基于Landsat 8利用深度学习优化土地利用/土地覆被分类:一种系统性多条件实验

《Ecological Informatics》:Toward optimized deep learning-based land use/land cover classification using Landsat 8: a systematic multi-condition experiment

【字体: 大 中 小 】 时间:2026年07月04日 来源:Ecological Informatics 8.5

编辑推荐:

  高保真度的土地利用/土地覆被(Land Use/Land Cover,LULC)图是监测生态系统动态和支持可持续环境规划的基础。尽管Landsat影像支持长期生态分析,但其中等空间分辨率带来了显著的信息学挑战,如混合像元(mixed pixels)和自然生境间

  
高保真度的土地利用/土地覆被(Land Use/Land Cover,LULC)图是监测生态系统动态和支持可持续环境规划的基础。尽管Landsat影像支持长期生态分析,但其中等空间分辨率带来了显著的信息学挑战,如混合像元(mixed pixels)和自然生境间严重的类别不平衡(class imbalance)。研究人员提出了一个系统性信息学框架,通过整合公共土地覆被产品与Landsat 8多光谱影像来生成大规模训练数据集。研究人员评估了云盖阈值(Land Cloud Cover, LCC)、光谱波段(spectral bands)和损失函数(loss functions)共252种实验组合,涉及U-Net、DeepLabv3+和Swin-UPerNet三种架构。U-Net取得了最高的整体性能,尤其在森林和农田等优势类别上表现出色。相反,Swin-UPerNet结合Focal Tversky Loss(FTL)在识别"难分类"自然类别——草地(grassland)和湿地(wetland)——方面提供了关键的相对优势,这两类因光谱重叠和视觉模糊性本就难以与优势类别区分。FTL使少数类F1分数提升了高达10%。虽然RGB + NIR + SWIR1/2组合是最优的,但采用≥20%云盖阈值的配置证明增加的数据量(>10,000样本)能有效抵消适度噪声。最终,这些发现表明整合Swin-Transformer全局上下文建模与U-Net渐进式上采样的混合架构(hybrid architecture),是下一代中等分辨率生态监测最具前景的信息学路径。
论文解读:基于Landsat 8与深度学习的土地利用/土地覆被分类系统性优化实验研究
该文发表于《Ecological Informatics》。研究背景方面,准确的土地利用/土地覆被(Land Use/Land Cover, LULC)制图对可持续发展及生态系统健康评估至关重要,但传统地面调查耗时费力且更新周期长,难以捕捉城市扩张与森林丧失等中期变化。Landsat系列卫星自1972年起提供连续的中等分辨率(30 m)观测数据,适合长期历史分析,但在应用于深度学习分类时面临四大瓶颈:一是缺乏大量高质量的标注训练数据;二是传统研究严格筛选低云盖(Land Cloud Cover, LCC <10%)导致样本量少且季节代表性差;三是草地(grassland)和湿地(wetland)等生态敏感自然类别因光谱重叠严重、占比极低(类别不平衡,class imbalance)而极难区分;四是Landsat多光谱波段(multispectral bands)对非线性深度学习模型分类贡献率的系统性组合测试不足。为此,研究人员开展了此项系统性多条件对照实验,旨在建立无人工标注的大规模训练数据集构建框架,并量化模型架构、损失函数、波段组合及LCC阈值对中等分辨率LULC语义分割(semantic segmentation)性能的影响,最终为生态信息学监测提供实证指导。
主要关键技术方法:
研究人员以韩国2018年七类(城市、农田、森林、草地、湿地、裸地、水体)30 m官方土地覆被图为真值(Ground Truth, GT),匹配Landsat 8 Collection 2 Level-2的蓝(Band 2)、绿(Band 3)、红(Band 4)、近红外(NIR, Band 5)、短波红外(SWIR1 Band 6, SWIR2 Band 7)及重采样至30 m的夜间灯光(Nighttime Light, NTL/VIIRS)数据。采取严格空间分块策略划分训练集与测试集以防空间自相关(spatial autocorrelation)导致的过拟合, patch尺寸224×224像素并做数据增强。对比三种语义分割架构:U-Net(FCNHead)、DeepLabv3+(ResNet-50骨干+空洞空间金字塔池化Atrous Spatial Pyramid Pooling, ASPP)及Swin-UPerNet(Swin-Transformer Tiny编码+UPerHead解码)。系统测试7个LCC阈值(0–2%至0–50%)、4种波段组合(RGB; RGB+NIR; RGB+NIR+SWIR1/2; RGB+NIR+SWIR1/2+NTL)及3种损失函数——交叉熵(Cross-Entropy, CE)、Focal Loss(FL)、Focal Tversky Loss(FTL)。评价指标优先采用平均F1分数(Mean F1-score, MF1)与频率加权F1分数(Frequency-Weighted F1-score, FWF1)及总体精度(Overall Accuracy, OA)。
研究结果
3.1. Dataset construction and class distribution
训练样本随LCC阈值放宽从5325(LCC 0–2%)增至14,023(LCC 0–50%),严格低云盖阈值导致夏季(6–9月) monsoon季样本缺失引入季节性信息学偏差(seasonal informatics bias),放宽至LCC≥20%可恢复夏季植被物候光谱特征。类别分布极度不平衡,森林占约63–65%,草地约2.5%,湿地约1.5%。
3.2. Land use classification experimental results
在252组实验中,U-Net取得最高整体性能(FWF1最高85.41%),得益于跳跃连接(skip connections)与渐进式2倍上采样有效保留了30 m分辨率下的边界细节;但Swin-UPerNet配合FTL损失函数在草地与湿地等少数类识别上具比较优势。FTL通过联合加权难分样本与类别不平衡,使草地F1提升约10%(召回率从<10%升至23–27%),裸地召回从<18%升至22–32%,虽致优势类F1微降约1%但可接受。最优波段组合为RGB + NIR + SWIR1/2,加入NIR显著提升植被相关类别区分度,SWIR增强不透水面与湿地判别,加入低分辨率NTL因空间不匹配无益甚至略降性能。LCC阈值≥20%(样本量>10,000)整体表现最优,证明大数据量带来的季节多样性与泛化收益可抵消适度云噪声。空间可视化显示U-Net对城乡边界刻画最佳,FTL训练的模型可有效检出少数类分布区,所有模型易将草地误分为农田/森林、湿地误分为农田/水体,反映中分辨率光谱模糊性(spectral ambiguity)这一固有信息学局限。
讨论与结论总结
讨论指出CNN架构中U-Net的渐进恢复策略比单步双线性插值的DeepLabv3+更适配中等分辨率混合像元边界模糊问题,但Transformer的窗口自注意力对破碎化生境具独特全局上下文捕获能力,建议未来发展融合Swin-Transformer与U-Net的混合架构。FTL优于单纯FL在于同时处理频率失衡与难易样本权重。SWIR波段对城市不透水面、湿地及裸地的判别价值源于其对地表湿度与物质组成的敏感性。放宽LCC阈值不仅增样本量且补全天时相(phenology),比单纯追求无云高质量单景更重要。公共GT数据存时效滞后,深度学习分类结果可反过来辅助验证更新历史环境档案。
研究结论为:①U-Net因渐进上采样在中等分辨率LULC整体精度上最优;②Focal Tversky Loss(FTL)使生态敏感自然少数类(草地、湿地)F1提升达10%;③RGB + NIR + SWIR1/2为最优波段组合,低分辨率NTL辅助数据因空间不匹配无增益;④LCC阈值≥20%且样本>10,000可有效抵消光谱噪声并缓解季节性偏差。该框架支持高频次城市与植被动态监测,成果可耦合入气候变迁与大气污染之AI模拟模型,为保育决策提供实证基础。未来应探索Swin-Transformer与U-Net结合的混合架构及季节分层抽样策略以完善自动生态档案重建。
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