基于Sentinel-2影像与一维残差神经网络（1D-ResNet）深度学习方法的地中海大型流域土地覆盖制图

《Remote Sensing Applications: Society and Environment》：Land cover mapping over large Mediterranean basins using Sentinel-2 imagery and a 1D-ResNet deep learning approach

　　

土地覆盖变化是全球环境变化的主要驱动因素之一，因此准确且最新的土地覆盖信息对于环境监测和土地管理至关重要。本研究提出了对瓜迪亚纳水文分区（Guadiana Hydrographic Demarcation, GHD）——伊比利亚半岛最大的河流流域之一，也是承受多种环境压力的地区——进行土地覆盖分类。研究人员利用Sentinel-2影像和一维残差神经网络（1D-ResNet）制作了2017年和2025年的土地覆盖图。使用源自西班牙土地占用信息系统（SIOSE）的参考数据评估了2017年的分类性能。所提出的方法在55,407 km2面积上的七个土地覆盖类别中实现了0.98的高总体精度。1D-ResNet分类与SIOSE之间的比较揭示了65.70%的中等空间一致性和0.52的加权交并比（IoU），突出了与季节性条件、最小制图单位及对比鲜明的制图方法相关的显著差异。2017年与2025年分类之间的变化在阔叶林（Broadleaf）类别中尤为明显，该类别增加了总研究面积的9.05%，反映了植被条件的年际变率。总体而言，结果证明了结合Sentinel-2影像和深度学习模型用于大型异质地中海景观的基于像素的土地覆盖制图的潜力。所提出的方法并非取代现有的土地覆盖产品，而是通过提供更新的、细尺度的空间信息来补充官方数据集，从而支持变化环境条件下的环境监测、空间规划和土地管理。

论文解读：基于Sentinel-2与1D-ResNet的地中海大型流域土地覆盖制图研究

土地覆盖与土地利用变化（LULCC）是全球环境变化的重要直接驱动因素，对生态系统功能、气候调节及人类福祉具有深远影响。近年来，受城市化扩张、农业集约化、农村废弃及植被覆盖变化等过程驱动，全球土地覆盖动态加速，改变了地表属性、碳通量、反照率及蒸散发，并通过复杂的生物物理反馈贡献于气候变化。因此，详细且及时的土地覆盖分布信息对于环境监测、土地管理及政策支撑至关重要，这也是山火或洪水灾害制图等环境研究的基础。

然而，现有的国家和洲际土地覆盖产品（如西班牙的SIOSE、欧洲的CORINE）虽广泛用作参考图层，但其设计初衷并非捕捉精细尺度的空间异质性或短期植被动态。最小制图单位、 thematic generalization及更新频率的限制，导致异质景观被简化，小而破碎的土地覆盖斑块代表性不足。这一问题在地中海地区尤为突出，该区域土地覆盖常呈现强烈的空间镶嵌性和显著的年际变率，植被类（如灌丛、开阔林地、农林系统）往往形成过渡或混合状态，难以用静态制图产品表征。同时，地中海植被覆盖对水分有效性响应强烈，干旱与湿润年份间 vigor、物候和光谱行为差异明显，使得分类与验证面临挑战，产品间差异可能反映真实的生态动态而非分类错误。

为应对上述需求与挑战，Antonio Vidal-Llamas等研究人员开展了一项针对瓜迪亚纳水文分区（GHD，西班牙部分面积55,407 km²）的土地覆盖分类研究，旨在开发并评估一种优化的1D-ResNet架构，结合Sentinel-2影像进行大范围异质区域的像素级土地覆盖制图，分析其与官方产品（如SIOSE）的差异，并提供更新、高精度的空间信息以支持环境管理。该研究发表于《Remote Sensing Applications: Society and Environment》。

研究人员采用的关键技术方法包括：以2017年SIOSE的44个原始类简化为7个目标类（人工表面、针叶林、开阔灌木与少植被区、阔叶林、水体、农用地、湿地，忽略混合特征的“乔木覆盖”类）作为基础参考；通过照片判读（基于国家航空正射影像计划PNOA和Google Street View）建立平衡的样本多边形，并在其中生成随机点（点间距≥15米，每多边形≤100点）以提取Sentinel-2光谱及指数特征；Sentinel-2影像（Level-2A，底部大气反射率BOA）通过Google Earth Engine获取，选取2017年3月21日至4月21日的中值合成以平衡植被发育与云覆盖，并进行云掩膜（QA60和SCL）；特征集包括10个Sentinel-2波段（2,3,4,5,6,7,8,8A,11,12）及4个计算指数（NDWI、IRECI、EVI、NDRE，排除冗余的SAVI）；数据按分层划分为训练集（76.5%）、验证集（8.5%）和测试集（15%）；构建双流1D-ResNet架构（光谱分支输入10×1，经256滤波器Conv1D与两个残差块后全局平均池化；指数分支输入4维经64单元全连接层；融合后128单元全连接层输出7类），使用ReLU激活、批归一化（BN）和Dropout（0.1），经Hyperband优化参数，训练中以早期停止（耐心30）和ModelCheckpoint防止过拟合，并与随机森林（RF）对比；最后生成2017与2025年（同期时段）预测图，并将2017预测与重分类栅格化的SIOSE进行一致性评估（ agreement矩阵、IoU等）。

研究结果如下：

1. 1.
   精度测试（4.1 Accuracy test）：1D-ResNet在测试集上总体精度、加权精度、召回率和F1-score均达0.98，各类F1-score均高于0.91，水体和湿地为1.00，仅针叶林召回0.88（部分混入开阔灌木类，与地中海常见光谱融合有关）。消融实验确认全特征集（10波段+4指数）精度最高。1D-ResNet优于随机森林（总体精度0.95），尤其改善了人工表面和农用地表现。混淆矩阵显示主要混淆在于针叶林与开阔灌木、人工表面与农用地/开阔灌木，边界像素光谱混合是部分原因。模型参数量约84万，轻量且优于其他复杂深度学习架构，残差连接缓解梯度消失并捕获相似植被类的细微光谱特征。
2. 2.
   土地覆盖分类（4.2 Land cover classification）：农用地始终为优势类（2017 SIOSE: 58.57%, 32,447.65 km²；1D-ResNet 2017: 56.94%, 31,717.51 km²；2025: 56.12%, 31,259.76 km²），集中于盆地平原；开阔灌木与少植被类次之（2017 SIOSE: 23.25%；1D-ResNet 2017: 27.24%；2025: 20.48%），多分布于山地及周边生态过渡带。阔叶林在1D-ResNet 2017中为8.95%（4,988.03 km²），2025年增至18.00%（10,025.39 km²），增幅达总面积的9.05%；这种大幅变化主要归因于年际水分条件差异（2017年春干旱，2025年春降雨远超均值）导致的植被vigor与光谱可分性变化，以及地中海植被对水分的强响应，而非实际 land cover change，同时也反映静态参考（SIOSE）验证地中海动态的困难。针叶林、水体、湿地占比较小，1D-ResNet水体面积低于SIOSE（SIOSE常表示水库最大边界而非实时水面）。1D-ResNet结果呈更多镶嵌细碎 pattern，源于其更细的像素级最小制图单位（约9.97×7.65–7.98 m）对比SIOSE可变最小制图单位（0.005–0.2 km²），能减少混合像素并提升异质景观精度。
3. 3.
   土地覆盖一致性测试（4.3 Land cover agreement test）：2017年1D-ResNet预测与SIOSE重分类的总体一致率为65.70%，加权IoU为0.52。各类别IoU差异较大：农用地最高（0.69，80.55% SIOSE农用地像素一致），其次为开阔灌木（0.34，55.00%一致）、针叶林（0.27，38.25%一致）、水体（0.38，38.78%一致）、阔叶林（0.19，33.73%一致）、人工表面（0.21，38.92%一致）、湿地（0.05，9.87%一致）。差异来源于：数据时期不同（SIOSE为静态年表征，预测为3–4月影像）、最小制图单位不同、SIOSE“乔木覆盖”类无对应预测类全计为误差、两者固有误差；高预测精度表明差异不一定为错误，可能包含改进。农用地一致性最高，但13.04% SIOSE农用地被预测为开阔灌木（光谱相似），阔叶林仅33.73%一致且44.74%被预测为开阔灌木（与研究中牧场散生栎类是否归为阔叶林有关），针叶林也有大量被预测为开阔灌木。人工表面低一致部分源于农村区域细小镶嵌与边界混合。

在一般讨论中，研究人员指出，该方法在超55,000 km²范围达到0.98总体精度，证明结合Sentinel-2与1D-ResNet（像素级、低计算成本、减少类边界过平滑、残差连接助特征学习）可用于大尺度运营性土地覆盖制图，优于RF（0.95）且补充官方产品。与SIOSE的中等一致（65.70%，IoU 0.52）可由制图理念、时期、最小制图单位不同解释，并非仅分类误差，而是反映像素级单时相遥感方法捕捉精细空间细节与年际变率的价值。所有类F1-score >0.90，农用地识别尤佳（经济与土地动态关键）。研究局限包括训练区基于照片判读而非大规模野外调查，同多边形点可能带来一定自相关，时相限于3–4月（平衡植被与云，但季节影响过渡类），以及地理泛化需在更多生物物理特征区域测试。大区域分类因光谱异质与景观复杂性具挑战，但该研究显示ResNet架构适合大尺度多类应用。

结论部分总结：研究证明结合Sentinel-2影像与1D-ResNet卷积神经网络可用于大型异质区域的基于像素的土地覆盖分类，在GHD（55,407 km²）实现0.98总体精度，能捕捉地中海复杂景观的像素级精细空间格局。农用地为优势类，其次为开阔灌木与少植被区、阔叶林。与SIOSE对比差异主要源于制图哲学、时期表征和最小制图单位不同，并非仅错误，反而凸显像素级单时相遥感方法补充静态制图产品、提供更新细尺度信息与捕捉年际变率的能力。该方法应视为现有土地覆盖数据集的补充，以支持空间规划与决策。结果强调深度学习遥感方法可提供准确、可复现、可扩展的土地覆盖信息，支持环境治理与土地管理；随着对地观测技术发展，此类可适应分类框架将关键于完善土地覆盖数据集与提升变化环境下的决策能力。