《Remote Sensing》：Spatially Robust Land Cover Classification with Multi-Seasonal Sentinel-2 Imagery: A Comparison of CNN, UNet++, ConvNeXt and ViT
编辑推荐：
准确的土地覆盖制图是环境管理和生态系统监测的基础工具。本研究对四种深度学习架构进行了比较评估，即卷积神经网络（CNN）、UNet++、ConvNeXt和视觉Transformer（ViT），用于将土地覆盖分类为五个主要类别：水体、农田、森林、低/自然植被和建筑
准确的土地覆盖制图是环境管理和生态系统监测的基础工具。本研究对四种深度学习架构进行了比较评估，即卷积神经网络（CNN）、UNet++、ConvNeXt和视觉Transformer（ViT），用于将土地覆盖分类为五个主要类别：水体、农田、森林、低/自然植被和建筑区。研究人员选择更广泛的克尔基尼湖流域作为主要训练和评估区域。多光谱输入数据通过Google Earth Engine生成，包含2021制图年度的多季节Sentinel-2合成镶嵌影像，覆盖冬季、春季、夏季和秋季。为了获得更可靠的性能估计并减轻空间自相关的影响，研究人员实施了四折空间交叉验证方法。在这种空间验证框架下，基于卷积的架构取得了最强的性能。CNN获得了最高的数值折平均性能，总体精度为81.53%，宏平均F1分数（Macro-F1）为80.09%，紧随其后的是UNet++和ConvNeXt。非参数重复测量统计检验表明，存在显著的总体架构效应，CNN、UNet++和ConvNeXt在折级别Macro-F1性能上大致相当，而从头训练的ViT配置在所有空间折中排名最后。研究人员进一步在附近独立的多伊拉尼湖区域评估了区域可迁移性，其中卷积架构，特别是CNN和UNet++，在没有微调的情况下与WorldCover导出的参考标签显示出高度一致性。最后，特征重要性分析表明，特定的光谱-季节通道，特别是冬季的蓝光波段（B2）和夏季的短波红外波段（B12），在模型的预测中始终具有影响力。总体而言，在测试的2021年地中海案例研究条件下，结果强调了空间严格验证的重要性，并表明评估的基于卷积的配置比从头训练的ViT配置取得了更强的性能。
**论文解读文章**
**研究背景与问题**
准确的土地覆盖制图是环境管理、生物多样性保护和气候变化缓解的基础。Sentinel-2卫星任务提供的10米分辨率多光谱影像，为监测动态生态系统提供了理想数据源。然而，深度学习（DL）模型在土地覆盖分类中面临两个关键挑战：第一，不同土地覆盖类型（如农田、森林和自然植被）在一年中表现出强烈的物候变化，多季节数据融合至关重要，但DL模型的“黑箱”特性使得识别哪些光谱波段驱动决策变得困难；第二，空间自相关导致传统随机交叉验证产生过于乐观的精度估计，因为训练和测试样本的空间邻近性违反了独立性假设。因此，采用空间交叉验证方法对于减少偏差、可靠评估模型泛化能力至关重要。本研究旨在严格空间验证框架下，比较四种主流深度学习架构（CNN、UNet++、ConvNeXt和ViT）在多季节Sentinel-2土地覆盖分类中的表现，并评估其区域可迁移性及光谱-季节特征重要性。
**研究内容与结论**
研究人员以希腊北部克尔基尼湖流域为主要训练和评估区域，使用Google Earth Engine（GEE）获取2021年四个季节（冬、春、夏、秋）的Sentinel-2 L2A表面反射率中值合成影像，选取10个光谱波段（B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12）并计算四个植被指数（NDVI、NDWI、NDBI、NDRE），共56个特征作为输入。参考标签来源于ESA WorldCover 2021产品，重分类为水体、农田、森林、低/自然植被和建筑区五类。采用严格四折空间交叉验证，每个测试区域为地理连续块，并设置300米缓冲带以消除空间泄漏。四种模型均从头训练，通过超参数优化选择最佳配置。
结果表明，基于卷积的架构在空间交叉验证中表现最强：CNN获得最高折平均总体精度（OA）81.53%和宏平均F1分数（Macro-F1）80.09%，UNet++紧随其后（OA=80.84%，Macro-F1=79.65%），ConvNeXt也保持竞争力（OA=80.09%，Macro-F1=78.76%）。非参数Friedman检验显示架构效应显著，但事后Nemenyi比较仅发现CNN与ViT之间差异显著（p<0.05），而CNN、UNet++和ConvNeXt之间无统计学显著差异。从头训练的ViT配置表现最差（OA=70.74%，Macro-F1=66.79%），且在所有空间折中排名末位。区域可迁移性评估在附近独立的多伊拉尼湖区域进行（无微调），CNN和UNet++取得最佳迁移性能（CNN的OA=0.8869，UNet++的Macro-F1最高），ConvNeXt次之，ViT最弱。特征重要性分析表明，冬季和夏季的蓝光波段（B2）以及夏季的短波红外波段（B12）是各模型预测中最具影响力的输入通道，而NDVI、NDWI等衍生指数在完整特征设置下重要性较低，可能因其构成波段已包含在输入中。
该研究发表在《Remote Sensing》期刊，强调了空间严格验证对于获得真实性能估计的重要性，并为多季节Sentinel-2影像结合卷积模型的土地覆盖分类提供了地中海案例的可靠证据。
**主要技术方法**
研究人员通过GEE平台获取Sentinel-2 L2A影像，执行图像级云过滤（CLOUDY_PIXEL_PERCENTAGE<20%）和像素级SCL掩膜，按季节（冬季2020.12-2021.02、春季2021.03-05、夏季2021.06-08、秋季2021.09-11）计算中值合成。选取10个10米/20米光谱波段（20米波段通过最近邻重采样投影至10米网格），并计算NDVI、NDWI、NDBI、NDRE四个指数，形成56通道数据立方。参考标签源自ESA WorldCover 2021，重分类为五类。采用四折空间交叉验证，每折测试区为地理连续矩形块，周围设置300米缓冲带（30像素），训练和验证区域间也设置缓冲带。四种模型（CNN、UNet++、ConvNeXt、ViT）均从头训练，使用AdamW优化器和稀疏分类交叉熵损失，通过超参数搜索（8种候选配置）选择最佳patch size、滤波器数、dropout率等。特征重要性采用遮挡（零掩膜）和Gradient×Input两种归因方法，结合四个折模型集成预测，计算通道级共识排名。
**研究结果**
**3.1 计算成本与训练行为**：CNN超参数搜索时间最短，ConvNeXt计算成本最高，UNet++总训练时间最低。各模型测试推理时间相当。早停策略使有效训练轮次少于50轮。
**3.2 克尔基尼湖类混淆结构**：误差主要集中于植被相关类别（农田、森林、低/自然植被）。低/自然植被作为过渡类，与农田和森林存在光谱和物候重叠。水体类精度高，建筑区生产者精度高但用户精度较低（特别是ViT，用户精度仅36.9%），表明存在大量误分。
**3.3 多伊拉尼湖迁移区类混淆结构**：CNN和UNet++取得最高迁移精度（OA>0.885），ViT最差（OA=0.8184）。水体类最稳定，植被类混淆仍为主流。建筑区用户精度在所有模型中均较低（UNet++最高47.9%），大量非建筑像素被误判为建筑（主要来自农田、森林和低植被）。
**3.4 统计评估**：Friedman检验显示架构间存在显著差异（χ2=9.0，p=0.029），Kendall协调系数W=0.75。仅CNN与ViT在Nemenyi事后检验中达到显著水平（p=0.041），其他成对比较均不显著。
**3.5 区域可迁移性**：CNN和UNet++在多伊拉尼湖迁移区表现最好，CNN的OA最高，UNet++的Macro-F1最高。ConvNeXt保持竞争力，ViT再次最弱。
**3.6 波段重要性评估**：所有模型中，冬季和夏季的蓝光波段（B2）排名最高，夏季的短波红外波段（B12）也高度重要（CNN中排名第3.5）。可见光波段（B3、B4）在夏季突出。衍生指数（NDVI、NDWI、NDBI、NDRE）排名靠后，表明在原始波段存在时其信息冗余。Spearman秩相关显示折间排名稳定。
**讨论与结论**
讨论部分强调：卷积架构在空间验证下形成稳定高性能组，而ViT从头训练表现较差，但这并非否定ViT在遥感中的潜力，而是反映其在大规模预训练和数据需求上的局限性。误差结构显示植被类混淆是主要限制，与低/自然植被类语义宽泛有关。建筑区用户精度低需谨慎解读。区域迁移性实验限于邻近地中海盆地，不能推广至广阔地理范围。特征重要性表明模型依赖原始光谱季节通道，但归因分析不能视为因果证据。严格空间验证设计减少了乐观偏差，但参考标签源于WorldCover，非独立实地验证。
结论翻译：本研究评估了基于多季节Sentinel-2合成影像和WorldCover派生参考标签的CNN、UNet++、ConvNeXt和ViT架构在五类土地覆盖分类中的表现。使用四个空间独立测试折和缓冲带，在降低空间泄漏的情况下提供了模型行为的保守评估，使报告结果比随机像素级验证更真实。主要发现是卷积架构比从头训练的ViT配置更鲁棒。CNN在克尔基尼湖空间交叉验证中取得最高数值折平均性能（OA=81.53%，Macro-F1=80.09%），UNet++（OA=80.84%，Macro-F1=79.65%）和ConvNeXt（OA=80.09%，Macro-F1=78.76%）紧随其后。非参数重复测量统计检验显示四个空间折间存在显著总体架构效应，但事后Nemenyi比较不支持CNN、UNet++和ConvNeXt之间具有统计学显著分离。因此，结果不支持三种卷积架构之间的明确排名，而是支持卷积架构在该实验设定中构成可靠的高性能模型族。从头训练的ViT配置数值表现明显较低（OA=70.74%，Macro-F1=66.79%），且在全部四个空间折中排名最后，但保守事后分析仅显示CNN与ViT之间存在显著成对差异。外部多伊拉尼湖实验进一步表明，CNN和UNet++在无微调情况下迁移到附近独立盆地的效果最佳。CNN取得最高OA，UNet++取得最高Macro-F1。ConvNeXt保持竞争力，而ViT再次产生最弱迁移性能。主要分类错误集中在农田、森林和聚合的低/自然植被类之间，反映了光谱重叠和低/自然植被类的宽泛语义定义。建筑类在迁移区域需谨慎，因为高生产者精度伴随低用户精度和大量虚假建筑预测。特征归因分析表明模型主要依赖原始光谱季节通道，特别是冬季和夏季的蓝光信息以及夏季的短波红外信息。衍生指数（NDVI、NDWI、NDBI、NDRE）在完整特征设定下获得较低归因分数，很可能因其构成波段已为网络所用。总体而言，该研究展示了多季节Sentinel-2影像结合空间严格验证可支持地中海案例区域下的可靠土地覆盖分类。报告OA和Macro-F1量化了与WorldCover派生参考标签的一致性，不应视为独立实地验证精度。未来工作应使用独立实地观测或高分辨率参考样本验证框架，扩展至多年和更远区域，比较季节合成与更密集时间表示，并评估预训练Transformer或混合CNN-Transformer架构。
