High quality training samples are essential for global land cover mapping. Traditionally, training samples are collected by field work or via manual interpretation based on high-resolution Google Earth images. Due to the difficulty of training sample collection, regular global land cover mapping is still a challenge. In this study, we developed an automatic training sample migration method based on the first all-season sample set in 2015 and all available archived Landsat 5 TM images in the Google Earth Engine cloud-based platform. By measuring the spectral similarity and spectral distance between the reference spectral and image spectral, we detected and identified the change state of training sample pixels in 2010, 2005, 2000, 1995, and 1990. Overall, 170,925 (66%), 118,586 (64%), 112,092 (67%), 154,931 (63%), and 147,267 (60%) respective training sample pixels were found with no changes over each five-year period. The detection (user's) accuracies of migrated training sample pixels as no change for the first four time periods were 99.25%, 97.65%, 95.03%, and 92.98%, respectively, by comparing with CCI-LC (Climate Change Initiative Land Cover) maps. Classification experiment showed that the migrated training samples can obtain a similar classification accuracy of 71.42% in 2010, when compared to the classification result in 2015 using the same number of training samples. Our study provides a potential solution to resolve the problem of lack of training samples for dynamic global land cover mapping efforts.

高质量的培训样本对于全球土地覆盖图至关重要。传统上，训练样本是通过野外工作或基于高分辨率Google Earth图像的人工解释收集的。由于培训样本收集的困难，定期进行全球土地覆盖图制图仍然是一个挑战。在这项研究中，我们根据2015年的第一个全季样本集以及基于Google Earth Engine云平台的所有可用的Landsat 5 TM影像，开发了一种自动训练样本迁移方法。通过测量参考光谱和图像光谱之间的光谱相似度和光谱距离，我们检测并确定了训练样本像素在2010、2005、2000、1995和1990年的变化状态。总体而言，170,925（66％），118,586（64 ％），112,092（67％），154,931（63％）和147，发现每五年有267个（60％）相应的训练样本像素没有变化。与CCI-LC（气候变化倡议土地覆盖）图相比，前四个时间段未迁移的训练样本像素的检测（用户）准确度分别为99.25％，97.65％，95.03％和92.98％。 。分类实验表明，与2015年使用相同数量训练样本的分类结果相比，迁移的训练样本在2010年可以获得相似的分类精度，为71.42％。我们的研究提供了一种潜在的解决方案，可以解决缺乏针对动态全球土地覆盖图工作的训练样本的问题。s）与CCI-LC（气候变化倡议土地覆盖）图相比，前四个时间段未迁移的训练样本像素的准确度分别为99.25％，97.65％，95.03％和92.98％。分类实验表明，与2015年使用相同数量的训练样本的分类结果相比，迁移的训练样本在2010年可以获得相似的分类精度，为71.42％。我们的研究提供了一个潜在的解决方案，可以解决缺乏针对动态全球土地覆盖图工作的训练样本的问题。s）与CCI-LC（气候变化倡议土地覆盖）图相比，前四个时间段未迁移的训练样本像素的准确度分别为99.25％，97.65％，95.03％和92.98％。分类实验表明，与2015年使用相同数量训练样本的分类结果相比，迁移的训练样本在2010年可以获得相似的分类精度，为71.42％。我们的研究提供了一种潜在的解决方案，可以解决缺乏针对动态全球土地覆盖图工作的训练样本的问题。与使用相同数量训练样本的2015年分类结果相比，2010年为42％。我们的研究提供了一个潜在的解决方案，可以解决缺乏针对动态全球土地覆盖图工作的训练样本的问题。与使用相同数量训练样本的2015年分类结果相比，2010年为42％。我们的研究提供了一个潜在的解决方案，可以解决缺乏针对动态全球土地覆盖图工作的训练样本的问题。