一、监督分类技术背景与ArcGIS Pro实现优势

栅格图像监督分类是通过已知地物类别样本训练分类器，对未知区域进行像素级类别判定的遥感影像处理技术。相较于非监督分类，其核心优势在于能够结合领域知识构建分类规则，显著提升分类精度。ArcGIS Pro作为新一代地理信息系统平台，提供了从数据预处理到结果输出的全流程工具链，其监督分类模块支持最大似然法、支持向量机（SVM）、随机森林等主流算法，并集成训练样本管理、精度评估报告生成等实用功能。

二、操作前准备：数据与工具配置

1. 数据准备要求

   • 输入栅格需为单波段或多波段影像（如Landsat、Sentinel-2数据）
   • 建议进行辐射校正（如FLAASH大气校正）和几何校正
   • 推荐使用ENVI或QGIS进行波段组合优化（如NDVI、EVI指数计算）

2. ArcGIS Pro环境配置

   • 安装Spatial Analyst扩展模块
   • 配置Python环境（需包含scikit-learn、numpy等库）
   • 示例代码检查扩展模块状态：

     import arcpy
     try:
     if arcpy.CheckExtension("Spatial") == "Available":
        arcpy.CheckOutExtension("Spatial")
        print("Spatial Analyst模块已激活")
     else:
        print("需安装Spatial Analyst扩展")
     except Exception as e:
     print(f"模块检查错误: {str(e)}")

三、监督分类核心操作流程

（一）训练样本采集与管理

1. 样本采集原则

   • 遵循”代表性、纯度、均衡性”三大原则
   • 每类样本数量建议≥50个（根据影像复杂度调整）
   • 使用”创建随机点”工具生成采样点，结合目视解译标注类别

2. 样本库构建方法

   • 通过”编辑器”工具创建点要素类
   • 添加”Class”字段存储类别信息（如1=水体，2=植被）
   • 使用”采样”工具提取样本光谱值：
     ```python

     示例：提取样本点光谱值

     input_raster = r”C:\Data\image.tif”
     sample_points = r”C:\Data\samples.shp”
     output_table = r”C:\Data\spectral_values.dbf”

arcpy.sa.ExtractValuesToPoints(sample_points, input_raster, output_table)

## （二）分类算法实现
1. **最大似然法（MLC）**
   - 适用条件：数据服从正态分布
   - 操作路径：影像分析→监督分类→最大似然分类
   - 关键参数设置：
     - 置信度阈值（通常设为95%）
     - 拒绝分类选项（建议勾选）
2. **支持向量机（SVM）**
   - 优势：处理高维数据能力强
   - 实现方式：通过Python窗口调用scikit-learn：
```python
import arcpy
from sklearn import svm
import numpy as np
# 读取样本数据
spectral_values = arcpy.da.TableToNumPyArray(r"C:\Data\spectral_values.dbf")
X = spectral_values[['Band_1', 'Band_2', 'Band_3']]  # 替换实际波段名
y = spectral_values['Class']
# 训练SVM模型
clf = svm.SVC(kernel='rbf', gamma='scale')
clf.fit(X, y)
# 应用分类（需自定义栅格处理逻辑）

1. 随机森林分类
   • 操作路径：影像分析→机器学习→训练分类器
   • 参数优化建议：
     • 树数量：100-500
     • 最大深度：10-30
     • 特征子集比例：0.5-1.0

（三）精度评估与优化

1. 混淆矩阵生成

   • 使用”评估分类结果”工具
   • 关键指标解读：
     • 总体精度（OA）：正确分类像素占比
     • Kappa系数：考虑随机因素的分类一致性
     • 用户精度（UA）：某类被正确分类的比例
     • 生产者精度（PA）：某类真实像素被正确分类的比例

2. 分类后处理

   • 多数滤波（Majority Filter）：消除孤立像素
   • 聚类处理（Cluster Processing）：合并相邻同类区域
   • 示例代码：
     ```python

     多数滤波处理

     input_class = r”C:\Data\classification.tif”
     output_filtered = r”C:\Data\filtered.tif”

arcpy.sa.MajorityFilter(input_class, “HALF”, “EIGHT”, output_filtered)

# 四、高级应用技巧
1. **多时相影像融合分类**
   - 方法：创建虚拟波段组合（如NDVI时间序列）
   - 示例波段组合方案：
     - 波段1：NDVI均值
     - 波段2：NDVI标准差
     - 波段3：主成分分析第一成分
2. **深度学习集成**
   - 通过ArcGIS Pro的"深度学习模型"工具
   - 支持TensorFlow/PyTorch模型导入
   - 典型应用场景：复杂地物识别（如建筑物提取）
3. **自动化处理脚本**
```python
# 完整监督分类自动化脚本框架
import arcpy
def supervised_classification(input_raster, samples, output_class):
    try:
        # 1. 提取样本光谱值
        spectral_table = "in_memory/spectral_values"
        arcpy.sa.ExtractValuesToPoints(samples, input_raster, spectral_table)
        # 2. 训练分类器（此处简化为调用工具）
        classifier = "in_memory/classifier"
        arcpy.ia.TrainRandomTreesClassifier(spectral_table, "Class", classifier)
        # 3. 应用分类
        arcpy.ia.ClassifyRaster(input_raster, classifier, output_class)
        # 4. 后处理
        filtered = "in_memory/filtered"
        arcpy.sa.MajorityFilter(output_class, "HALF", "EIGHT", filtered)
        arcpy.CopyRaster_management(filtered, output_class.replace(".tif", "_filtered.tif"))
        return True
    except Exception as e:
        print(f"分类失败: {str(e)}")
        return False
# 调用示例
supervised_classification(r"C:\Data\image.tif", 
                         r"C:\Data\samples.shp", 
                         r"C:\Data\result.tif")

五、常见问题解决方案

1. 分类结果出现盐渍噪声

   • 原因：样本代表性不足或算法参数不当
   • 解决方案：
     • 增加训练样本数量
     • 调整分类器参数（如SVM的gamma值）
     • 应用3×3多数滤波

2. 混合像元处理策略

   • 亚像元分类：使用模糊分类或光谱解混
   • 硬分类改进：结合对象级分析（如eCognition软件）

3. 大区域分类优化

   • 分块处理：使用”栅格计算器”分区域处理后拼接
   • 并行计算：配置ArcGIS Pro的并行处理因子

六、最佳实践建议

1. 样本管理

   • 建立标准化样本库（包含元数据、采集日期、坐标系等信息）
   • 定期更新样本以适应地物变化

2. 算法选择

   • 简单场景：优先使用最大似然法
   • 复杂场景：尝试随机森林或SVM
   • 超大数据集：考虑深度学习方案

3. 结果验证

   • 采用独立验证样本（与训练样本空间分离）
   • 结合实地调查数据验证
   • 生成分类不确定性图层辅助决策

通过系统掌握上述操作方法，用户可在ArcGIS Pro中高效完成从数据准备到结果输出的全流程栅格图像监督分类任务。实际应用表明，遵循标准化操作流程可使分类精度提升15%-30%，显著提高遥感影像解译效率。