基于深度地理时空适应网络的多时相高分辨率城市土地利用制图与变化分析

《Remote Sensing of Environment》：Multi-temporal high-resolution urban land-use mapping and change analysis based on a deep geospatial-temporal adaptation network

提出基于领域适应与自训练分类的多时相城市土地利用分类与变化检测框架MtUS-CCD，利用OSM道路网络提取地块边界，结合地理时空对齐策略和标签迁移方法，有效提升跨时相模型泛化能力，支持武汉等城市可持续发展决策。

　　在当今快速发展的城市化进程中，城市土地利用的自动映射与变化分析成为研究城市发展模式、指导可持续管理的重要手段。随着遥感技术的不断进步，高分辨率（HR）遥感影像因其丰富的空间细节和清晰的城市结构，为城市土地利用的监测提供了强有力的支持。然而，现有的变化检测方法在应用过程中面临诸多挑战，主要体现在对高质量成对样本的依赖以及对训练和测试数据独立同分布（i.i.d.）的假设，这在面对新时间阶段的遥感影像时，往往难以实现模型的灵活迁移和泛化能力。因此，如何构建一种能够有效处理多时相数据、适应城市土地利用变化的框架，成为当前研究的重要课题。

为应对上述挑战，本文提出了一种多时相城市场景分类与变化检测（MtUS-CCD）框架，旨在实现城市土地利用的自动映射与变化分析。该框架的核心模型是一种基于部分自训练和地空-时域对齐的深度地空-时域自适应网络（ANITA）。ANITA模型通过引入地空-时域对齐（GTA）策略，将不同时间阶段的影像在地理空间上进行对齐，从而提取出具有时间不变性的深层特征。这种策略不仅能够缓解因时间变化导致的特征漂移问题，还能提升模型在跨时相城市场景分类任务中的判别能力。同时，为了进一步增强模型的泛化能力，ANITA还结合了自训练分类（STC）策略，通过在测试数据中生成可靠的伪标签，逐步提升模型对新时间阶段影像的分类效果。

在城市土地利用映射方面，本文提出了一种基于多时相综合OSM道路网络数据的面积加权投票（AWV）策略，以克服城市地块在规模差异和形状变化方面的挑战。AWV策略能够通过整合多时相数据中的地理信息，提高土地利用分类的准确性。此外，为实现城市土地利用变化方向的识别，本文引入了后分类比较（PCC）策略，通过对不同时间阶段的分类结果进行对比，提取出城市土地利用变化的动态特征。

在实验部分，本文选取了中国两个具有不同城市发展模式和演变速度的区域，包括武汉和香港特别行政区，作为研究对象。通过在三时相数据集上的实验，验证了MtUS-CCD框架在跨时相城市场景分类和变化检测任务中的有效性。实验结果表明，该框架在不同区域的性能均有所提升，尤其是在大规模应用方面，其在武汉全市范围内的表现尤为突出。通过与政策规划的对比分析，进一步证明了该框架在识别城市发展模式方面具有较高的准确性和可靠性，为实现可持续发展目标提供了坚实的理论和技术支持。

在技术实现上，本文提出的MtUS-CCD框架融合了迁移学习和自训练分类方法，从而构建了一个能够适应多时相数据的系统。该框架不仅能够在不依赖成对样本的情况下进行模型训练，还能够通过自训练分类策略，利用测试数据中的伪标签逐步优化模型性能。这种策略的有效性在多个实验中得到了验证，尤其是在处理大规模遥感影像数据时，表现出较强的适应能力和泛化能力。同时，通过引入地空-时域对齐策略，ANITA模型能够在不同时间阶段的影像之间建立更加紧密的关联，从而提升分类和变化检测的精度。

在实际应用中，本文强调了城市规划和管理机构对土地利用映射的迫切需求。为了满足这一需求，本文采用了OpenStreetMap（OSM）道路网络数据，以获取具有真实地理边界的地块作为城市场景的表达形式，而不是像其他方法那样依赖矩形影像块。这种基于真实地理边界的地块分类方式，不仅提高了土地利用信息的准确性，还使得城市场景的变化分析更加直观和具有现实意义。

在模块消融分析中，本文进一步探讨了GTA和STC策略对模型性能的影响。通过对比不同模型在四个研究区域中的表现，发现GTA策略在提升模型的跨时相泛化能力方面具有显著优势，而STC策略则在增强模型对新时间阶段影像的分类能力方面表现出色。此外，本文还对模型的复杂度进行了分析，以评估其在大规模应用中的计算效率和可行性。结果表明，ANITA模型在保持较高精度的同时，能够有效降低计算复杂度，从而适应大规模城市土地利用监测的需求。

在结论部分，本文指出，MtUS-CCD框架通过引入迁移学习和自训练分类方法，首次将领域适应技术应用于跨时相城市场景分类任务，显著提升了模型在不同时间阶段遥感影像中的适应能力和泛化能力。该框架不仅能够有效提取城市土地利用的变化方向，还能够通过整合多时相数据和真实地理边界信息，提高土地利用分类的准确性。通过与政策规划的结合，本文提出的框架为城市可持续发展提供了有力支持，同时也为未来的研究提供了新的思路和技术路径。

此外，本文还强调了研究的创新性和实际应用价值。传统的城市变化检测方法通常依赖于成对样本和独立同分布的假设，这在面对大规模和多时间阶段的遥感数据时，往往难以满足实际需求。而本文提出的MtUS-CCD框架通过引入自训练分类和地空-时域对齐策略，能够在不依赖成对样本的情况下进行模型训练，从而提高模型的泛化能力和适应性。这种创新方法不仅适用于中国城市，还具有一定的国际适用性，为全球城市化监测提供了新的技术手段。

在实际应用中，本文还探讨了模型的鲁棒性和敏感性。通过在不同时间阶段和不同区域的实验，验证了ANITA模型在面对时间跨度较大的影像数据时，依然能够保持较高的分类准确性和变化检测能力。同时，本文还对模型的计算效率进行了评估，发现其在处理大规模数据时，能够有效降低计算时间，提高整体运行效率。这些结果表明，MtUS-CCD框架不仅在理论上具有创新性，而且在实际应用中也表现出较强的可行性。

在方法论方面，本文提出了一种基于深度学习的多时相城市场景分类与变化检测框架，其核心在于如何有效处理时间变化带来的特征漂移问题。通过引入GTA和STC策略，ANITA模型能够在不同时间阶段的影像之间建立更紧密的联系，从而提高分类和变化检测的准确性。同时，通过结合OSM道路网络数据，本文提出的框架能够获取具有真实地理边界的地块，为城市土地利用的变化分析提供了更精确的表达形式。

在实验设计上，本文采用了三时相数据集进行测试，以验证模型在不同时间阶段的表现。通过对武汉和香港特别行政区的实验分析，发现MtUS-CCD框架在处理大规模城市土地利用数据时，能够有效提高分类精度和变化检测能力。同时，通过与政策规划的结合，本文提出的框架不仅能够识别城市发展的趋势，还能为城市管理者提供科学的决策依据。

在实际应用中，本文提出的框架能够有效支持城市规划和管理工作的开展。通过分析城市土地利用的变化方向，模型能够为城市土地资源的可持续管理提供重要参考。同时，通过与政策规划的结合，模型能够为城市发展战略的制定提供数据支持，帮助决策者更好地理解城市发展的动态过程。

在研究的意义上，本文提出的MtUS-CCD框架不仅能够提升城市土地利用变化检测的精度，还能够为城市可持续发展提供科学依据。通过结合遥感技术和地理信息系统，该框架能够实现对城市土地利用变化的动态监测，为城市管理者提供更加直观和准确的数据支持。此外，本文的研究成果还能够为其他研究者提供参考，推动城市变化检测技术的发展。

在研究的局限性方面，本文指出，尽管MtUS-CCD框架在处理多时相数据和城市土地利用变化检测方面表现出色，但在实际应用中仍面临一些挑战。例如，在处理时间跨度较大的影像数据时，模型的泛化能力可能受到一定限制。此外，在获取真实地理边界数据时，可能受到数据质量和空间分辨率的影响。因此，未来的研究需要进一步优化模型的泛化能力，并提高数据获取的精度和效率，以更好地适应城市变化检测的实际需求。

综上所述，本文提出的MtUS-CCD框架通过引入迁移学习和自训练分类方法，有效解决了传统城市变化检测方法在处理多时相数据时的局限性。该框架不仅能够提高城市土地利用分类的准确性，还能为城市可持续发展提供科学支持。通过与政策规划的结合，本文的研究成果具有重要的现实意义，能够为城市管理者提供更加直观和可靠的数据支持。同时，本文的研究也为未来的城市变化检测技术发展提供了新的思路和方法路径。