提升SPOT-6/7影像中灭火区划分的深度学习性能：应用于紧急管理

野火发生后，划分灭火区（BAs）对于量化损坏和支持生态系统恢复至关重要。当前的BA映射方法依赖于训练在事后遥感影像上的计算机视觉模型，但常常忽视其在时间受限的紧急管理情境中的适用性。本研究引入一种监督语义分割工作流程，旨在提高BA划分的性能和效率。该方法针对SPOT-6/7影像进行设计，因为其具有非常高的分辨率和按需可用性。实验基于Dice系数、交并比和推理时间进行评估。结果表明，U-Net和SegFormer模型在有限训练数据下的表现相似。然而，SegFormer需要更多资源，这对其在紧急情况下的实际应用构成挑战。将土地覆盖数据作为辅助任务纳入模型中可提高模型的鲁棒性，而不会增加推理时间。最后，测试时数据增强提高了BA划分的性能，但会增加推理时间，这些可以通过诸如混合精度等优化方法予以缓解。