摘要

哥白尼哨兵-2（Copernicus Sentinel-2）影像数据的海量可用性为深度学习（DL）方法在土地利用与土地覆盖（LULC）图像分类中的应用开辟了全新机遇。然而，目前仍缺乏一套全面的基准实验体系，即在相同数据集上、采用统一且一致的评估指标，并在相同硬件环境下测试不同深度学习模型。在本研究中，我们首次利用BigEarthNet Sentinel-2数据集，对多种前沿深度学习模型在多标签、多分类LULC图像分类任务中进行系统性基准测试，构建了一个包含60个已训练模型的全面模型库。该基准涵盖标准卷积神经网络（CNN）以及非卷积类方法，重点评估了EfficientNets与宽残差网络（Wide Residual Networks, WRN）架构，并综合比较了分类精度、训练时间与推理速度等关键性能指标。此外，我们提出将EfficientNet的复合缩放（compound scaling）框架应用于轻量级WRN模型的结构优化。通过引入高效的通道注意力机制（Efficient Channel Attention），所构建的缩放后轻量模型成为新的最优方案。该模型在全部19个LULC类别上的平均F-Score分类准确率相较标准ResNet50基线模型提升了4.5%，同时可训练参数量减少了一个数量级。我们已公开所有训练完成的模型及其在多GPU节点上实现分布式训练的代码。这一预训练编码器模型库可广泛应用于基于Sentinel-2数据的各类遥感任务中的迁移学习与快速原型开发，避免依赖在不同领域数据（如ImageNet）上训练的主干网络。我们进一步在不同规模、多样化的数据集上验证了这些模型在迁移学习中的适用性。其中，表现最优的WRN模型在SEN12MS数据集上实现了71.1%的F-Score，达到当前最先进水平，而其训练过程仅使用了原始训练数据的一小部分。