S2GAIA:一种基于Sentinel-2影像在希腊进行深度学习土地覆盖制图的季节性感知多年度数据集

《Remote Sensing Applications: Society and Environment》:S2GAIA: A seasonally aware multi-year dataset for deep learning-based land cover mapping using sentinel-2 imagery in Greece

【字体: 大 中 小 】 时间:2026年08月13日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  准确、最新且高分辨率的土地利用/土地覆盖(LULC)地图对于环境监测、空间规划、气候适应性和可持续土地管理至关重要。尽管Sentinel-2影像的可用性日益增加,但现有的公开数据集通常缺乏明确的季节代表性、一致的多年度注释或适用于异质性地中海景观的专题细节。为

  
准确、最新且高分辨率的土地利用/土地覆盖(LULC)地图对于环境监测、空间规划、气候适应性和可持续土地管理至关重要。尽管Sentinel-2影像的可用性日益增加,但现有的公开数据集通常缺乏明确的季节代表性、一致的多年度注释或适用于异质性地中海景观的专题细节。为解决这些局限性,研究人员引入了S2GAIA,这是一个多年度、季节性感知的Sentinel-2数据集,用于希腊的逐像素LULC制图。该数据集通过协调多个地理空间数据源(包括哥白尼产品和国家数据集)生成,统一为一个包含22个类别的分类体系。S2GAIA包含34,030个标注的Sentinel-2影像块(256×256像素),空间分辨率为10 m,覆盖2017–2024年时期。每年由四个无云季节合成影像表示,从而能够利用物候变异性并改善对时间动态土地覆盖类别的区分。该数据集使用四种语义分割架构进行评估,其中ResUNet取得了最高性能,获得了Cohen's Kappa系数为91.23%和加权F1分数为92.23%。额外的类别级、混淆和季节分析证明了所提出的多季节设计的有效性,同时识别了与碎片化和光谱相似的土地覆盖类别相关的剩余挑战。生成的全国尺度LULC地图展示了S2GAIA在环境监测中的实际适用性,并为开发和评估地中海土地覆盖制图的深度学习模型提供了宝贵资源。
**研究背景与问题**
准确、高分辨率土地利用/土地覆盖(LULC)地图对环境监测、空间规划、气候适应性和可持续土地管理至关重要。尽管Sentinel-2影像日益普及,但现有公开数据集通常缺乏明确的季节代表性、一致的多年度注释或适用于异质性地中海景观的专题细节。地中海地区城市密集、农业景观碎片化、植被多样性强且季节性变化显著,使得土地覆盖制图面临挑战。现有数据集如EuroSAT、BigEarthNet等多为场景分类,或缺乏像素级标注、季节信息及多年度一致性。为此,研究人员开发了S2GAIA数据集,以支持深度学习模型进行全国尺度LULC制图。该研究发表在《Remote Sensing Applications: Society and Environment》。

**研究内容与结论**
研究人员创建了S2GAIA数据集,通过协调多个地理空间数据源(包括哥白尼产品和国家数据集)生成一个统一22类分类体系,包含34,030个标注的Sentinel-2影像块(256×256像素),10米分辨率,覆盖2017–2024年,每年由四个无云季节合成影像表示。使用四种语义分割架构(U-Net、ResUNet、Attention U-Net、SegFormer)进行评估,其中ResUNet取得最高性能:总体精度92.33%,平均交并比77.54%,Cohen's Kappa 91.23%,加权F1分数92.23%。类别级、混淆和季节分析证明了多季节设计的有效性,并识别出道路、光伏单元等窄小或碎片化类别的挑战。最终生成全国尺度LULC地图,展示了数据集的实际应用价值。

**主要关键技术方法**(不超过250字)
研究人员采用多源地理空间数据融合方法,整合了四个哥白尼土地覆盖产品(Urban Atlas 2018、Riparian Zones 2018、Coastal Zones 2018、Natura2000 2018)和两个国家数据集(希腊国家森林火灾观测站NOFFi的年度野火边界、能源监管机构RAAEY的光伏装置位置),通过类别重新分类、空间优先级规则、手动验证和独立质量评估,生成统一22类标注。Sentinel-2 L2A影像按四个季节采集,进行波段选择(B02、B03、B04、B08、B8A、B11、B12)、空间统一为10米、云掩膜(基于场景分类层SCL),并逐像素中值合成季节无云镶嵌。将镶嵌切割为256×256像素重叠块(步长252像素),形成每年28通道(7波段×4季节)的输入。使用ResUNet(基于U-Net的残差结构)作为主要架构,应用滑动窗口和概率平均投票进行全国尺度推理。

**研究结果**
**Comparison with deep learning models**:通过比较四种语义分割架构,ResUNet在所有评估指标上表现最佳,总体精度92.33%,平均交并比77.54%,Cohen's Kappa 91.23%,加权F1分数92.23%。U-Net和Attention U-Net性能相近,SegFormer(Transformer架构)性能较低,可能因训练数据量有限和类别异质性高所致。

**Class-wise performance analysis**:基于ResUNet预测,22个类别中有17个类别交并比超过70%,10个类别超过80%。水体和沿海湿地取得最高性能(F1分数>96%),森林和农业类别表现良好(F1分数>87%);道路/沥青网络(F1 52.35%)、光伏单元(F1 65.95%)和水道(F1 73.57%)表现最低,表明窄小或碎片化类别仍具挑战性。

**Class confusion analysis**:通过归一化混淆矩阵分析,多数错误发生在语义相关类别内,如密集与稀疏城市织物、不同森林类型、农业子类等。道路像素主要被误分为密集城市织物和农业用地;光伏单元主要与农业用地混淆;水道与农业用地和森林混淆,表明窄线性特征受周围地物影响。

**Seasonal analysis**:单独使用单个季节影像训练ResUNet,夏季和秋季性能较高(总体精度约90.5%),冬季和春季较低(约87.5%),而四季节组合(S2GAIA)全面优于所有单季节方案,表明多季节信息能利用物候变异性改善分类鲁棒性。

**National products spanning from 2017–2024**:应用ResUNet推理框架生成2017–2024年连续八年全国尺度LULC地图,显示自然植被类稳定,人工表面局部扩张,火灾区域逐年动态变化,表明框架能有效捕捉长期土地覆盖变化。

**Assessing wildfire impacts through land cover dynamics**:通过年度LULC产品分析火灾影响,如2021年北埃维亚和2023年亚历山德鲁波利大火,地图清晰显示森林向烧毁区域转变,并观察到后续年份的植被恢复迹象(但非生态恢复评估)。

**总结讨论与结论**
讨论部分指出S2GAIA的主要贡献在于提供多年度、季节感知的像素级数据集,填补了现有数据集在季节表示和多年度一致性方面的空白。季节实验证实多季节信息显著提升分类性能。类别级评估显示水体和森林等均质类别表现优异,而道路、光伏和水道等窄小类别仍受限于Sentinel-2的10米分辨率。混淆分析表明错误主要发生在语义相关类别内,而非标注不一致。数据集包含光伏和烧毁区域等操作相关类别,扩展了应用范围。模型可迁移性可通过微调、域自适应或自监督预训练实现。未来工作将扩展至其他地中海区域,研究跨区域迁移,并融合SAR数据。

**研究结论翻译**:
本研究引入了S2GAIA,一个用于希腊高分辨率LULC制图的季节感知Sentinel-2数据集。该数据集将多个地理空间数据源整合为一个统一的22类分类体系,提供10米空间分辨率的密集像素级标注,覆盖多个年份且每年包含四个季节观测。实验评估表明,S2GAIA有效支持语义分割架构,其中ResUNet取得最高性能,总体精度92.33%,平均交并比77.54%,Cohen's Kappa 91.23%,加权F1分数92.23%。此外,类别级、混淆和季节分析突出了数据集的优势与剩余挑战,并证明了整合多季节观测对提升LULC分类性能的重要性。S2GAIA的关键贡献在于结合了全国尺度覆盖、一致的多年度标注、明确的季节表示和详细的专题分类体系,使其适用于开发地中海环境的季节感知语义分割模型。此外,光伏单元和时间显式烧毁区域的纳入将S2GAIA的应用扩展到可再生能源监测、野火评估和气候适应性等相关新兴领域。最后,全国尺度LULC地图的生成证明了所提出数据集的实际可用性。未来工作将集中于将S2GAIA扩展到其他地中海区域,通过迁移学习和域自适应等技术研究跨区域可迁移性,并整合包括SAR影像在内的互补地球观测数据源以进一步提升制图性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号