遥感影像语义分割制图已经在自然资源调查和监测中广泛应用，并得到了良好的效果。对于遥感语义分割制图项目，拥有更多的训练样本能够使模型更好地提取目标特征，从而得到更高的制图精度。然而，由于遥感地理景观的复杂性和土地分类系统的不确定性，遥感制图常常需要专业人员通过手动标注生成尽可能多的数据样本，这会消耗较高的标注预算的时间成本。策略性采样旨在保证模型精度的前提下，尽可能减少制作新训练样本的工作量，但这一方法在遥感语义分割制图领域并没有得到充分研究。本研究基于meta分析和案例分析结合的方法，探究了遥感语义分割制图中的策略性采样最佳应用。研究探究了策略性采样相关的三个关键因素：样本数量、样本分布和迁移方法。首先，meta分析检索了334篇语义分割遥感制图的最新文献，总结了不同制图场景下的训练样本使用情况。其次，研究以耕地地块制图为案例，构建了一个超过12000张标注图像的遥感耕地地块数据集，并使用基准深度学习模型评估了三个策略性采样因素对模型精度的影响。研究还提出了一种针对语义分割图像样本的平衡采样方法，利用图像样本的信息熵和边缘复杂度对样本多样性进行分类。研究为遥感语义分割制图中的策略性采样方法提供了启发式框架，为实际场景中样本选择提供了实践指导。
 

语义分割,深度学习,训练样本,平衡采样,迁移策略