一种基于深度学习域自适应的跨时相沙丘地制图方法及系统

本发明提出一种基于深度学习域自适应的跨时相沙丘地制图方法及系统，包括步骤：S1：对源域（源时相）影像和标签进行采样；S2：利用在源域训练的深度学习模型预测目标域影像，通过置信度阈值筛选可靠预测结果作为下一次迭代的训练样本伪标签，对迭代输出结果进行基于概率图的聚合预测，获得各目标时相的沙丘地分类结果；S3：在不同尺度下重复S1和S2，融合各尺度下的沙丘地分类信息，以优化沙丘地的分类边界，设计时序优化规则，进一步提升时序分类结果的精度。本发明在沙丘地标注信息较为匮乏的前提下，实现了高精度、跨时相沙丘地制图，其结果可为沙丘地时空变化分析以及土地沙漠化扩张动态监测提供重要参考依据。