基于一维深度学习的时间序列土地覆盖分类模型在印度尼西亚Citarum上游流域的应用研究

《Remote Sensing Applications: Society and Environment》：Enhanced light 1D-based deep learning algorithm for land cover classification in Citarum upper watershed, Indonesia

本文提出了一种轻量级一维深度学习模型1D-Temp，该模型结合Conv1D和双向GRU（Bi-GRU）架构，利用多时相Landsat 8 OLI影像进行土地覆盖分类。研究表明，该模型在验证准确率（0.9649）和mIoU（0.9069）方面优于基准模型，且参数量更少，为土地资源管理和灾害防控提供了高效技术方案。

　　

Highlight

空间自相关莫兰指数检验

在深入讨论模型性能之前，需要进行空间自相关检验以确保模型学习数据时不继承空间聚集特征。针对本次土地覆盖分类，莫兰指数检验旨在提供统计证据，证明模型预测误差不存在空间聚集性，从而避免性能指标虚高。

讨论

1D-Temp模型通过Conv1D层提取不同时间尺度的局部特征模式，并结合双向GRU层学习长程时间依赖性。GRU相比LSTM参数更少、复杂度更低，有效降低了过拟合风险。模型在保留时序特征的同时，显著提升了热带复杂地貌区的分类稳定性。

结论

我们提出的轻量级深度学习模型1D-Temp，通过堆叠Conv1D层和双向GRU层处理2014-2023年Landsat 8 OLI多时相数据，在Citarum上游流域土地覆盖分类中表现出色。尽管仅依赖有限实地数据，该模型仍展现出优异的泛化能力和工程应用潜力。

代码共享声明

代码已公开于：https://github.com/bryansencaki09/Enhanced-light-1D-based-Deep-Learning-Model

作者贡献声明

Dwi Nowo Martono：研究指导与经费获取；Budi Heru Santosa：论文审阅与项目管理；Dionysius Bryan Sencaki：算法开发与文稿撰写；其余作者分别参与数据采集、方法验证等研究工作。

伦理审批

不适用。

出版同意书

作者确保稿件为原创成果，未侵犯他人知识产权，符合出版伦理规范。

伦理声明

本研究满足以下要求：

1）成果为作者原创；

2）未同时投递他刊；

3）真实反映研究过程；

4）合理标注合作者贡献；

5）与既有研究形成有效对照；

6）完整披露数据来源。

基金支持

本研究获印度尼西亚大学研究发展处PUTI 2023基金资助（编号NKB-840/UN2.RST/HKP.05.00/2023）。

利益冲突声明

作者声明无潜在利益冲突。

致谢

感谢万隆国立理工学院在实地数据采集中提供的支持，以及审稿人对论文提升的宝贵建议。