跨年度作物与土地覆被分类:基于有限标签与植被指数增强的语义分割框架评估

《Remote Sensing》:Cross-Year Crop and Land-Cover Classification with Limited Labels

【字体: 大 中 小 】 时间:2026年09月21日 来源:Remote Sensing 4.3

编辑推荐:

  准确的多年度作物制图常常受到为每个目标年份构建密集标签成本高昂的制约。本研究在河南省济源市利用Sentinel-2影像评估了一种跨年度作物与土地覆被分类框架。研究人员为2020年和2021年的三个代表性样区构建了密集语义分割标签,并用于训练DeepLab V3

  
准确的多年度作物制图常常受到为每个目标年份构建密集标签成本高昂的制约。本研究在河南省济源市利用Sentinel-2影像评估了一种跨年度作物与土地覆被分类框架。研究人员为2020年和2021年的三个代表性样区构建了密集语义分割标签,并用于训练DeepLab V3+、U-Net和U-Net++三种网络。研究比较了两种输入方案,即仅使用光谱波段以及光谱波段与六种植被指数相结合,并将训练好的模型应用于2019年及2022—2024年,无需额外的年度特定密集语义分割标签。采用植被指数增强输入的U-Net++在所有测试网络中取得了最佳总体性能,年度总体精度(OA)介于87.35%至93.18%之间。冬小麦 consistently 以较高的生产者精度(PA)和用户精度(UA)被识别,而其他作物和城市区域仍存在较大的不确定性。生成的年度地图支持了2019—2024年冬小麦空间动态分析。这些结果表明,在所研究区域内,固定源年份语义分割模型对多年度作物制图具有实际适用性,而更广泛的时间和空间可迁移性仍需进一步验证。

论文解读:跨年度作物与土地覆被分类框架——基于有限标签的语义分割方法评估

一、研究背景与问题

准确的作物及其周边土地覆被信息对于农业监测、耕地保护、作物结构评估和土地覆被变化分析至关重要。遥感影像与机器学习方法已被广泛应用于大范围作物和主要土地覆被类别的制图。然而,在异质性农业景观中,作物地块通常小而形状不规则,且常与森林、居民地、道路、水体及未耕地交错分布,这使得一致的多年度分类面临严峻挑战。历史制图问题尤为突出,因为往年实地参考数据往往不可获取,而为每个制图年份采集和标注新样本成本高昂且劳动密集。因此,开发能够将有限标注年份的信息迁移至未见年份的分类方法,对于在标签稀缺条件下重建历史作物分布和支持农业监测具有重要意义。
尽管已有研究探索了少样本学习、弱监督、自训练和域适应等策略来应对标签稀缺和域偏移问题,但以下三个方法论问题仍待解决:第一,从有限样区和源年份收集的标签能否在不进行显式时间域适应的情况下,支持跨多个未见年份的稳定作物导向土地覆被分类;第二,植被指数增强和基于语义分割的空间上下文学习对跨年度分类性能的各自贡献尚未得到充分评估;第三,当独立分类的年度地图随后用于分类后比较时,类别特定误差可能传播至衍生的转换产品中,因此年度地图应在解释分类衍生变化之前进行定量评估。

二、研究内容与主要结论

针对上述问题,本研究在河南省济源市开发了一种基于Sentinel-2影像的跨年度作物与土地覆被分类框架。研究人员为2020—2021年三个代表性样区(每区约20 km × 20 km)构建了七类别密集语义分割标签,用于训练DeepLab V3+、U-Net和U-Net++三种编码器—解码器架构,并比较了仅使用十个Sentinel-2光谱波段与光谱波段结合六种植被指数(NDVI、EVI、NDBI、MNDWI、RENDVI、SAVI)两种输入方案。训练后的模型直接应用于2019年和2022—2024年,未构建额外年度特定密集标签。研究还纳入随机森林(Random Forest)作为逐年监督的像素级参考方法。结果表明,采用植被指数增强输入的U-Net++在所有测试网络中性能最优,2019—2024年年度总体精度(OA)介于87.35%至93.18%之间,Kappa系数介于0.642至0.864,宏平均F1分数介于0.606至0.827。冬小麦在所有年份均以高生产者精度(PA:0.934—0.983)和高用户精度(UA:0.961—0.986)被稳定识别,而其他作物和城市区域精度较低且年际波动较大。该框架的实践价值在于无需为每个制图年份构建新的密集语义分割标签即可生成多年度作物导向土地覆被图,为历史作物重建和农业监测提供了可行方案。

三、关键技术方法

本研究采用的主要技术方法包括:基于Google Earth Engine(GEE)平台的Sentinel-2影像预处理与特征构建;采用随机森林预分类、专家引导人工修正和独立标签质量检查的多阶段标签构建策略;三种语义分割网络(DeepLab V3+、U-Net、U-Net++)的PyTorch实现与训练,使用Adam优化器、余弦退火学习率调度、交叉熵与Dice损失联合优化;以及基于混淆矩阵的总体精度、Kappa系数、宏平均F1分数、用户精度和生产者精度等地图级精度评估。研究使用2020—2021年三个样区的密集标签进行训练,2019—2024年四个固定样区(S1—S4,总面积98.46 ha)及沿调查路线的年度实地样点用于地图级精度评估。

四、研究结果

4.1 模型训练性能与特征方案评估:添加植被指数一致地降低了所有三种语义分割网络的验证联合损失并提高了验证mIoU。U-Net++在方案2下取得最佳性能,损失从0.549降至0.418,mIoU从0.663提升至0.758。植被指数特征在不显著增加训练时间的情况下改善了分割性能,方案2因此被用于后续跨年度模型比较和地图级精度评估。
4.2 跨年度分类精度与模型比较:U-Net++在每一年度均取得最高的OA、Kappa和宏平均F1。与DeepLab V3+、U-Net和随机森林相比,U-Net++的OA分别提高了4.36—11.74、2.58—9.93和5.32—12.56个百分点。语义分割模型比随机森林产生更空间连续的图斑,后者在城市区域和破碎田块边界处表现出更明显的椒盐噪声模式。
4.3 最优模型的局部目视比较与类别精度:U-Net++产生更空间连贯的图斑并更好地保留了作物边界和河流连续性。冬小麦表现最稳定,PA为0.934—0.983,UA为0.961—0.986。油菜籽在2021年后也取得相对较高的精度。其他作物类别UA仅为0.039—0.485,城市区域PA为0.275—0.657,精度较低且年际变化明显。
4.4 基于最优模型的多年度作物与土地覆被组成:林地是主导土地覆被类别,占研究区面积的59.62%—61.76%。冬小麦是主导作物类型,制图比例介于10.28%至12.90%之间,从2019年的12.90%略微净减少至2024年的12.33%。
4.5 冬小麦转换与重心迁移:在冬小麦相关转换中,持续冬小麦占63.84%,损失和增益分别占19.88%和16.28%。增益主要集中在中心农业区,损失更集中于城市边缘。标准偏差椭圆显示冬小麦空间分布总体稳定,旋转角介于97.97°至101.87°,重心在2019—2024年间先东移后西移,经向再分布更为明显。

五、讨论与结论

讨论部分指出,本研究的贡献不在于修改U-Net++的内部架构,而在于将可比物候观测窗口、植被指数增强输入、基于语义分割的空间上下文学习以及分阶段验证到应用的流程整合为跨年度分类框架。研究结果表明,固定源年份模型在济源市范围内可适用于未见年份,但年度精度并非随与源年份的时间距离单调递减,说明精度年际变化不能仅归因于时间迁移距离。植被指数的持续改进效果表明其提供了与原始Sentinel-2波段互补的信息。U-Net++的嵌套密集跳跃连接有助于渐进融合多层级特征,这对济源市小而破碎的农业地块尤为相关。研究同时指出,其他作物和城市类别的低精度可能源于类别内异质性、类别不平衡、破碎空间分布和10 m空间分辨率限制的综合效应,而非单一误差来源。地形效应、单一季节观测窗口的局限以及参考观测分布不均也是重要的不确定性来源。
研究结论为:本研究评估了一种利用Sentinel-2影像和2020—2021年三个代表性样区密集语义分割标签构建的跨年度作物与土地覆被分类框架。在测试的架构中,采用植被指数增强输入的U-Net++取得了最佳总体性能,2019—2024年年度OA为87.35%—93.18%。固定模型无需构建额外年度特定密集语义分割标签即可适用于较早年份和多个较晚年份,冬小麦在所有年份均保持高分类精度。生成的年度地图进一步支持了冬小麦持续性、损失、增益和空间再分布分析。然而,这些模式应被解释为分类衍生的变化而非独立验证的种植面积变化,因为物候变异、混合像元、参考观测不均、地形效应和类别特定误差可能影响制图结果。总体而言,本研究证明了在所评估的农业景观中,固定源标签语义分割用于多年度作物制图的操作潜力,而更广泛的空间可迁移性和受控标签预算下的标签效率仍需进一步受控验证。
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