SenFus-CHCNet：一种用于稀疏监督式树冠高度分类的多分辨率融合框架

《Frontiers in Remote Sensing》：SenFus-CHCNet: a multi-resolution fusion framework for sparse-supervised canopy height classification

　　森林冠层高度分类中，多源数据融合与深度学习模型的研究进展及方法优化

　　森林冠层高度的精确制图对于理解生态系统结构、监测生物多样性以及支持气候缓解策略具有至关重要的作用。随着遥感技术的发展，尤其是合成孔径雷达（SAR）和多光谱图像的结合，科学家们开始探索利用深度学习模型来提升冠层高度估计的精度。SenFus-CHCNet是一种创新的深度学习架构，旨在通过融合来自Sentinel-1和Sentinel-2的SAR与多光谱影像，以及NASA的GEDI激光雷达数据，生成高分辨率的冠层高度分类图。这种方法不仅能够有效整合不同分辨率和模态的数据，还能通过自适应嵌入和聚合机制提升模型的表达能力。

### 多源多波段融合模块

SenFus-CHCNet的多源多波段融合模块是其核心设计之一。该模块通过分辨率感知的嵌入路径和专门的聚合块，将不同分辨率的SAR和多光谱数据整合为统一的特征张量。在处理过程中，模块首先从不同分辨率的输入数据中提取特征，然后通过逐步的上采样策略，将低分辨率的特征融合到高分辨率的特征空间中。例如，60米分辨率的特征首先被上采样至20米分辨率，再与20米分辨率的特征进行融合，最终上采样至10米分辨率，与10米分辨率的特征共同构建出高分辨率的统一特征图。这种分阶段的融合策略确保了不同分辨率的特征能够被有效地整合，同时保留了关键的局部空间细节和全局语义一致性。

此外，该模块还引入了Squeeze-and-Excitation（SE）机制，这是一种轻量级的注意力模块，用于调整不同通道特征的重要性。SE模块通过全局平均池化，计算每个通道的激活强度，然后通过两个全连接层生成自适应权重，以重新校准原始通道特征。这种机制在处理SAR和光学数据融合时尤为重要，因为它能够突出重要的特征，同时减少无关或噪声信号的影响。通过将SE模块嵌入到聚合块中，模型能够更有效地学习不同波段之间的复杂关系，从而提升整体特征表示的精度。

### 像素级分类模块

SenFus-CHCNet的像素级分类模块基于定制化的U-Net架构，该架构在生物医学图像分割领域得到了广泛应用，并被扩展用于密集预测任务。U-Net的对称跳跃连接结构能够有效保留空间细节，同时通过编码-解码结构实现深层特征学习。在该模型中，编码器部分包含四个下采样块，每个块包含两个3×3的卷积层，后接Parametric ReLU（PReLU）激活函数和批量归一化。编码器的每一层通过2×2的最大池化操作将空间分辨率减半，同时通道数加倍，从64逐步增加到512。这种分层结构使得模型能够捕捉更加抽象和广泛的空间特征。

解码器部分则与编码器对称，通过双卷积块逐步重建空间分辨率。在解码过程中，上采样特征图与编码器输出通过跳跃连接进行拼接，以恢复细粒度的空间细节。最终的分类层使用1×1卷积将64通道的特征张量映射到对应于冠层高度分类的输出通道。分类结果通过softmax激活函数进行概率预测，并在类别维度上应用argmax操作，以确定最终的分类结果。

### 稀疏监督策略

由于GEDI数据的稀疏性，传统的密集监督策略在训练过程中可能会受到梯度稀释和偏倚的影响。为了解决这一问题，SenFus-CHCNet采用了稀疏监督策略，即仅在存在真实标签的像素位置计算和传播损失。这种方法确保了模型在有限的监督信息下能够专注于有效的学习信号，同时忽略无标签区域的影响。此外，稀疏监督策略还能够与类别平衡技术（如加权交叉熵或焦点损失）结合，以缓解类别不平衡问题，特别是在稀有高度类别（如高耸树木）数据较少的情况下。

### 实验与结果

在实验部分，SenFus-CHCNet在越南北部复杂森林景观中进行了广泛的测试。实验结果表明，该模型在放松准确率（RA±1）和F1分数方面均优于现有的基线模型，最高可达4.5%的改进和10%的提升。这种性能的提升得益于其多源数据融合策略和稀疏监督机制，使得模型能够在不同分辨率和模态的数据之间进行有效的学习。

在分类粒度方面，SenFus-CHCNet评估了三种不同的分类方案：粗粒度（5类）、中粒度（12类）和细粒度（17类）。粗粒度分类方案在5类设置下表现出最佳性能，特别是在中等高度的冠层分类中，模型的预测结果集中于对角线，显示出较高的准确率。而随着分类粒度的增加，预测的不确定性也随之增加，特别是在稀疏类别中。细粒度分类方案虽然能够捕捉到更细微的冠层高度变化，但也对预测噪声更为敏感。

### 定性评估

SenFus-CHCNet的定性评估结果显示，该模型在不同分类粒度下均能生成具有生态意义的冠层高度地图。在粗粒度设置下，模型能够清晰地捕捉到主要的生态和地形特征，如山脊和山地地区的高冠层类别，以及山谷和农业界面的低冠层类别。而在中粒度和细粒度设置下，模型能够更细致地反映森林的垂直结构，包括局部干扰、空隙和演替的镶嵌模式。这些高分辨率的预测结果对于生态建模、栖息地适宜性评估和物种分布分析尤为重要。

### 局限性与未来工作

尽管SenFus-CHCNet在冠层高度分类任务中表现出色，但仍存在一些局限性。例如，模型目前未包含不确定性估计，这在处理稀疏和可能噪声较多的GEDI数据时显得尤为重要。未来的工作将探索集成不确定性建模技术，如蒙特卡洛丢弃、深度集成或顺序到连续方差传播，以提供可靠的置信度估计。此外，分类式模型的构建方式虽然在稀疏标签条件下具有良好的生态可解释性，但其预测的粒度受限于预定义的高度区间。未来的研究将进一步探讨基于生态演替和森林结构的生物基础分类边界，并探索多任务扩展，使模型能够在分类和回归任务之间进行平衡。

### 结论

综上所述，SenFus-CHCNet通过融合多源卫星数据和GEDI激光雷达数据，提供了一种具有扩展性和生态意义的冠层高度分类方法。该模型不仅能够处理不同分辨率和模态的数据，还能够通过稀疏监督策略在有限的标签条件下实现有效的学习。其在越南北部复杂森林景观中的优异表现表明，SenFus-CHCNet在热带森林监测、生物多样性评估和碳储量估算方面具有广阔的应用前景，尤其是在数据有限或资源受限的环境中。未来的工作将致力于扩展该模型至全球森林生态系统，并探索时间动态和不确定性量化，以支持气候政策、保护规划和生态系统管理的决策。