Page 88 - 《武汉大学学报（信息科学版）》2025年第9期

1816 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

层 将 不 同 的 植 被 类 型 分 别 构 建 高 斯 混 合 模 型 留并继承原始植被分类产品类别标签。但现有
（Gaussian mixture model，GMM），通 过 求 解 植被分类产品不能保证每个图斑内都正确分类，
GMM 的过程去除错分斑块以及步骤 1）带来的错 因此当前得到的植被分类伪样本集 S pseudo 中存在
误标签。 一定数量的错误，需要进一步优化迁移。局部聚
3）采用长时序植被生长期 Landsat 数据进行 类 分 析 的 总 时 间 复 杂 度 为 O ( K j Nd )⋅ T，其 中 d
变化检测分析，确定植被增益、损失、不变区域， 为特征维度，T 为迭代次数。优化方法如图 3 所
结 合 不 变 区 域 迁 移 样 本 ，构 建 多 时 相 训 练 样 示。在图斑内将占比最多的簇保留并继承植被
本集。 分类标签，得到伪样本。
4）通过输入的多时相训练样本集及多源遥
感数据进行特征筛选，并采用随机森林方法（ran⁃
dom forest，RF）分层分类，根据土地利用数据进
行掩膜，从而获得多时相的自然植被分类制图。
2.2 局部到全局分层样本迁移与优化
大标签分类结果中存在较大的噪声，因此首
先在局部对样本进行迁移优化。以《1∶1 000 000
中国植被图集》数据集中植被群系图斑的多边形
信息作为几何约束，为有效约束斑块内的错误植
图 3 局部聚类优化
被分类信息，本文处理研究区与大标签样本数据
Fig. 3 Local Optimization
集相近时相的 Landsat 植被生长期遥感影像，将
影 像 的 光 谱 特 征 、植 被 指 数 、水 体 指 数 、纹 理 特 为了将噪声从伪样本集 S pseudo 中剔除，获得优
征 、气 象 数 据 、DEM 及 其 衍 生 数 据 作 为 特 征 输 化 后 的 训 练 样 本 集 S( S ∈ S pseudo )，本 文 采 用 一 种
入，构建相应图斑的特征集合，作为图斑聚类特 基于高斯混合模型的植被分类特征优选的全局
征的输入。 分层样本优化方法。从全局多源特征出发，结合
将 K-means 方法作为最基础的聚类方法，对 植被在不同地域分异中的尺度效应，采用 RF 方
第 j 个植被类型图斑的逐斑块特征数据集实施聚 法对特征集合 Y v i 进行优选，将优选特征集合作
类分析。以第 i 个斑块 v i 为例，其由 N 个像元组 为关键特征输入模型，完成对植被分层分类类别
。假设第 j 个植被类 的全局优化。采用统计方法对伪样本集中的错
成，对应的属性特征集为 Y v i
型图斑对应的类别标签为 X j，为了从中分离出与 误样本进行剔除，分两层对 S pseudo 构建高斯混合模
X j 正确关联的子集，K-means 方法通过最小化平 型；将高斯混合模型样本结果与原始标签进行对
方误差（（sum of squared errors， SSE）完成对簇的 比，保留正确样本，完成全局样本优化，获得优化
聚类划分，计算式为： 后的训练样本集。
K j 对 S pseudo 按照森林、灌丛、草地以及植被型两
2
e SSE = ∑ ∑  y n - μ k  （1）
k 2 层分别对应植被类别标签 X i 进行划分，在不同的
k = 1 y n ∈ C j
分类体系下对伪样本集进行逐类别的伪样本集
式中， e SSE 为平方误差； K j 为预期划分的簇数； y n
k
k
为第 n 个特征向量； C j 为第 k 个簇； μ k 为 C j 的均值 构 建 ，即 S pseudo = { S X 1 ，S X 2 ，⋯，S X i ，⋯，S X I }，其 中
为类别 X i 对应的伪样本集，其高斯混合计算
向量。 S X i
式为：
采用手肘法确定最优聚类簇数，即 SSE 随着
p M ( y )= α 1 ⋅ p( y|u 1,Σ 1 )+ α 2 ⋅ p( y|u 2,Σ 2 )+ … +
K j 的增大而变小。当 K j 小于真实聚类数时，随着
K j 值的增大，SSE 的下降幅度很大；当 K j 到达真 α i ⋅ p( y|u i,Σ i )+ … + α I ⋅ p( y|u I,Σ I) （2）
实聚类数后，随着 K j 值的增大，SSE 的下降幅度 式中， p M ( ) 为概率密度函数； α i、、 u i、、 Σ i 分别为第 i
骤减，最后趋于平缓。SSE 和 K j 的关系图是一个 个 高 斯 分 布 的 混 合 系 数 、均 值 向 量 与 协 方 差 向
手肘的形状，而这个肘部对应的 K j 值就是样本的 量； I 为类别总数。
最优聚类数。 计算高斯混合模型的方法采用迭代期望最
将每个局部单元内的像素集合在几何与多 大化（expectation-maximum，EM）算法，假设训练
源属性的约束下按最优 K j 划分，占比最多的簇保 集 S X i = { s 1 ，s 2 ，⋯，s N i } 由 N i 个样本组成，令 GM i
X i
X i
X i