摘要
人工林在区域生态安全和森林资源可持续利用中发挥着至关重要的作用，使得对其空间分布和管理边界的准确了解对于森林清查、造林评估、碳核算支持以及林分管理至关重要。为解决林分边界模糊、背景干扰复杂和区域光谱变化问题，我们提出了一种名为核引导森林分割网络（KGF-Net）的人工林分割框架。该方法结合了光谱指数对齐融合模块（SIAF）、结构感知边界增强模块（SABE）、跨域判别几何约束耦合模块（CDGC）以及兼容 Adam 的森林感知响应光谱控制策略（FReSCO）。在源域阶段，KGF-Net 使用对齐的 RGB、NDVI 和 EVI 输入在北美子集上进行预训练，使模型能够学习对植被敏感的光谱和结构表示。对于亚洲、欧洲、非洲和公共 FAIS 目标数据集，不使用目标域植被指数层；而是迁移源域权重，并使用目标域 RGB 图像和人工林掩膜对模型进行单独微调。因此，跨区域实验评估的是基于 RGB 目标适配的源到目标迁移学习，而不是零样本泛化或每个区域的独立多模态训练。实验表明，KGF-Net 取得了具有竞争力的分割和边界界定性能，同时保持了紧凑的计算特性。生成的地图提供了关于人工林范围、斑块配置和管理边界的空间显式信息，支持区域人工林监测和森林管理应用。
