Accurate coastal scene classification from high-resolution remote sensing imagery remains challenging due to strong inter-class visual similarity and the presence of multi-scale spatial patterns. To address these challenges, this paper introduces a Multi-Scale Spatial Entropy Squeeze-and-Excitation (MSSE) attention block designed to enhance discriminative feature learning within convolutional neural networks. MSSE integrates multi-scale spatial pooling with entropy-driven channel and spatial attention, enabling adaptive emphasis on informative features across different spatial extents. The proposed method is evaluated using a unified CNN backbone on a coastal-oriented subset of the MLRSNet dataset, comprising five representative classes: wetland, river, lake, beach, and island. Extensive experiments demonstrate that MSSE consistently outperforms established attention mechanisms, including SE, CBAM, and ChannelEntropySE. Specifically, MSSE achieves a macro F1-score of 95.1% and an IoU of 89.4%, representing improvements of +3.2% (F1) and +4.1% (IoU) over the standard SE module and +1.4% (F1) and +1.5% (IoU) over ChannelEntropySE. In addition, repeated runs with different random seeds show that MSSE exhibits lower performance variance, confirming its stability and robustness. Further analyses across varying train-validation splits and computational cost assessments reveal that MSSE provides a favorable balance between accuracy and efficiency, introducing only a modest increase in parameters and FLOPs compared to baseline attention modules. These results highlight the effectiveness and practicality of entropy-aware multi-scale attention for robust coastal scene classification and related remote sensing applications. Une classification exacte des zones c & ocirc;ti & egrave;res & agrave; partir d'images de t & eacute;l & eacute;d & eacute;tection fine r & eacute;solution est complexe en raison de la forte similarit & eacute; visuelle entre les classes et de la pr & eacute;sence de nombreux motifs spatiaux multi-& eacute;chelles. Pour surmonter ces contraintes, cet article propose la m & eacute;thode MSSE (Multi-Scale Spatial Entropy Squeeze-and-Excitation) con & ccedil;u pour am & eacute;liorer l'apprentissage des caract & eacute;ristiques discriminantes au sein des r & eacute;seaux de neurones convolutifs (CNN). MSSE effectue un regroupement spatial multi-& eacute;chelle & agrave; l'aide d'un canal repr & eacute;sentant l'entropie et par une attention spatiale. Cette m & eacute;thode permet de mettre l'accent de mani & egrave;re adaptative sur les caract & eacute;ristiques informatives & agrave; diff & eacute;rentes & eacute;chelles spatiales. La m & eacute;thode MSSE est & eacute;valu & eacute;e & agrave; l'aide d'une architecture CNN unifi & eacute;e sur un sous-ensemble c & ocirc;tier du jeu de donn & eacute;es MLRSNet, comprenant cinq classes repr & eacute;sentatives : zones humides, rivi & egrave;res, lacs, plages et & icirc;les. Nos analyses montrent que MSSE surpasse syst & eacute;matiquement les m & eacute;canismes d'attention & eacute;tablis, tels que SE, CBAM et ChannelEntropySE. Plus pr & eacute;cis & eacute;ment, MSSE atteint un score F1 macro de 95,1 % et un IoU de 89,4 %, soit des am & eacute;liorations de +3,2 % (F1) et +4,1 % (IoU) par rapport au module SE standard, et de +1,4 % (F1) et +1,5 % (IoU) par rapport & agrave; ChannelEntropySE. De plus, l'application r & eacute;p & eacute;t & eacute;e avec diff & eacute;rentes valeurs initiales al & eacute;atoires montrent que MSSE pr & eacute;sente une variance de performance plus faible, confirmant ainsi sa stabilit & eacute; et sa robustesse. Des analyses compl & eacute;mentaires, portant sur diff & eacute;rentes r & eacute;partitions entre ensembles d'entra & icirc;nement et de validation, ainsi que des & eacute;valuations du co & ucirc;t de calcul, r & eacute;v & egrave;lent que MSSE offre un compromis favorable entre exactitude et efficacit & eacute;, n'induisant qu'une l & eacute;g & egrave;re augmentation du nombre de param & egrave;tres et d'op & eacute;rations en virgule flottante (FLOPs) par rapport aux modules d'attention de r & eacute;f & eacute;rence. Ces r & eacute;sultats soulignent l'efficacit & eacute; et l'aspect pratique de l'attention multi-& eacute;chelle prenant en compte l'entropie pour la classification robuste de zones c & ocirc;ti & egrave;res et les applications de t & eacute;l & eacute;d & eacute;tection associ & eacute;es.
Unsupervised segmentation of multispectral remote sensing images remains challenging due to spectral variability, noise contamination, and complex spatial structures. Conventional fuzzy C-means (FCM) clustering relies solely on spectral information and is sensitive to noise, whereas spatial FCM variants with fixed neighborhood regularization may suffer from oversmoothing and loss of fine structural details. To address these limitations, this paper proposes an adaptive multi-scale spatial fuzzy C-means (AM-SFCM) algorithm for multispectral remote sensing image segmentation. The proposed framework integrates adaptive spatial weighting and multi-scale neighborhood fusion into the classical FCM formulation, enabling spatial contextual information to be dynamically adjusted according to local image characteristics. Consequently, AM-SFCM improves spatial coherence while preserving important boundaries and heterogeneous structures. Extensive experiments were conducted on Sentinel-2 multispectral datasets acquired over Hanoi (Vietnam), Paris (France), and New York City (USA). Quantitative evaluations using the partition coefficient, partition entropy, and Xie-Beni indices demonstrate that AM-SFCM consistently achieves competitive or superior clustering performance compared with FCM, SFCM, and fuzzy local information C-means. Qualitative analyses further show that the proposed method produces more coherent segmentation maps, sharper object boundaries, and more reliable confidence distributions. Additional sensitivity and runtime analyses confirm the robustness of the proposed multi-scale design and its stable convergence behavior. The experimental results suggest that AM-SFCM provides a promising framework for unsupervised multispectral remote sensing image segmentation across diverse urban environments. La segmentation non supervis & eacute;e d'images multispectrales de t & eacute;l & eacute;d & eacute;tection est toujours un d & eacute;fi en raison de la variabilit & eacute; spectrale, du bruit et de la complexit & eacute; des structures spatiales. L'algorithme de clustering fuzzy C-means (FCM) classique repose uniquement sur l'information spectrale et est sensible au bruit, tandis que ses variantes spatiales avec r & eacute;gularisation de voisinage sont souvent affect & eacute;es par un lissage excessif et une perte de d & eacute;tails structurels fins. Pour surmonter ces limitations, nous proposons un algorithme de segmentation d'images multispectrales de t & eacute;l & eacute;d & eacute;tection par fuzzy C-means spatial multi-& eacute;chelle adaptatif (AM-SFCM). Le cadre propos & eacute; int & egrave;gre une pond & eacute;ration spatiale adaptative et une fusion de voisinage multi-& eacute;chelle & agrave; la formulation FCM classique, permettant ainsi un ajustement dynamique de l'information contextuelle spatiale en fonction des caract & eacute;ristiques locales de l'image. Par cons & eacute;quent, AM-SFCM am & eacute;liore la coh & eacute;rence spatiale tout en pr & eacute;servant les contours importants et les structures h & eacute;t & eacute;rog & egrave;nes. Des tests ont & eacute;t & eacute; men & eacute;es sur des jeux de donn & eacute;es multispectrales Sentinel-2 acquis & agrave; Hano & iuml; (Vietnam), Paris (France) et New York (& Eacute;tats-Unis). Les & eacute;valuations quantitatives, bas & eacute;es sur le coefficient de partition, l'entropie de partition et l'indice de Xie-Beni, d & eacute;montrent qu'AM-SFCM atteint syst & eacute;matiquement des performances de clustering comp & eacute;titives sup & eacute;rieures & agrave; celles de FCM, SFCM et fuzzy local information C-means. Les analyses qualitatives montrent en outre que la m & eacute;thode propos & eacute;e produit des cartes de segmentation plus coh & eacute;rentes, des contours d'objets plus nets et des distributions de confiance plus fiables. Des analyses de sensibilit & eacute; et de temps d'ex & eacute;cution suppl & eacute;mentaires confirment la robustesse de la conception multi-& eacute;chelle propos & eacute;e et sa convergence stable. Les r & eacute;sultats exp & eacute;rimentaux sugg & egrave;rent qu'AM-SFCM constitue un cadre prometteur pour la segmentation non supervis & eacute;e d'images de t & eacute;l & eacute;d & eacute;tection multispectrales dans divers environnements urbains.
Although global warming significantly affects vegetation growth on the Qinghai-Tibet Plateau (QTP), how the start of growing season (SOS), a key indicator of spring vegetation phenology, responds to multiple climatic factors across heterogeneous landscapes remains unclear. This study advances understanding by quantifying spatiotemporal SOS variation trends, assessing regional climate sensitivity, and decomposing the relative contributions of the dominant climatic factors. The results indicated that the multi-year mean SOS (2001-2024) ranged from Day of Year (DOY) 90 to 190 across individual pixels, with an average value of DOY 135.59, exhibiting latitudinal, longitudinal, and elevational gradients and delaying from the southeast toward the northwest. Over the past 24 years, the SOS exhibited an advancing trend at a spatially averaged rate of 0.46 days/year based on pixel-wise Theil-Sen slope estimator (Sen's slope) analysis. The SOS sensitivity to climate variables showed significant differences across vegetation types, elevation and latitudinal gradients. Air temperature, soil temperature, snow cover duration, and precipitation were identified as the dominant climatic factors affecting SOS, temperature dominated most regions advancing. This study reveals the contribution of climatic factors to SOS advancing and provides insights for predicting ecological changes of alpine vegetation. Bien que le r & eacute;chauffement climatique mondial influence fortement la croissance de la v & eacute;g & eacute;tation sur le plateau Qinghai-Tibet (QTP), la mani & egrave;re dont le d & eacute;but de la saison de croissance (SOS), un indicateur cl & eacute; de la ph & eacute;nologie v & eacute;g & eacute;tale printani & egrave;re, r & eacute;pond & agrave; l'action de multiples facteurs climatiques dans des paysages h & eacute;t & eacute;rog & egrave;nes reste encore mal comprise. Cette & eacute;tude am & eacute;liore la compr & eacute;hension des m & eacute;canismes de r & eacute;ponse du SOS en quantifiant les tendances spatio-temporelles de ses variations, en & eacute;valuant la sensibilit & eacute; climatique r & eacute;gionale et en d & eacute;composant les contributions relatives des principaux facteurs climatiques. Les r & eacute;sultats montrent que la moyenne pluriannuelle du SOS (2001-2024) varie entre le 90e et le 190e jour de l'ann & eacute;e (DOY) & agrave; l'& eacute;chelle des pixels individuels, avec une valeur moyenne de 135,59 DOY. La distribution spatiale du SOS pr & eacute;sente des gradients latitudinaux, longitudinaux et altitudinaux, avec un retard progressif du sud-est vers le nord-ouest. Au cours des 24 derni & egrave;res ann & eacute;es, le SOS a montr & eacute; une tendance & agrave; l'avancement, avec un taux moyen spatial de 0,46 jour/an estim & eacute; par l'approche pixel par pixel bas & eacute;e sur l'estimateur de pente de Theil-Sen (pente de Sen). La sensibilit & eacute; du SOS aux variables climatiques pr & eacute;sente des diff & eacute;rences significatives selon les types de v & eacute;g & eacute;tation, les gradients altitudinaux et latitudinaux. La temp & eacute;rature de l'air, la temp & eacute;rature du sol, la dur & eacute;e de couverture neigeuse et les pr & eacute;cipitations ont & eacute;t & eacute; identifi & eacute;es comme les principaux facteurs climatiques influen & ccedil;ant le SOS, la temp & eacute;rature jouant un r & ocirc;le dominant dans la majorit & eacute; des r & eacute;gions et favorisant l'avancement du SOS. Cette & eacute;tude met en & eacute;vidence la contribution des facteurs climatiques & agrave; l'avancement du SOS et fournit de nouvelles perspectives pour la pr & eacute;vision des changements & eacute;cologiques des & eacute;cosyst & egrave;mes v & eacute;g & eacute;taux alpins.
