Generating Annual 10 m Land Cover Maps for 37 Chinese Metropolises Using Google Satellite Embeddings

方法

谷歌卫星嵌入特征+集成学习+时空后处理，对比FROM-GLC10并做消融与SHA

发现

集成模型总体精度82.59%，嵌入特征比传统特征高6.54%，揭示城市扩张与生态恢复并存。

机会点

可探索卫星嵌入在耕地变化监测与农业用地精细分类中的迁移能力及跨城市泛化性。

准确的城市土地覆盖信息对于监测城市化与环境变化至关重要，然而城市景观的复杂性和异质性仍对高分辨率遥感分类构成挑战。本研究以Google Satellite Embeddings作为核心特征输入，结合集成学习与时空后处理，生成了2017—2024年中国37个大城市逐年10 m土地覆盖图。结果表明，加权集成模型的总体精度（OA）达到81.99%，比最优单一模型高2.13%，时空后处理进一步将OA提升至82.59%。与FROM-GLC10等现有土地覆盖产品相比，所提产品的OA高出4.20%。消融实验表明，嵌入表征是性能提升的主要来源。在相同集成学习框架下，Satellite Embedding特征的OA比传统遥感特征高6.54%。SHapley Additive exPlanations（SHAP）分析识别出A16、A36、A51、A61和A22为关键嵌入维度，Pearson相关分析进一步揭示了关键维度与光谱、雷达、纹理和地形信息之间的关联。变化分析表明，2017—2024年间城市扩张、生态恢复与农用地收缩同时发生，其中耕地转为林地和耕地转为不透水面的转换路径最为突出。总体而言，Satellite Embeddings为复杂大城市环境中的逐年土地覆盖制图和长期变化分析提供了有效的特征表征。