CAFF-Net：基于多源遥感与跨模态自适应特征过滤的城市绿地-水体耦合生态健康预测

《Ain Shams Engineering Journal》：CAFF-Net for coupled eco-health prediction of urban green space and water body with multi-source remote sensing

　　

针对多源遥感生态健康反演（Eco-Health Inversion）中的三个瓶颈：跨模态特征冗余、解耦的单任务建模以及碎片化城市地表覆盖的细节失真，研究人员基于Sentinel-1合成孔径雷达（Synthetic Aperture Radar, SAR）和Sentinel-2光学数据，提出了CAFF-Net，用于城市绿地（Urban Green Space, UGS）和水体的耦合生态健康预测。双分支Swin Transformer分别提取异质特征，串行卷积块注意力模块（Convolutional Block Attention Module, CBAM）实现自适应特征过滤以抑制冗余信息。改进的多任务UNet同步预测绿地、水体及耦合生态健康指数，并采用联合损失建模水-陆生态关联。实验表明，CAFF-Net的决定系数R²达到0.928，比最先进方法（State-of-the-Art, SOTA）高3.3%，在重度云干扰下具有强鲁棒性，为海绵城市和流域治理提供支持。

全球城市化进程加速了城市下垫面的重构，不透水面扩张不断侵占城市绿地（Urban Green Space, UGS）与自然水体，导致绿地破碎化、微小水体孤立，水陆生态连通性持续退化。城市绿地与水体通过养分迁移、水文补给和跨界物质交换构成耦合生态系统，单一地类的退化会沿水文网络向水陆边界传播，因此精准量化其综合生态健康状态是国土空间规划、水环境修复和生态修复的重要前提。传统实地采样方法成本高、空间覆盖有限，难以满足大范围连续监测需求。多源遥感中光学与合成孔径雷达（Synthetic