Landsat做土地分类?监督分类具体流程?

为什么你用Landsat做监督分类，结果总像“抽象派油画”？

我在国土调查项目里第一次用Landsat 8做土地分类时，信心满满选了50个训练样本，结果分类图斑支离破碎，水田和建筑傻傻分不清——这不是软件的锅，而是你没搞懂监督分类的“灵魂三问”：选谁当老师？怎么教模型？如何验收作业？

监督分类不是“点点鼠标”，而是给AI找靠谱家教

想象你要教小孩认水果。你不会随手抓几个苹果香蕉就开讲，而是精心挑选“标准样本”：红富士、青提、车厘子——每种都形态典型、特征鲜明。监督分类同理：训练样本的质量，直接决定分类精度天花板。

Dr. Gis实战忠告：在长三角水网区做分类，我曾因把“被云影遮挡的稻田”误标为“水体”，导致整片区域分类崩溃。后来改用多时相影像交叉验证，才揪出这个“冒牌教师”。

四步拆解监督分类全流程（附避坑指南）

1. Step 1｜数据预处理：给Landsat“洗澡更衣”
   • 辐射定标 → 大气校正（推荐FLAASH或6S模型）→ 地形校正（山区必做！）
   • 关键细节：别直接用DN值！ENVI里“Radiometric Calibration”必须勾选“Apply FLAASH Settings”
2. Step 2｜创建训练样本：当好“星探经纪人”
   • 原则：每类地物≥30个样本，空间分布均匀（避免扎堆在影像一角）
   • 神器推荐：QGIS的“Training Sample Manager”插件，支持实时查看光谱曲线
3. Step 3｜选择分类器：算法界的“华山论剑”

   算法	适用场景	我的私藏参数
   最大似然法	样本充足且呈正态分布	协方差矩阵对角化
   支持向量机(SVM)	小样本/高维数据	RBF核+惩罚系数C=100
   随机森林	抗噪声/非线性关系	树数量>200+OOB误差监控

4. Step 4｜精度验证：请第三方“质检员”
   • 必须预留20%样本做验证（绝不能和训练样本重叠！）
   • 核心指标：混淆矩阵中的用户精度（你的分类有多准）和生产者精度（漏分了多少）

三个让分类结果“脱胎换骨”的进阶技巧

• 纹理特征加持：在ENVI中计算GLCM纹理（对比度/熵），能有效区分“平滑的混凝土”和“粗糙的裸土”
• NDVI掩膜术：先用植被指数圈定植被区，再单独对非植被区分类，避免“绿色屋顶”被误判为林地
• 后处理滤波：ArcGIS里的“Majority Filter”工具，一键消除“椒盐噪声”小图斑

现在轮到你了！

监督分类没有标准答案——你在西北荒漠用SVM效果拔群，在江南水乡可能随机森林才是王者。在评论区告诉我：你踩过最痛的分类坑是什么？用了什么神操作逆袭？ 下期我会拆解“如何用Python自动优化分类参数”，点赞过500立刻更新！