TransFireNet：一种基于双分支变换器网络的新型模型，用于利用双时相Sentinel-2影像评估烧伤严重程度

《Remote Sensing Letters》：TransFireNet: A novel dual-branch transformer network for burn severity estimation using bi-temporal Sentinel-2 imagery

针对火灾前后影像复杂时空特征捕捉困难的问题，本研究构建TransFireNet双分支Transformer模型，融合45场欧洲火灾的Sentinel-2数据，通过渐进式特征融合提升空间细节和时效性，实验表明其F1和IoU最优，参数最少，支持灾后管理及生态恢复。

　　

摘要

大多数火灾严重程度评估方法在有效捕捉火灾前后图像的复杂时空特征方面面临挑战，这导致难以准确评估火灾影响的程度。为此，我们旨在开发一种高效的深度学习架构，该架构利用双时相的Sentinel-2图像来精确估计火灾严重程度。为此，我们构建了一个新的火灾严重程度数据集，涵盖了8个欧洲国家的45起野火事件，数据集使用了双时相的Sentinel-2图像以及来自哥白尼应急管理服务产品的参考数据。然后，我们提出了一种基于双分支变换器的新型架构，称为TransFireNet，该架构采用金字塔视觉变换器从火灾前后图像中提取特征，并使用卷积解码器来保留精细的空间细节。所提出的模型通过渐进式特征融合结合了图像对之间的多尺度特征差异，使模型能够在关注时间变化的同时保持空间背景。实验结果表明，TransFireNet在性能上优于现有的最先进方法，尤其是在严重受损区域，其F1分数和IoU值更为出色。此外，与基于变换器的其他模型相比，该网络在参数数量上显著减少，从而保持了计算效率。这项研究为火灾严重程度评估提供了一种可靠的解决方案，能够有效支持不同地理区域的火灾后管理和生态恢复工作。