Page 87 - 《武汉大学学报（信息科学版）》2025年第9期

第 50 卷第 9 期 郭浩然等：基于样本迁移的无监督植被遥感制图方法 1815

此外，为消除非自然植被区对分类结果的影响， 定 程 度 上 减 少 或 者 避 免 手 动 标 记 新 样 本 ，提 高
使用 2005 年、2010 年、2015 年、2020 年中国逐年 样 本 的 可 重 复 利 用 率 及 分 类 精 度 ，本 文 的 技 术
土 地 覆 盖 数 据 集（China Land Cover Dataset， 路 线 如 图 2 所 示 ，其 中 S-G 滤 波 表 示 Savitzky-
［29］
CLCD） ，对研究区相应年份的非自然植被区域 Golay 滤波。
进行掩膜；使用 AI Earth 平台提供的 2022 年中国 植被分类图数据集大标签样本是一种有效
10 m 地物分类数据 ［30］ ，对研究区 2022 年非自然 的几何约束，可以作为优化原始植被分类样本的
植被区域进行掩膜。 一种先验局部空间约束的最小单元。以研究区
的《1∶1 000 000 中国植被图集》数据集为先验知
2 研究方法 识，提出一种针对植被类型大标签样本优化与迁

移的模型。利用与现有植被分类图同一或相近
2.1 方法原理与流程 时相的多源数据构建特征集合进行局部样本聚
制作植被分类图往往需要耗费大量的人力 类优化、全局样本分层高斯混合优化，替代手动
和物力，现有的植被分类图是可利用的存在噪声 选择训练样本，进而获得可利用的样本集。在此
的历史大标签样本数据。结合相近时相的植被 基础上，结合长时序 Landsat 植被变化检测结果
生长期多源数据构建特征集合，从而实现对历史 进行不变区域样本迁移。将迁移出的样本用于
大标签样本数据进行由局部到全局去噪，生成用 多时相植被分类制图，从而快速获取长时序植被
于植被分类的可靠样本训练集。该框架可在一 分类动态制图结果。

图 2 无监督样本迁移植被遥感制图技术路线
Fig. 2 Unsupervised Sample Migration Workflow for Vegetation Remote Sensing Mapping

该方法主要包括以下几个步骤： 行 局 部 单 元 内 聚 类 分 析 ，占 比 最 多 的 簇 继 承 标
1）以《1∶1 000 000 中国植被图集》数据集的 签，有效降低植被分类制图产品中的不确定性。
图斑作为最小几何约束的局部单元，结合植被生 2）结 合 类 别 信 息 全 局 逐 层 优 化 样 本 标 签 ，
长期的光谱属性数据、DEM 数据、气象数据等进 考 虑 不 同 植 被 类 型 在 特 定 特 征 空 间 的 分 布 ，分