通过AlphaEarth嵌入和抗噪声弱监督方法，从多源共识数据中提取10米分辨率的土地覆盖图

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Distilling 10-m Land Cover Maps from Multi-Source Consensus via AlphaEarth Embeddings and Noise-Aware Weak Supervision

　　

摘要：

精确的10米尺度的土地使用和土地覆盖（LULC）地图对于环境监测至关重要，但其可扩展性往往受到手动标注高成本以及现有全球产品中存在的系统性标签噪音的制约。为了解决这一挑战，我们提出了一种基于弱监督的学习框架，该框架利用基础模型嵌入来提取多个带有噪音的数据集之间的语义共识。该框架不依赖于原始光学图像，而是采用AlphaEarth嵌入作为输入表示。我们开发了一种概率共识策略，将来自七个全球LULC产品的冲突性离散标签转化为柔和的伪标签。为了进一步抑制标签噪音，我们采用了一个对称的双分支协同教学网络，并通过动态课程学习方案进行指导。所提出的方法使用台湾的高精度国家土地利用调查数据进行了验证。实验结果显示，该框架的整体准确率为80.61%，宏观F1分数为65.01%，Kappa系数为0.7543，显著优于传统的多数投票方法和单个全球产品。特别是在灌木地带等少数类和混淆程度较高的类别中，取得了明显的改进。这些结果表明，在弱监督条件下，将基础模型嵌入与噪声感知的协同教学相结合，为区域尺度的LULC绘图提供了一个有效的解决方案。