A SwiGLU enhanced ConvNeXt framework for multispectral Sentinel-2 land use and land cover classification
Neeraj Kumar · Navin Rajpal · Pramod Kumar Soni
提出SwiGLU增强的ConvNeXt框架，融合多光谱波段与指数集成分类Sentinel-2土地利用
改进ConvNeXt加SwiGLU门控，用RGB、NIR、SWIR及NDVI/N
集成框架总体精度99.19%、Kappa 0.9909，优于CNN、迁移学习和Transformer
可探索多光谱指数组合与门控机制在作物精细分类及跨区域迁移中的泛化能力。
提出融合SwiGLU门控与多光谱波段组合的ConvNeXt集成框架，在Sentinel-2土地利用分类上达99.19%精度，方法新颖且对农业遥感监测有实用价值。
多光谱卫星影像的土地利用与土地覆盖（LCLU）分类对城市规划、环境监测、农业和灾害管理等应用具有重要意义。现有的基于深度学习的方法改进了LCLU分类；然而，大多数方法仅利用多光谱Sentinel-2影像的红、绿、蓝（RGB）波段，从而未能充分利用近红外（NIR）、短波红外（SWIR）以及归一化差异建成区指数（NDBI）、归一化差异植被指数（NDVI）和归一化差异水体指数（NDWI）等衍生光谱指数中可用的互补光谱信息。在本研究中，我们提出了一种基于改进ConvNeXt架构的卷积神经网络（CNN）——SwigNeXT，用于多光谱Sentinel-2影像分类，采用RGB、NIR–Red–Green、SWIR–NIR–Red等光谱波段组合以及NDBI–NDVI–NDWI衍生指数组合，而非仅使用RGB。SwigNeXT引入了基于SwiGLU的门控特征调制，以改进光谱空间特征表示。最终分类通过集成三种光谱波段组合和衍生指数组合的预测结果获得。实验结果表明，所提出的集成框架达到了99.19%的总体精度，Kappa系数（\(\kappa\)）为0.9909，优于传统CNN、基于迁移学习的CNN以及基于Transformer的方法。进一步集成了基于梯度的SHapley加性解释框架，以分析空间和光谱特征贡献。所提出的框架在德里–NCR地区的Sentinel-2影像上进一步验证，以检验其在地理上不同的真实成像条件下的适用性。