摘要
越南湄公河三角洲（VMRD）是一个对气候变化敏感的地区，拥有多样化的生态系统，其中包括广阔的红树林，这些红树林能够抵御海平面上升并有助于全球碳封存。在VMRD进行准确的土地覆盖分类至关重要，但由于复杂的地形和动态的环境条件，这一任务仍然具有挑战性。本研究的主要目标是提出一种半监督深度学习框架，该框架将卫星指数与多时相遥感数据相结合，以解决关键的分类问题，尤其是在地面真实数据有限的情况下，相比无监督和有监督的机器学习方法而言。我们对不同样本量（500到6000个地面真实数据点）的比较分析揭示了模型性能和可扩展性的关键见解。在有足够标记数据的情况下，包括随机森林（RF）、支持向量机（SVM）和卷积神经网络（CNN）在内的有监督模型表现出色，其中CNN在6000个样本时的准确率最高（0.97）。然而，在样本量极少的情况下（500个样本点），这些有监督方法的准确率显著下降（RF：0.75，SVM：0.80，CNN：0.81）。此外，有监督模型还表现出过拟合的倾向。相比之下，半监督方法（SoC4SS-FGVC）在样本量较少的情况下也能取得非常高的性能（500个样本点的准确率为0.92），显示出在数据量有限时的强大能力。该框架在区分光谱相似的土地覆盖类型以及检测如红树林等环境敏感类型方面也表现出更好的能力。与官方统计数据的交叉验证证实了半监督模型在划分稻田方面的优越性及其抗过拟合的能力。性能分析表明，SoC4SS-FGVC为土地覆盖制图提供了一种实用且成本效益高的解决方案，特别是在地面真实数据收集成本高昂或物流上具有挑战性的地区。
