融合CNN与ViT的多分支混合框架在极端干旱区土地利用与土地覆盖分类中的应用

《Scientific Reports》：Interpretable water and agricultural land cover in urban landscapes using CNN–ViT framework with Grad-CAM for agricultural sustainability

　　# 摘要在极端干旱环境中进行精确的土地利用和土地覆盖分类极具挑战性，因为在Landsat图像中，多种地表类型可能表现出重叠的光谱和空间特征。这些地表类型包括水体、灌溉农业区、湿润土壤、裸露土地和建成区。本研究提出了一个可解释的混合框架，用于对沙特阿拉伯纳杰兰地区的六类土地利用和土地覆盖进行分类，使用的数据为七波段Landsat 8影像。该框架整合了MobileNetV2、ResNet152和ViT-B/16，以结合高效的局部特征提取、深度层级化表征学习和全局上下文建模。选择这一组合是为了应对研究区域所特有的异质性景观模式和混合光谱响应。受控消融实验表明，从独立卷积神经网络模型到CNN–ViT配置再到完整的三分支框架，性能呈渐进式提升。整体准确率从MobileNetV2和ResNet152的86.73%和88.23%，提升至各自CNN–ViT配置的94.98%和95.68%。在地理上独立的评估分区上，完整框架实现了最高整体准确率98.70%，Kappa系数为0.9827。各类别的F1分数分别为：水体面积99.02%、农业用地98.38%、建成区98.64%、裸露土地99.16%。其他土地和未分类类别的F1分数分别为96.03%和91.60%。Grad-CAM在已绘制的水体和耕作表面上产生了空间一致的激活模式，这些模式提供了定性证据，表明模型依赖于与预测类别相关的景观结构。研究结果表明，结合互补的局部、层级和全局表征，能够同时提高分类准确性和模型可解释性。因此，所提出的框架为纳杰兰地区的土地利用和土地覆盖监测提供了可靠基础，并为在其他极端干旱环境中的进一步验证奠定了基础。