Using GeoAI and machine learning tools for consistent high-resolution land cover mapping based on time-series NAIP imagery

📄 arXiv: 2611.04470v1 📥 PDF

作者: Jie Liu, Xusheng Tang, Chao Wang, Zhengxiao Yan, Yuchen Dai, Qi Zhang, Conghe Song

分类: cs.CV

发布日期: 2026-11-03

备注: 17 pages. Published version

期刊: Landscape Ecology 41, 109 (2026)

DOI: 10.1007/s10980-026-02358-3

💡 一句话要点

提出双轨工作流程以解决历史航空影像一致性问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 土地覆盖图 遥感影像 深度学习 时空桥接 生态监测 高分辨率 GeoAI

📋 核心要点

  1. 现有的土地覆盖图缺乏一致的历史时间序列，导致生态监测面临挑战。
  2. 提出了一种双轨工作流程，通过NAIP影像生成时间一致的高分辨率土地覆盖图，无需历史训练样本。
  3. 在六个县的实验中，2014年和2017年的总体准确率分别达到0.887和0.886，显示出显著的性能提升。

📝 摘要（中文）

高分辨率土地覆盖图支持生态监测，但一致的历史时间序列仍然稀缺，因为航空影像在不同年份和传感器之间存在差异。本文开发了一种双轨工作流程，利用国家农业影像计划（NAIP）影像生成时间一致的1米土地覆盖图，无需历史训练样本。对于2009-2017年的高质量影像，采用预训练的U-Net/ResNet-34模型，并通过Segment Anything Model (SAM) 精细化边界。对于2004-2008年的低质量影像，通过基于NLCD的时空桥接和标签回溯管道重建土地覆盖。对北卡罗来纳州和宾夕法尼亚州六个县的评估显示，2014年和2017年的总体准确率为0.887和0.886，而2004年为0.733。结构、水体、湿地和农田的F1分数始终较高。该工作流程整合了GeoAI和多种数据源，以应对历史航空影像的时间异质性，支持美国大陆的高分辨率土地变化分析和景观规划。

🔬 方法详解

问题定义：本文旨在解决高分辨率土地覆盖图生成中的时间一致性问题，现有方法在不同年份和传感器下的影像差异导致历史数据稀缺。

核心思路：通过双轨工作流程，结合高质量和低质量影像，利用深度学习模型和时空桥接技术，实现土地覆盖图的生成和一致性维护。

技术框架：整体架构分为两个主要阶段：第一阶段针对2009-2017年高质量影像，使用预训练的U-Net/ResNet-34模型；第二阶段针对2004-2008年低质量影像，采用NLCD基础的时空桥接和标签回溯管道。

关键创新：该研究的创新点在于无须历史训练样本的情况下，成功实现了时间一致的土地覆盖图生成，显著改善了历史影像的利用效率。

关键设计：在模型设计中，使用了U-Net/ResNet-34的组合结构，并通过SAM精细化边界，确保了高质量影像的准确性；同时，NLCD基础的时空桥接方法有效地重建了低质量影像的土地覆盖信息。

📊 实验亮点

实验结果显示，2014年和2017年的总体准确率分别为0.887和0.886，较2004年的0.733有显著提升。结构、水体、湿地和农田的F1分数始终较高，表明该方法在不同土地覆盖类型上的有效性和稳定性。

🎯 应用场景

该研究的潜在应用领域包括生态监测、城市规划、农业管理等，能够为政策制定者和研究人员提供高分辨率的土地覆盖变化信息，促进可持续发展和环境保护。未来，该方法可扩展至其他地区和不同类型的遥感影像，进一步提升土地覆盖图的生成效率和准确性。

📄 摘要（原文）

High-resolution land-cover maps support ecological monitoring, but consistent historical time series remain scarce because aerial imagery varies across years and sensors. We developed a dual-track workflow to produce temporally coherent 1-m land-cover maps from National Agricultural Imagery Program (NAIP) imagery without historical training samples. For higher-quality imagery from 2009-2017, we used a pretrained U-Net/ResNet-34 model and refined boundaries with the Segment Anything Model (SAM). For lower-quality imagery from 2004-2008, we reconstructed land cover through an NLCD-based spatiotemporal bridging and label back-casting pipeline. Evaluation across six counties in North Carolina and Pennsylvania yielded overall accuracies of 0.887 (2014), 0.886 (2017), and 0.733 (2004). Structure, Water, Wetland, and Cropland consistently achieved high F1-scores. The workflow integrates GeoAI and multiple data sources to address temporal heterogeneity in historical aerial imagery, supporting high-resolution land-change analysis and landscape planning across the conterminous United States.