Page 89 - 《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 1817

代表生成的单高斯模型，则对于第 n i ( n i ≤ N i ) 个 近 红 外（near infrared，NIR）和 短 波 红 外 波 段
X i 而 言 ，有 隶 属 于 GM j 的 后 验 概 率 γ ( n i ，j ) 。 （SWIR1、SWIR2） 5 个波段，构建 22 年逐年最小
样 本 s n i
EM 算法计算高斯混合模型分为两个部分，首先 云量合成图，计算 NDVI 和 NBR，计算式分别为：
执 行 E 步 骤 ，通 过 当 前 的 混 合 成 分 参 数 I NDVI = R NIR - R Red （3）
X i 属于 GM i 的后验概率 γ ( n i ，j ) ；然 R NIR + R Red
{ α j，μ j，Σ j }，计算 s n i
R NIR - R SWIR2
后将 E 步骤的后验概率作为权重，采用最大似然 I NBR = （4）
R NIR + R SWIR2
法估算新的混合参数 α j、均值向量 u j 以及协方差
式中， R Red、 R NIR 和 R SWIR2 分别表示红光波段、近红
向量 Σ j，完成算法的 M 步骤。通过 E 步骤和 M 步 外和短波红外第二波段的表层反射率。
骤的不断迭代更新，直到 M 步骤的似然函数的变 本文采用 LandTrendr 算法检测研究区内植
化率小于设定阈值，即可得到优化后的样本集。 被的变化，并划分植被变化增益、变化损失以及
全 局 高 斯 混 合 模 型 分 析 的 总 时 间 复 杂 度 为 不变区域。LandTrendr 是一种时间分割算法，能
O ( KNd )，其中 K 为类别标签数。 够捕捉研究区 22 年间剧烈的短期变化或者渐进
2.3 多时相植被变化检测与样本迁移 的变化，其核心为构建研究区每个像元的时序谱
利 用 GEE（Google Earth Engine）中 2000— 线，从而监测其变化。每个像素的输入是一个光
2022 年的 Landsat TM/ETM/OLI 的遥感影像数 谱指数或者波段的时间序列 ［24］ 。通过实验分析，
据构建时序数据集 ［31］ 。选取每年 6 月 10 日至 8 月 设定相关参数来保证研究区变化检测的质量，输
30 日的 Landsat 影像对应的绿（Green）、红（Red）、 入参数如表 1 所示。

表 1 LandTrendr 算法参数
Table 1 Parameters of LandTrendr Algorithm
参数名称 参数描述 参数值
MaxSegments 分割单元的最大数目 4
SpikeThreshold 如果相邻两个时间点值的差异百分比小于该值，那么该值会被认为是异常值，须剔除 0.9
VertexCountOvershoot 在初始阶段的潜在节点回归中可以超过的节点数 3
PreventOneYearRecovery 阻止一年后恢复的情况否 TRUE
RecoveryThreshold 如果某个分割段的恢复率大于该值的倒数，那么这个分割段将会被移除 0.25
PvalThreshold 回归分析中 F 检验的 P 值，超过该值，则认为该像元没有发生变化 0.05
BestModelProportion 简单模型的选择规则，如果超过该值，则被选中 0.75
MinObservationsNeeded 拟合中需要的最少观测数 6

2.4 自然植被分层分类 数的平方根。
RF 分类模型是一种常用的机器学习分类算 本文使用混淆矩阵对分类精度进行评价，包
法，其通过构建多个决策树来运行 ［32］ 。与其他机 括 总 体 精 度（overall accuracy，OA）和 Kappa 系
器学习算法相比，RF 算法具有计算精度高、模型 数。OA 是分类结果正确分类像元数与总像元数
训练时间少、能够确定变量在模型中的重要性等 的比值，常用于快速评估分类结果的整体精度；
优 势 ，因 此 被 广 泛 应 用 于 分 类 研 究 中 ［33-34］ 。 在 Kappa 系数是一种用于统计分类结果准确性和随
GEE 中调用 RF 分类模型，该模型参数较少，决策 机性的指标。
树数量和变量数量是影响其结果的参数。研究
3 数据结果处理与分析
采用的植被分类方法对每一层进行分类 ［35-36］ 。分
层分类结构如图 4 所示，共 3 层，其中第一层为森 针对大标签中国植被分类图样本，以 2000 年
林、灌丛、草地分类，第二层为植被型分类，第三 8 月 Landsat 遥感影像为主，计算植被指数、土壤
层为植被群系分类。在计算可以负荷的情况下， 指 数 、纹 理 特 征 ，并 结 合 光 谱 特 征 、气 象 数 据 、
针对每一层对特征重要性进行排序，并进行特征 DEM 及其衍生数据构建特征集合，采用局部-全
优选，选择精度最高时的决策树数量。研究采用 局的大标签样本降噪方法构建优化后的样本集
的 RF 决策树数量第 1 层是 200，第 2 层是 150，第 合，总计 3 563 个样本，样本空间分辨率为 30 m。
3 层是 200，且变量数量默认为输入的特征变量总 实验中，基于 Python 3.7.3 的局部-全局大标