研究背景
在全球气候变暖与极端天气事件频发的双重影响下，野火已成为威胁全球生态系统和人类生命财产的重大自然灾害之一。准确监测火烧迹地的动态变化对森林管理与生态环境恢复具有重要意义。
传统方法的局限性：传统的火烧迹地提取方法主要依赖人工设计的特征（如光谱特征、纹理特征），在应对大范围且地形复杂的区域时存在效率低、对微小火烧迹地提取效果欠佳的问题。
核心创新
双时特征融合策略 (BFF)
通过特征拼接与相减结合的方式，充分提取双时相特征中的差异信息，使模型能够准确识别火烧前后的植被变化。
中值增强空间通道注意力模块 (MESC)
整合多种空洞率、通道注意力与空间注意力机制，通过中值池化操作增强鲁棒性，有效捕获图像中的细节信息和上下文信息。
轻量化架构设计
采用轻量化上采样模块，通过减少参数量与计算量实现推理速度优化，使模型能够在大范围影像上高效运行。
端到端学习框架
以U-Net为基准模型，结合EfficientNet骨干网络进行多尺度特征提取，实现从特征融合、提取到分类输出的完整流程。
技术架构
采用EfficientNet作为孪生骨干网络，对双时相图像进行多尺度特征提取。引入BFF策略充分捕捉双时相特征差异。
MESC模块通过多尺度深度卷积和通道/空间注意力机制增强特征表达，MLP模块对特征进行深度加工，生成变化概率图。
采用轻量化上采样模块，通过跳跃连接融合多层特征，恢复图像分辨率。最终通过像素级分类器输出火烧迹地提取结果。
实验设计
研究区域
云南省玉溪市江川区
2023年4月13日发生的森林火灾，位于九溪镇河口村，地处高原地区，地形复杂。
数据来源
Sentinel-2A卫星
L2A级产品，火灾前（4月11日）和火灾后（4月21日）影像，空间分辨率10m。
数据集规模
9,900个训练样本
训练集6,930个，验证集1,485个，测试集1,485个（7:1.5:1.5划分）。