融合基础模型嵌入与季节—物候—地形特征的城乡景观精细天然草地制图——以湖南GMapNet为例

《Land》:Fine-Grained Natural Grassland Mapping for Sustainable Land Monitoring in Urban–Rural Landscapes Using Foundation Model Embeddings

【字体: 大 中 小 】 时间:2026年10月22日 来源:Land 3.5

编辑推荐:

  精细天然草地信息对于监测异质城乡景观中的生态土地格局并支持可持续土地管理至关重要。然而,中国南方亚热带地区的天然草地高度破碎化,且常镶嵌于森林、农田、聚落及其他土地覆被类型中,利用常规土地覆被产品和单季遥感观测进行其精细识别具有挑战性。本研究以湖南省为研究区,

  
精细天然草地信息对于监测异质城乡景观中的生态土地格局并支持可持续土地管理至关重要。然而,中国南方亚热带地区的天然草地高度破碎化,且常镶嵌于森林、农田、聚落及其他土地覆被类型中,利用常规土地覆被产品和单季遥感观测进行其精细识别具有挑战性。本研究以湖南省为研究区,利用研究人员在野外考察中独立采集的实地调查样地,并结合公共土地覆被产品进行空间可靠样本筛选,构建了一个五类数据集。将来自春季、夏季和秋季Sentinel-2观测的季节—物候特征、来自DEM的地形信息以及AlphaEarth Embedding(AE)集成至所提出的草地制图网络(Grassland Mapping Network,GMapNet)。GMapNet采用Transformer建模特征组间依赖关系,采用特征组注意力(Feature Group Attention,FGA)自适应聚合季节与环境信息,并采用类原型相似性头(Class Prototype Similarity Head,CPSH)进行基于原型的精细判别。GMapNet取得总体精度(overall accuracy,OA)88.58 ± 0.98%、宏平均F1(macro-averaged F1,macro-F1)88.46 ± 1.05%和Kappa系数(Kappa coefficient)85.72 ± 1.23%,优于所有对比分类方法。消融实验进一步证实FGA和CPSH的有效性。移除AlphaEarth Embedding使总体精度降至76.58 ± 1.72%,表明基础模型嵌入提供了超越常规季节—物候—地形特征的大量补充信息。四个代表性城市的制图结果呈现显著空间异质性,预测天然草地主要分布于复杂土地覆被镶嵌体中的破碎斑块和地形关联带。这些图件提供比宽泛草地/开放植被类别更精细的主题细节,并可能为未来生态监测与保护规划提供信息。
论文解读:快速城镇化、农业结构调整、基础设施建设和生态修复持续重塑城乡土地利用镶嵌格局。天然与半天然生态用地在维持生物多样性、调节水热过程、保土保水、碳储存和支撑区域生态韧性方面具有重要作用。天然草地是此类生态土地系统的重要组成,尤其在丘陵山区常与森林、农田、聚落等共存。准确获取其空间分布与生态组成,对草地清查、保护、生态土地格局监测和可持续土地管理具有重要意义。然而,亚热带南方天然草地高度破碎并嵌入其他土地覆被类型,分布受地形强烈约束;在中分辨率影像中,喜热草地、喜热灌丛和山地草甸光谱响应相似,精细判别困难。既有草地分类多集中于温带、半干旱或半自然系统,南方亚热带遥感研究多强调草地提取而非天然草地类型精细判别;常规土地覆被产品常以宽泛草地/开放植被类别表达,难以刻画野外定义的生态类型。多时相观测可提供物候信息,环境变量和互补遥感可提高可分性,深度学习与遥感基础模型嵌入亦提供新表示,但如何将可解释季节、物候、地形信息与基础模型高层表示结合用于精细天然草地分类仍不清楚。为此,研究人员以湖南省为研究区,结合2024年野外调查样地和公共土地覆被产品构建五类数据集,构建48维季节—物候—地形特征并引入64维年度AlphaEarth Embedding(AE)作为基础模型表示,提出草地制图网络(Grassland Mapping Network,GMapNet),用于10 m精细分类和区域制图。研究得出,GMapNet总体精度(overall accuracy,OA)为88.58 ± 0.98%、宏平均F1(macro-averaged F1,macro-F1)为88.46 ± 1.05%、Kappa系数(Kappa coefficient)为85.72 ± 1.23%,优于所有比较方法;消融实验证实特征组注意力(Feature Group Attention,FGA)和类原型相似性头(Class Prototype Similarity Head,CPSH)有效;移除AE使OA降至76.58 ± 1.72%,说明基础模型嵌入提供重要补充信息。四市制图显示天然草地呈破碎斑块和地形关联带,较宽泛草地/开放植被类别提供更细主题细节,可为生态监测与保护规划提供空间参考。

关键技术方法(≤250字):研究以湖南省为区,样本队列来源为研究人员2024年独立开展的天然草地样地野外调查(2024 Natural Grassland Plot Survey),并结合Esri/Impact Observatory Sentinel-2 10 m Land Use/Land Cover Time Series 2024与Google Dynamic World V1进行空间可靠样本筛选和重标记,构建背景/非草地、喜热草地、喜热灌丛、山地草甸和其他草地五类数据集。特征包括春、夏、秋Sentinel-2观测的10个光谱波段、5个光谱指数、ΔNDVI、数字高程模型(digital elevation model,DEM)高程与坡度形成的48维特征,以及64维AE。GMapNet由Transformer、FGA和CPSH组成,并通过分类器比较、模块消融、不同基础模型嵌入比较、空间独立样地组评估和10 m区域制图验证。

3.1 实验细节(Experimental Details):深度学习模型以PyTorch 2.8实现,采用AdamW、交叉熵损失,学习率8×10?4、权重衰减2×10?4、批大小128,最大300轮并以45轮早停;1855个训练样本再按80:20分为1484个拟合样本和371个内部验证样本,795个测试样本仅用于最终评价。神经网络模型和配置以42、52、62、72、82五个随机种子独立训练五次,结果以均值±标准差报告;区域制图使用种子42模型且不用于比较指标。对比方法包括Mamba、Transformer、1D-CNN及Logistic Regression、Random Forest、Extra Trees、KNN、SVM-RBF、HistGradientBoosting、XGBoost、LightGBM、MLP和CatBoost;常规基线仅使用48维特征,AE仅进入GMapNet。结论是实验采用统一设置并避免针对本数据集调参,以支持公平比较。

3.2 与不同方法比较(Comparison with Different Methods):通过分类器对比实验,GMapNet在总体性能上持续优于深度学习和常规机器学习基线,较最强基线SVM-RBF的OA、macro-F1和Kappa分别提高8.71、8.81和10.88个百分点。类别层面,山地草甸和其他草地平均F1分别为95.33 ± 0.45%和98.42 ± 0.88%,但其他草地仅来自5个野外样地,过采样未增加独特样本多样性,近完美F1需谨慎解释;喜热草地和喜热灌丛平均F1分别为79.24 ± 1.37%和77.41 ± 3.16%。混淆主要发生在喜热草地与喜热灌丛之间,约16%喜热草地样本被判为喜热灌丛,约14%喜热灌丛被判为喜热草地。结论是GMapNet在保持易分类类别高精度的同时改善了近缘草地类型判别。

3.3 消融研究(Ablation Study):通过移除FGA或将CPSH替换为线性头、质心分类器进行模块消融,完整GMapNet各项指标最高。移除FGA使OA、macro-F1和Kappa分别下降11.30、11.35和14.12个百分点,喜热草地和喜热灌丛正确分类比例由76%和77%降至64%和54%,两类混淆增加。CPSH换为线性头时OA为77.94 ± 0.52%、macro-F1为77.78 ± 0.67%、Kappa为72.42 ± 0.64%,27%喜热灌丛被误分为喜热草地;换为非参数质心分类器时OA为76.96 ± 1.00%、macro-F1为76.40 ± 1.16%、Kappa为71.19 ± 1.25%,52%喜热灌丛正确分类、26%误分为喜热草地。结论是FGA和CPSH均改善近缘草地类判别,且CPSH优于线性头和质心分类器。

3.4 天然草地制图(Natural Grassland Mapping):将最佳GMapNet应用于区域栅格生成10 m精细天然草地图,四市预测呈明显空间异质性。衡阳预测草地主要分布于南部、西部和外围丘陵,中心低起伏区较稀疏;张家界集中于北部和西北部山区,山地草甸见于局地高海拔区;娄底西部和中部山地较多、向东逐渐减少;岳阳平原较少,东部和东南部丘陵山区较多。放大视图显示预测草地类型多呈破碎斑块或狭长带而非大面积连续区。衡阳图派生天然草地估算面积最大,为1769.2 km2,其中喜热灌丛占76.0%;娄底喜热灌丛占58.5%;张家界喜热草地占66.6%;岳阳喜热草地和喜热灌丛分别占49.3%和48.1%;山地草甸和其他草地比例一般较小。与第三次全国土地调查官方土地利用统计参考相比,衡阳、张家界和岳阳制图面积低于官方草地相关土地合计面积,娄底较高;因由分类像素计数得到,应视为指示性图派生估计而非独立验证或误差校正面积。结论是区域图可作空间参考并需后续野外验证。

4.1 特征贡献分析(Feature Contribution Analysis):基于融合特征XGBoost的TreeSHAP分析,高程总体贡献最强,符合湖南天然草地分布的地形控制,尤其山地草甸与高程梯度关联明显;春季B11、B12、B6、MNDWI、NDBI和BSI等特征也居前,提示春季植被状况、水分状态和植被—土壤背景差异对精细判别重要;多个AE维度(如AE-23、AE-20、AE-42、AE-50、AE-52、AE-11、AE-58和AE-05)排名较高且SHAP分布较广。结论是主导特征来自多信息源,地形约束、季节遥感响应和基础模型表示具有互补作用;AE单维为潜在学习特征,宜整体解释而非赋予直接生态意义。

4.2 AlphaEarth Embedding贡献分析(AlphaEarth Embedding Contribution Analysis):通过移除AE的对比,无AE模型OA为76.58 ± 1.72%、macro-F1为76.68 ± 1.91%、Kappa为70.72 ± 2.15%,完整模型相应为88.58 ± 0.98%、88.46 ± 1.05%和85.72 ± 1.23%,分别提高12.00、11.78和15.00个百分点。Spearman秩相关显示AE维度与地形、春季、夏季、秋季和季节变化特征存在异质正负关系。由于AlphaEarth预训练包含Sentinel-2影像及环境和土地覆被相关信息,与手工特征和土地覆被语义存在一定重叠;AE互补性应理解为在显式构造特征之外的额外预测价值,而非完全独立信息源。结论是AE不仅带来性能提升,也提供补充常规季节—物候—地形特征的紧凑高层表示。

4.3 不同遥感基础模型嵌入的影响(Effects of Different Remote Sensing Foundation Model Embeddings):在保持GMapNet架构和48维特征不变、仅改变基础模型嵌入来源与维度的控制实验中,OlmoEarth Base总体最佳,OA为97.06 ± 0.93%、macro-F1为97.05 ± 0.93%、Kappa为96.32 ± 1.16%;其次为OlmoEarth Nano,OlmoEarth Tiny接近,TESSERA最低。山地草甸和其他草地在各嵌入下均识别较好,主要差异来自喜热草地与喜热灌丛判别;AlphaEarth和TESSERA对两类仍存在较明显混淆,OlmoEarth变体显著改善类别可分性。嵌入维度本身不能解释差异:64维AlphaEarth优于128维TESSERA,128维OlmoEarth Nano略优于192维OlmoEarth Tiny。因存储和计算需求,OlmoEarth Base未用于区域制图:四市约47,800 km2、10 m分辨率约4.78×108像素,64维AE以未压缩float32存储约122 GB,768维OlmoEarth Base约1.47 TB,增加12倍;按实测2650个patch耗时35.6 s,OlmoEarth Base四市流程约需1.8×103 GPU小时(不含数据准备和输入/输出),且AE为预计算产品、无需本地基础模型推理,故AE更具计算可行性。结论是预训练表示的质量和语义丰富度比嵌入维度更重要,OlmoEarth Base判别最强但区域制图采用AE更实用。

4.4 空间独立样地组评估(Spatially Independent Plot-Grouped Evaluation):构建以野外样地为分组单元的附加数据集,同一样地全部像素归入单一折,背景样本按空间分组并保持各折类别代表性,训练与测试之间不共享源样本、野外样地或空间组,类平衡仅在训练数据上进行。该评估绝对精度低于像素级随机划分,说明相邻像素空间依赖使早先估计偏乐观;完整GMapNet仍最佳,OA为67.30 ± 0.75%、macro-F1为55.69 ± 0.56%、Kappa为57.07 ± 0.99%。无AE配置应严格视为组件消融而非完整模型,其与SVM-RBF和Transformer在OA和macro-F1上差异均小于0.7个百分点;完整GMapNet较无AE消融在OA和macro-F1上分别高6.55和5.02个百分点,表明AE收益在样地级空间分离后仍存在。结论是完整GMapNet有效,但空间泛化到未见样地明显比像素级随机评价更具挑战。

4.5 对城乡景观生态土地监测的启示(Implications for Ecological Land Monitoring in Urban–Rural Landscapes):区域制图显示湖南天然草地并非孤立连续生态单元,而常以破碎斑块和窄带嵌入森林、农田、聚落等土地覆被中,符合异质城乡土地系统中生态、农业和建设用地近距离共存的特征。宽泛“草地”或“开放植被”类别难以区分生态上不同的草地类型,可能掩盖类内异质性。GMapNet的精细信息可补充常规土地利用/土地覆被产品,有助识别破碎生态用地、支持草地清查、保护与恢复优先区安排及城乡过渡带生态土地格局评价;高程和季节植被特征的强影响说明草地分布既反映环境约束,也反映其在异质区域土地系统中的位置。整合实地观测、多季卫星数据、地形变量和基础模型表示,可为数据有限地区改进生态土地信息提供可扩展地理空间途径;本研究未显式量化社会经济驱动或土地利用转变,但10 m精细图件可为未来连接天然草地动态与城市扩张、农业活动、生态修复、生态系统服务及人—环境相互作用提供空间基础。

4.6 局限与未来工作(Limitations and Future Work):当前数据集覆盖湖南主要天然草地类型,但其他草地等类别在不同地形和生态条件下的空间代表性仍需加强;未来需扩大野外调查覆盖、增加独立样本并改善环境梯度代表性。尽管源像素未同时进入训练和测试,像素级随机划分仍可能因同一样地邻域像素分布于两个子集而高估精度;样地组评估提供更保守评价并确认空间泛化到未见样地更具挑战。样本筛选与区域推断存在差异:Esri/Impact Observatory与Dynamic World产品间存在冲突的像素在训练中排除,而区域推断应用于所有有效10 m像素并包括冲突像素,冲突像素可能相对训练分布代表性不足、预测不确定性更高且误分风险更大;未来应量化这些区域预测不确定性,并优先对冲突像素独立验证或进行不确定性感知后处理。四市区域图尚无完全独立区域地面验证数据集,面积应解释为分类图派生的指示性估计而非独立验证面积统计;未来应以独立参考样本验证地图并推导误差校正面积估计。研究限于湖南,GMapNet向亚热带以外草地系统的可迁移性需通过更广空间块验证、扩展样地覆盖和独立跨区测试评估;虽比较了若干遥感基础模型嵌入,未来可扩展至更多预训练表示并评估其跨区域、年份和生态条件的稳健性。当前主要关注天然草地制图的生物物理和遥感维度,未显式纳入社会经济变量或量化城乡梯度土地利用转变;未来可整合多时相土地利用、建成强度、交通可达性、人口等人类活动指标,研究天然草地范围、组成和破碎化对城市扩张与乡村土地利用变化的响应。

研究结论翻译:本研究通过整合野外调查样地、公共土地覆被产品、季节—物候—地形特征和遥感基础模型嵌入,构建了湖南省精细天然草地分类与制图框架。所提出的GMapNet使用Transformer建模特征组间依赖,通过FGA自适应聚合季节与环境信息,并使用带可学习类原型的CPSH进行精细判别。GMapNet在比较分类器中取得最佳总体性能,OA为88.58 ± 0.98%、macro-F1为88.46 ± 1.05%、Kappa系数为85.72 ± 1.23%,消融实验进一步证实FGA和CPSH对区分近缘草地类型的贡献。在空间独立样地组评估下,完整GMapNet保持最佳总体性能并较无AE配置具明显优势,表明AE贡献在样地级空间分离下仍持续。制图结果展示湖南四个代表性城市天然草地的破碎分布、地形梯度和区域分异;尤其制图草地常以破碎斑块嵌于森林、农田和其他土地覆被镶嵌体,突出超越宽泛土地覆被类别的生态信息需求。贡献、消融和嵌入比较分析进一步表明,遥感基础模型嵌入为常规季节和地形特征提供互补高层表示,其中OlmoEarth Base在评估嵌入中总体性能最强。总体而言,所提框架展示在复杂城乡景观中生成精细生态土地信息的潜力;制图结果可为天然草地清查、差异化保护、生态土地监测和可持续区域土地管理提供空间参考,但在更广可扩展性和业务适用性确立前需跨区域和跨年份外部验证;所得空间信息也为未来研究草地动态与城镇化、农业土地利用、生态修复及更广泛人—环境相互作用提供基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号