· 文章标题：TinyForestCD: A Lightweight Approach for Enhanced Detection of Forest Changes in Sentinel-2 Imagery

· 期刊名称：IEEE Transactions on Geoscience and Remote Sensing（中科院一区，IF = 8.6）

· 文章链接：https://doi.org/10.1109/TGRS.2025.3647674

· 发表日期：2025.12.23

研究背景

作为全球生态系统的重要组成部分，森林在维持生物多样性、调节水文循环和减缓气候变化方面发挥着不可替代的作用。然而，受森林砍伐、城市化进程加快等人类活动影响，全球森林资源的可持续性面临严重威胁。因此，通过遥感技术实现准确、高效的森林变化检测，对政府决策和生态保护至关重要。尽管深度学习算法在森林变化检测中已展现出显著优势，但实际大尺度应用仍面临挑战：

（1）样本极度不平衡：在实际场景中，发生变化的森林区域（正样本）仅占极小比例，绝大多数区域为未变化的背景。现有的主流方法往往忽视这种极端的数据不平衡，导致模型难以捕捉关键的变化特征。

（2）高误检率：森林区域受季节性物候变化影响显著，且纹理特征复杂。传统分类算法和部分深度学习模型容易受到背景噪声干扰，难以区分真实的森林减少与季节变化。

（3）计算成本与大尺度部署的矛盾：基于Transformer等复杂架构的模型虽然精度较高，但计算开销巨大，难以满足大范围（如省级、跨区域）快速监测的需求；而高分辨率影像的高昂成本限制其在大尺度普查中的应用。

图1. 研究区范围

图2. 主要研究流程

TinyForestCD模型构建

本研究构建一种基于孪生U-Net架构的轻量级变化检测模型—TinyForestCD。模型采用EfficientNet-b4的前三层作为共享权重的编码器，在保证特征提取能力的同时大幅降低计算开销。针对森林场景中复杂的背景噪声（如季节性物候差异）导致的误检问题，模型创新性地引入全局分组坐标注意力机制(GGCA)。该机制通过分组特征处理与多维度全局信息交互，动态增强关键变化特征的权重，有效抑制无关干扰。同时，为解决变化区域极度稀缺（仅占约 0.62%）带来的样本不平衡挑战，本研究设计“混合损失函数 (CE+Dice) 联合在线难例挖掘 (OHEM)” 的训练策略。这一策略迫使模型专注于难以分类的边缘样本，从而在保持极低计算量的同时，显著提升对微小森林变化的捕捉精度与鲁棒性。

图3. TinyForestCD的总体结构

图4. 全局分组坐标注意力结构

实验结果

(1)与前沿方法的对比分析

本研究将TinyForestCD与FC-EF、SNUNet、ChangeFormer以及TinyCD等多种主流变化检测模型进行全面对比。结果表明，TinyForestCD在保持极致轻量化（参数量 0.29M，FLOPs 1.54G）的同时，在关键精度指标上实现超越。其 F1分数达到80.65%，IoU达到67.57%，相较于基准模型TinyCD分别提升0.93%和1.29%。可视化结果（图5）进一步表明，本模型在抑制非森林植被干扰导致的误检方面表现最优。

图5. 不同模型在测试集上的可视化结果（注：黄色和红色分别表示漏检和误检情况，绿色则代表模型正确识别的部分）

（2）消融实验分析

为验证模型各组件的有效性，研究对“混合损失函数”和“GGCA模块”进行逐步拆解分析。实验结果表明，引入混合损失函数，模型F1分数提升0.19%；而加入GGCA模块，F1分数进一步提升0.76%。两者结合，模型在平衡漏检与误检方面达到最佳状态。此外，针对 GGCA 的分组数（Group Number）探讨发现，当分组数G=4时，模型在精度与召回率之间取得最佳平衡。

图6. 消融实验可视化图（注：黄色和红色分别表示漏检和误检情况，绿色则代表模型正确识别的部分）

（3）GGCA 注意力机制的优越性评估

为证明所提出的GGCA模块的先进性，本研究将其与scSE、Coordinate Attention (CA) 和Criss-Cross Attention (CCA)等主流轻量级注意力机制进行横向对比。结果表明，搭载 GGCA 的模型在Precision、Recall、F1和IoU四项指标上均优于其他注意力机制。特别是在形状复杂的变化区域，GGCA 展现出更强的特征捕捉能力和误检抑制能力。

图7. GGCA优越性评估的可视化结果（注：黄色和红色分别表示漏检和误检情况，绿色则代表模型正确识别的部分）

（4）模型跨区域迁移与大尺度部署分析

为评估模型的泛化能力与跨区域可迁移性，本研究在湖南省（省内迁移）和广东省韶关市（跨省迁移）开展全域部署验证。在湖南省随机选取的6个样区中，模型取得平均81.06%的F1分数和68.25%的IoU，与测试集结果保持高度一致，证明其在省域尺度上的性能稳定性。在气候与植被特征存在显著差异的韶关市，TinyForestCD依然表现出色，以78.18%的F1分数和64.17%的IoU优于HANet和SNUNet等对比模型，充分验证其跨区域迁移的鲁棒性。此外，在推理速度方面，该模型在各区域均保持最高的帧率（FPS），展现出极高的计算效率，证实其在大规模实时森林变化监测中的巨大应用潜力。

图8. 湖南省部署结果展示（注：黄色和红色分别表示漏检和误检情况，绿色则代表模型正确识别的部分）

图9. 韶关市部署结果展示（注：黄色和红色分别表示漏检和误检情况，绿色则代表模型正确识别的部分）

研究意义

本研究针对森林变化监测中面临的样本极度不平衡及背景噪声干扰严重等挑战，构建了轻量级遥感变化检测模型TinyForestCD。研究从特征增强与样本优化维度出发，创新引入全局分组坐标注意力机制（GGCA）并结合“混合损失函数+在线难例挖掘（OHEM）”策略，有效抑制了季节性物候差异引发的误检，在实现高精度检测（F1=80.65%）的同时将模型参数量压缩至0.29M，突破深度学习模型在算力与精度间难以兼顾的瓶颈。此外，通过在湖南省及广东省韶关市开展跨区域大尺度部署验证，证实该模型在低成本硬件下进行高频次、大范围森林资源监管的鲁棒性与泛化能力，为森林资源的实时监测与生态保护政策制定提供了可靠的技术支撑。

作者介绍

第一作者：雷昌龙，中南林业科技大学2022级硕士研究生，研究方向为林地变化检测。获2023年度硕士生A等学业奖学金，第一届“泰坦杯”全国大学生空间信息应用大赛二等奖。

通讯作者：严恩萍，中南林业科技大学副教授，兼任中国林学会林业计算机应用分会理事。主持国家自然科学基金、中国博士后一等资助、湖南省自然科学基金等项目，获梁希青年论文奖二等奖。

合作作者：中南林业科技大学莫登奎教授，中山大学2023级博士研究生姜镓伟，中南林业科技大学2022级硕士研究生李凯奇。