在大尺度地表覆盖制图项目中，明确训练样本量与分类精度的定量关系，对于精度潜力评估和采样成本优化至关重要。尽管有限样本稳定分类理论表明，验证精度 随样本量 增加将逐步趋于稳定的上限 ，但地表覆盖领域中目前尚缺乏对该过程的定量刻画。对此，本研究提出了有效信息增益累积的分析框架，在理论和实验层面证明了：在无偏采样（样本累积顺序在空间上无依赖）下， 遵循Scaling Law关系，即 。基于FAST、CoastTrain和LUCAS三套代表性的大尺度样本库，我们在四种机器学习模型上系统验证了Scaling Law在多种场景中的有效性和稳健性。研究主要发现包括：（1）现有样本库的样本量不足以支撑模型达到其理论上限。以Random Forest和XGBoost模型为例，三套样本库的精度仍具有4%以上的提升空间，然而实现该提升需要的样本量达现有规模的 倍；（2）在无偏采样下，Scaling Law可用于采样早期的精度预测。仅在不到2%的样本量的采样初期，即可准确预测全部样本量下的Random Forest的最终精度（预测误差＜3%）。此外，优先构建验证样本库可进一步提升预测精度；（3）无偏采样是早期预测的必要条件，当前广泛采用的随机单元采样和顺序单元采样由于引入空间依赖性，难以有效拟合Scaling Law；（4）提升模型复杂度能在维持Scaling Law的增长速率的同时，有效提高精度上限和早期预测准确度。本研究对全球范围内大尺度地表覆盖制图项目具有重要指导意义，建议未来采取优先构建验证样本库，实施无偏采样，并选择复杂模型的策略，以实现高效的精度预测和资源优化。

遥感制图,定标律,精度预测,高效采样