简介：本文详细阐述ArcGIS Pro中栅格图像监督分类的操作方法，涵盖数据准备、训练样本采集、分类算法选择、精度评估及结果优化等关键步骤，助力用户高效完成遥感影像地物分类任务。

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

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）

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

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
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）

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

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
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

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
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）
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

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
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
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。

ArcGIS Pro栅格图像监督分类全流程操作指南