近日，我院信息所农业遥感团队在遥感少样本分类的自适应样本生成方法研究方面取得重要原创进展，相关研究论文《Self-adaptive remote sensing sample generation method for high-dimensional feature purification: A case study of complex agro-forest ecosystems》正式发表于国际知名生态信息学期刊《Ecological Informatics》（新锐分区：环境科学与生态学1区Top，IF=8.5）。该研究首次提出融合特征空间流形挖掘与排他性伪标签纯化机制的自适应样本生成框架，在黄淮海平原作物分类与林场树种分类两类典型异质场景中验证了方法的有效性与适用边界，为大规模复杂景观遥感精准制图提供了新型技术范式。

针对现有遥感样本扩增方法普遍存在的外部产品高度依赖、伪标签误差易累积、物理约束薄弱及异质景观泛化能力不足等瓶颈，本研究提出了一套融合特征空间流形挖掘与排他性伪标签纯化机制的自适应遥感样本生成框架。该框架以脊正则化马氏距离（Mahalanobis Distance, MD）挖掘高维特征流形，引入多模态竞争排他锁与地理拓扑约束实现伪标签纯化；在此基础上，构建了具备样本置信度加权的自适应光谱深度神经网络（Spectral-DNN）作为最终分类器，其网络拓扑可根据输入样本池规模动态调整深度与宽度。

图1  总体技术流程

研究选取黄淮海平原秋季作物分类（CSC：玉米/大豆/花生/其它）与典型林场树种分类（TSC：云杉/落叶松/油松/华山松/栎类/桦木）两类代表性异质场景，评估了方法的有效性与适用边界。结果表明，基于类间统计距离的Jeffries-Matusita（J-M）距离在量化伪标签生成质量方面比最优指数因子（OIF）具有更高的稳定性，在CSC与TSC任务中与Gen_Kappa的R²分别达到0.577和0.728；引入空间纹理特征有效拉大了同物异谱类别间的几何间距。样本扩增的效益呈现显著的任务特异性，对于J-M距离较大、类内紧致度高的规则地物分类任务，特征空间中的判别边界清晰，误差容限较高，推荐大容量生成模式以最大化决策边界平滑收益；对于J-M距离较小、特征流形严重重叠的高度异质分类任务，扩增规模必须严格限制在低阈值安全区间内，依赖高纯度伪标签配合置信度加权来弥补分布盲区并施加正则化约束，从而有效防止噪声梯度过载。

我院农业信息技术研究所张标博士为论文第一作者，郭燕副研究员为论文通讯作者。研究得到河南省重点研发专项（251111112500）、中原领军人才项目（264200510006）、河南省农业科学院遥感创新团队（2024TD28）、河南省农业科学院自主创新项目（2026ZC81）、河南省农业科学院博士科研启动基金（2026BX59）等项目的资助。

原文链接：https://doi.org/10.1016/j.ecoinf.2026.103972