遙感圖像分類這件事說簡單也簡單說復(fù)雜也復(fù)雜。簡單在于ArcGIS 把很多算法都封裝成了工具箱里的一個按鈕點一下就能出結(jié)果復(fù)雜在于同樣是點那個按鈕有人分出來是干干凈凈的地類圖有人分出來是一鍋粥滿屏椒鹽噪聲。我接觸遙感分類差不多有七八年從最早的手寫最大似然估計到后來用隨機(jī)森林、支持向量機(jī)踩過的坑比走過的路還多。今天這篇就圍繞 ArcGIS 平臺上的兩種經(jīng)典分類器——隨機(jī)樹Random Trees和最大似然分類Maximum Likelihood Classification——把整個流程、參數(shù)邏輯、避坑經(jīng)驗完整拆一遍。如果你手頭正好有一景多光譜影像想分出林地、水體、耕地、建設(shè)用地這幾類又不想一上來就啃深度學(xué)習(xí)那一套那這篇內(nèi)容基本能覆蓋你從數(shù)據(jù)準(zhǔn)備到精度評價的全部需求。我會盡量把每個參數(shù)背后的“為什么”講清楚而不是只告訴你“填多少”。畢竟工具是死的地物是活的換個區(qū)域、換個季節(jié)參數(shù)就得跟著變。1. 兩種分類器的底層邏輯與選型思路1.1 最大似然分類到底在算什么最大似然分類MLC是遙感領(lǐng)域最經(jīng)典的監(jiān)督分類方法之一它的核心假設(shè)非常樸素每一類地物的像元值在特征空間里服從正態(tài)分布。換句話說如果我把所有水體像元的近紅外波段值畫成直方圖它應(yīng)該是一個漂亮的鐘形曲線?；谶@個假設(shè)MLC 對每個像元計算它屬于各個類別的概率然后把它歸到概率最大的那一類。這個“概率”是怎么來的本質(zhì)上是貝葉斯決策。給定一個像元特征向量 x它屬于類別 i 的后驗概率正比于“類別 i 的先驗概率 × 類別 i 下出現(xiàn) x 的似然”。在 ArcGIS 的實現(xiàn)里先驗概率默認(rèn)是均等的除非你手動指定。似然那一項就是那個多維正態(tài)分布的概率密度函數(shù)涉及均值向量和協(xié)方差矩陣。這里有個關(guān)鍵點很多人忽略協(xié)方差矩陣。如果兩類地物的均值離得近但協(xié)方差結(jié)構(gòu)差異大MLC 依然能分開反過來如果兩類均值差得遠(yuǎn)但方差都巨大重疊區(qū)域就會很多。所以 MLC 對訓(xùn)練樣本的“代表性”要求極高樣本稍微偏一點協(xié)方差矩陣就估歪了分類結(jié)果直接崩。MLC 的優(yōu)勢在于理論成熟、計算速度快、對中等維度的多光譜數(shù)據(jù)表現(xiàn)穩(wěn)定。劣勢也很明顯它對非正態(tài)分布的地物比如城市里混雜的建筑物和陰影適應(yīng)性差而且當(dāng)波段數(shù)多、樣本少的時候協(xié)方差矩陣估計不穩(wěn)定容易過擬合。1.2 隨機(jī)樹為什么在遙感里越來越吃香隨機(jī)樹Random Trees在 ArcGIS 里其實是隨機(jī)森林的一個變體實現(xiàn)底層是一堆決策樹做集成學(xué)習(xí)。每棵樹在訓(xùn)練時隨機(jī)抽取樣本子集和特征子集最后投票決定分類結(jié)果。它跟 MLC 最大的區(qū)別在于不假設(shè)任何分布。這個“不假設(shè)分布”有多重要舉個例子你分類城市地物建筑、道路、陰影、植被混在一起它們的光譜分布根本不是正態(tài)的可能是雙峰甚至多峰的。MLC 硬套正態(tài)分布結(jié)果就是大量錯分。隨機(jī)樹則通過樹的分裂節(jié)點天然能擬合任意形狀的決策邊界。隨機(jī)樹的另一個好處是能輸出特征重要性。ArcGIS 的 Random Trees 工具會給你一份變量重要性排序告訴你哪個波段對分類貢獻(xiàn)最大。這個信息在波段選擇時非常有用——比如你發(fā)現(xiàn)藍(lán)光波段重要性極低下次就可以直接去掉減少計算量。但隨機(jī)樹也不是沒有代價。它的計算量比 MLC 大尤其是樹的數(shù)量和深度上去之后而且它對訓(xùn)練樣本的數(shù)量要求更高樣本太少容易過擬合。另外隨機(jī)樹的結(jié)果可解釋性不如 MLC 直觀你很難說清楚“為什么這個像元被分成了林地”。1.3 選型決策什么時候用哪個我一般按下面這個邏輯來選場景特征推薦分類器理由地物光譜分布接近正態(tài)樣本充足最大似然速度快理論成熟結(jié)果穩(wěn)定地物混雜嚴(yán)重分布非正態(tài)隨機(jī)樹無需分布假設(shè)擬合能力強(qiáng)波段數(shù)多10樣本有限隨機(jī)樹避免協(xié)方差矩陣估計不穩(wěn)定需要快速出初步結(jié)果最大似然參數(shù)少調(diào)參成本低需要特征重要性分析隨機(jī)樹自帶變量重要性輸出分類類別多8類隨機(jī)樹對復(fù)雜決策邊界適應(yīng)性更好實際項目中我經(jīng)常兩個都跑一遍用同一套訓(xùn)練樣本和驗證樣本對比 Kappa 系數(shù)和總體精度誰高用誰。有時候 MLC 在簡單場景下反而比隨機(jī)樹穩(wěn)因為隨機(jī)樹在小樣本下容易波動。2. 數(shù)據(jù)準(zhǔn)備與訓(xùn)練樣本采集的實操細(xì)節(jié)2.1 影像預(yù)處理不能省的那幾步拿到一景遙感影像別急著往分類器里塞。我見過太多人直接拿原始 DN 值做分類結(jié)果精度慘不忍睹。下面這幾步是底線輻射定標(biāo)與大氣校正。如果你做的是單景分類且類別之間光譜差異明顯輻射定標(biāo)可以跳過但大氣校正最好做。尤其是多景拼接的時候不做大氣校正同一類地物在不同景上的光譜值能差出一大截分類器直接懵。ArcGIS 里可以用柵格函數(shù)里的“大氣校正”工具或者用外部工具做好再導(dǎo)入。波段選擇與組合。多光譜影像通常有藍(lán)、綠、紅、近紅外幾個波段。分類時不是波段越多越好。我的經(jīng)驗是先算一下各波段之間的相關(guān)性相關(guān)性高于 0.9 的波段留一個就行。比如藍(lán)光和綠光在多數(shù)場景下高度相關(guān)可以只留綠光。近紅外對植被區(qū)分至關(guān)重要必須保留。如果還有短波紅外對建筑和裸土區(qū)分幫助很大。影像裁剪與掩膜。研究區(qū)外的區(qū)域要么裁掉要么用掩膜屏蔽。否則分類器會在無關(guān)區(qū)域浪費(fèi)算力還可能把背景值當(dāng)成一類地物。ArcGIS 里用“按掩膜提取”或者“裁剪柵格”都行。分辨率統(tǒng)一。如果你要把不同分辨率的輔助數(shù)據(jù)比如 DEM、NDVI疊進(jìn)去分類先重采樣到同一分辨率。我一般用雙線性插值重采樣連續(xù)數(shù)據(jù)用最近鄰重采樣分類數(shù)據(jù)。2.2 訓(xùn)練樣本采集的五個硬規(guī)矩訓(xùn)練樣本的質(zhì)量直接決定分類上限。下面這幾條是我用血淚換來的規(guī)矩一每類樣本不少于 30 個像元最好 100 以上。這是統(tǒng)計上的最低要求樣本太少M(fèi)LC 的協(xié)方差矩陣估不準(zhǔn)隨機(jī)樹也學(xué)不到規(guī)律。我一般每類采 150-300 個像元復(fù)雜類別采到 500。規(guī)矩二樣本要覆蓋該類地物的全部光譜變異。比如林地有密林、疏林、幼林陰影下的林地和陽光下的林地光譜差異巨大。你只采陽光下的密林分類時陰影里的林地全被分成水體或建筑。正確做法是分層采樣把每種變異都采到。規(guī)矩三樣本在空間上要分散。別在一個小區(qū)域里采幾千個像元那樣樣本之間高度空間自相關(guān)統(tǒng)計上等于只有幾個獨立樣本。我一般把研究區(qū)分成網(wǎng)格每個網(wǎng)格里采幾處確保空間代表性。規(guī)矩四訓(xùn)練樣本和驗證樣本必須獨立。這是最容易被忽視的一條。很多人采一套樣本一半訓(xùn)練一半驗證看似獨立其實空間上挨著驗證精度虛高。正確做法是采兩套完全獨立的樣本最好在不同區(qū)域。我通常按 7:3 分配訓(xùn)練和驗證且驗證樣本單獨采集。規(guī)矩五樣本邊界要干凈?；旌舷裨欠诸惖拇髷?。采樣本時盡量選地物核心區(qū)域避開邊界。ArcGIS 里可以用“訓(xùn)練樣本管理器”里的“繪制多邊形”工具放大到足夠比例尺再畫。2.3 樣本文件的管理與格式轉(zhuǎn)換ArcGIS 里訓(xùn)練樣本通常存成.shp或.lyr文件。我習(xí)慣用 shapefile因為通用性好方便在別的軟件里檢查。采樣時注意字段設(shè)置必須有一個整型字段存類別 ID比如class_id值從 1 開始連續(xù)編號。別用字符串字段有些工具不認(rèn)。采樣完成后用“訓(xùn)練樣本管理器”里的“評估”功能檢查樣本質(zhì)量。它會給你每個類別的統(tǒng)計信息包括均值、標(biāo)準(zhǔn)差、協(xié)方差矩陣。重點看標(biāo)準(zhǔn)差如果某類某個波段的標(biāo)準(zhǔn)差異常大說明樣本里混進(jìn)了別的類得回去清理。還有一個技巧把樣本點疊加到影像上目視檢查一遍。我經(jīng)常發(fā)現(xiàn)有人把道路采成了建筑或者把水田采成了水體。這種錯誤在統(tǒng)計上不一定看得出來但分類結(jié)果會很明顯。3. ArcGIS 中隨機(jī)樹分類的完整操作流程3.1 工具定位與參數(shù)面板解讀ArcGIS Pro 里隨機(jī)樹分類工具在“Spatial Analyst”工具箱下的“分類”工具集里叫“隨機(jī)樹分類”或者英文 “Random Trees”。打開之后你會看到幾個關(guān)鍵參數(shù)最大樹數(shù)默認(rèn) 30。這個參數(shù)控制森林里樹的數(shù)量。樹越多結(jié)果越穩(wěn)定但計算越慢。我的經(jīng)驗是 50-100 棵足夠超過 150 棵精度提升微乎其微時間卻翻倍。最大樹深度默認(rèn) 30?？刂泼靠脴涞淖畲蠓至褜訑?shù)。深度越大模型越復(fù)雜越容易過擬合。小樣本時建議降到 10-15大樣本時可以放到 20-30。每節(jié)點最小樣本數(shù)默認(rèn) 1。這個參數(shù)決定一個節(jié)點至少要有多少樣本才能繼續(xù)分裂。設(shè)得太小樹會學(xué)到噪聲設(shè)得太大樹太淺欠擬合。我一般設(shè) 5-10。訓(xùn)練樣本隨機(jī)比例默認(rèn) 100%。這是每棵樹用的樣本比例。隨機(jī)森林的精髓就在于每棵樹用不同的樣本子集所以這個值通常設(shè) 60%-80%而不是 100%。設(shè) 100% 就退化成 Bagging 了多樣性不夠。特征子集比例控制每次分裂時隨機(jī)考慮的特征波段比例。默認(rèn)是 1 除以波段數(shù)的平方根。比如 6 個波段就是 1/2.45 約等于 0.4。這個值一般不用改除非你波段特別多。輸出特征重要性勾上。這個選項會生成一個文本文件告訴你每個波段的重要性得分。我每次都會勾方便后續(xù)優(yōu)化波段組合。3.2 參數(shù)調(diào)優(yōu)的實操記錄我拿一景 6 波段的多光譜影像做過一組對比實驗研究區(qū)包含林地、水體、耕地、建設(shè)用地四類訓(xùn)練樣本每類 200 個像元。下面是我記錄的參數(shù)組合和對應(yīng)精度樹數(shù)深度最小樣本樣本比例總體精度Kappa30301100%82.3%0.765020570%87.6%0.8310020570%88.1%0.84100151060%86.9%0.8215025570%88.0%0.84從這組數(shù)據(jù)能看出幾個規(guī)律樹數(shù)從 30 加到 50精度提升明顯從 50 到 100提升很小100 以上基本沒變化。深度從 30 降到 20精度反而升了說明默認(rèn)的 30 過擬合了。最小樣本數(shù)從 1 提到 5精度也有提升同樣是抑制過擬合。所以我的推薦參數(shù)是樹數(shù) 50-100深度 15-20最小樣本數(shù) 5-10樣本比例 60%-80%。這個組合在多數(shù)中等復(fù)雜度的場景下都能拿到不錯的精度。3.3 特征重要性解讀與波段優(yōu)化跑完隨機(jī)樹打開特征重要性文件你會看到類似這樣的輸出Band_1: 0.12 Band_2: 0.08 Band_3: 0.15 Band_4: 0.35 Band_5: 0.22 Band_6: 0.08這個例子里Band_4近紅外重要性最高符合預(yù)期因為植被在近紅外反射強(qiáng)。Band_2綠光和 Band_6 重要性最低可以考慮去掉。去掉低重要性波段后重跑精度可能持平甚至略升但計算時間明顯減少。但要注意特征重要性不是絕對的。如果兩個波段高度相關(guān)隨機(jī)樹可能隨機(jī)選其中一個導(dǎo)致另一個重要性被低估。所以別只看一次結(jié)果多跑幾次取平均或者結(jié)合相關(guān)性分析一起判斷。4. 最大似然分類的參數(shù)設(shè)置與對比實驗4.1 MLC 工具的關(guān)鍵參數(shù)ArcGIS 里的最大似然分類工具參數(shù)比隨機(jī)樹少得多但每一個都很關(guān)鍵輸入訓(xùn)練樣本就是你采樣的 shapefile 或 lyr。輸入柵格波段選擇參與分類的波段。這里有個技巧如果你前面做了波段選擇只把選中的波段加進(jìn)來別一股腦全塞。輸出分類柵格指定輸出路徑和文件名。拒絕分?jǐn)?shù)這個參數(shù)很多人不知道干嘛的。它控制一個像元被拒絕分類的閾值。默認(rèn)是 0表示不拒絕任何像元。如果你設(shè)成 0.01那么屬于所有類別的概率都低于 0.01 的像元會被歸為“未分類”。這個參數(shù)在樣本不充分時很有用能避免強(qiáng)行分類帶來的錯誤。我一般設(shè) 0.001-0.01。先驗概率默認(rèn) EQUAL表示各類先驗概率相等。如果你研究區(qū)水體面積遠(yuǎn)小于林地可以設(shè)成 FILE提供一個先驗概率文件。但多數(shù)情況下 EQUAL 就夠了除非類別面積差異極端懸殊。4.2 協(xié)方差矩陣的陷阱與應(yīng)對MLC 最核心的中間產(chǎn)物就是協(xié)方差矩陣。ArcGIS 在訓(xùn)練樣本評估時會輸出每個類別的協(xié)方差矩陣。你要重點看兩個東西行列式值如果某個類別的協(xié)方差矩陣行列式接近 0說明這個類別的樣本在某些波段上幾乎沒有變異或者波段之間高度線性相關(guān)。這會導(dǎo)致矩陣求逆不穩(wěn)定分類結(jié)果異常。解決辦法是去掉冗余波段或者增加樣本變異。條件數(shù)條件數(shù)太大比如超過 1000說明矩陣病態(tài)。同樣會導(dǎo)致求逆不穩(wěn)定。我遇到過最夸張的一次條件數(shù)到了 10 的 8 次方分類結(jié)果全是噪聲。后來去掉兩個高度相關(guān)的波段條件數(shù)降到 200 多結(jié)果就正常了。所以我的建議是MLC 之前一定要檢查協(xié)方差矩陣。ArcGIS 的訓(xùn)練樣本管理器里有“保存協(xié)方差矩陣”的選項保存成文本文件打開看。如果發(fā)現(xiàn)異常先處理波段相關(guān)性再重新采樣。4.3 兩種分類器的同場景對比我用同一景影像、同一套訓(xùn)練樣本分別跑了 MLC 和隨機(jī)樹結(jié)果如下指標(biāo)最大似然隨機(jī)樹總體精度84.2%88.1%Kappa0.790.84林地生產(chǎn)者精度86%91%水體生產(chǎn)者精度92%94%耕地生產(chǎn)者精度78%85%建設(shè)用地生產(chǎn)者精度80%83%運(yùn)行時間45 秒3 分 20 秒隨機(jī)樹在各類別上全面占優(yōu)尤其是耕地和建設(shè)用地提升明顯。但代價是運(yùn)行時間多了 4 倍多。如果你的研究區(qū)很大或者需要反復(fù)調(diào)參MLC 的效率優(yōu)勢就體現(xiàn)出來了。還有一個有意思的現(xiàn)象MLC 在耕地和建設(shè)用地上錯分嚴(yán)重主要是這兩類在光譜上重疊多且分布非正態(tài)。隨機(jī)樹因為不假設(shè)分布處理這種重疊更從容。5. 分類后處理與精度評價的完整閉環(huán)5.1 分類后處理去噪與平滑不管用哪種分類器原始結(jié)果都會有椒鹽噪聲——孤立的、跟周圍類別不一致的小圖斑。這些噪聲在目視上很難看在面積統(tǒng)計上也會引入誤差。ArcGIS 里可以用幾個工具處理眾數(shù)濾波在“Spatial Analyst”的“鄰域分析”里用“濾波器”工具選擇“眾數(shù)”濾波窗口大小 3×3 或 5×5。這個操作會把每個像元替換成鄰域內(nèi)出現(xiàn)最多的類別。3×3 窗口能去掉大部分孤立噪聲5×5 更激進(jìn)但可能抹掉小地物。邊界清理在“制圖綜合”工具集里有“消除”工具可以把小于指定面積的圖斑合并到相鄰的最大圖斑里。我一般設(shè)最小圖斑面積為 4-9 個像元。聚類處理如果噪聲特別嚴(yán)重可以先用“聚類”工具做一次分割再對分割后的區(qū)域做分類。這個思路是先空間聚類再光譜分類能有效抑制噪聲。但要注意后處理不是萬能的也不能過度。我見過有人為了圖面好看反復(fù)濾波最后把一條真實的小路都濾沒了。后處理的原則是只去噪聲不改變真實地物邊界。5.2 精度評價混淆矩陣怎么讀精度評價是分類的最后一環(huán)也是最容易被糊弄的一環(huán)。ArcGIS 里可以用“混淆矩陣”工具輸入驗證樣本和分類結(jié)果輸出一份詳細(xì)的精度報告。報告里幾個關(guān)鍵指標(biāo)總體精度正確分類的像元數(shù)除以總驗證像元數(shù)。這個指標(biāo)最直觀但受類別面積影響大。如果某一類面積特別大總體精度會被它主導(dǎo)。Kappa 系數(shù)排除隨機(jī)一致性的精度指標(biāo)。Kappa 大于 0.8 算很好0.6-0.8 算中等低于 0.6 就得回去檢查了。生產(chǎn)者精度某一類被正確分類的比例。反映的是“漏分”情況。生產(chǎn)者精度低說明該類有很多像元被分到了別的類。用戶精度分類結(jié)果中某一類真正屬于該類的比例。反映的是“錯分”情況。用戶精度低說明該類里混進(jìn)了很多別的類。我一般重點看 Kappa 和各類的用戶精度。如果某一類用戶精度特別低說明該類被嚴(yán)重錯分得回去看訓(xùn)練樣本是不是有問題。5.3 精度不達(dá)標(biāo)時的排查清單分類精度上不去別急著換算法先按下面這個清單排查問題現(xiàn)象可能原因排查方法某類精度極低訓(xùn)練樣本代表性不足檢查該類樣本是否覆蓋全部變異兩類互相錯分嚴(yán)重光譜重疊看兩類均值差異考慮加輔助數(shù)據(jù)整體精度低波段選擇不當(dāng)看特征重要性去掉冗余波段結(jié)果噪聲多樣本邊界不干凈放大檢查樣本是否含混合像元隨機(jī)樹結(jié)果波動大樣本太少增加樣本量或降低樹深度MLC 結(jié)果異常協(xié)方差矩陣病態(tài)檢查條件數(shù)去掉相關(guān)波段這個清單我基本每次分類都會過一遍能解決 80% 的精度問題。6. 實操心得與常見坑位實錄6.1 樣本采集的五個坑坑一樣本空間自相關(guān)。很多人圖省事在一個區(qū)域畫一堆樣本統(tǒng)計上這些樣本高度相關(guān)等于只有幾個獨立樣本。解決辦法是空間分層采樣每個網(wǎng)格采幾處。坑二驗證樣本不獨立。訓(xùn)練和驗證樣本挨著驗證精度虛高。解決辦法是兩套樣本分開采最好在不同區(qū)域?？尤龢颖绢悇e不平衡。小類樣本太少分類器直接忽略。解決辦法是給小類多采樣或者用加權(quán)方法?？铀臉颖具吔缒：?。混合像元混進(jìn)樣本統(tǒng)計量失真。解決辦法是放大到足夠比例尺只采地物核心區(qū)域?？游鍢颖緲?biāo)簽錯誤。把道路標(biāo)成建筑把水田標(biāo)成水體。這種錯誤統(tǒng)計上不一定看得出來但分類結(jié)果會很明顯。解決辦法是采樣后目視檢查一遍。6.2 參數(shù)調(diào)優(yōu)的經(jīng)驗法則隨機(jī)樹的參數(shù)調(diào)優(yōu)我總結(jié)了一個簡單的順序先固定樹數(shù) 100深度 20最小樣本 5樣本比例 70%跑一遍看基線精度。如果精度不夠先加樹數(shù)到 150看有沒有提升。沒提升就說明不是樹數(shù)的問題。調(diào)深度精度低且訓(xùn)練誤差也低說明欠擬合加深度訓(xùn)練誤差低但驗證誤差高說明過擬合減深度。調(diào)最小樣本數(shù)噪聲多就加大欠擬合就減小。調(diào)樣本比例一般 60%-80% 之間太低欠擬合太高多樣性不足。MLC 的參數(shù)調(diào)優(yōu)空間小主要就是拒絕分?jǐn)?shù)和先驗概率。拒絕分?jǐn)?shù)從 0.001 開始試逐步加大看未分類像元比例。一般控制在 5% 以內(nèi)比較合理。6.3 分類結(jié)果的后處理尺度后處理的尺度很關(guān)鍵。3×3 眾數(shù)濾波能去掉大部分孤立噪聲但會輕微模糊邊界。5×5 更激進(jìn)適合大區(qū)域制圖但小地物可能消失。我的經(jīng)驗是如果研究區(qū)是城市地物破碎用 3×3別用 5×5。如果研究區(qū)是自然區(qū)域地物連片可以用 5×5。消除最小圖斑面積設(shè) 4-9 個像元別超過 16否則真實小地物會被合并。后處理之后一定要重新做精度評價因為濾波會改變分類結(jié)果。我見過有人濾波后精度反而降了因為把真實的小地物濾沒了。6.4 兩種分類器的組合使用思路最后分享一個進(jìn)階技巧把兩種分類器組合起來用。具體做法是先用隨機(jī)樹跑一遍得到初始分類結(jié)果和特征重要性。然后根據(jù)特征重要性選出最重要的幾個波段再用 MLC 跑一遍。如果 MLC 結(jié)果在某個類別上比隨機(jī)樹好就把那個類別替換過來。這種“隨機(jī)樹選波段 MLC 精分類”的組合在我做過的幾個項目里精度比單用任何一種都高 2-3 個百分點。還有一種思路是用隨機(jī)樹做特征選擇用 MLC 做最終分類。因為 MLC 在低維特征空間里更穩(wěn)定而隨機(jī)樹擅長處理高維。先用隨機(jī)樹篩掉冗余波段再用 MLC 分類既保證了精度又控制了計算量。這個組合思路不是萬能的但在中等復(fù)雜度的場景下確實能拿到比單一分類器更好的結(jié)果。你可以拿自己的數(shù)據(jù)試一下對比一下三種方案純 MLC、純隨機(jī)樹、組合的精度看看哪種最適合你的研究區(qū)。分類這件事說到底是對地物光譜行為的理解。算法只是工具樣本才是靈魂。我見過太多人花大量時間調(diào)參數(shù)卻不肯花半小時好好采樣本。結(jié)果就是參數(shù)調(diào)到天上去精度還是上不來。反過來樣本采得好用默認(rèn)參數(shù)都能出不錯的結(jié)果。所以如果你剛開始做遙感分類先把精力放在樣本上算法的事交給 ArcGIS 就行。