地表覆盖制图是监测和理解地表变化的关键任务，为全球变化研究、地球系统模拟、城市规划等诸多领域提供了关键的基础数据。现有的地表覆盖制图方法大多采用监督分类器，在国家或者全球尺度的场景中，受限于分类标签的缺乏。本工作基于新一代神威超级计算机，提出了一种高可扩展的弱监督分类方法，无需额外的人工标注，即可完成大尺度的地表覆盖任务。该方法由两个主要的模块组成，一个是卷积型k均值聚类模块，可综合考虑纹理、光谱以及时域特征；另一个则是噪声学习的迭代模块。在对中国进行制图的具体任务中，我们设计和优化的卷积型k均值聚类模块，可高效扩展至98304个神威节点（3800多万核），取得437.56 Pflops的持续计算性能。噪声学习迭代模块可扩展至24576个神威节点，取得11 Pflops的持续计算性能。该方法可在一小时左右完成对中国全域的地表覆盖制图，并获得10分类83.5%的分类精度和25分类72.6%的分类精度，相比此前的公开产品有5~7%的精度提升。
 

地表覆盖,高性能计算,弱监督学习,噪声学习,国产E级超算