遥感数据处理是地理信息科学和遥感技术应用中的核心环节尤其在农业监测、环境评估和资源勘探等领域发挥着关键作用。传统商业软件如 ENVI 虽然功能强大但流程封闭、扩展性有限难以满足定制化分析和自动化处理的需求。Python 凭借其丰富的开源生态结合 ENVI 和 SNAP 的预处理能力再通过 scikit-learn 和 PyTorch 实现智能分析与识别为多光谱遥感数据提供了从原始数据到应用成果的全流程解决方案。本文将以 Landsat 8 和 Sentinel-1/2 数据为例逐步演示如何搭建环境、预处理数据、提取特征并最终实现矿物识别、土壤评价和植被分析三大典型场景。1. 环境准备与工具链配置多光谱遥感数据处理涉及多个工具和库的协同工作环境配置是第一步也是最容易出错的一步。下面将分步说明如何搭建一个稳定可用的 Python 遥感处理环境。1.1 Python 基础环境与关键库安装推荐使用 Anaconda 管理 Python 环境避免系统环境混乱和依赖冲突。首先创建并激活一个专用于遥感处理的 Conda 环境conda create -n rs python3.8 conda activate rs接下来安装遥感处理的核心 Python 库。GDAL 是地理数据抽象层是处理遥感影像格式的基石Rasterio 基于 GDAL 提供了更友好的 Python 接口Scikit-learn 用于传统机器学习分析PyTorch 则支撑深度学习模型。conda install -c conda-forge gdal rasterio scikit-learn pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu如果拥有 NVIDIA GPU 并希望使用 GPU 加速深度学习训练需要先确认 CUDA 版本例如 CUDA 11.8然后安装对应的 PyTorch GPU 版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装完成后可以通过以下代码片段验证关键库是否正常工作import rasterio from sklearn import __version__ as sk_version import torch print(fGDAL via Rasterio: {rasterio.__version__}) print(fScikit-learn: {sk_version}) print(fPyTorch: {torch.__version__}) print(fCUDA available: {torch.cuda.is_available()})1.2 ENVI 与 SNAP 的安装与基础配置ENVI 是经典的遥感影像处理软件其强大的光谱分析工具和预处理流程是很多项目的起点。从官方网站下载 ENVI 安装包按照向导完成安装。安装后需要配置 ENVI 的 ROI 工具和光谱库路径以便后续与 Python 交互。SNAPSentinel Application Platform是欧空局开发的免费遥感处理平台特别擅长处理 Sentinel 系列数据。从官网下载 SNAP 并安装安装后建议通过其内置的插件管理器更新所有工具包至最新版本。为了让 Python 能够调用 ENVI 和 SNAP 的功能需要配置系统环境变量或将它们的命令行工具路径添加到 Python 的调用路径中。例如在 Windows 系统中可以将 ENVI 的安装路径如C:\Program Files\Harris\ENVI56\) 和 SNAP 的bin目录如C:\Program Files\snap\bin添加到系统的 PATH 环境变量中。1.3 数据准备与目录结构规范在开始处理前建立清晰的数据目录结构至关重要。建议按以下方式组织project_root/ ├── data/ │ ├── raw/ # 存放原始数据如 .tiff, .dat 文件 │ ├── processed/ # 存放预处理后的数据 │ └── output/ # 存放最终分析结果分类图、统计报告 ├── scripts/ │ ├── preprocessing/ # 预处理脚本 │ ├── analysis/ # 分析脚本 │ └── utils/ # 公用函数库 └── docs/ # 项目文档、元数据说明以 Landsat 8 数据为例从 USGS EarthExplorer 下载的数据包通常包含多个波段的 TIFF 文件和一个 MTL 元数据文件。将整个数据包解压到data/raw/LC08_L1TP_123032_20220520_20220527_01_T1类似的目录下确保所有文件保持原始结构。2. 多光谱数据预处理流程原始遥感数据通常含有噪声、条带、云覆盖以及几何和辐射畸变直接用于分析会产生较大误差。预处理的目标是将原始数据转换为高质量、可分析的表征反射率或后向散射系数的影像。2.1 辐射定标与大气校正辐射定标是将传感器记录的数字量化值DN转换为具有物理意义的辐射亮度值。大气校正则进一步消除大气散射、吸收的影响得到地表真实反射率。对于 Landsat 8 数据可以利用 ENVI 的 Radiometric Calibration 和 FLAASH 模块完成这一过程。在 ENVI 中手动操作后我们可以通过 ENVI 的 IDL 桥接或直接使用 Python 的subprocess调用 ENVI 的命令行模式来批量处理。以下是一个示例脚本用于调用 ENVI 的辐射定标任务import subprocess import os def run_envi_calibration(input_file, output_file): 调用 ENVI 进行辐射定标 # 构建 ENVI 批处理命令 # 这里假设已经有一个保存好的 ENVI 处理模板 (.task) cmd [ C:\\Program Files\\Harris\\ENVI56\\IDL88\\bin\\bin.x86_64\\envi_task.exe, MyRadiometricCalibrationTask, fINPUT_RASTER{input_file}, fOUTPUT_RASTER{output_file} ] try: result subprocess.run(cmd, checkTrue, capture_outputTrue, textTrue) print(f辐射定标成功: {output_file}) except subprocess.CalledProcessError as e: print(f处理失败: {e.stderr}) # 示例调用 input_path data/raw/LC08/LC08_L1TP_123032_20220520_20220527_01_T1/LC08_L1TP_123032_20220520_20220527_01_T1_B2.TIF output_path data/processed/LC08/LC08_123032_20220520_radcal_b2.dat run_envi_calibration(input_path, output_path)对于 Sentinel-2 数据SNAP 提供了 Sen2Cor 处理器或内置的大气校正工具。通过 SNAP 的 Graph Processing Tool (GPT) 可以以命令行方式集成到 Python 流程中# 在 Python 中使用 subprocess 调用 SNAP GPT gpt_path C:\Program Files\snap\bin\gpt.exe graph_xml atmospheric_correction_graph.xml input_s2 data/raw/S2/S2B_MSIL1C_20220520T123456_N9999_R123_T32UPU_20220520T123456.SAFE output_s2 data/processed/S2/S2B_32UPU_20220520_corrected.dim subprocess.run([gpt_path, graph_xml, -Pinput{}.format(input_s2), -Poutput{}.format(output_s2)])2.2 云检测与掩膜云层是光学遥感数据的主要干扰因素。对于 Landsat 8可以利用 QA 波段进行云掩膜对于 Sentinel-2可以使用其 SCLScene Classification Map波段。以下代码演示了如何使用 Rasterio 和 NumPy 基于 QA 波段创建云掩膜import rasterio import numpy as np def create_cloud_mask(qa_band_path): 基于 Landsat 8 QA 波段生成云掩膜 with rasterio.open(qa_band_path) as src: qa_band src.read(1) # 根据 Landsat 8 QA 位掩码定义高置信度云通常对应位 4 和 5 cloud_mask (qa_band 0b1000) ! 0 # 检查位 3 (0-based) 是否为 1 cirrus_mask (qa_band 0b100000000000) ! 0 # 检查位 11 是否为 1 full_mask cloud_mask | cirrus_mask return full_mask # 应用掩膜到反射率影像 with rasterio.open(data/processed/LC08_reflectance_b2.tif) as reflectance_src: profile reflectance_src.profile reflectance_data reflectance_src.read(1) cloud_mask create_cloud_mask(data/raw/LC08/LC08_L1TP_123032_20220520_20220527_01_T1/LC08_L1TP_123032_20220520_QA_PIXEL.TIF) reflectance_data[cloud_mask] np.nan # 将云像元设为 NaN # 保存掩膜后的影像 profile.update(dtyperasterio.float32, nodatanp.nan) with rasterio.open(data/processed/LC08_reflectance_b2_masked.tif, w, **profile) as dst: dst.write(reflectance_data.astype(np.float32), 1)2.3 影像配准与裁剪多时相或异构数据需要精确配准至同一坐标系。ENVI 和 SNAP 都提供了强大的配准工具。在 Python 中可以使用 Rasterio 的rasterio.warp模块进行重投影和裁剪from rasterio.warp import calculate_default_transform, reproject, Resampling def reproject_raster(input_path, output_path, target_crsEPSG:32650): 将影像重投影至目标坐标系 with rasterio.open(input_path) as src: transform, width, height calculate_default_transform( src.crs, target_crs, src.width, src.height, *src.bounds) kwargs src.meta.copy() kwargs.update({ crs: target_crs, transform: transform, width: width, height: height }) with rasterio.open(output_path, w, **kwargs) as dst: for i in range(1, src.count 1): reproject( sourcerasterio.band(src, i), destinationrasterio.band(dst, i), src_transformsrc.transform, src_crssrc.crs, dst_transformtransform, dst_crstarget_crs, resamplingResampling.bilinear)研究区裁剪则可以通过指定地理坐标范围或使用矢量边界文件来实现import geopandas as gpd from rasterio.mask import mask def clip_by_shapefile(raster_path, shapefile_path, output_path): 使用矢量边界文件裁剪影像 with rasterio.open(raster_path) as src: shapefile gpd.read_file(shapefile_path) # 确保矢量文件与栅格同一坐标系 if shapefile.crs ! src.crs: shapefile shapefile.to_crs(src.crs) geoms shapefile.geometry.values out_image, out_transform mask(src, geoms, cropTrue) out_meta src.meta.copy() out_meta.update({ height: out_image.shape[1], width: out_image.shape[2], transform: out_transform }) with rasterio.open(output_path, w, **out_meta) as dest: dest.write(out_image)3. 特征提取与光谱指数计算预处理后的多光谱影像包含了丰富的地物信息通过计算各种光谱指数可以增强特定地物特征为后续分类与识别提供更有区分度的输入。3.1 常见植被指数与计算实现植被指数利用植物在红光和近红外波段的反射特性差异来量化植被覆盖和生长状况。最常用的归一化植被指数NDVI计算如下def calculate_ndvi(red_band_path, nir_band_path, output_path): 计算 NDVI 并保存结果 with rasterio.open(red_band_path) as red_src: red red_src.read(1).astype(np.float32) profile red_src.profile with rasterio.open(nir_band_path) as nir_src: nir nir_src.read(1).astype(np.float32) # 避免除零错误 denominator (nir red) denominator[denominator 0] np.nan ndvi (nir - red) / denominator # NDVI 值域应在 [-1, 1] 之间 ndvi np.clip(ndvi, -1, 1) profile.update(dtyperasterio.float32, nodatanp.nan) with rasterio.open(output_path, w, **profile) as dst: dst.write(ndvi.astype(np.float32), 1) # 计算 Landsat 8 的 NDVI波段 4 为红波段 5 为近红外 calculate_ndvi( data/processed/LC08_reflectance_b4.tif, data/processed/LC08_reflectance_b5.tif, data/output/LC08_ndvi.tif )除了 NDVI还可以计算其他重要指数如增强型植被指数EVI、土壤调节植被指数SAVI等。下表总结了常用光谱指数及其公式指数名称全称公式适用场景NDVI归一化植被指数(NIR - Red) / (NIR Red)一般植被监测EVI增强型植被指数2.5 * (NIR - Red) / (NIR 6Red - 7.5Blue 1)高生物量区减少大气影响SAVI土壤调节植被指数(NIR - Red) / (NIR Red L) * (1 L)低植被覆盖区L 为土壤调节参数NDWI归一化水体指数(Green - NIR) / (Green NIR)水体提取NDBI归一化建筑指数(SWIR - NIR) / (SWIR NIR)城镇建设用地提取3.2 主成分分析PCA与特征降维多光谱数据波段间往往存在高度相关性主成分分析可以有效压缩数据量、减少冗余信息。Scikit-learn 提供了 PCA 实现但需注意遥感数据通常很大需要分块处理或使用增量 PCAfrom sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler def raster_pca(input_raster_path, output_path, n_components3): 对多波段遥感影像进行主成分分析 with rasterio.open(input_raster_path) as src: data src.read() # 读取所有波段 original_shape data.shape # 重塑为 (像素数, 波段数) data_2d data.reshape(original_shape[0], -1).T # 标准化数据 scaler StandardScaler() data_scaled scaler.fit_transform(data_2d) # 执行 PCA pca PCA(n_componentsn_components) principal_components pca.fit_transform(data_scaled) # 解释方差比 print(f前{n_components}个主成分解释方差比例: {pca.explained_variance_ratio_}) # 重塑回影像格式 pc_image principal_components.T.reshape((n_components, original_shape[1], original_shape[2])) # 更新元数据并保存 profile src.profile profile.update(countn_components, dtyperasterio.float32) with rasterio.open(output_path, w, **profile) as dst: dst.write(pc_image.astype(np.float32)) # 对 6 个波段的多光谱影像进行 PCA 降维 raster_pca(data/processed/LC08_6bands_stack.tif, data/output/LC08_pca_3components.tif)3.3 纹理特征提取纹理特征能够捕捉地物空间分布模式对矿物识别和土地利用分类特别有用。GLCM灰度共生矩阵是常用的纹理特征提取方法from skimage.feature import greycomatrix, greycoprops from skimage import img_as_ubyte def calculate_texture_features(raster_path, output_path, distances[1], angles[0]): 计算 GLCM 对比度、相关性、能量、同质性四个纹理特征 with rasterio.open(raster_path) as src: data src.read(1) # 将数据转换为 8 位无符号整数GLCM 需要离散值 data_uint8 img_as_ubyte((data - np.nanmin(data)) / (np.nanmax(data) - np.nanmin(data))) # 计算 GLCM glcm greycomatrix(data_uint8, distancesdistances, anglesangles, symmetricTrue, normedTrue) # 计算纹理特征 contrast greycoprops(glcm, contrast) correlation greycoprops(glcm, correlation) energy greycoprops(glcm, energy) homogeneity greycoprops(glcm, homogeneity) # 保存纹理特征 profile src.profile profile.update(count4, dtyperasterio.float32) texture_stack np.stack([contrast, correlation, energy, homogeneity], axis0) with rasterio.open(output_path, w, **profile) as dst: dst.write(texture_stack.astype(np.float32))4. 地物分类与专题信息提取特征提取完成后可以利用机器学习或深度学习方法对地物进行分类生成专题图。下面分别介绍基于 Scikit-learn 的传统机器学习方法和基于 PyTorch 的深度学习方法。4.1 基于 Scikit-learn 的随机森林分类随机森林对高维数据适应性强不易过拟合是遥感分类的常用算法。首先需要准备训练样本通常通过目视解译在影像上勾绘感兴趣区ROIimport numpy as np import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, confusion_matrix def prepare_training_data(raster_path, roi_mask_paths, class_labels): 准备训练数据 raster_path: 多波段特征影像路径 roi_mask_paths: 各类别的二值掩膜路径列表 class_labels: 对应类别标签列表 with rasterio.open(raster_path) as src: feature_data src.read() n_bands, height, width feature_data.shape feature_data_2d feature_data.reshape(n_bands, -1).T X [] y [] for i, mask_path in enumerate(roi_mask_paths): with rasterio.open(mask_path) as mask_src: mask mask_src.read(1).flatten() # 获取该类别的像素索引 class_pixels np.where(mask 1)[0] # 随机采样避免数据不平衡 n_samples min(5000, len(class_pixels)) selected_indices np.random.choice(class_pixels, n_samples, replaceFalse) X.append(feature_data_2d[selected_indices, :]) y.extend([class_labels[i]] * n_samples) X np.vstack(X) y np.array(y) return X, y # 假设已有植被、水体、建筑、裸地四类样本掩膜 roi_paths [ data/training/vegetation_mask.tif, data/training/water_mask.tif, data/training/building_mask.tif, data/training/bare_soil_mask.tif ] class_names [vegetation, water, building, bare_soil] X, y prepare_training_data(data/features/feature_stack.tif, roi_paths, class_names) # 划分训练测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state42, stratifyy) # 训练随机森林模型 rf_classifier RandomForestClassifier(n_estimators100, random_state42, n_jobs-1) rf_classifier.fit(X_train, y_train) # 模型评估 y_pred rf_classifier.predict(X_test) print(classification_report(y_test, y_pred)) print(混淆矩阵:\n, confusion_matrix(y_test, y_pred)) # 对整个影像进行分类预测 def predict_entire_image(model, raster_path, output_path): 使用训练好的模型对整个影像进行分类 with rasterio.open(raster_path) as src: data src.read() profile src.profile original_shape data.shape data_2d data.reshape(original_shape[0], -1).T # 预测 predictions model.predict(data_2d) classification_result predictions.reshape(original_shape[1], original_shape[2]) # 保存分类结果 profile.update(dtyperasterio.uint8, nodata0) with rasterio.open(output_path, w, **profile) as dst: dst.write(classification_result.astype(np.uint8), 1) predict_entire_image(rf_classifier, data/features/feature_stack.tif, data/output/land_cover_classification.tif)4.2 基于 PyTorch 的深度学习矿物识别对于具有复杂光谱特征的矿物识别任务深度学习模型能够自动学习更抽象的特征表示。下面构建一个简单的卷积神经网络CNN用于矿物分类import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader import torch.nn.functional as F class MineralDataset(Dataset): 矿物光谱数据集 def __init__(self, spectral_data, labels): self.spectral_data torch.FloatTensor(spectral_data) self.labels torch.LongTensor(labels) def __len__(self): return len(self.spectral_data) def __getitem__(self, idx): return self.spectral_data[idx], self.labels[idx] class MineralCNN(nn.Module): 用于矿物识别的 1D CNN 模型 def __init__(self, input_channels, num_classes): super(MineralCNN, self).__init__() self.conv1 nn.Conv1d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv1d(32, 64, kernel_size3, padding1) self.pool nn.AdaptiveMaxPool1d(1) self.fc1 nn.Linear(64, 128) self.fc2 nn.Linear(128, num_classes) self.dropout nn.Dropout(0.5) def forward(self, x): x x.unsqueeze(1) # 增加通道维度 x F.relu(self.conv1(x)) x F.relu(self.conv2(x)) x self.pool(x).squeeze(-1) x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x # 准备矿物光谱数据假设已从影像中提取 # X_mineral: (n_samples, n_bands), y_mineral: (n_samples,) 矿物类别标签 train_dataset MineralDataset(X_mineral_train, y_mineral_train) train_loader DataLoader(train_dataset, batch_size32, shuffleTrue) # 初始化模型 model MineralCNN(input_channelsX_mineral_train.shape[1], num_classeslen(np.unique(y_mineral))) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 训练模型 def train_model(model, train_loader, criterion, optimizer, num_epochs50): model.train() for epoch in range(num_epochs): running_loss 0.0 for i, (spectra, labels) in enumerate(train_loader): optimizer.zero_grad() outputs model(spectra) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() if (epoch 1) % 10 0: print(fEpoch [{epoch1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}) train_model(model, train_loader, criterion, optimizer) # 保存模型用于后续预测 torch.save(model.state_dict(), models/mineral_cnn.pth)4.3 土壤质量评价与植被覆盖度分析基于分类结果和光谱指数可以进行更高级的应用分析。土壤质量评价可以结合多个指数和辅助数据def soil_quality_assessment(ndvi_path, ndbi_path, brightness_index_path, output_path): 综合 NDVI、NDBI 和亮度指数进行土壤质量评价 with rasterio.open(ndvi_path) as ndvi_src: ndvi ndvi_src.read(1) with rasterio.open(ndbi_path) as ndbi_src: ndbi ndbi_src.read(1) with rasterio.open(brightness_index_path) as bi_src: brightness bi_src.read(1) # 土壤质量评分逻辑高 NDVI 表示植被覆盖好土壤可能较好 # 低 NDBI 表示非建筑区中等亮度指数表示土壤有机质适中 soil_quality np.zeros_like(ndvi) # 规则基于评分实际项目应基于实地采样数据建立回归模型 soil_quality[(ndvi 0.3) (ndbi 0.1) (brightness 0.2) (brightness 0.6)] 3 # 优 soil_quality[(ndvi 0.1) (ndvi 0.3) (ndbi 0.2)] 2 # 良 soil_quality[(ndvi 0.1) | (ndbi 0.2) | (brightness 0.2) | (brightness 0.6)] 1 # 差 # 保存土壤质量评价图 with rasterio.open(ndvi_path) as src: profile src.profile profile.update(dtyperasterio.uint8) with rasterio.open(output_path, w, **profile) as dst: dst.write(soil_quality.astype(np.uint8), 1)植被覆盖度VFC可以通过 NDVI 像元二分模型估算def vegetation_fraction_cover(ndvi_path, output_path): 基于 NDVI 估算植被覆盖度 with rasterio.open(ndvi_path) as src: ndvi src.read(1) profile src.profile # 设定纯植被和纯土壤的 NDVI 值需根据研究区调整 ndvi_soil 0.05 # 纯土壤 NDVI ndvi_veg 0.7 # 纯植被 NDVI # 像元二分模型计算植被覆盖度 vfc (ndvi - ndvi_soil) / (ndvi_veg - ndvi_soil) vfc np.clip(vfc, 0, 1) # 限制在 [0, 1] 范围 profile.update(dtyperasterio.float32) with rasterio.open(output_path, w, **profile) as dst: dst.write(vfc.astype(np.float32), 1)5. 结果验证与精度评价遥感分析结果的可靠性需要通过实地验证数据或高分辨率参考影像进行验证。精度评价是衡量分类或识别效果的关键步骤。5.1 混淆矩阵与分类精度指标使用独立验证样本集计算混淆矩阵和各项精度指标from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, cohen_kappa_score def evaluate_classification(y_true, y_pred, class_names): 全面评价分类结果 accuracy accuracy_score(y_true, y_pred) precision precision_score(y_true, y_pred, averageweighted) recall recall_score(y_true, y_pred, averageweighted) f1 f1_score(y_true, y_pred, averageweighted) kappa cohen_kappa_score(y_true, y_pred) print(f总体精度: {accuracy:.4f}) print(f加权精确率: {precision:.4f}) print(f加权召回率: {recall:.4f}) print(fF1分数: {f1:.4f}) print(fKappa系数: {kappa:.4f}) # 各类别详细指标 from sklearn.metrics import classification_report print(\n各类别详细指标:) print(classification_report(y_true, y_pred, target_namesclass_names)) # 混淆矩阵可视化 import matplotlib.pyplot as plt from sklearn.metrics import ConfusionMatrixDisplay fig, ax plt.subplots(figsize(8, 6)) ConfusionMatrixDisplay.from_predictions(y_true, y_pred, display_labelsclass_names, axax, cmapBlues) plt.xticks(rotation45) plt.tight_layout() plt.savefig(data/output/confusion_matrix.png, dpi300, bbox_inchestight) plt.show() # 使用验证样本进行评估 evaluate_classification(y_validation, y_pred_validation, class_names)5.2 专题图可视化与成果输出制作专业美观的专题图是项目成果展示的重要环节import matplotlib.pyplot as plt import matplotlib.colors as mcolors from mpl_toolkits.axes_grid1 import make_axes_locatable def plot_classification_result(raster_path, class_colors, class_names, output_path): 绘制分类结果专题图 with rasterio.open(raster_path) as src: data src.read(1) bounds src.bounds extent [bounds.left, bounds.right, bounds.bottom, bounds.top] fig, ax plt.subplots(figsize(10, 8)) # 创建自定义颜色映射 cmap mcolors.ListedColormap(class_colors) bounds range(len(class_names) 1) norm mcolors.BoundaryNorm(bounds, cmap.N) im ax.imshow(data, extentextent, cmapcmap, normnorm) ax.set_title(土地覆盖分类结果, fontsize14, fontweightbold) # 添加颜色条 divider make_axes_locatable(ax) cax divider.append_axes(right, size5%, pad0.1) cbar plt.colorbar(im, caxcax, ticksnp.arange(len(class_names)) 0.5) cbar.ax.set_yticklabels(class_names) cbar.ax.tick_params(labelsize10) # 设置坐标轴 ax.set_xlabel(经度, fontsize12) ax.set_ylabel(纬度, fontsize12) plt.tight_layout() plt.savefig(output_path, dpi300, bbox_inchestight) plt.show() # 定义类别颜色和名称 class_colors [green, blue, gray, brown] # 植被、水体、建筑、裸地 class_names [植被, 水体, 建筑, 裸地] plot_classification_result(data/output/land_cover_classification.tif, class_colors, class_names, data/output/classification_map.png)5.3 常见问题排查与解决方案在实际项目中经常会遇到各种问题下表总结了典型问题及其解决方法问题现象可能原因检查方式解决方案预处理后影像出现异常值或条纹辐射定标参数错误或大气校正失败检查输入数据质量查看直方图分布重新检查定标系数尝试不同大气校正参数分类结果出现大量椒盐噪声训练样本不足或特征区分度不够检查训练样本分布和特征重要性增加训练样本添加纹理特征调整分类器参数深度学习模型训练损失不下降学习率不合适或数据未归一化检查损失曲线验证数据分布调整学习率对输入数据进行标准化不同时相影像配准误差大坐标系统不一致或控制点选择不当检查影像元数据中的坐标系使用相同坐标系增加控制点数量尝试不同配准算法Python 调用 ENVI/SNAP 失败路径错误或权限不足检查命令行工具路径和文件权限确认环境变量设置以管理员权限运行多光谱遥感数据处理全流程涉及多个环节和工具每个环节的质量都会影响最终结果。建议在正式分析前先用小范围试验区验证整个流程确保各步骤输出符合预期。实际项目中还需要考虑计算资源分配、批量处理自动化、结果可靠性验证等工程化问题。随着遥感数据源的不断丰富和人工智能技术的发展这一技术路线在精准农业、环境监测、资源勘查等领域的应用前景将更加广阔。