Sonoma-LCC-Gen：基于Google Earth Engine嵌入的土地覆盖分类神经网络项目

Sonoma-LCC-Gen项目核心概述

该项目由NickJC01与Broderick Noyes、Nicholas Slankard合作开发，于2026年6月4日在GitHub发布（链接：https://github.com/NickJC01/Sonoma-LCC-Gen）。其核心目标是为美国加州索诺玛县生成10米分辨率的高精度土地覆盖分类地图，独特之处在于仅使用Google Earth Engine（GEE）提供的64维嵌入向量作为输入数据，无需其他补充数据源，展示了遥感数据与深度学习结合的创新应用。

Google Earth Engine嵌入简介

GEE是云端地理空间数据处理平台，近年引入深度学习嵌入功能，将卫星影像转换为64维数值向量（嵌入），这是对原始遥感数据的抽象压缩，蕴含地表覆盖丰富信息。

使用嵌入的优势

1. 数据轻量化：大幅压缩原始影像数据量；
2. 计算高效：直接输入下游模型，省去复杂预处理；
3. 特征丰富：包含预训练模型学习的地表特征；
4. 标准化输入：统一格式便于跨时间/区域比较分析。

神经网络模型架构

项目探索多种模型：

• 卷积神经网络（CNN）：提取局部空间特征，适用于地物纹理/形状识别；
• U-Net及其变体：编码器-解码器结构，实现像素级分类；
• 其他分类器：可能尝试全连接网络、随机森林、支持向量机等，比较性能差异。

项目结构与工作流程

• Infrastructure模块：负责数据获取预处理，包括Drive挂载、瓦片生成（标签shapefile+GEE嵌入生成TIF）、Parquet文件生成（含标签/无标签用于推理）；
• Models模块：包含多种神经网络实现，在Google Colab环境利用云端GPU训练，保留最新测试结果。

数据访问限制

项目使用的GEE项目（'sonoma-lcc'）为私有，其他用户运行代码会遇权限错误。解决方案：

1. 创建自己的GEE项目；
2. 修改项目ID配置；
3. 按流程生成数据集。

Google Colab依赖问题

项目依赖Colab特有功能（如Drive挂载），本地运行需：

1. 调整数据路径配置；
2. 确保GEE认证正确；
3. 准备GPU资源（推荐）。

精准农业

帮助农民了解农田状况，识别作物类型、估算种植面积、监测长势，支撑精准决策。

森林管理

索诺玛县森林资源丰富，分类结果可用于：

• 监测森林覆盖变化；
• 评估健康状况；
• 规划可持续林业活动；
• 预防/监测森林火灾。

城市规划

10米分辨率数据清晰显示建成区、绿地、水体分布，为城市规划提供基础。

气候变化研究

长期土地覆盖变化数据是气候变化影响研究的重要输入，助力理解人类活动与自然因素对地表的影响。

技术启示

项目展示遥感数据处理新范式：

1. 云端计算：利用GEE和Colab云端资源，降低本地计算需求；
2. 嵌入表示：预训练特征简化下游数据准备；
3. 开源协作：代码开源便于复现与扩展。

未来展望

• 融合多源数据（光学、雷达、高程）提升分类精度；
• 实现时序分析，监测土地覆盖动态变化；
• 开发轻量模型，支持边缘设备部署；
• 扩展至更大区域甚至全球尺度的土地覆盖制图。