STFNet—運用多源衛星影像進行森林變化偵測的時空融合網路STFNet: A Spatiotemporal Fusion Network for Forest Change Detection Using Multi-Source Satellite Images

研究問題

這篇想回答如何整合高空間解析度的雙時相影像與中低解析度的時序多光譜影像，提升森林變化偵測精度並抑制季節物候造成的偽變化。

材料與方法

作者在中國陝西神木選了一塊高森林覆蓋山區，用 Gaofen-1 融合成 2 公尺解析度的雙時相影像當高解析來源，再用 Sentinel-2 篩雲量低於三成、一年每月合成一幅共 13 期的時序影像當動態來源，人工標註變化區後裁成 2310 對 256×256 區塊。模型 STFNet 用雙孿生 CNN 分別抽兩種來源的特徵，提出 CATFF 模組以交叉注意力建立時序間的時空依賴並聚焦真實變化，再用 MCDF 模組以全域加局部雙分支通道注意力融合多解析度差異特徵，最後解碼出變化遮罩，以 precision、recall、F1、IoU、OA 評估。

結論

結論是 STFNet 在自建森林變化偵測資料集達到 F1 87.65%、IoU 78.01%、OA 97.67%，全面贏過九個最先進對照模型，F1 比最佳對照高 2.02%。最關鍵的是時序資訊，光用高解析度 GF 影像 F1 只有 81.01%，加進 Sentinel-2 時序資料就拉到 87.65%。

討論與我的觀察

這代表光學遙測要在森林裡分辨真實變化與季節物候偽變化，單靠雙時相影像不夠，得補上時序的物候節奏。波段分析顯示近紅外相關的標準假彩色組合 B8、B4、B3 最有效，時序期數則是 5 期最好，太密反而略降，顯示時間解析度要拿捏平衡。限制也很清楚，這套方法只在神木單一研究區與特定資料組合驗證，模型參數量從 42.04M 增加到 62.72M、運算成本明顯上升，而且 GF 資料不公開不易重現。對我研究的關係上，它給了光學遙測層用深度學習做多源時空融合與抑制季節偽變化的方法基準，但台灣要用必須拿本地高解析與 Sentinel-2 時序影像重新訓練校準。

重要科學發現

• 原文 Table 1：STFNet F1 87.65%、IoU 78.01%、OA 97.67%，較最佳對照模型 F1 高 2.02%、IoU 高 3.14%。
• 原文 Table 3：僅用 GF 影像 F1 為 81.01%，加入 Sentinel-2 時序資料後升至 87.65%。
• 原文 Table 4 與 Table 5：標準假彩色組合 B8、B4、B3 與 5 期時序影像分別為最佳設定。

關鍵短引用

STFNet F1 達 87.65%，較對照高 2.02%原文 Abstract 與 Table 1（p.11, 13）

加入時序資訊 F1 由 81.01% 升至 87.65%原文 Table 3（p.14–15）

博士生的話

這篇支撐我博論在光學遙測層採用深度學習多源時空融合的路線，特別是用時序物候資訊抑制季節偽變化；對 TJFS review，它是 Ch3 光學遙測的方法型代表文獻，但用在台灣前必須先做在地資料重新訓練與校準。