遥感图像分类实战：Python+ENVI高效提取植被、水体与土壤
遥感图像分类是地物识别的基础操作，但对于刚接触遥感的新手来说，面对一张Landsat影像往往不知从何下手。本文将带你用Python和ENVI两种工具，基于光谱特征快速区分植被、水体与土壤三类典型地物。
1. 理解地物的光谱指纹
每种地物都有独特的光谱特征，就像人类的指纹一样可辨识。掌握这些特征是准确分类的前提。
植被：在可见光波段呈现"绿峰"（0.55μm附近），近红外波段有显著反射陡坡（0.7-1.1μm），这是由叶绿素和叶片细胞结构决定的。中红外波段因水分吸收会出现明显低谷。
水体：清洁水体在可见光蓝绿波段有微弱反射，近红外波段几乎全吸收。含泥沙时反射率会向红波段偏移，含藻类时近红外反射会异常升高。
土壤：反射曲线相对平滑，没有明显波峰波谷。反射率受质地、有机质和含水量影响，通常表现为从可见光到红外波段的缓慢上升趋势。
# 典型地物光谱曲线可视化示例 import matplotlib.pyplot as plt import numpy as np wavelengths = np.linspace(0.4, 2.5, 100) vegetation = np.where(wavelengths<0.7, 0.1, np.where(wavelengths<1.1, 0.8, 0.2)) water = np.where(wavelengths<0.6, 0.15, 0.02) soil = 0.1 + 0.3*(wavelengths-0.4)/2.1 plt.plot(wavelengths, vegetation, 'g', label='Vegetation') plt.plot(wavelengths, water, 'b', label='Water') plt.plot(wavelengths, soil, 'sienna', label='Soil') plt.xlabel('Wavelength (μm)'); plt.ylabel('Reflectance') plt.legend(); plt.grid()提示：Landsat 8/9的波段设置特别适合这类分析，其中波段3（绿）、4（红）、5（近红外）和6（短波红外）是关键。
2. Python自动化分类方案
使用Python可以灵活实现从数据预处理到分类的完整流程。这里推荐rasterio进行影像读写，scikit-learn负责分类算法。
2.1 数据准备与特征提取
首先需要计算几个关键光谱指数：
- NDVI（归一化植被指数）：(B5 - B4)/(B5 + B4)
值域[-1,1]，植被区域通常>0.3 - NDWI（归一化水体指数）：(B3 - B5)/(B3 + B5)
水体通常>0.2，植被和土壤多为负值 - BSI（裸土指数）：((B6+B4)-(B5+B2))/((B6+B4)+(B5+B2))
高值指示裸露土壤
import rasterio import numpy as np def calculate_indices(b2, b3, b4, b5, b6): ndvi = (b5 - b4) / (b5 + b4 + 1e-10) ndwi = (b3 - b5) / (b3 + b5 + 1e-10) bsi = ((b6+b4)-(b5+b2)) / ((b6+b4)+(b5+b2) + 1e-10) return np.stack([ndvi, ndwi, bsi], axis=-1) with rasterio.open('landsat.tif') as src: b2, b3, b4, b5, b6 = src.read([2,3,4,5,6]) features = calculate_indices(b2, b3, b4, b5, b6)2.2 机器学习分类实现
使用随机森林分类器结合光谱指数特征：
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split # 准备训练样本（实际应用中需手动标注） samples = { 'vegetation': [(0.6, -0.3, -0.2), (0.7, -0.4, -0.1)], 'water': [(-0.1, 0.5, 0.1), (-0.2, 0.6, 0.0)], 'soil': [(0.1, -0.2, 0.5), (0.2, -0.1, 0.6)] } X, y = [], [] for label, values in samples.items(): X.extend(values) y.extend([label]*len(values)) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) clf = RandomForestClassifier().fit(X_train, y_train) # 应用分类模型 height, width = features.shape[:2] X_pred = features.reshape(-1, 3) y_pred = clf.predict(X_pred).reshape(height, width)3. ENVI经典工作流
对于不熟悉编程的用户，ENVI提供了直观的图形化分类工具。以下是关键步骤：
3.1 波段运算与指数计算
- 打开影像后，选择
Band Algebra→Band Ratio计算NDVI：(float(b5)-b4)/(b5+b4) - 同样的方法计算NDWI和BSI
- 使用
Layer Stacking将原始波段和指数合并为新数据集
3.2 监督分类流程
- 在工具栏选择
Classification→Supervised→Training Data Manager - 绘制ROI样本区域，为每类地物采集足够样本
- 选择分类算法（推荐
Random Forest或Support Vector Machine） - 执行分类并评估精度
注意：样本质量决定分类效果，每类至少采集30-50个样本点，均匀覆盖不同亮度区域。
4. 结果优化与验证
无论采用哪种方法，分类后都需要进行优化和验证：
4.1 后处理技术
- 多数/少数分析：消除孤立的错分像素
- 聚类处理：合并小图斑，平滑边界
- 矢量转换：将结果转为多边形便于GIS分析
4.2 精度验证方法
| 验证方法 | 实施步骤 | 适用场景 |
|---|---|---|
| 混淆矩阵 | 随机生成验证点，对比分类结果与人工判读 | 需要定量精度指标 |
| 目视检查 | 叠加原始影像与分类结果，检查明显错误 | 快速质量评估 |
| 交叉验证 | 将训练样本分为多组轮流验证 | 评估模型稳定性 |
# Python精度评估示例 from sklearn.metrics import confusion_matrix, classification_report y_true = ['vegetation', 'water', 'soil'] # 实际验证点标签 y_pred = ['vegetation', 'soil', 'water'] # 模型预测结果 print(confusion_matrix(y_true, y_pred)) print(classification_report(y_true, y_pred))5. 典型问题解决方案
在实际项目中，经常会遇到以下挑战：
混合像元问题：当分辨率不足时，单个像元可能包含多种地物。解决方案：
- 使用更高分辨率数据
- 尝试亚像元分类方法
- 引入纹理特征辅助区分
同物异谱现象：同类地物在不同条件下光谱表现不同。应对策略：
- 收集多时相样本
- 使用归一化指数减少光照影响
- 结合DEM等辅助数据
阴影干扰：建筑物或地形阴影易被误分为水体。可尝试：
- 计算阴影指数（如SI = (B2+B3)/2 - B5）
- 结合三维城市模型
- 人工修正关键区域
对于时间序列分析，建议建立分类规则库保存典型样本和参数，方便批量处理同类影像。ENVI的Modeler和Python的sklearn.pipeline都能实现流程标准化。
