基于Sentinel-2 RGB影像的土地利用/覆盖(LULC)分数估算：一种新型多任务深度学习框架

针对传统土地利用/覆盖(LULC)分类方法在复杂场景下的局限性，研究人员创新性地提出LULC分数估算任务，构建首个开源数据集Land-1.0（含21,489个Sentinel-2 RGB图块），开发多任务深度学习模型（Reg + MLCls），实现LULC类别共存比例精准预测，为自然资源监测提供高性价比解决方案。

　　

在自然资源管理和生态保护领域，准确的土地利用/覆盖(Land Use Land Cover, LULC)信息如同"环境诊断的CT片"。然而现有LULC产品存在三大痛点：政府机构提供的区域地图格式复杂如"密码本"，分辨率参差如"马赛克拼图"，标注标准不统一导致"鸡同鸭讲"。传统方法将LULC映射简化为非此即彼的多类分类(multiclass classification)或粗糙的多标签分类(multi-label classification)，就像用黑白照片表现彩虹——无法捕捉地表真实的"混合色彩"。

格拉纳达大学的研究团队在《Remote Sensing Applications: Society and Environment》发表的研究中，开创性地提出"LULC分数估算"新范式。这项研究突破性地将LULC映射重构为连续值预测问题，不仅能判断某类别是否存在，更能精确计算其占地比例，好比为地表覆盖状况配制"精确到毫升的鸡尾酒配方"。研究团队构建的Land-1.0数据集包含21,489个Sentinel-2 RGB图块，每个样本都配备LULC分数标签及气候地形辅助数据，堪称"环境分析的瑞士军刀"。

关键技术方法包括：1）基于现有LULC产品构建分数标注的系统方法；2）采用多任务学习框架，联合优化回归(Reg)与多标签分类(MLCls)目标；3）对比ImageNet与Sentinel2GlobalLULC两种预训练策略；4）整合气候（蒸散发、降水、温度极值）与地形（高程、坡度）等多模态数据。实验样本来自西班牙安达卢西亚地区。

【Land-1.0数据集构建】研究团队开发出"地图代数"处理方法，将官方矢量地图转换为分数标注。通过叠加分析Sentinel-2图块（120×120米）与CORINE LULC数据库，精确计算每个图块内43类地物的覆盖比例，形成分级标签体系（N1大类/N2子类）。

【深度学习解决方案】提出的Reg + MLCls模型展现"双赢架构"：回归分支预测分数，分类分支判断类别共存。实验证明，相比单任务回归(Reg)，多任务模型在N1/N2层级均显著降低RMSE（均方根误差），其中N1级EMR（误差匹配率）提升15%，HL（汉明损失）降低23%。

【预训练策略对比】使用Sentinel2GlobalLULC预训练的CNN比ImageNet预训练模型表现更优，验证了"同类数据孕育同类智慧"的迁移学习规律。辅助数据贡献率达12%，证明环境因子是LULC识别的"隐藏线索"。

【讨论与结论】这项研究实现了三大突破：1）首次将LULC映射转化为分数估算问题；2）建立首个开源分数标注数据集Land-1.0；3）证实多任务学习优于传统单任务框架。如作者José Rodríguez-Ortega所述，该方法"用RGB影像的价格获得多光谱的精度"，特别适合发展中国家开展低成本资源监测。未来结合遥感基础模型(Foundation Models)，有望进一步释放潜力。这项研究不仅为LULC分析开辟新范式，更启示我们：创新往往始于对传统问题表述方式的重新思考。