《Remote Sensing》：SENSERO: A Multi-Scale, Multi-Label Sentinel-2 Benchmark for Romania with Cross-Scale Land-Cover Classification Baselines
编辑推荐：
斑块尺寸是基于斑块的遥感学习中的一个重要设计参数，然而由于现有基准均采用单一固定尺度，它很少被作为实验变量加以研究。本研究提出了SENSERO——一个面向罗马尼亚的多尺度、多标签Sentinel-2基准数据集，包含10,000个地理固定位置，这些位置以八种斑块
斑块尺寸是基于斑块的遥感学习中的一个重要设计参数，然而由于现有基准均采用单一固定尺度，它很少被作为实验变量加以研究。本研究提出了SENSERO——一个面向罗马尼亚的多尺度、多标签Sentinel-2基准数据集，包含10,000个地理固定位置，这些位置以八种斑块尺寸提取，范围从64×64像素到336×336像素，地面采样距离恒定为10米，使得所有尺度共享相同的斑块中心以及相同的空间不相交的70/15/15划分。每个斑块提供十二波段的大气底部反射率、一张栅格化的CORINE土地覆盖（CLC）2018参考图，并由此派生出五个确定性的多标签标注层级（CLC层次结构的三级、BigEarthNet命名体系以及一套针对罗马尼亚景观调整的方案）。基准任务是斑块级多标签分类；栅格化参考图用于派生和追溯标签，而非作为分割目标。通过从头训练的ResNet-50基线，研究人员发现：较大的斑块在CLC一级带来微小收益，但在二级和三级有明显提升（三级宏观mAP从64像素时的0.702上升至336像素时的0.832），且每个位置的增益在224–256像素附近趋于饱和；跨尺度的迁移是不对称的，在大尺度斑块上训练的模型迁移至小尺度斑块的效果远优于反向迁移；命名体系的选择对性能测量的影响与斑块尺寸相当。留场景交叉验证、标注规则的消融实验、预训练ResNet-50与ViT-S/16对照组以及自助法置信区间表明，尺度效应不能归因于空间泄露、标注规则或基线架构。与独立10米土地覆盖产品的比较显示，上下文带来的增益集中在CLC标签对异质性地表进行泛化的区域。
研究背景与问题
基于斑块的遥感学习是地球观测领域的主流范式之一，其中斑块尺寸（patch size）直接影响模型所能捕获的空间上下文信息量。然而，现有遥感基准数据集如BigEarthNet、So2Sat等均采用单一固定尺度，导致斑块尺寸从未被系统地作为实验变量进行研究。这种静态设计掩盖了两个关键问题：第一，不同土地覆盖类别在不同空间粒度下的可判别性差异无法量化；第二，跨尺度模型的迁移能力缺乏系统性评估。因此，亟需一个多尺度基准数据集，以在同一地理位置上同时提供多种分辨率的标注，从而分离尺度效应与其他混淆因素。
研究内容与结论
研究人员构建了SENSERO——面向罗马尼亚的10,000个地理固定位置的多尺度、多标签Sentinel-2基准数据集。每个位置以八种斑块尺寸（64×64、96×96、128×128、160×160、192×192、224×224、256×256、336×336像素）提取，地面采样距离恒定10米，确保所有尺度共享完全相同的斑块中心。每个斑块包含12波段大气底部反射率（BOA reflectance）和一张栅格化的CORINE土地覆盖（CLC）2018参考图，从中派生出五套确定性多标签标注层级：CLC三级层次结构、BigEarthNet命名体系以及针对罗马尼亚景观调整的自定义方案。基准任务为斑块级多标签分类。
通过从头训练的ResNet-50基线，研究人员得出以下核心结论：
- •
较大斑块在粗粒度（CLC Level 1）上增益有限，但在细粒度（Level 2和Level 3）上有显著提升，Level 3宏观平均精度（macro mAP）从64像素的0.702升至336像素的0.832；
- •
各位置的增益在224–256像素附近饱和；
- •
跨尺度迁移呈不对称性：宽斑块训练的模型迁移至窄斑块效果远优于反向迁移；
- •
命名体系的选择对性能的影响与斑块尺寸本身相当。
严格的消融实验（留场景交叉验证、标注规则消融、预训练ResNet-50与Vision Transformer-S/16对照、自助法置信区间）证实，上述尺度效应不可归因于空间泄漏、标注规则或特定架构。与独立10米土地覆盖产品（ESA WorldCover）的比较揭示，上下文增益集中出现在CLC标签对异质性地表进行语义泛化的区域。
关键技术方法
- 1.
多尺度数据构建：基于Sentinel-2 L2A产品，选取10,000个地理固定点，以8种递增斑块尺寸裁剪12波段反射率图像，所有尺度保持相同中心坐标和10米GSD。
- 2.
多标签标注生成：将CLC 2018矢量参考图栅格化为10米分辨率，对每个斑块内的像素进行统计，基于五种确定性规则（如多数投票、存在性检测等）派生多标签，而非语义分割掩膜。
- 3.
基线模型与评估：使用ResNet-50从零开始训练，采用多标签分类损失函数；引入留场景交叉验证（leave-scene-out CV）防止空间泄漏；通过预训练ResNet-50和ViT-S/16作为对照组验证架构鲁棒性；利用bootstrap计算95%置信区间。
- 4.
跨尺度迁移实验：在源尺度训练后直接测试目标尺度，评估不对称迁移程度。
- 5.
外部验证：与ESA WorldCover 10米产品对比，识别上下文增益的空间分布模式。
研究结果详解
Patch Size Matters at Finer Nomenclature Levels：在CLC Level 1（最粗粒度）上，斑块尺寸从64增至336像素时macro mAP仅提升约0.02；而在Level 3（最细粒度）上，同一跨度下macro mAP从0.702跃升至0.832，提升近0.13。这表明细粒度分类更依赖空间上下文。
Per-Location Gains Saturate Around 224–256 Pixels：按位置分析发现，大多数地点的分类性能在224–256像素处达到平台期，继续增大斑块带来的边际收益极小。该饱和点可作为实际应用中斑块尺寸选择的参考上限。
Asymmetric Transfer Across Scales：在宽斑块（如336像素）上训练的模型迁移至窄斑块（如64像素）时性能下降幅度小于反向迁移，下降约0.05 vs 0.20 macro mAP。这暗示宽斑块模型学到了更通用的上下文表征，而窄斑块模型过度依赖局部纹理。
Nomenclature Choice Competes with Patch Size：当将标注体系从CLC Level 3切换至BigEarthNet时，固定斑块尺寸下的macro mAP变化幅度与改变斑块尺寸相当（约±0.08），说明标注粒度和语义体系是另一个同等重要的实验变量。
Scale Effect Is Not an Artifact：留场景交叉验证排除了空间泄漏（相邻斑块间的伪相关性）；标注规则消融（如将多数投票改为存在性阈值）不改变尺度趋势；预训练ResNet-50和ViT-S/16的尺度曲线形态一致，证明效应与架构无关；bootstrap置信区间显示所有差异均统计显著。
Contextual Gain Concentrates in Heterogeneous Areas：通过与ESA WorldCover逐像素对比发现，性能随斑块尺寸提升最大的位置对应着CLC标签内包含多种WorldCover类别的异质性斑块。在这些区域，更大上下文帮助模型推断出正确的粗粒度语义标签（如“混合农业”）。
讨论与结论
讨论部分指出，本研究的局限性包括：仅覆盖罗马尼亚领土、仅使用单时相Sentinel-2数据、未探索非方形斑块或可变分辨率。未来方向可扩展至全球多时相设置，并将斑块尺寸作为可学习超参数纳入端到端框架。
研究结论：SENSERO揭示了斑块尺寸作为遥感学习中的关键实验变量长期被忽视的事实。研究发现细粒度分类显著受益于更大空间上下文，跨尺度迁移存在强不对称性，且标注体系的语义粒度对性能的影响与斑块尺寸同等重要。这些结论为未来遥感基准设计提供了明确指导：应报告多尺度性能曲线而非单一数值，并在模型部署时考虑目标场景的异质性水平来选择最优斑块尺寸。
