生态类型再分类模型路线
介绍生态类型再分类模型的目标、总体路线、优先模型、探索模型与阶段性实施方案。
本文介绍生态类型再分类模型的目标、总体路线、优先模型、探索模型与阶段性实施方案。
1. 生态类型再分类模型的目的
本项目的目的，是在现有生态类型分类成果基础上，建立一套能够持续用于后续年度的生态类型再分类方法。
现有的生态类型图已经确定了分类体系，也提供了全国范围内的基础类别信息，但其空间分辨率和局部精细程度仍然有限。后续工作不是完全抛开已有成果，从头重新制作一套生态类型图，而是利用已有分类结果筛选可靠样本，再结合 Sentinel-2 多季节遥感影像、地形、土壤等环境信息，重新识别每个区域的生态类型。
模型首先需要学习不同生态类型在光谱、季节变化、地形位置和土壤条件上的差异。例如，不同森林类型可能具有不同的物候变化，草地、农田和荒漠在植被指数和水分条件上存在明显区别，湿地和水体则与地形、水分指数密切相关。通过这些信息，模型可以把原有分类成果中包含的生态知识，转换为一套能够应用到遥感影像上的分类规则。
这套模型主要承担三个任务。
第一，是以既有分类成果为基础，生成空间分辨率更高、局部边界更细致的生态类型分类结果，为后续形成 30 米生态类型产品提供技术支撑。
第二，是建立一套可以重复使用的年度更新流程。以后获得新年份的 Sentinel-2 影像后，不需要重新进行大规模人工判读和制图，只需按照统一的数据处理、特征提取和模型预测流程，就可以生成新年份的生态类型分类结果。
第三，将数据的分辨率提高。
因此，这项工作的重点不只是训练一个分类精度较高的模型，而是形成一套长期可运行的技术体系。该体系应当保持分类标准统一、不同年份成果相互可比，同时能够识别生态类型的真实变化，尽量避免由于影像质量、季节差异或模型波动造成不合理的类别变化。
整体上，这套模型要实现的是：
以现有生态类型成果为基础
↓
构建可靠的生态类型训练样本
↓
学习遥感、地形和土壤特征与生态类型之间的关系
↓
生成更精细的生态类型结果
↓
应用于后续年份遥感数据
↓
持续更新年度生态类型分类成果
这里所说的“再分类”，不是简单地把提高原始数据分辨率，也不是机械地复制原有类别，而是借助更高分辨率的遥感和环境信息，对生态类型进行重新判断和空间细化。
2. 总体模型路线
生态类型再分类涉及多季节遥感影像、地形、土壤等多种数据，同时还面临类别多、样本不均衡、原始标签存在一定误差等问题。因此，模型路线不宜一开始就追求结构最复杂、计算量最大的深度学习模型，而应先建立稳定的基础流程，再根据实际结果逐步提高模型复杂度。
总体上，模型研发分为三个阶段。
2.1 第一阶段：建立像元级机器学习模型
第一阶段以 RandomForest、LightGBM 和 XGBoost 等树模型为主。
这类模型把每个样本点或像元看作一条独立记录，输入内容包括不同季节的 Sentinel-2 波段、遥感指数、DEM、坡度、坡向和土壤信息，模型根据这些特征判断对应的生态类型。
这一阶段先使用 RandomForest 建立基准模型。RandomForest 结构相对简单，训练过程稳定，适合快速检查训练样本和输入特征是否有效。如果连 RandomForest 都难以得到合理结果，通常说明问题更可能出在标签质量、样本构建、类别混淆或特征选择上，而不是模型本身不够复杂。
在基础流程验证通过后，再重点训练 LightGBM 或 XGBoost。相较于 RandomForest，这两类模型通常能够更细致地学习不同特征之间的组合关系，对复杂类别边界和类别不均衡问题也有更大的调整空间。因此，LightGBM 或 XGBoost 将作为现阶段的主力模型，承担主要的分类和年度预测任务。
2.2 第二阶段：引入空间上下文模型
像元级机器学习模型主要根据单个像元的特征进行判断，对周边斑块形态、纹理和空间联系利用较少。即使总体分类精度较好，结果中仍可能出现边界破碎、同一斑块内部类别不一致或零散错分等问题。
如果第一阶段模型已经稳定运行，但这些空间问题仍然比较明显，可以进一步尝试 SegFormer 或 DeepLabV3+ 等语义分割模型。
语义分割模型不是单独判断一个像元，而是同时读取一块影像，结合周边像元的光谱、纹理和空间结构进行分类。它们的主要作用，是检验空间上下文能否改善生态斑块的完整性、边界形态和局部分类效果。
这一阶段不是简单地用深度学习模型替换树模型，而是针对树模型暴露出来的问题进行补充。也可以比较两类模型的结果，或者将深度学习结果用于重点区域修正。
2.3 第三阶段：探索遥感基础模型
在训练样本、验证方法和前两阶段模型都已经稳定后，可以进一步探索 Prithvi-EO-2.0 等遥感基础模型，并使用 TerraTorch 等框架完成微调和推理。
遥感基础模型已经通过大规模遥感数据预训练，具备一定的通用遥感特征提取能力，理论上能够更好地利用多时相影像和复杂空间信息。但这类模型对数据组织、输入波段、时间序列和计算资源的要求较高，工程适配和训练成本也明显高于前两类模型。
因此，基础模型更适合作为后期研究和性能提升方向，而不应作为当前首先落地的方案。只有在已有模型达到稳定水平、需要进一步突破分类效果时，才有必要投入较多资源开展相关实验。
2.4 推荐的推进顺序
| 阶段 | 模型 | 主要作用 |
|---|---|---|
| 第一阶段 | RandomForest | 建立基准结果，检查样本和特征是否有效 |
| 第一阶段 | LightGBM / XGBoost | 作为主力模型，完成主要分类和年度预测 |
| 第二阶段 | SegFormer / DeepLabV3+ | 利用空间上下文改善斑块、纹理和边界 |
| 第三阶段 | Prithvi-EO-2.0 / TerraTorch | 探索遥感基础模型的进一步提升能力 |
整体推进路线为：
训练样本和特征准备
↓
RandomForest 建立基准模型
↓
LightGBM / XGBoost 完成主模型训练
↓
检查分类精度、类别混淆和空间斑块效果
↓
根据实际问题尝试 SegFormer / DeepLabV3+
↓
在条件成熟后探索遥感基础模型
这一路线的基本原则是，先判断数据和样本能否支持分类，再判断更复杂的模型能否带来实际提升。模型是否继续升级，应由分类结果和实际问题决定，而不是单纯按照模型的新旧或复杂程度进行选择。
3. 优先模型
3.1LightGBM / XGBoost
LightGBM 和 XGBoost 是本项目现阶段最值得优先投入的模型。它们都属于梯度提升决策树模型，适合处理由遥感波段、指数、地形和土壤等多种特征组成的表格数据。
在具体建模时，每个高置信度样本点对应一条训练记录。记录中既包含春、夏、秋三个季节的 Sentinel-2 波段和遥感指数，也包含 DEM、坡度、坡向、土壤质地等环境信息，最后以该样本点对应的生态类型作为标签。
模型需要学习的关系可以概括为：
多季节光谱特征
+ 植被、水体和裸地指数
+ 地形条件
+ 土壤条件
↓
生态类型
例如，常绿阔叶林和落叶阔叶林不仅在夏季光谱上存在差异，其春、秋季节的植被变化也不同；草地、农田和荒漠在植被覆盖、水分状况和裸地特征上存在区别；部分森林、灌丛和草地类型还与海拔、坡度、坡向及土壤条件密切相关。LightGBM 和 XGBoost 能够同时利用这些信息，学习不同生态类型之间较为复杂的特征组合。
3.1.1 为什么优先采用这类模型
首先，当前使用的数据天然适合树模型。
Sentinel-2 各季节波段、遥感指数、DEM、坡度、坡向和土壤数据，都可以直接整理成数值型或类别型特征，不需要像深度学习模型那样重新组织成大量影像块，也不需要设计复杂的网络输入结构。
其次，这类模型对训练样本规模的要求相对适中。
当前样本主要从已有生态类型图中筛选，而不是通过大规模人工实地标注获得。与深度学习模型相比，LightGBM 和 XGBoost 在样本数量有限、类别数量较多的情况下更容易得到稳定结果。
再次，它们对多源数据的适应能力较强。
遥感光谱、植被指数、地形、土壤以及生态地理分区等数据来源不同、含义不同，但都可以在同一个模型中使用。模型能够自动识别哪些特征更重要，以及不同特征组合对某一生态类型的判断作用。
此外，这类模型的训练和调试成本相对较低。
模型训练速度快，参数规模可控，不需要长期占用 GPU，也便于进行多轮实验。对于全国分区建模或多个生态区分别训练的情况，这一点尤其重要。
最后，模型结果具有较好的可解释性。
训练完成后，可以查看各季节波段、遥感指数、地形和土壤因子的特征重要性，分析模型主要依靠哪些信息区分不同生态类型。这不仅有助于优化模型，也有助于发现样本或数据中存在的问题。
LightGBM 和 XGBoost 的基本思路相近，数据需求一致，可以使用同样的预处理数据，来训练两个模型，而且计算量也不大，可以两个都训练，然后挑一个好的。
3.1.2 基本实施流程
LightGBM 和 XGBoost 的建模过程可以分为以下几个环节：
准备春、夏、秋季 Sentinel-2 特征
↓
加入遥感指数、DEM、坡度、坡向和土壤数据
↓
从已有生态类型图中筛选高置信度样本
↓
按生态类型和空间区域进行分层抽样
↓
划分训练区和验证区
↓
训练 LightGBM 和 XGBoost
↓
比较精度、混淆矩阵和空间预测效果
↓
确定主模型并开展分区预测
↓
输出分类结果、分类概率和精度评价
模型训练不能只关注总体精度。生态类型数量较多，而且各类别样本量差异较大，如果只看总体精度，数量较多的类别可能掩盖少数类别的错误。
因此，模型评价应重点检查：
- 每个生态类型的精确率、召回率和 F1 值；
- 各类别之间的混淆矩阵；
- 少数类别和相近类别的识别能力；
- 不同空间区域中的分类稳定性；
- 分类结果在地图上的斑块和边界表现。
3.1.3 使用时需要注意的问题
LightGBM 和 XGBoost 虽然适合当前任务，但并不能自动解决数据本身的问题。
首先，训练样本必须尽量可靠。原有生态类型图中的边界像元、混合像元和明显错误区域不应直接作为训练样本，否则模型会把原始分类中的误差继续学习下来。
其次，训练集和验证集不能简单随机划分。相邻像元的光谱和环境条件高度相似，如果随机将相邻样本分到训练集和验证集，得到的精度往往会偏高。更合理的方法是按照网格、生态地理区或独立空间块划分训练区域和验证区域。
再次，需要处理类别不均衡问题。对于样本数量较少的生态类型，应采用分层抽样、类别权重或适当的样本补充，避免模型过度偏向数量较多的类别。
此外，树模型主要根据单个像元的特征进行判断，对斑块形态和邻域关系利用有限。因此，在模型预测完成后，还需要结合分类概率、邻域一致性、最小斑块面积和生态规则进行后处理。
总体来看，LightGBM 和 XGBoost 的优势不在于模型结构最复杂，而在于它们与当前数据形式匹配，训练过程稳定，能够融合多种环境特征，也便于解释和重复使用。因此，应将其作为生态类型再分类工作的主力模型。
3.2 随机森林RandomForest
RandomForest，即随机森林，是一种较为成熟的机器学习分类模型。它通过训练多棵决策树，再综合各棵树的判断结果确定最终类别。
RandomForest 对遥感波段、指数、地形和土壤等特征具有较好的适应能力，模型参数相对较少，训练过程也比较稳定。即使训练样本中存在少量异常值或噪声，通常也不会对整体结果造成过大影响。
在本项目中，RandomForest 主要作为基础对比模型使用。通过它可以快速判断现有样本和特征是否具有足够的分类能力，同时为 LightGBM 和 XGBoost 提供精度对照。
如果 RandomForest 已经能够获得较为合理的分类结果，说明当前样本和特征中存在比较明确的分类信息。如果 RandomForest 的结果很差，则应优先检查样本质量、类别划分和输入特征，而不是立即更换更加复杂的模型。
4. 探索模型
除 LightGBM 和 XGBoost 外，本项目还可以使用 RandomForest、SegFormer、DeepLabV3+ 以及 Prithvi-EO-2.0 等模型进行对比或补充。
这些模型的定位并不相同。SegFormer 和 DeepLabV3+ 主要用于利用影像的空间结构，Prithvi-EO-2.0 则属于后期可以进一步探索的遥感基础模型。
4.1 语义分割模型SegFormer
SegFormer 是一种基于 Transformer 的语义分割模型。与 LightGBM、XGBoost 等逐像元分类模型不同，SegFormer 每次读取一块影像，并结合周围像元的信息判断每个位置的生态类型。
它的优势是能够利用较大范围内的空间关系。例如，同一森林斑块内部的像元通常具有较强的一致性，河流、湿地、农田和建设用地也具有一定的形状和纹理特征。这些信息很难通过单个像元的光谱值完整表达，但可以被语义分割模型利用。
SegFormer 适合在像元级模型已经取得较好结果后使用，主要用于改善分类结果过于零散、斑块内部不一致以及部分边界识别不合理等问题。
考虑到训练成本和标签质量，前期可以先选择 SegFormer-B0 或 SegFormer-B1 等规模较小的模型进行实验，没有必要一开始就使用参数量较大的版本。
参考文献：
Xie E, Wang W, Yu Z, Anandkumar A, Alvarez J M, Luo P. SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers. Advances in Neural Information Processing Systems, 2021, 34: 12077–12090. arXiv:2105.15203.
4.2卷积神经网络DeepLabV3+
DeepLabV3+ 是一种经典的卷积神经网络语义分割模型，在土地覆盖分类和遥感影像分割中应用较为广泛。
它同样以影像块作为输入，不仅分析单个像元的光谱特征，也会分析周围区域的纹理、边界和斑块结构。与 SegFormer 相比，DeepLabV3+ 的技术路线更加成熟，相关资料和工程实现也比较丰富。
在本项目中，DeepLabV3+ 可以作为 SegFormer 的对比模型，用于判断不同语义分割方法对生态类型分类的改善程度。
如果 SegFormer 和 DeepLabV3+ 都不能明显优于 LightGBM 或 XGBoost，说明当前项目的主要限制可能并不在空间模型，而在训练标签、样本质量或输入数据本身。
参考文献：
Chen L C, Zhu Y, Papandreou G, Schroff F, Adam H. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. In: Proceedings of the European Conference on Computer Vision (ECCV). 2018: 833–851. DOI: 10.1007/978-3-030-01234-2_49.
4.3 Prithvi-EO-2.0 与 TerraTorch
Prithvi-EO-2.0 是一种面向地球观测任务的遥感基础模型。它已经在大量遥感数据上进行过预训练，可以在此基础上针对生态类型分类任务进行微调。TerraTorch 不是一个具体模型，而是配合遥感基础模型使用的训练和推理框架，主要负责数据读取、模型配置、任务适配、训练验证和结果预测等工作。
与普通的深度学习模型相比，Prithvi-EO-2.0 能够利用预训练阶段学到的遥感特征，在样本有限的情况下可能具有一定优势。但它对输入波段、时相组织、数据格式和计算资源有更高要求，将 Sentinel-2 多季节特征、地形和土壤数据接入模型也需要额外适配。
因此，Prithvi-EO-2.0 更适合作为后期研究方向。在训练样本、验证方法以及前面的机器学习和语义分割模型都已经稳定后，再评估其是否能够进一步提高分类效果。
Prithvi-EO-2.0 / TerraTorch 的理论潜力很大，但当前不建议作为第一阶段路线，原因是：
-
工程门槛最高
需要熟悉 PyTorch、TerraTorch、遥感基础模型配置、GPU 训练等。 -
输入格式需要适配
Prithvi 这类模型通常对输入波段、时间序列、分辨率有特定要求。你的 Sentinel-2 三季合成、DEM、土壤质地等特征不一定能直接塞进去。 -
训练成本高
微调基础模型通常需要较好的 GPU 资源和较长调参周期。 -
短期收益不确定
如果标签本身存在制图噪声、类别体系复杂、空间尺度不一致，基础模型不一定立刻优于 LightGBM / XGBoost。 -
适合研究增强，不适合先跑通工程流程
当前首要目标应是建立一套稳定、可复用、可解释的生态类型再分类流程。
参考文献：
Szwarcman D, Roy S, Fraccaro P, et al. Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications. arXiv preprint, 2024. arXiv:2412.02732.
Gomes C, Blumenstiel B, Almeida J L S, et al. TerraTorch: The Geospatial Foundation Models Toolkit. arXiv preprint, 2025. arXiv:2503.20563.
4.4 卷积神经网络CNN
CNN，即卷积神经网络，是遥感影像分类中较常见的深度学习模型。它可以直接读取一定范围的影像块，从中提取光谱、纹理、边缘和局部空间结构等信息，再判断中心像元或整个影像块所对应的生态类型。
与 LightGBM、XGBoost 等像元级模型相比，CNN 不只是分析单个像元的波段和指数，还会同时考虑周围像元。例如，森林通常具有连续的冠层纹理，农田具有相对规则的斑块形态，水体和建设用地也具有较明显的边缘和空间结构，这些信息都可以被 CNN 利用。
在本项目中，CNN 可以使用春、夏、秋季 Sentinel-2 多波段影像作为输入，也可以加入遥感指数、DEM、坡度和土壤等辅助数据。模型的基本处理方式为：
多季节、多通道遥感影像块
↓
CNN 提取光谱、纹理和局部空间特征
↓
输出生态类型分类结果
本项目此前已经尝试过自行构建 CNN 模型，但实际效果并不突出。这并不一定说明 CNN 不适合生态类型再分类，更可能与训练样本、标签质量、网络结构和数据组织方式有关。
首先，已有生态类型图的空间分辨率和 Sentinel-2 影像并不完全一致，类别边界中可能存在混合像元和位置偏差。CNN 会较强地学习影像纹理和边界，如果标签本身不够准确，模型也容易把这些误差学习进去。
其次，普通 CNN 更擅长提取局部特征。当生态类型的判断需要结合较大范围的地形位置、区域环境和斑块关系时，简单 CNN 的感受范围可能不足。为了扩大空间范围，通常需要增加网络深度或采用更复杂的多尺度结构，模型训练和调试难度也会随之增加。
此外，多季节 Sentinel-2 波段、地形和土壤等数据需要组织为统一的多通道影像块，对数据对齐、归一化、缺失值处理和样本切分都有较高要求。
因此，现阶段不建议继续把自行设计 CNN 作为主要投入方向。已有 CNN 结果可以保留为深度学习基线，用于与 LightGBM、XGBoost、SegFormer 和 DeepLabV3+ 进行对比。
参考文献：
LeCun Y, Bottou L, Bengio Y, Haffner P. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 1998, 86(11): 2278–2324. DOI: 10.1109/5.726791.
Castelluccio M, Poggi G, Sansone C, Verdoliva L. Land Use Classification in Remote Sensing Images by Convolutional Neural Networks. arXiv preprint, 2015. arXiv:1508.00092.
Cheng G, Xie X, Han J, Guo L, Xia G S. Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 3735–3756. DOI: 10.1109/JSTARS.2020.3005403.
4.5 各模型的基本定位
| 模型 | 主要作用 | 项目定位 |
|---|---|---|
| RandomForest | 快速验证样本和特征是否有效 | 基础对比模型 |
| LightGBM / XGBoost | 融合多季节遥感、地形和土壤特征进行分类 | 当前主力模型 |
| SegFormer | 利用较大范围的空间关系改善分类结果 | 空间增强模型 |
| DeepLabV3+ | 利用纹理、边界和斑块结构进行分类 | 语义分割对比模型 |
| Prithvi-EO-2.0 / TerraTorch | 利用遥感预训练模型探索性能提升 | 后期研究模型 |
这些模型不需要同时全面展开。当前应优先完成 LightGBM 和 XGBoost 模型，并使用 RandomForest 建立基础对比。只有当像元级模型已经运行稳定，并且确实存在明显的斑块或边界问题时，再开展 SegFormer 和 DeepLabV3+ 实验。Prithvi-EO-2.0 则放在数据和技术条件更加成熟后进行研究。
5. 实施方案
生态类型再分类模型建议分三个阶段推进。第一阶段先完成像元级机器学习模型，建立一套可以稳定运行的分类流程；第二阶段在此基础上尝试语义分割模型，判断空间上下文能否改善分类效果；第三阶段再探索遥感基础模型。
5.1 第一阶段：像元级机器学习
第一阶段的目标，是先建立一套稳定、可靠的生态类型再分类流程。
首先准备模型所需的数据，包括 Sentinel-2 春、夏、秋三个季节的合成影像、遥感指数、DEM、坡度、坡向、土壤质地，以及 现有生态类型标签。
不同来源的数据需要进行统一处理，保证坐标系统、空间分辨率、覆盖范围和像元位置一致，同时处理好 NoData 区域。
数据准备完成后，按照生态类型进行分层抽样，构建训练样本。抽样时应尽量去除边界不确定的像元，控制不同类别的样本数量，并保留样本的空间位置，以便后续开展空间验证。
模型训练先从 RandomForest 开始。RandomForest 主要作为基础模型，用于检查训练样本、输入特征和分类流程是否能够正常工作，并初步分析不同生态类型之间的混淆情况。
在 RandomForest 模型运行正常后，再训练 LightGBM 和 XGBoost。两种模型使用相同的训练样本和输入特征，通过比较分类精度、混淆矩阵和特征重要性，确定更适合作为主模型的方案。
模型验证时不能只进行普通的随机样本划分，还应采用空间分块验证，避免相邻样本同时进入训练集和验证集，导致模型精度被高估。
主模型确定后，采用分块方式对整个区域进行预测，并将各分块结果拼接为完整的生态类型分类图。
最后，对预测结果进行必要的后处理，包括小斑块清理、类别一致性检查，以及与原有生态区边界和分类成果进行对比。
第一阶段的基本流程为：
准备 Sentinel-2 三季影像和环境因子
↓
统一栅格坐标、分辨率和空间范围
↓
按生态类型构建训练样本
↓
训练 RandomForest 基础模型
↓
训练 LightGBM 和 XGBoost
↓
进行空间分块验证
↓
选择主模型
↓
开展全区域分块预测
↓
进行后处理和精度评价
5.2 第二阶段：语义分割模型
在第一阶段模型已经稳定运行后，可以进一步尝试 SegFormer、DeepLabV3+ 等语义分割模型。
语义分割模型以多通道影像块作为输入。输入数据可以包括春、夏、秋三个季节的 Sentinel-2 波段、遥感指数，以及 DEM、坡度、坡向和土壤等环境因子，输出对应范围内的生态类型分类结果。
这一阶段的主要目的不是立即替代 LightGBM 或 XGBoost，而是检验空间上下文是否能够进一步改善分类结果，特别是斑块连续性、边界和纹理方面的表现。
实验可以从规模较小的模型开始，例如：
- SegFormer-B0；
- SegFormer-B1；
- 采用 ResNet-50 作为骨干网络的 DeepLabV3+。
第二阶段可以按照以下方式开展：
准备多通道影像块和标签块
↓
训练 SegFormer 或 DeepLabV3+
↓
生成语义分割结果
↓
与 LightGBM / XGBoost 结果进行比较
↓
判断空间上下文是否带来实际提升
5.3 第三阶段：遥感基础模型
在训练样本、验证方法和前两阶段模型都已经比较稳定后，可以进一步探索 Prithvi-EO-2.0 等遥感基础模型。
基础模型实验建议使用 TerraTorch 等框架完成数据读取、模型加载、微调、验证和推理。
开展这一阶段需要具备以下条件：
- 已经形成稳定的训练样本；
- 已经建立可靠的验证体系；
- 已经明确 LightGBM或XGBoost 的基本效果；
- 已经完成 SegFormer或DeepLabV3+ 的初步实验；
- 具备可用的 GPU 训练环境；
- 有条件完成输入数据和模型配置的适配。
遥感基础模型应作为后期探索方向。其目的，是在现有模型流程已经成熟的基础上，进一步评估预训练遥感模型能否提高生态类型分类能力，而不是在项目初期直接替代现有方案。
5.4 总体推进顺序
综合考虑模型效果、工程难度和实施成本，推荐按照以下顺序推进：
RandomForest 建立基础结果
↓
LightGBM / XGBoost 作为主模型
↓
SegFormer / DeepLabV3+ 验证空间上下文作用
↓
Prithvi-EO-2.0 / TerraTorch 开展后期探索
现阶段应把主要工作放在第一阶段，先完成数据准备、样本构建、模型训练、空间验证、区域预测和后处理流程。只有在这一流程稳定后，再逐步开展后续模型实验。