4. 训练样本采集：样本设计原则与实战操作

各位同学好，今天我们来聊聊训练样本采集。说实话，这是整个土地覆盖分类中最「苦」的活，但也是最关键的环节。我见过太多项目，算法调得再好，样本一塌糊涂，结果就是白忙活。嗯，咱们一步步来拆解。

4.1 样本设计三原则：数量、分布、代表性

样本设计说白了就三个词：够多、够散、够纯。我习惯把它们叫做「三够原则」。

4.1.1 样本数量——不是越多越好

很多人觉得样本越多越好，其实不然。我做过一个实验，样本从500个增加到2000个，精度只提升了0.3%，但采集成本翻了4倍。你想想看，这划算吗？

我个人建议的经验值：

分类类别数	每类最少样本数	推荐样本数
5类以内	50	100-200
5-10类	80	150-300
10类以上	100	200-500

这里有个坑：别均匀采样。比如水体在影像中只占5%，你却采了30%的样本，模型会「偏科」的。我曾经犯过这个错，结果模型把阴影全分成了水体……

4.1.2 样本分布——空间要「散」

样本分布有个基本原则：别扎堆。我见过有人在一个地块里采了50个样本，这跟采1个没区别，因为空间自相关性太强了。

怎么做？我建议用分层随机采样：

• 先把研究区划分成网格（比如1km×1km）
• 每个网格内随机选点
• 保证每个地类在每个网格都有覆盖

4.1.3 样本代表性——要能「以点带面」

代表性是什么意思？就是你采的样本要能代表整个类别的光谱特征。举个例子，同样是林地，有针叶林、阔叶林、混交林，它们的NDVI值差别很大。如果你只采了针叶林的样本，模型就认不出阔叶林。

我习惯的做法是：

1. 先做一次非监督分类（比如ISODATA），看看每个地类内部有多少光谱子类
2. 每个子类至少采5-10个样本
3. 最后合并成目标类别

4.2 GPS实地采样——最靠谱但最累

实地采样是「金标准」。我记得在云南做项目时，背着GPS在山里走了三天，就为了采50个点。虽然累，但这些数据后来成了验证集的核心。

实地采样的要点：

• 设备准备：手持GPS精度要在5米以内，手机GPS误差太大（10-20米），不推荐
• 记录内容：除了坐标，还要拍照片、记录地物描述（比如「稀疏草地，覆盖度约40%」）
• 时间同步：采样时间尽量和影像获取时间一致，别拿夏天的样本去分冬天的影像

4.3 基于高分辨率影像的目视解译采样

说实话，大部分项目不可能全实地采样。这时候高分辨率影像（比如Google Earth、GF-2、WorldView）就是救星。

目视解译采样的流程：

1. 选底图：分辨率要优于分类影像的3倍以上。比如你用30米的Landsat，底图最好用10米以内的
2. 建解译标志：每个地类建立3-5个典型样片，包括色调、纹理、形状、阴影等特征
3. 勾画ROI：在底图上勾画纯像元区域，避开混合像元和边界

这里有个关键：别在底图上直接点。我习惯的做法是勾画多边形，然后提取多边形内部的纯像元。这样能避免「点到了边界上」的尴尬。

4.4 样本质量控制与纯化

样本采完了，别急着用。我敢说，第一次采的样本里至少有10%-20%是有问题的。怎么处理？

4.4.1 光谱一致性检查

用ENVI或Python画每个类别的光谱曲线，看看有没有「离群值」。比如林地样本里突然出现一个光谱像水泥地的，那肯定是标错了。

# Python示例：检查样本光谱一致性
import numpy as np
import matplotlib.pyplot as plt

def check_spectral_outliers(samples, labels, class_name, threshold=2):
    """
    检查某个类别的光谱异常值
    threshold: 标准差倍数，超过此值视为异常
    """
    class_samples = samples[labels == class_name]
    mean_spectrum = np.mean(class_samples, axis=0)
    std_spectrum = np.std(class_samples, axis=0)
    
    # 计算每个样本与均值的距离
    distances = np.abs(class_samples - mean_spectrum) / (std_spectrum + 1e-6)
    outlier_idx = np.where(np.max(distances, axis=1) > threshold)[0]
    
    print(f"发现 {len(outlier_idx)} 个异常样本")
    return outlier_idx

4.4.2 空间一致性检查

把样本叠加到影像上，看看有没有「不合理」的。比如：

• 水体样本落在了山顶上
• 农田样本出现在了城市中心
• 林地样本在沙漠里

这些明显是标错了，直接删除。

4.4.3 纯化流程

我总结了一套纯化流程，分享给大家：

1. 第一轮：人工检查，删除明显错误（约5-10%）
2. 第二轮：光谱异常检测，删除离群值（约3-5%）
3. 第三轮：空间一致性检查，删除不合理样本（约2-3%）
4. 第四轮：用初步分类结果验证，删除与分类结果严重不符的样本

4.5 本章知识体系

下面这张图总结了样本采集的核心逻辑，我画了很久，希望能帮大家理清思路：

这张图展示了样本采集的完整链条：从顶层设计原则出发，选择适合的采样方法，最后通过质量控制确保数据质量。每一步都环环相扣，缺一不可。

---

公众号:蓝海资料掘金营，微信deep3321