La méthode de génération d'échantillons d'images de télédétection à longue série temporelle est cruciale pour réaliser la classification de la couverture terrestre, surveiller les tendances de changement de surface terrestre et analyser l'état de l'utilisation des terres. Cependant, les méthodes de classification supervisée traditionnelles nécessitent généralement l'annotation d'un grand nombre d'échantillons, ce qui entraîne des coûts élevés en temps et en main-d'œuvre pour la tâche de classification de la couverture terrestre, limitant également la précision et la fiabilité de la classification. Pour résoudre ce problème, cet article propose une méthode de génération d'échantillons d'images de télédétection à longue série temporelle basée sur l'augmentation automatique des échantillons et la migration adaptative conjointe, visant à réaliser une annotation unique des échantillons avec une réutilisation multiple, réduire l'annotation des échantillons et améliorer l'efficacité de la classification des images de télédétection à grande échelle et longue série temporelle. L'idée spécifique est la suivante : premièrement, utiliser le regroupement local pour renforcer la sélection des pixels d'échantillons potentiels, en déterminant les échantillons augmentés par la mesure de la corrélation de leurs caractéristiques spectrales ; deuxièmement, basé sur l'analyse des changements entre images temporelles adjacentes, sélectionner les échantillons conformes aux règles de migration inter-domaines selon les règles de similarité entre domaines. Cette méthode a été validée par des expériences sur les images de la série temporelle Landsat8 OLI de la région de la baie de Hangzhou de 2013 à 2022. Les résultats montrent : (1) la stratégie d'augmentation automatique des échantillons proposée peut efficacement améliorer la qualité et la quantité des échantillons, et augmenter l'efficacité et la précision de la classification ; (2) la stratégie de migration adaptative des échantillons proposée peut réaliser efficacement la migration d'échantillons entre images de différentes périodes du même lieu, évitant l'annotation annuelle des échantillons, améliorant ainsi l'efficacité et la qualité de génération des échantillons ; (3) l'application à différents classificateurs tels que SVM (Support Vector Machine) et KNN (k-nearest neighbor) montre que les échantillons augmentés et migrés selon cette méthode ont une universalité pour plusieurs classificateurs.

méthode de génération d'échantillons; classification de la couverture terrestre; augmentation automatique des échantillons; migration adaptative des échantillons; baie de Hangzhou; images de télédétection à longue série temporelle