Landsat做土地分类?监督分类具体流程?
很多同学在做遥感实习或土地利用制图时，都会遇到一个直接问题：Landsat做土地分类?监督分类具体流程?到底应该从哪里开始，训练样本怎么选，分类结果又该怎么验证。本文按一个可复现的工作流，把 Landsat 监督分类从影像准备、样本采集、模型分类到精度评价完整梳理一遍。
引言：Landsat做土地分类的核心思路
Landsat做土地分类，本质上是根据不同地物在多个波段上的光谱差异，把每个像元分到“耕地、林地、水体、建设用地、裸地”等类别中。监督分类的特点是：先由人工提供一批已知类别的训练样本，再让算法学习这些样本的光谱特征，最后对整幅影像进行自动分类。
对于 GIS 初学者来说，容易把监督分类理解成“点一下分类按钮就完成”。实际工作中，分类效果更多取决于影像质量、样本质量、类别体系和精度评价，而不是某一个算法本身。
背景：什么时候适合用Landsat监督分类
Landsat 系列影像空间分辨率通常为 30 米，适合做区域尺度的土地利用、土地覆盖、植被变化、水体提取、建设用地扩张等分析。如果研究区较大、目标类别较宏观，Landsat 是一个稳定且常用的数据源。
适合使用 Landsat 监督分类的场景包括：
- 县域、市域或流域尺度土地利用分类。
- 耕地、林地、水体、建设用地、裸地等大类识别。
- 多期土地覆盖变化对比。
- 教学实验、课程设计、毕业论文中的遥感分类实践。
不太适合的场景包括：
- 识别很小的地物，例如单栋建筑、窄道路、小型池塘。
- 要求精细地块边界与权属边界完全一致。
- 研究区云量很高，缺少可用的无云影像。
- 类别光谱非常相似，但没有足够辅助数据。
原理：监督分类为什么需要训练样本
监督分类的关键在于“样本”。训练样本告诉算法：哪些像元代表水体，哪些像元代表林地，哪些像元代表建设用地。算法通过样本的多波段数值学习类别特征，然后把整幅 Landsat 影像中的其他像元归入最可能的类别。
以 Landsat 8 或 Landsat 9 为例，常用波段包括蓝、绿、红、近红外、短波红外等。不同地物在这些波段上的反射率不同，例如：
- 水体通常在近红外和短波红外波段反射率较低。
- 植被在近红外波段反射率较高，在红光波段反射率较低。
- 建设用地和裸地在可见光、短波红外波段上可能比较接近，容易混淆。
- 湿地、阴影、深色屋顶和水体也可能出现光谱混淆。
因此，Landsat监督分类不是只看颜色，而是综合多个波段和样本统计特征进行判断。样本越准确、越有代表性，分类结果通常越可靠。
步骤：Landsat监督分类具体流程
步骤一：确定分类目标和类别体系
在下载影像之前，先明确你要分哪些类别。常见的土地分类体系可以从简单到复杂逐步设计。
| 分类层级 | 示例类别 | 适用场景 |
|---|---|---|
| 一级分类 | 水体、植被、建设用地、裸地 | 课程练习、快速制图、初步分析 |
| 二级分类 | 耕地、林地、草地、水体、建设用地、裸地 | 县域土地覆盖分类、论文制图 |
| 细分类 | 水田、旱地、园地、居民地、工矿用地等 | 需要辅助数据和更高精度影像支持 |
对于 30 米 Landsat 影像，不建议一开始就分太细。类别越多，样本要求越高，混淆概率也越大。
步骤二：下载合适的Landsat影像
常用数据来源包括 USGS EarthExplorer、Google Earth Engine、地理空间数据云等。选择影像时重点看以下条件：
- 时间：尽量选择地物差异明显的季节，例如植被生长期。
- 云量：优先选择云量较低的影像。
- 传感器：可使用 Landsat 8 OLI、Landsat 9 OLI-2 等较新的数据。
- 产品级别：优先使用已经完成几何校正和大气校正的地表反射率产品。
- 覆盖范围：确保影像完整覆盖研究区。
如果需要做多期对比，应尽量选择同一季节、相近物候期的影像，避免把季节差异误判为土地利用变化。
步骤三：进行影像预处理
Landsat做土地分类前，预处理非常重要。常见预处理包括波段合成、裁剪研究区、云掩膜、投影统一和反射率检查。
- 将需要的波段合成为多波段栅格。
- 使用研究区边界裁剪影像，减少计算量。
- 去除云、云影和无效像元。
- 确认影像坐标系与研究区边界一致。
- 检查像元值是否为反射率或经过缩放的整数值。
如果使用 QGIS，可以用“栅格合并”“按掩膜图层裁剪栅格”等工具完成基础处理。如果使用 ArcGIS Pro，可以使用 Composite Bands、Clip Raster、Extract by Mask 等工具。
步骤四：制作训练样本
训练样本是 Landsat监督分类的核心。样本可以用点、面或感兴趣区的形式采集。建议结合真彩色、假彩色影像、历史高分影像、已有土地利用图和实地认知来判读。
采样时需要注意：
- 每个类别都要有足够样本，不要只采一两个区域。
- 样本应分布在研究区不同位置，避免集中在一个角落。
- 样本区域要尽量纯净，避开道路边缘、河岸边缘、混合像元。
- 不要把不确定的区域作为训练样本。
- 训练样本和验证样本应尽量分开，不能完全使用同一批样本评价精度。
对于初学练习，可以每个类别采集几十到上百个样本像元。对于正式制图，应根据研究区面积、类别复杂度和精度要求增加样本数量。
步骤五：选择监督分类算法
常见监督分类算法包括最大似然法、支持向量机、随机森林等。不同软件中名称略有差异。
| 算法 | 特点 | 适合情况 |
|---|---|---|
| 最大似然分类 | 传统方法，基于类别统计分布 | 教学入门、样本类别较清晰 |
| 支持向量机 | 适合小样本和非线性分类 | 类别边界复杂、样本数量有限 |
| 随机森林 | 稳定性较好，可处理多特征 | 土地覆盖分类、变量较多的场景 |
| 最小距离分类 | 简单快速，但精度通常有限 | 快速演示或初步探索 |
如果你使用 QGIS，可以安装 Semi-Automatic Classification Plugin 进行 Landsat 监督分类。如果你使用 ArcGIS Pro，可以使用 Image Classification Wizard、Train Random Trees Classifier、Classify Raster 等工具。
步骤六：执行分类并生成分类栅格
完成样本和算法设置后，即可运行分类。输出结果通常是一个单波段栅格，每个像元的值代表一个土地类别。例如 1 表示水体，2 表示林地，3 表示耕地，4 表示建设用地。
分类完成后，应立即检查几个问题：
- 分类图是否覆盖整个研究区。
- 类别编码是否与样本类别一致。
- 是否有大片明显错误，例如水体被分成建设用地。
- 云、阴影、无数据区域是否被错误分类。
- 分类结果是否存在大量椒盐噪声。
步骤七：分类后处理
监督分类结果通常不会直接用于最终制图，需要进行分类后处理。常见处理包括多数滤波、小斑块清理、掩膜约束和类别合并。
- 使用多数滤波减少孤立噪声像元。
- 根据最小制图单元删除过小斑块。
- 用水系、行政区、土地利用现状图等辅助数据进行合理约束。
- 将容易混淆且研究不需要区分的类别合并。
- 重新设置分类图例颜色，便于判读和制图。
需要注意，后处理不能替代样本质量。如果分类结果大面积错误，应该回到训练样本和影像预处理阶段检查，而不是只靠滤波修补。
步骤八：精度评价
土地分类成果必须做精度评价。常用方法是准备独立验证样本，将分类结果与真实类别对比，生成混淆矩阵。
常见评价指标包括：
- 总体精度：所有验证样本中分类正确的比例。
- 生产者精度：某一真实类别被正确识别出来的比例。
- 用户精度：某一分类结果在现实中确实属于该类别的比例。
- Kappa系数：考虑随机一致性的分类一致性指标。
如果验证样本和训练样本完全相同，精度结果往往偏高，不能真实反映分类质量。正式项目中，应使用独立验证点、实地调查点或可靠参考影像进行评价。
常见坑：Landsat土地分类最容易出错的地方
坑一：直接用真彩色影像分类
只使用红、绿、蓝三个可见光波段会丢失大量信息。Landsat做土地分类时，建议使用近红外、短波红外等波段，因为这些波段对植被、水体、土壤和建设用地的区分很有帮助。
坑二：样本画在混合像元上
Landsat 30 米像元内可能同时包含道路、树木、建筑和裸地。如果训练样本落在混合区域，算法学到的特征就会变得模糊。采样时应尽量选取纯净区域。
坑三：云和阴影没有处理
云、云影和山体阴影很容易被分成水体或建设用地。如果研究区存在云影，应先做云掩膜，或者将云影单独作为无效区域处理。
坑四：分类类别设置过细
用 Landsat 区分“普通道路、居民地、工业用地、商业区”通常比较困难。类别体系应与影像分辨率匹配，不能把高分辨率影像的解译标准直接套到 Landsat 上。
坑五：没有做独立精度评价
只看分类图“颜色像不像”是不够的。没有混淆矩阵和验证样本，就很难说明分类结果是否可靠。
方法比较：QGIS、ArcGIS Pro和Google Earth Engine怎么选
| 工具 | 优点 | 限制 | 适合人群 |
|---|---|---|---|
| QGIS | 免费开源，可结合插件完成监督分类 | 插件配置和数据管理需要一定耐心 | 学生、开源GIS用户、课程练习 |
| ArcGIS Pro | 影像分类工具链完整，界面友好 | 需要授权，部分工具依赖扩展模块 | GIS工程师、已有ArcGIS环境的用户 |
| Google Earth Engine | 适合大范围、多时相和批量处理 | 需要编写代码，结果导出和资产管理有学习成本 | 遥感分析人员、需要处理大区域数据的用户 |
| Python GIS | 可自动化、可复现，适合定制流程 | 需要掌握 rasterio、geopandas、scikit-learn 等库 | 有编程基础的GIS开发者和分析师 |
如果你是第一次做 Landsat监督分类，建议先用 QGIS 或 ArcGIS Pro 完整跑通流程；如果要做大范围长期序列分析，再考虑 Google Earth Engine 或 Python 自动化。
检查清单：提交Landsat土地分类成果前逐项核对
- 是否明确了分类体系和类别编码。
- 是否使用了合适季节、低云量的 Landsat 影像。
- 是否完成波段合成、裁剪、云掩膜和投影检查。
- 训练样本是否覆盖所有类别，并且空间分布均衡。
- 是否避免把边界、阴影、混合像元作为训练样本。
- 是否选择了合适的监督分类算法。
- 分类结果是否经过必要的后处理。
- 是否使用独立验证样本生成混淆矩阵。
- 是否记录了数据来源、影像日期、分类方法和参数。
- 最终地图是否包含图例、比例尺、坐标信息和分类说明。
FAQ：Landsat监督分类常见问题
Landsat做土地分类一定要做大气校正吗？
如果只是课堂练习，未校正影像也可以用于理解流程。但如果要做正式分析、多期对比或发表成果，建议使用地表反射率产品或完成大气校正，减少大气条件对光谱值的影响。
训练样本每类需要多少个？
没有固定数字。一般来说，类别越复杂、研究区越大、地物差异越明显，就需要更多样本。更重要的是样本要准确、纯净、分布均衡，而不是简单追求数量。
为什么水体和阴影容易分错？
水体和阴影在部分波段上都可能表现为低反射率，尤其在近红外波段容易相似。解决方法包括云影掩膜、增加短波红外信息、改进样本、结合地形或水体指数辅助判断。
最大似然分类和随机森林哪个更好？
最大似然分类适合入门和传统遥感实验，流程简单；随机森林通常更稳定，也能结合指数、纹理和多时相特征。但最终效果仍取决于影像质量和样本质量，不能只看算法名称。
分类结果出现很多碎点怎么办？
可以使用多数滤波、区域合并、小斑块清理等后处理方法。但如果碎点非常多，通常说明样本质量、波段选择或类别设置存在问题，应回到前面的步骤重新检查。
Landsat可以区分水田和旱地吗？
在特定季节和物候阶段有可能区分，但难度高于一级土地覆盖分类。建议结合多时相影像、植被指数、水体指数、物候特征和已有农业数据，而不是只依赖单景 Landsat 影像。
结论：把流程跑通比只换算法更重要
Landsat做土地分类的监督分类流程，可以概括为：确定分类体系、下载合适影像、完成预处理、采集训练样本、选择算法、执行分类、分类后处理、精度评价。对于初学者来说，最重要的不是一开始就追求复杂模型，而是把每一步做规范。
如果分类结果不好，优先检查影像时间、云影处理、样本质量和类别体系，再考虑更换算法。只要流程清晰、样本可靠、评价规范，Landsat监督分类就可以产出较稳定的土地分类成果。