地理上下文至关重要：融合细粒度与粗粒度空间信息以增强大洲尺度土地覆盖制图
计算机视觉与模式识别
2025-04-18 v1 机器学习
摘要
基于地球观测（EO）数据的土地利用与土地覆盖制图是可持续土地与资源管理的关键工具。尽管先进的机器学习与深度学习算法在分析 EO 影像数据方面表现出色，但它们往往忽略了关键的地理空间元数据信息，而这些信息能够提升在区域、大洲及全球尺度上的可扩展性与准确性。为解决这一局限性，我们提出了 BRIDGE-LC（Bi-level Representation Integration for Disentangled GEospatial Land Cover，用于解耦地理空间土地覆盖的双层表示集成），这是一种将多尺度地理空间信息集成到土地覆盖分类过程中的新型深度学习框架。通过同时利用细粒度（经度/纬度）与粗粒度（生物地理区域）空间信息，我们的轻量级多层感知机架构在训练期间从两者中学习，但在推理时仅需细粒度信息，从而在保持计算效率的同时，将特定区域的土地覆盖特征与区域无关的土地覆盖特征解耦。为评估我们框架的质量，我们使用了一个开放获取的原位数据集，并采用了大规模土地覆盖制图中通常考虑的几种竞争性分类方法。我们通过两种场景评估了所有方法：一种是外推场景，其训练数据包含来自所有生物地理区域的样本；另一种是留一区域交叉场景，其中一个区域被排除在训练之外。我们还探索了模型学习到的空间表示，突出了其内部流形与训练期间使用的地理信息之间的联系。我们的结果表明，集成地理空间信息可提升土地覆盖制图性能，而联合利用细粒度与粗粒度空间信息可获得最显著的增益。
引用
@article{arxiv.2504.12368,
title = {Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping},
author = {Babak Ghassemi and Cassio Fraga-Dantas and Raffaele Gaetano and Dino Ienco and Omid Ghorbanzadeh and Emma Izquierdo-Verdiguier and Francesco Vuolo},
journal= {arXiv preprint arXiv:2504.12368},
year = {2025}
}