Biesbosch 湿地的有监督与自监督土地覆盖分割与分类

准确的湿地土地覆盖分类对于环境监测、生物多样性评估和可持续生态系统管理至关重要。然而，标注数据的稀缺，尤其是高分辨率卫星影像的标注数据，对有监督学习方法构成了重大挑战。为解决这一问题，本研究提出了一种同时采用有监督和自监督学习（SSL）的湿地土地覆盖分割与分类方法。我们在荷兰六个湿地区域的 Sentinel-2 影像上从头训练了一个 U-Net 模型，实现了 85.26% 的基线模型准确率。针对标注数据有限的问题，结果表明，使用自编码器进行 SSL 预训练可以提高准确率，尤其是在难以获取标注数据的高分辨率影像上，其准确率达到了 88.23%。此外，我们引入了一个框架，将人工标注的高分辨率标签缩放至中分辨率输入。尽管不同分辨率之间的定量表现相当，但高分辨率影像提供了显著更清晰的分割边界和更精细的空间细节。作为本工作的一部分，我们还贡献了一个带有 Dynamic World 标签的精选 Sentinel-2 数据集，该数据集专为湿地分类任务定制并已公开发布。