评估AlphaEarth嵌入在复杂地形中用于树种映射的有效性

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Evaluating the Efficacy of AlphaEarth Embeddings for Tree Species Mapping in Complex Terrain

　　

摘要：

在复杂地形中准确地进行树种识别对于森林管理至关重要，但这一过程受到遥感图像中光谱混淆和地形效应的阻碍。遥感基础模型的出现为“表示学习”提供了一种有前景的范式转变。本研究系统地评估了AlphaEarth Foundation（AEF）模型在四川省进行树种分类的效果，该地区地形破碎且植被垂直分层明显。我们设计了一个比较框架，包括三种不同的输入配置：AEF嵌入（AI-Ready数据）、传统的多源特征（Analysis-Ready数据）以及两者的结合。研究结果表明：(1) 仅使用64维的AEF嵌入即可达到79%的总体准确率（OA），显著优于传统的多源特征（OA = 73%）；(2) 将AEF嵌入与传统特征结合使用，其性能与AEF嵌入相当（OA = 79%，Kappa = 0.77），表明两者结合并未带来明显的准确率提升；(3) AEF有效缓解了相似针叶树种（如云杉与冷杉）之间的光谱混淆，在高海拔地区F1分数提高了约10%；(4) AEF基于的工作流程通过避免复杂的预处理步骤，将总计算时间减少了约83%；(5) AEF嵌入在标签效率和性能稳定性方面表现更优，即使在训练样本有限（例如数据集的20%）以及陡峭山区条件下，也能实现比传统多源特征更高的分类准确率；(6) AEF嵌入与基于集成学习的非线性分类器（如随机森林RF）具有良好的兼容性，其中RF在三种分类器中表现最佳。本研究证实，AEF可以作为一种有效的工具...

显示更多