156）。定性比较显示SPSR能更真实地恢复森林、农田、城市地物的高频细节和锐利边界。使用SPSR对145幅Landsat-8影像进行4倍超分辨率后，与双三次插值相比，MUSIQ提升25.76%，NRQM提升42.72%，NIQE降低29.60%，证明SPSR生成的7.5 m影像具有自然纹理和清晰边界。
4.3 分割结果：迁移学习实验中，使用原始30 m Landsat-8预训练所得IoU为0.813，与无迁移基线（0.809）接近；而使用SPSR超分后的7.5 m Landsat-8预训练，IoU显著提升至0.850，F1分数达到0.919，召回率0.938。定性结果（混淆矩阵可视化）显示，SR预训练模型的假阳性和假阴性区域明显减少，尤其在边界模糊或植被部分恢复区域能准确检测。在独立数据集（2022—2023年五场野火）上，平均IoU为0.843，其中THUNDER和MOSQUITO分别达到0.880和0.865；WASHBURN案例存在灌丛地物误检（精确率0.777），但召回率高达0.992，未遗漏真实燃烧区。原因在于训练集以森林火灾为主，灌丛地物样本不足。
4.4 2025年加州野火应用：将最优模型应用于PALISADES、EATON和HUGHES三场大火。PALISADES周长估计面积与官方相差+4.13%，并额外检测到先前FRANKLIN火的燃烧痕迹，但漏检了建筑受损区域；EATON在复杂森林地形和城市混合地物中稳健，差异?7.77%；HUGHES差异?4.96%，且像素级预测准确识别了火线内部的未燃烧斑块。
讨论部分指出，SR作为域对齐策略避免了简单重采样造成的细节损失，SPSR的感知质量优势有助于分割模型捕捉微小燃烧痕迹。NDVI和NBR的加入进一步提高了边界刻画能力。模型的主要局限在于对灌丛和城市地物的代表性不足，这源于训练样本中此类地类稀缺。未来将添加BSI和NDBI指数，并扩充多样化的训练数据，以提升通用性。结论翻译：本研究提出了两种基于深度学习的方法来改进过火面积制图。第一，结合NDVI和NBR的光谱波段扩展方法实现了0.821的过火IoU，证明光谱组合能显著提高制图精度。第二，先进学习方法通过基于SR的空间分辨率对齐和迁移学习实现了多卫星数据融合，所提出的框架达到了最高0.850的过火IoU。在独立2022—2023年数据集和2025年加州野火上的验证表明，模型在不同条件下均具有稳定的性能和鲁棒性。值得注意的是，模型使用原始波段作为输入即可获得高性能，说明基于SR的预处理提供了超越简单分辨率提升的有效增强。尽管结果令人鼓舞，模型在城区和灌丛地区的能力仍受限，原因在于这些土地覆盖类型在训练数据中代表性不足。该框架在具备区域特定火灾前后分析和充足训练数据的情况下，可推广至其他野火频发区域。未来研究将扩展训练数据集以包含多样的城市结构和土地覆盖类型，并整合裸土指数（BSI）和归一化差异建成指数（NDBI）等额外光谱指数，结合SR构建通用过火面积制图框架，为消防机构、政府组织等提供实时灾害监测支持。
