基于多模态噪声分割的亚马逊雨林碎片化火烧迹地识别

在难以到达的雨林中检测野火造成的火烧痕迹，对于各种灾害管理和生态研究具有重要意义。可耕地景观的碎片化特征以及多样化的种植模式常常阻碍火烧迹地的精确制图。遥感技术的最新进展和多模态数据的可用性为这一制图问题提供了可行的解决方案。然而，由于火烧痕迹与相似地貌难以区分、火烧痕迹高度碎片化以及部分标注的噪声数据集，分割火烧痕迹的任务十分困难。在本工作中，我们提出 AmazonNET——一种基于卷积的网络，可从多模态遥感图像中提取火烧模式。该网络由 UNet 构成：一种在生物医学分割中常用的带跳跃连接的知名编码器-解码器架构。所提出的框架利用堆叠的 RGB-NIR 通道，通过在亚马逊地区一个新的弱标注噪声数据集上训练，从牧场中分割出火烧迹地。我们的模型通过正确识别部分标注的火烧迹地并拒绝错误标注的样本，展现出优越性能，表明我们的方法是首批在多模态火烧迹地识别中有效利用基于深度学习的分割模型的方法之一。