O método de geração de amostras para imagens de sensoriamento remoto de séries temporais longas é crucial para realizar a classificação da cobertura do solo, monitorar tendências de mudanças da superfície terrestre e analisar o uso da terra. No entanto, os métodos tradicionais de classificação supervisionada geralmente exigem a rotulagem de um grande número de amostras, o que gera altos custos de tempo e mão de obra para a tarefa de classificação da cobertura do solo, além de limitar a precisão e a confiabilidade da classificação. Para resolver esse problema, este artigo propõe um método de geração de amostras para imagens de sensoriamento remoto de séries temporais longas baseado em aumento automático de amostras e transferência adaptativa conjunta, visando realizar "rotulagem única, múltiplas reutilizações" das amostras, reduzir a rotulagem e melhorar a eficiência da classificação de imagens de sensoriamento remoto de grandes cenários e séries temporais longas. A ideia específica é: primeiro, utilizar clustering local para aprimorar a seleção de pixels de amostras potenciais, determinando as amostras aumentadas por meio da medição da correlação das suas características espectrais; em segundo lugar, com base na análise de mudanças entre imagens de tempos adjacentes, selecionar as amostras que obedecem às regras de transferência entre domínios, utilizando regras de similaridade interdomínios. Este método foi validado por experimentos utilizando imagens da série temporal Landsat8 OLI da região da Baía de Hangzhou entre 2013 e 2022, e os resultados mostraram: (1) a estratégia de aumento automático de amostras proposta pode melhorar efetivamente a qualidade e quantidade das amostras, aumentando a eficiência e precisão da classificação; (2) a estratégia de transferência adaptativa de amostras proposta pode realizar efetivamente a transferência de amostras entre imagens do mesmo local em diferentes tempos, evitando a rotulagem anual das amostras, melhorando a eficiência e qualidade da geração de amostras; (3) a aplicação em diferentes classificadores, como SVM (Support Vector Machine) e KNN (k-nearest neighbor), demonstra que as amostras aumentadas e transferidas pelo método proposto têm universalidade para múltiplos classificadores.

método de geração de amostras; classificação da cobertura do solo; aumento automático de amostras; transferência adaptativa de amostras; Baía de Hangzhou; imagens de sensoriamento remoto de séries temporais longas