中文 
English 
本文排版定稿已在中国知网网络首发，如需阅读全文请打开知网首页，并搜索该论文题目即可查看。
Research on Label-free Super-resolution Land Cover Mapping Based on Deep Learning
-
摘要:
通过整合标签超分辨率（SR）和实例批量归一化网络（IBN−Net），在无本地高分辨率标签的情况下，实现了福建省光泽县的2 m分辨率土地覆盖制图，提出了一种基于深度学习的无标签土地覆盖制图方法。结果表明：利用改进的全卷积神经网络（FCN）模型能够实现标签超分辨率，将低分辨率标签提升至高分辨率，有效提高分类精度；IBN−Net网络增强了模型的泛化能力，显著提升跨域应用的效果。相比于内源低分辨率标签，使用高精度的外源标签使模型在光泽县的整体准确率提高2.55%，达到85.48%。本方法在无匹配标签条件下，显著提升土地覆盖制图的精度，可为区域生态监测和管理提供有效的技术支持。
Abstract:In this study, we propose a deep learning-based unlabeled land cover mapping method to achieve 2 m resolution land cover mapping in Glossy County, Fujian Province, without local high-resolution labels by integrating label super-resolution (SR) and Instance Batch Normalized Network (IBN−Net). The results show that label super-resolution can be achieved using the improved fully convolutional neural network (FCN) model, which upgrades the low-resolution labels to high-resolution and effectively improves the classification accuracy. The IBN−Net network enhances the generalization ability of the model and significantly improves the effectiveness of cross-domain applications. Compared with endogenous low-resolution labels, using high-precision exogenous labels improved the overall accuracy of the model in Glossy County by 2.55% to 85.48%. The method in this study significantly improves the accuracy of land cover mapping without matching labels, which can provide effective technical support for regional ecological monitoring and management.
-
土地覆盖制图在描述地表特征及支持环境监测和管理中发挥关键作用，通过监测土壤退化、植被覆盖和水文变化优化土地利用和生态管理[1−2]。由于政策变化与自然事件的动态影响，需定期更新土地覆盖图以确保准确性与实用性。传统土地覆盖制图主要依赖人工标注，效率低、成本高[3]。随着计算机、地理信息系统和遥感技术的进步，支持向量机、决策树和随机森林等机器学习算法被广泛应用于土地覆盖制图[4]。尽管机器学习和深度学习提升了制图效率和精度，但其对大量标注数据的依赖使得高精度制图过程依然费时费力[5]。目前，现有的土地覆盖制图通常依赖已有的中分辨率土地覆盖产品作为训练标签[6]，例如已有的高分辨率产品如30 m分辨率的FROM−GLC30[7]、Globaland30[8]和10 m分辨率的ESA WorldCover[9]等。这些产品的分辨率和分类精度虽然已经有所提升，但仍难以满足日益增长的高分辨率土地覆盖制图需求[10]。为提升标签分辨率，部分研究采用上采样技术提高标签的分辨率，但往往引入大量噪声，影响最终的分类效果。
为应对这一挑战，标签超分辨率（SR）技术被逐渐应用于土地覆盖制图，通过学习将低分辨率标签转换为高分辨率标签，以生成更精细的土地覆盖图[11]。例如，Malkin等[12] 提出利用30 m低分辨率标签生成1 m分辨率土地覆盖图的SR方法，但依赖人工标签。Li等[13] 通过端到端网络生成美国马里兰州的精细土地覆盖图，并结合低分辨率全球土地覆盖产品和OpenStreetMap数据，创建中国首张1 m分辨率的国家尺度土地覆盖图。然而，由于低分辨率标签的粗糙性，训练过程引入大量噪声，影响结果精度[9−14]。尽管这些方法取得一定进展，标签超分辨率技术仍面临低分辨率标签固有不足和数据来源差异的挑战，特别是不同区域和环境条件下的泛化能力不足[15]。此外，全球和国家尺度的土地覆盖产品在跨区域应用时精度不一致，限制了基于这些标签的数据跨区域应用的效果[16]。为解决这一问题，本研究提出一种基于深度学习的无标签土地覆盖制图方法。通过整合用于标签超分辨率的全卷积网络（FCN）和增强领域适应性的实例批量归一化网络（IBN−Net）[13−17]，旨在缺乏本地高分辨率标签的情况下，为福建省光泽县生成精细的2 m分辨率土地覆盖图。该方法的创新之处在于，能够充分利用外部高分辨率标签的潜力，提升土地覆被制图的精度和效率，为区域生态监测和管理提供新的技术支持。
1. 研究区概况
研究区为福建省光泽县，位于福建省西北部武夷山脉北麓，地理位置为北纬27°18′～27°59′、东经117°00′～117°40′，总面积约
2240.25 km²，属于亚热带季风气候区，年均气温约18 ℃，年降水量1957 mm，是福建省降雨较多的地区之一。光泽县地势起伏显著，中部为较低的河谷和平原，两侧为丘陵和山地，平均海拔约1200 m。主要土地利用类型为森林，覆盖率达81.77%，以针叶林、阔叶林和混交林为主，分布于丘陵和山地。农田和灌丛多见于河谷和平原，不透水表面主要分布在县城和周边乡镇，水体包括富溪屯屯河及其支流。多样的生物和土地利用为光泽县土地覆盖制图提供了有利条件。2. 材料与方法
2.1 数据来源与预处理
2.1.1 数据获取
为应对无标签情况下的高分辨率土地覆盖制图问题，本研究采用来自美国和中国的多源数据。训练数据选取自美国23个不同地区，其中包括20个训练样本区域和3个用于精度评估的不重叠测试区域，总覆盖面积达
262202.05 km2，包含多样化的景观。所用标签数据及其分辨率见表1。为实现更高的制图精度，研究获取与这些标签时间同步的2.04 m分辨率Google Earth影像作为高分辨率参考数据。表 1 不同来源的数据产品信息Table 1. Data product information from different sources数据集 年份 尺度 空间分辨率/m NLCD (level II) 2019 国家（美国） 30 ESA WorldCover v100 2020 全球 10 FROM−GLC10 2017 全球 10 ESRI−LULC 2020 全球 10 GLC_FCS30 2015 全球 30 2.1.2 标签重分类
研究使用5个不同的土地覆盖数据集，为统一分类标准，并加强对提出方法的验证，本研究将所有标签重新分类为4个主要类别：森林（F）、不透水表面（I）、低植被（LV）和水体（W）。由于样本点无冰雪覆盖，因此不考虑该类别。
2.1.3 数据预处理
数据预处理步骤包括对低分辨率标签进行双线性插值，以将其重采样到2 m分辨率，并将所有数据投影到WGS84坐标系，确保与高分辨率谷歌地球影像的空间一致性。所有图像和标签采用滑动窗口裁剪图像和标签（窗口大小为
4000 pixels ×4000 pixels，重叠率为0.2），生成对齐的训练数据集。数据增强技术如随机缩放、裁剪和翻转用于扩展数据集，最终生成994对高质量训练数据。2.2 深度学习网络构建
2.2.1 标签超分辨率
本研究通过标签超分辨率（SR）技术实现从低分辨率到高分辨率的土地覆盖制图，利用改进的最小接收场FCN网络提升低分辨率标签的精度，将30 m分辨率土地覆盖标签提升至2 m分辨率，使其符合高分辨率影像空间特征。作为标签SR核心模型，FCN网络采用编码–解码结构[9]。编码器包含5个特征提取层，每层集成64个3 × 3卷积过滤器，结合ReLU激活函数和最大池化层[18]。解码器通过多层上采样和卷积操作将特征图放大至目标分辨率，并通过1 × 1卷积层完成分类，生成高分辨率土地覆盖图，从而提高标签精度和一致性[19]。
为确保生成标签的准确性，标签超分辨率过程采用Kullback–Leibler（KL）散度作为损失函数，以衡量预测分布与目标分布的相似性，减少标签提升中的噪声干扰[20]。计算方法如下：
$$ \begin{split} & D(p_{\text{predict}},p_{\text{calculate}})=\text{KL}(p_{\text{predict}}\parallel p_{\text{calculate}})= \\ & \text{const}-\frac{1}{2}\frac{(\mu_n-\eta_{n,k})^2}{\rho_{n,k}^2}-\frac{1}{2}\mathrm{ln}2\text{π }\sigma_n^2\end{split} $$ (1) 式中：D(Ppredict, Pcalculate) 表示预测概率分布Ppredict与计算概率分布Pcalculate之间的差异度量；KL(Ppredict‖Pcalculate)表示Kullback–Leibler散度，用于量化两个概率分布之间的差异；const表示合并的常数项；μn表示高分辨率类别标签n的预期百分比；ηn, k表示在给定低分辨率标签k下，第n个高分辨率类别标签的频率；
$\rho _{n,k}^2$ 表示高分辨率类别标签n在低分辨率标签k下的方差或标准差的平方；$\sigma _n^2$ 代表高分辨率类别标签n的标准差平方。该参数用于控制联合分布的形态，进一步调整 HR 类别标签的分布精度。2.2.2 IBN网络
传统标签超分辨率方法在处理复杂地域差异的跨域场景中常面临挑战。为此，本研究引入改进的实例归一化网络（IBN−Net）以提升模型在不同领域中的泛化能力[21]。基于U-Net架构，IBN−Net以ResNet−18为主干，包含特征提取、瓶颈层和分类器模块[22]（图1）。特征提取通过逐层卷积实现深浅层特征融合，保留多尺度空间信息。为适应不同地域的外观差异，IBN模块将卷积层输出分为两部分：一部分采用批归一化（BN）以维持纹理一致性，另一部分采用实例归一化（IN）削弱外观变化对分类的影响[23]。这种双重归一化策略显著提升了模型在处理中美不同景观时的跨域适应能力，减少视觉差异带来的分类误差。
为提升模型在处理中美不同景观的跨域适应能力并减少视觉差异导致的分类误差，IN模块通过对RGB通道归一化处理，计算每个通道的均值和标准差，削弱外观差异对模型预测的影响，增强视觉不变性[24]。BN模块用于标准化输入特征的尺度，确保数据在卷积层间的稳定传递，减少梯度消失问题。IN模块主要应用于浅层卷积（conv2x−conv4x）以处理外观特征，BN则用于深层卷积（conv5x）以保持语义特征完整性[25]。
2.3 环境配置
本研究训练环境为学校遥感中心提供的服务器，GPU为NVIDIA 3080–10GB，深度学习框架为1.8.1版本的Pytorch，CUDA版本为11.1，应用AdamW优化器进行训练。具体训练参数设置如下：对于SR标签，输入尺寸设定为
4000 pixels ×4000 pixels，批大小为16，权重衰减系数为0.005，迭代次数为10，初始学习率为1 × 10−3；而对于目标标签，输入尺寸设定为256 pixels × 256 pixels，批大小为8，权重衰减系数为0.005，迭代次数为20，初始学习率为1 × 10−4。这些参数的设定有助于保证实验的有效性以及结果的可靠性。2.4 实验设置
在标签SR部分，首先对各种土地覆盖产品进行比较评估，目的是确定所选LR标签的最佳SR结果（SR−B），用于进一步制图。本节不仅比较了源域和目标域中原始LR土地覆被数据的精度，还评估了标签SR处理后土地覆被数据精度的变化以及各种SR数据集之间的差异。土地覆盖制图部分包括7组对照试验，旨在验证来自SR内源（来自目标区域的标签）和外源（来自其他区域的标签）标签的土地覆盖制图性能，以及域转移和非域转移结果之间的比较分析。另外，使用未修改的Resnet18−UNet进行基线评估。为确保评估的公平性，这些模型配置遵循前述的指导原则。对比实验设计的概述以及与实验相对应的缩写解释见表2。
表 2 实验比较设置Table 2. Detailed configuration of comparative experiments实验 训练对 模型 预测 UNRU US_NLCD Resnet18−Unet US UNRC Resnet18−Unet China UNIC IBN-Resnet18−Unet China UERU US_SR−B Resnet18−Unet US UERC Resnet18−Unet China UEIC IBN-Resnet18−Unet China CEIC China_SR−B IBN-Resnet18−Unet China 2.5 评价指标
根据土地覆盖图绘制领域的普遍评估方法，本研究采用既定的定量指标进行评估。这些度量包括联合平均交并比（MIoU）、加权交并比（FWIoU）、Kappa系数和总体精度（OA）。各指标具体计算方法参考文献[26]。
3. 结果与分析
3.1 超分辨率结果
为评估低分辨率标签中的标注错误和类别混淆引起的影响，以及衡量超分辨率（SR）带来的改进效果，对LR标签的混淆矩阵和分类精度指标进行比较（图2）。结果显示，森林和低植被类别之间的混淆最为显著。应用标签超分辨率（SR）后，各类别的分类精度显著提升，尤其是在低分辨率数据中，SR方法对减少类别混淆和提高分类准确度具有明显优势。
![]()
图 2 改进后的混淆矩阵通过标签SR改进后的混淆矩阵变化情况，明确展示标签从LR到SR转换的具体过程。Figure 2. Improved confusion matrix超分辨率处理后，森林和低植被类别的真阳性（TP）检测显著增加，同时假阳性（FP）和假阴性（FN）有所减少，所有类别的交并比（IoU）得分和总体准确率（OA）均有提升（表3）。对比发现，标签超分辨率（SR）后，总体准确率（OA）从原来的62.30%提升至76.80%，Kappa系数从0.52提升至0.68（表3）。这些结果表明，SR有效减少了低分辨率标签中的大范围噪声和粗糙标注带来的分类误差，尤其在森林和低植被类别中表现尤为显著。
表 3 标签超分辨前后各类精度指标变化情况Table 3. Changes in various accuracy indicators before and after label super-resolution精度指标 IoU 平均
IoUOA Kappa
系数F LV I W 原始LR标签 0.54 0.50 0.58 0.64 0.56 0.62 0.52 应用SR标签 0.62 0.58 0.67 0.72 0.63 0.77 0.68 由于LR标签中噪声较多且分辨率和精度技术差异因素较显著，阻碍了对相似土地覆盖类别的清晰区分，故这些噪声较多的产品不适用于精细的土地覆盖细节制图。后续的土地覆盖制图将采用来自美国的US_NLCD、US_ESA和中国的China_ESA标签。
3.2 土地覆盖制图精度评价
3.2.1 可视化分析
不同研究区域的典型土地覆盖情景见图3。使用ESA标签的模型在预测结果中表现出粗糙度和错误，尤其在水域边界识别上不准确且间歇。这是由于水域图像与水生植被特征相似，导致ESA标签中水域被错误分类为低植被或森林。相比之下，使用NLCD标签的模型在提取水体边界和不透水表面（如建筑物和城市景观）方面更准确，与地面实况更接近。中美之间的土地覆盖特征存在显著差异，包括地表成像特征、纹理、颜色和覆盖物体大小及其空间分布模式。研究表明，UNIC和UEIC模型加入IBN层，表现出更好的泛化能力和识别多样土地覆盖特征效率。尽管LR China_ESA的准确度低于LR US_ESA，CEIC的制图效果优于UEIC和UERC。加入IBN模块后，CEIC的结果有所改善，但在复杂土地覆盖场景中仍未能识别所有建筑物和道路。
![]()
图 3 样本区域对不同区域映射结果的定性比较Figure 3. Qualitative comparison of mapping results from sample regions to different regions3.2.2 定量分析
为进行定量比较，本研究基于高分辨率（HR）数据作为参考，计算各类土地覆盖类型的平均交并比（IoU）、修正交并比（MIoU）、面积加权的交并比（FWIoU）、Kappa系数和总体精度（OA）。不同土地覆盖类型的平均IoU得分见表4。森林（F）类别的分类精度较高，IoU值平均为0.70以上，而水体（W）和不透水表面（I）类别的分类精度相对较低，IoU范围在0.41～0.64。表5列出实验组和不同LR标签的总体精度指标对比。左侧栏的实验部分包括多个不同的实验对照组，用于比较不同的网络设置和训练条件对分类精度的影响。
表 4 所有土地覆盖类型的平均IOU得分Table 4. Average IOU score for all land cover classes土地覆
盖类型实验 LR 标签 UN
RUUN
RCUN
ICUE
RUUE
RCUE
ICCE
ICUS_ESA US_NLCD China_ESA F 0.85 0.78 0.80 0.83 0.70 0.74 0.76 0.66 0.72 0.57 I 0.80 0.56 0.64 0.71 0.46 0.48 0.61 0.54 0.76 0.38 LV 0.66 0.68 0.71 0.65 0.63 0.64 0.68 0.40 0.48 0.54 W 0.79 0.59 0.64 0.77 0.41 0.52 0.63 0.51 0.69 0.60 表 5 不同试验土地覆盖制图结果的定量比较Table 5. Quantitative comparison of land cover mapping results from different experiments参数 实验 LR 标签 UN
RUUN
RCUN
ICUE
RUUE
RCUE
ICCE
ICUS_ESA US_NLCD China_ESA 平均
MIoU0.77 0.65 0.70 0.74 0.55 0.59 0.67 0.53 0.66 0.53 平均
FWIoU0.80 0.73 0.75 0.77 0.66 0.69 0.72 0.58 0.66 0.55 平均
Kappa0.80 0.71 0.74 0.77 0.63 0.66 0.71 0.52 0.64 0.49 平均
OA0.88 0.84 0.85 0.87 0.79 0.81 0.83 0.71 0.78 0.70 分析发现，森林（F）类别的分类精度最高，平均IoU为0.74；而水体（W）和不透水表面（I）类别的分类精度相对较低。通过对比可以看出，US_NLCD 标签在各类别上的平均得分均高于US_ESA 标签，特别是在整体土地覆盖制图精度方面，US_NLCD 模型表现最优。使用噪声较小的NLCD标签能显著提高分类精度，尤其是森林和不透水表面类别改善明显。具体来说采用SR技术后，FWIoU和Kappa指标分别提高2.59%和7.34%，进一步结合IBN模块，UNIC和UERUC的FWIoU提升2.43%至9.78%，Kappa值增加3.04%至11.76%。这表明，UNRU、UNRC、UNIC、UERU、UERC、UEIC各实验设置在不同标签条件下有不同程度的改进，但在分类精度和一致性方面均显著提升。
3.3 噪声测试
为了研究标签噪声对模型在不同领域的影响，本研究向超分辨率标签US_NLCD中引入不同水平的噪声，噪声比例设置在0.20%～1.60%，并随机选定位置进行8次实验，以评估模型UNIC的性能（表6）。实验结果显示，随着噪声比例的增加，SR标签的准确性和UNIC的制图性能均有所下降。当噪声超过0.42%时，外源标签模型的表现开始低于内源性标签（CEIC）模型；当噪声比例达到0.58%时，尽管结果仍在可接受范围内，但各项指标已低于CEIC方法。在噪声水平超过0.66%后，映射性能显著退化，表明当使用噪声较多的外源性训练标签时，模型难以有效进行光泽县的土地覆盖制图。
表 6 引入外源标签噪声对土地覆盖图绘制的影响Table 6. The impact of introduced exogenous label noise on land cover mapping噪声
比例/%OA Kappa MIoU FWIoU SR
标签预测
结果SR
标签预测
结果SR
标签预测
结果SR
标签预测
结果0.00 0.82 0.85 0.71 0.74 0.72 0.70 0.72 0.75 0.20 0.82 0.84 0.71 0.74 0.72 0.74 0.72 0.74 0.40 0.82 0.84 0.70 0.73 0.71 0.73 0.71 0.74 0.60 0.82 0.82 0.70 0.70 0.71 0.71 0.71 0.71 0.80 0.82 0.81 0.70 0.69 0.71 0.70 0.71 0.70 1.00 0.81 0.80 0.70 0.67 0.71 0.67 0.71 0.68 1.20 0.81 0.77 0.69 0.63 0.70 0.64 0.70 0.65 1.40 0.81 0.76 0.69 0.61 0.70 0.62 0.70 0.64 1.60 0.81 0.76 0.69 0.60 0.70 0.61 0.70 0.63 3.4 光泽县土地覆盖制图
光泽县最终的土地覆盖制图结果见图4。分析可知，深绿色表示的森林主要分布在光泽县的西部和北部山区，形成大片连续的森林覆盖；红色表示的不透水表面主要集中在县城及其周边区域，显示出显著的城镇和基础设施分布；浅绿色表示的低植被区域零散分布于森林和不透水表面之间，主要出现在农田和草地；蓝色表示的水体沿着主要河流及其支流分布，显示出光泽县的水系网络。整体而言，光泽县土地覆盖类型分布具有明显的空间异质性，各类型用地分布清晰，界限分明。
图4a～d进一步展示光泽县不同区域的土地覆盖细节。图4a和图4b展示光泽县北部山区的细节，这里深绿色的森林覆盖广泛，显示出较高的森林密度；同时，可以看到少量的蓝色水体沿河流分布，反映该地区的水系情况。图4c和图4d展示光泽县及其周边区域的土地覆盖情况，这些区域以红色的不透水表面为主，反映城镇建设和基础设施的分布；此外，浅绿色的低植被区域散布在不透水表面之间，主要出现在农田和草地区域。通过这些放大图，可以清晰观察到光泽县不同土地覆盖类型的空间分布特征和细节，有助于进一步理解该区域的生态环境和土地利用现状。
4. 结论与讨论
4.1 讨论
4.1.1 与全球产品的比较
本研究以中国福建光泽县为例，探讨使用FCN超分辨率网络模型进行土地覆盖分类的可行性，并与全球土地覆盖产品如ESA World Cover、FROM_GLC100、ESRI_LULC和GLC_FCS进行比较分析。结果表明，本研究提出的方法在多种环境下均表现出较强的制图能力。然而，不同的全球土地覆盖产品在不同区域的制图精度存在差异，尤其在光泽县区域，许多产品的精度较低。通过将本研究提出方法与全球土地覆盖产品的制图结果对比发现，当全球产品的精度和分辨率不足以满足更精细的土地覆盖信息需求时，使用其他区域的高精度产品作为参考标签，能够生成更优质的土地覆盖地图。
4.1.2 土地覆盖制图性能
数据预处理过程中，采用ESA标签模型用于光泽县土地覆盖分类存在一定的粗糙度和错误，尤其是在水域边界识别方面表现不准确。相比之下，采用NLCD标签的模型在提取土地覆盖特征方面表现更为优异。定量分析表明，森林类别的分类效果较好，而水域和不透水表面的分类效果较差；整体性能显示，NLCD标签模型的结果较为理想。另外，通过整合实例批归一化网络（IBN−Net），模型的性能和泛化能力得到显著提升。总体而言，在中国光泽县地区应用深度学习网络构建的FCN超分辨率模型是可行的，通过改进模型结构和采用适当的训练标签，我们可以实现更准确的土地覆盖分类。
4.1.3 外源标签噪声测试
为探讨标签噪声和精度对外源标签域迁移的影响，本研究向US_NLCD超分辨率标签引入不同水平和类型的噪声，以评估UNIC的性能。结果显示，利用外源标签进行模型训练能提升性能，但并非所有外源标签都有效。不同区域的植被类型、建筑风格、光照条件及遥感图像获取方式的差异，导致图像纹理特征不同，影响深度学习模型在目标区域的适用性。一般情况下，相似精度下内源标签的效果优于外源标签，只有精度高且噪声低的外源标签才适合作为领域迁移的训练标签。综上，标签噪声对域迁移产生影响，低噪声的外源标签能取得较好效果，但在噪声达到一定程度时，使用精度较低的内源标签可能更有利。
4.1.4 存在的局限与挑战
本研究虽取得重要发现，但仍存在训练标签不平衡的局限性，这可能削弱模型在某些类别上的表现，影响结果的准确性与可靠性。虽然样本选择中尽量增加多样性，但是类别不平衡的问题仍然难以完全避免。为解决这一问题，需要对数据集进行调整或采取其他策略，以平衡类别分布，从而提升模型的泛化能力和整体表现。本研究提出一种新方法，主要应用于多类别土地覆盖制图，但其适用范围不限于此，在语义分割或分类的其他领域如提取森林、水体或建筑物等特定土地特征，该方法在其他领域同样表现出较强的适用性。
尽管本研究聚焦于中国和美国的领域，所提出的方法并不限于这些区域。同样，内源标签在域迁移中的适用性超越NLCD。许多研究团队已为目标区域生成高分辨率土地覆盖地图，但其准确性和实用性仍需与国家级权威产品进行比较。这种背景下，使用现有可靠的土地覆盖产品生成结果更具可信度。本研究旨在应对精细标签匹配不足的问题，特别是标注成本较高的情况下，现有的精细手工标注标签可以有效缓解标签缺乏的问题，从而在域迁移中取得更好的效果。
4.2 结论
研究提出一种基于深度学习的新型土地覆盖制图方法，通过使用异地低分辨率标签实现高分辨率土地覆盖制图，消除对匹配标签的需求。研究发现：
1）数据源异构性和标签精度均影响标签超分辨率效果。在缺乏本地高质量标签且异地标签噪声不超过一定范围时，异地超分辨率标签可作为有效训练数据。
2）光泽县地区，使用外源NLCD标签的模型表现优于噪声水平较高的内生标签，平均总体准确率OA）增加2.55%，达到85.48%。
3）缺乏内源高精度标签情况下，采用具有一定精度的外源标签能够提高高分辨率土地覆盖的制图精度，进而减轻地物特征差异对制图的影响。
4）谷歌地球影像和NLCD数据集的实验结果证明所提方法的优越性，为集成无匹配标签的语义分割模型提供基础。
-
![]()
图 2 改进后的混淆矩阵
通过标签SR改进后的混淆矩阵变化情况，明确展示标签从LR到SR转换的具体过程。
Figure 2. Improved confusion matrix
![]()
图 3 样本区域对不同区域映射结果的定性比较
Figure 3. Qualitative comparison of mapping results from sample regions to different regions
表 1 不同来源的数据产品信息
Table 1 Data product information from different sources
数据集 年份 尺度 空间分辨率/m NLCD (level II) 2019 国家（美国） 30 ESA WorldCover v100 2020 全球 10 FROM−GLC10 2017 全球 10 ESRI−LULC 2020 全球 10 GLC_FCS30 2015 全球 30 
下载: 导出CSV
表 2 实验比较设置
Table 2 Detailed configuration of comparative experiments
实验 训练对 模型 预测 UNRU US_NLCD Resnet18−Unet US UNRC Resnet18−Unet China UNIC IBN-Resnet18−Unet China UERU US_SR−B Resnet18−Unet US UERC Resnet18−Unet China UEIC IBN-Resnet18−Unet China CEIC China_SR−B IBN-Resnet18−Unet China
下载: 导出CSV
表 3 标签超分辨前后各类精度指标变化情况
Table 3 Changes in various accuracy indicators before and after label super-resolution
精度指标 IoU 平均
IoUOA Kappa
系数F LV I W 原始LR标签 0.54 0.50 0.58 0.64 0.56 0.62 0.52 应用SR标签 0.62 0.58 0.67 0.72 0.63 0.77 0.68
下载: 导出CSV
表 4 所有土地覆盖类型的平均IOU得分
Table 4 Average IOU score for all land cover classes
土地覆
盖类型实验 LR 标签 UN
RUUN
RCUN
ICUE
RUUE
RCUE
ICCE
ICUS_ESA US_NLCD China_ESA F 0.85 0.78 0.80 0.83 0.70 0.74 0.76 0.66 0.72 0.57 I 0.80 0.56 0.64 0.71 0.46 0.48 0.61 0.54 0.76 0.38 LV 0.66 0.68 0.71 0.65 0.63 0.64 0.68 0.40 0.48 0.54 W 0.79 0.59 0.64 0.77 0.41 0.52 0.63 0.51 0.69 0.60
下载: 导出CSV
表 5 不同试验土地覆盖制图结果的定量比较
Table 5 Quantitative comparison of land cover mapping results from different experiments
参数 实验 LR 标签 UN
RUUN
RCUN
ICUE
RUUE
RCUE
ICCE
ICUS_ESA US_NLCD China_ESA 平均
MIoU0.77 0.65 0.70 0.74 0.55 0.59 0.67 0.53 0.66 0.53 平均
FWIoU0.80 0.73 0.75 0.77 0.66 0.69 0.72 0.58 0.66 0.55 平均
Kappa0.80 0.71 0.74 0.77 0.63 0.66 0.71 0.52 0.64 0.49 平均
OA0.88 0.84 0.85 0.87 0.79 0.81 0.83 0.71 0.78 0.70
下载: 导出CSV
表 6 引入外源标签噪声对土地覆盖图绘制的影响
Table 6 The impact of introduced exogenous label noise on land cover mapping
噪声
比例/%OA Kappa MIoU FWIoU SR
标签预测
结果SR
标签预测
结果SR
标签预测
结果SR
标签预测
结果0.00 0.82 0.85 0.71 0.74 0.72 0.70 0.72 0.75 0.20 0.82 0.84 0.71 0.74 0.72 0.74 0.72 0.74 0.40 0.82 0.84 0.70 0.73 0.71 0.73 0.71 0.74 0.60 0.82 0.82 0.70 0.70 0.71 0.71 0.71 0.71 0.80 0.82 0.81 0.70 0.69 0.71 0.70 0.71 0.70 1.00 0.81 0.80 0.70 0.67 0.71 0.67 0.71 0.68 1.20 0.81 0.77 0.69 0.63 0.70 0.64 0.70 0.65 1.40 0.81 0.76 0.69 0.61 0.70 0.62 0.70 0.64 1.60 0.81 0.76 0.69 0.60 0.70 0.61 0.70 0.63
下载: 导出CSV
-
[1] 侯婉. 基于多源数据融合的全球海岸带土地利用/覆盖遥感制图及变化特征研究[D]. 烟台: 中国科学院大学(中国科学院烟台海岸带研究所), 2020. [2] 李淼, 陈斌, Chris W, 等. 中国10米海岸带土地覆盖遥感自动制图(英文) [J]. Science Bulletin, 2022, 67(17): 1750−1754 [3] 林楠. 基于形状先验和深度神经网络的遥感目标自动标注[D]. 西安: 西安电子科技大学, 2022. [4] 郭燕滔. 基于机器学习的森林覆盖及变化信息提取方法研究[D]. 北京: 中国科学院大学(中国科学院空天信息创新研究院), 2022. [5] 宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J/OL]. 计算机应用, 1−13 [2024−12−17]. http://kns.cnki.net/kcms/detail/51.1307.TP.20240325.1409.008.html. [6] 董世英, 吴田军, 焦思佳. 地块级航空高光谱遥感土地覆盖制图及其精度评估 [J]. 遥感技术与应用, 2023, 38(2): 353−361. [7] Gong P, Wang J, Yu L, et al. Finer resolution observation and monitoring of global land cover: first mapping results with landsat TM and ETM + data [J]. International Journal of Remote Sensing, 2013, 34(7): 2607−2654. DOI: 10.1080/01431161.2012.748992
[8] Chen J, Chen J, Liao A P, et al. Global land cover mapping at 30m resolution: a POK-based operational approach [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7−27. DOI: 10.1016/j.isprsjprs.2014.09.002
[9] Zanaga D, Kerchove R, Keersmaecker W, et al. ESA WorldCover 10 m 2020 v100[DB]. (2021−11−01)[2024−08−10]. https://viewer.esa-worldcover.org/worldcover.
[10] 梁顺波, 孙林, 杜永明, 等. 基于GEE平台的每年夏冬两期土地覆盖分类方法研究[J/OL]. 北京师范大学学报(自然科学版), 1−14 [2024−12−17]. http://kns.cnki.net/kcms/detail/11.1991.N.20240328.1003.001.html. [11] Cao S Y, Tang Y B, Yan E P, et al. Bridging domains and resolutions: deep learning-based land cover mapping without matched labels [J]. Remote Sensing, 2024, 16(8): 1449. DOI: 10.3390/rs16081449
[12] Malkin N, Ortiz A, Jojic N. Mining self-similarity: label super-resolution with epitomic representations[M]//Lecture Notes in Computer Science. Cham: Springer International Publishing, 2020: 531−547.
[13] Li Z H, Zhang H Y, Lu F X, et al. Breaking the resolution barrier: a low-to-high network for large-scale high-resolution land-cover mapping using low-resolution labels [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 192: 244−267. DOI: 10.1016/j.isprsjprs.2022.08.008
[14] 董世英. 地块级高光谱遥感土地覆盖分类制图及不确定性分析[D]. 西安: 长安大学, 2023. [15] Wickham J, Stehman S V, Sorenson D G, et al. Thematic accuracy assessment of the NLCD 2019 land cover for the conterminous United States [J]. GIScience & Remote Sensing, 2023, 60(1): 2181143.
[16] 闫鹏博, 李剑, 李劼. 一种增强迁移学习能力的多领域适配器融合算法[J/OL]. 移动通信, 1−7 [2024−12−17]. http://kns.cnki.net/kcms/detail/44.1301.TN.20240327.1700.002.html. [17] Pan X G, Luo P, Shi J P, et al. Two at once: enhancing learning and generalization capacities via IBN−Net[M]//Lecture Notes in Computer Science. Cham: Springer International Publishing, 2018: 484−500.
[18] 罗华美. 基于最大池化层参数的优化模型在引力波天文学中的应用 [J]. 重庆工商大学学报(自然科学版), 2020, 37(1): 59−64. [19] 刘婉军, 王宏志. 基于先验知识和Kullback-Leibler距离的超分辨率图像重建 [J]. 长春工业大学学报(自然科学版), 2014, 35(6): 645−649. [20] 杨波, 方杰. 基于Kullback-Leibler散度的多指标群体评价算法研究 [J]. 技术与市场, 2023, 30(9): 28−31. [21] 杜云梅, 黄帅, 梁会营. 基于深度卷积神经网络的脑电图异常检测 [J]. 华南师范大学学报(自然科学版), 2020, 52(2): 122−128. [22] 袁科文, 张贯宇, 刘送永, 等. 依据批归一化卷积神经网络算法的木材类别机器视觉识别方法 [J]. 东北林业大学学报, 2022, 50(7): 94−98. DOI: 10.3969/j.issn.1000-5382.2022.07.018 [23] 殷晓航, 王永才, 李德英. 基于U-Net结构改进的医学影像分割技术综述 [J]. 软件学报, 2021, 32(2): 519−550. [24] 王斌, 陈占龙, 吴亮, 等. 兼顾连通性的U-Net网络高分辨率遥感影像道路提取 [J]. 遥感学报, 2020, 24(12): 1488−1499. [25] 张拯明, 郭燕, 马翠霞, 等. GT-4S: 基于图Transformer的场景草图语义分割 [J]. 软件学报, 2025, 36(3): 1375−1389 [26] Huang Y, Wang Y Q, Li Z B, et al. Simultaneous update of high-resolution land-cover mapping attempt: Wuhan and the surrounding satellite cities cartography using L2HNet [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, 16: 2492−2503. DOI: 10.1109/JSTARS.2023.3243281
计量
- 文章访问数: 3
- PDF下载量: 0
