编辑推荐：
目前，获取充足带主题标签的数据以提升人工智能分类训练性能受限。研究人员开展 “OSMlanduse：欧盟 10 米分辨率土地利用数据集” 研究，融合 OpenStreetMap 和 Sentinel-2 数据，制成欧盟土地利用图，精度达 89% ，为相关研究提供重要数据支持。
在地球的演化进程中，人类活动对陆地表面产生了深远影响。准确掌握土地利用（LU）和土地覆盖（LC）的时空信息，对于洞悉环境变化和人类活动意义非凡。借助遥感技术、开放数据政策以及人工智能的力量，生成连贯的大面积土地利用 / 土地覆盖（LULC）产品成为可能。然而，当下进一步加速利用这些技术的主要障碍，在于缺乏足够的带主题标签的数据，以提高人工智能在分类任务中的训练性能。
许多非商业性的 LULC 地图，或是源于官方权威发布，或是出自学术研究成果，但这些地图往往在训练数据的获取上有所限制，并非对所有人开放。随着 21 世纪初基于网络的开放数字化时代的到来，公民科学（CS）催生了具有成本效益的 LULC 数据，其中 OpenStreetMap（OSM）脱颖而出。OSM 是一个基于网络的、机会性收集空间明确矢量几何数据并丰富其主题属性的平台，数据主要通过远程测绘或实地采集获得。不过，OSM 数据存在诸多问题，如数据质量参差不齐、内容不完整等。尽管如此，它仍是目前最大且最成功的开放、免费使用的非商业地图项目，被众多商业、政府和非政府机构广泛应用。
在此背景下，来自德国海德堡大学地理信息学系等机构的研究人员，开展了一项极具创新性的研究。他们致力于融合 OSM 和哥白尼数据，打造分辨率达 10 米的土地利用地图。研究最终成功创建了截至 2020 年 3 月的欧盟连续土地利用地图，整体地图精度达到 89%，各类别的精度在 77% - 99% 之间。这一成果发表在《Scientific Data》上，为土地利用研究领域带来了新的突破。
在研究过程中，研究人员运用了多种关键技术方法。首先，从 OSM 中提取已知标签，并将其注入经过预处理的 Sentinel - 2 最佳像素特征空间。其中，特征空间是由 Sentinel - 2 过去三年（截至 2020 年 4 月）的红、绿、蓝（RGB）和近红外（NIR）波段 10 米分辨率的最佳像素中心点合成。利用深度学习技术，在缺少标签的区域预测 CORINE 土地利用标签，进而生成连续地图。为适应不同国家 OSM 数据质量和遥感特征空间属性的差异，研究人员为每个国家单独设置训练数据和特征空间，并采用非参数监督残差卷积神经网络（ResNet）进行遥感数据特征空间的分类。
研究结果丰富且具有重要价值。在数据记录方面，数据集以 10 米空间分辨率的单个 GeoTIFF 文件形式提供（每个欧盟国家和英国各一个文件），遵循 CORINE 土地覆盖（CLC）命名法对土地利用类别进行编码。在技术验证环节，通过使用包含 4616 个参考点的独立参考数据集对产品进行评估，结果显示整体精度为 89%。不过，不同类别之间存在一定的混淆情况，例如 “人工表面” 和 “森林及半自然区域” 这两类，主要是由于 “人工非农业植被区域” 和 “灌木和 / 或草本植被组合” 在光谱上极为相似，导致分类错误。从地图示例来看，不同地区展示出产品的不同特性。像荷兰的乌得勒支省，因 OSM 数据覆盖广泛，深度学习预测需求少，地图能呈现出精细的空间细节；而在一些地区，如意大利的波河谷和匈牙利的巴拉顿湖地区，产品能够有效区分半自然区域和耕地。但在部分区域，由于深度学习分类，也出现了像素化元素，导致空间细节有所损失。
综合来看，这项研究成功实现了 OSM 和哥白尼数据在 10 米分辨率下的大面积融合，为全球土地利用研究提供了可借鉴的方法和重要的数据支持。其意义不仅在于提升了土地利用地图的精度和覆盖范围，更在于为后续相关研究奠定了坚实基础，有助于推动土地利用和土地覆盖领域的深入发展，为更好地理解环境变化和人类活动之间的关系提供了有力工具。
