中亚关键土地覆被类别空间表征增强的多土地覆被产品自适应融合方法

《Remote Sensing》：Adaptive Fusion of Multiple Land-Cover Products for Improved Spatial Representation of Key Land Classes in Central Asia

　　

在旱区与半旱区中亚，可靠的耕地（cropland）、林地（forestland）与草地（grassland）地图支撑资源评估与生态管理。现有土地覆被产品对这些类别的勾绘常不一致，其可靠性随类别与位置变化，且即便意见一致也可能共享相同误差。研究人员将多产品融合建模为像素级与类别级的空间变化可靠性决策问题，提出差异感知可靠性自适应融合网络（Discrepancy-Aware Reliability-Adaptive Fusion Network, DRAFNet）。该方法以 FROM-GLC Plus、GLC-FCS30D 与 GlobeLand30 三套全球 30 m 土地覆被产品的 2020 年地图，以及干旱指数、温度、降水、高程与坡度等地环变量为输入。不同于固定权重融合与仅将源产品作输入通道的分割模型，DRAFNet 保留各产品的分类决策，并按其所估类别与位置可靠性调整贡献；不可靠源产品衰减的权重转移至残差专家（residual expert），在源产品不可靠或共错时提供替代预测。投票熵（voting entropy）与地环变量为决策提供上下文。在中亚五国独立测试样本上，DRAFNet 总体精度（OA）达 0.8275，Kappa 系数 0.7698，平均交并比（mIoU）0.7046，宏平均 F1（Macro F1）0.8241，较最强基准 U-Net++ 提升 0.95–1.38 个百分点。局部对比显示分歧强烈区空间连贯性与边界更清晰；与联合国粮农组织（FAO）面积统计的平均与中位绝对对数比偏差为 0.618 与 0.450，均低于源产品。结果表明该方法可支撑中亚土地资源评估与生态管理。

研究背景方面，中亚位于欧亚内陆，属典型旱区与半旱区，水资源受限与生态脆弱使土地利用与生态保护平衡敏感。耕地、林地与草地分别支撑绿洲农业、山地生态屏障与牧业生产，是区域资源安全核心。然而现有全球 30 m 土地覆被产品在输入数据、分类体系、样本来源与制图策略上存在差异，导致同类别范围与边界不一致，且产品间一致性本身可能掩盖共有误差，影响资源计量与生态功能评估可靠性。传统投票法、规则加权法与固定权重融合无法刻画可靠性随类别与位置的空间变化；机器学习与通用深度学习分割模型多直接将堆叠产品图作为多通道输入学习直接预测，未显式保留分类决策或建模产品级可靠性。因此，研究人员将多源土地覆被融合定义为“像素与类别特定的可靠性决策问题”，即需判断何时保留源产品决策、何时校正，包括三源同错情形。

为解答该问题，研究人员设计 DRAFNet（Discrepancy-Aware Reliability-Adaptive Fusion Network，差异感知可靠性自适应融合网络）。其以中亚五国（哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦、土库曼斯坦、乌兹别克斯坦）为研究区，选用 FROM-GLC Plus、GLC-FCS30D、GlobeLand30 的 2020 年 30 m 产品，辅以全球干旱指数（Global Aridity Index）、最暖季均温与年降水（WorldClim）、NASADEM 高程及派生坡度，共 17 通道输入（12 通道 one-hot 产品编码 + 5 通道地环变量）。参考样本由 Google Earth 高分影像目视解译获得，经 1000 m 空间自相关过滤后保留 24000 点，按 7:2:1 分训练/验证/测试，采用 256×256 补丁点监督上下文学习。DRAFNet 架构含双流编码（产品流与地环流）、投票熵引导的熵注意力（Entropy Attention, EA）与跨模态门（Cross-Modal Gate, CMG）融合、三头解码（残差专家头、路由头、可靠性头）及可靠性自适应决策融合（Reliability-Adaptive Decision Fusion, RADF）模块。RADF 以可靠性估计 r_i,s∈[0,1] 校准源产品初始路由权重 w⁰_i,s，衰减部分转移至残差专家，总路由权重守恒；最终类别概率由聚合源决策与残差专家预测归一化得到。训练损失含最终预测交叉熵、路由软目标交叉熵、残差头交叉熵、Dice 损失及可靠性二值交叉熵，五折加权。

主要技术方法可概括为：双流编码器分别提取土地覆被产品与地环特征；由多源类先验与归一化投票熵 H_i 量化分歧；EA 以 1+α_iH_i 增强产品流分歧区响应，CMG 用地环特征门控调制；解码端三头并行输出残差概率、初始路由权重与逐源逐类可靠性；RADF 执行“可靠性校准—权重转移—残差补偿”闭环，显式保留可靠共识并校正不可靠或共错决策；参考样本来自高分影像目视解译点（耕地/林地/草地各 6000 点，其余归 other），点监督忽略补丁内未标像素。

研究结果部分，3.1 总体与类别精度中，独立测试集上 DRAFNet 的 OA=0.8275、Kappa=0.7698、mIoU=0.7046、Macro F1=0.8241，优于三源产品与 U-Net++ 等九种深度学习基准；五随机种子复跑均值仍显著优于 U-Net++（bootstrap p<0.001）。类别上林地 IoU 0.7937、耕地 0.7772 较高，草地 0.6141 最低，印证过渡带异质性难度。3.2 空间表征中，局部对比显示绿洲耕地内部田块连续、山地林草镶嵌过渡自然、旱区草地不过度扩张收缩，碎片化降低。3.3 机制与国家精度中，消融实验去残差专家致 mIoU 跌至 0.6254（最大降幅），去可靠性校准/权重转移降至约 0.694，去可靠性监督损失至 0.6986，证四机制协同；源决策情景分析显示分歧子集 OA 0.7858（单源仅 0.38–0.61），三源同错子集校正率 0.3644，全对共识保留率 0.9649；国家尺度吉尔吉斯斯坦 OA 0.8692 最高，五国 OA 均>0.79。3.4 面积一致性与效率中，DRAFNet 对 FAO 作物/林地/草地面积的平均绝对对数比偏差 0.618、中位 0.450，低于各源产品；参数量 20.02 M、27.43 GFLOPs、全区域推理 0.46 h，计算可接受。

讨论部分指出，DRAFNet 在决策级区别于固定加权与传统分割：以可靠性头估源产品所赋类别的可信度，校准路由权重并将衰减量转残差专家，突破“共错无可纠”瓶颈；草地精度受限源于旱区过渡带与稀疏植被、灌木、裸地光谱混淆及源产品间低一致，非模型单一因素。面积对比仅作补充一致性检查，因 FAO 统计与遥感在分类定义、报告年、混合像元处理不同，不可互换。局限含参考样仅目视解译无野外验证、仅 2020 年单期、地环变量缺灌排等动态人文驱动、可靠性估计未作概率标定。结论部分原文要义：研究人员将多产品融合定为空间变化可靠性决策问题，DRAFNet 联合三套 30 m 产品与地环变量，通过可靠性估计、自适应权重转移与残差校正，在中亚五国获 OA 0.8275/Kappa 0.7698/mIoU 0.7046/Macro F1 0.8241，各类均衡且分歧区空间更连贯， ablation 证四机制协同，五国 OA>0.79，FAO 面积对数比偏差更低（0.618/0.450），全区域推理 0.46 h，为中亚土地资源评估与生态管理提供实用制图路径。该文发表于《Remote Sensing》。