夜雨聆风
基于 QGIS-SCP 插件的 Sentinel-2 影像地物简单分类
本文旨在介绍利用 QGIS 及其 Semi-Automatic Classification Plugin (SCP) 插件进行遥感影像监督分类的流程。通过对 Sentinel-2 卫星影像的分析，对比了多层感知机 (MLP)、随机森林 (Random Forest)、最小距离法与最大似然法在地物识别中的表现。
一、 实验背景与目标
遥感地物分类是资源调查与环境监测的核心技术。本次实验选取浙江省松阳县部分区域作为研究区，旨在通过对比不同分类算法（统计学方法与机器学习方法），系统评估其在特定地理环境下的适用性与准确度。
二、 数据来源与预处理
-
数据源：选用 Sentinel-2 (哨兵-2号) 多光谱影像，数据来源于地理空间数据云（http://www.gscloud.cn/）。数据获取时间为 2023 年 3 月 14 日。该时期影像云量仅为 1.91%，大气透明度高，利于植被与水体的区分。
-
波段选择：重点利用 10 米分辨率的可见光与近红外波段，并结合短波红外波段构建波段集。
-
预处理：在 QGIS 环境下，利用 SCP 插件进行重采样、影像裁剪及波段组合，并采用“5-4-3”假彩色合成方案，以增强地物间的光谱差异。
三、 研究方法：监督分类工作流
实验采用监督分类（Supervised Classification）路径，主要步骤包括：
-
训练样本（ROI）采集：根据研究区特征，定义了水域、植被、建筑、道路四类一级地物。利用 SCP 的区域生长工具精细选取训练区，并确保样本在空间分布与光谱特征上的代表性。
-
分类算法部署：
-
传统统计方法：最大似然法 (Maximum Likelihood)、最小距离法 (Minimum Distance)。
-
机器学习方法：多层感知机 (MLP)、随机森林 (Random Forest)。
四、 结果对比与精度评定
通过构建混淆矩阵（Confusion Matrix），我们对四种算法的总体精度（OA）与 Kappa 系数进行了量化评价：
| 算法模型 | 总体精度 (OA) | Kappa 系数 | 综合表现 |
| 多层感知机 (MLP) | 96.04% | 0.9131 | 最优 |
| 随机森林 (Random Forest) | 93.73% | 0.8743 | 优秀 |
| 最小距离法 (Min Distance) | 92.46% | 0.8349 | 良好 |
| 最大似然法 (Max Likelihood) | 75.83% | 0.5271 | 欠佳 |
在实验过程中，所有算法对“道路”类别的识别精度均普遍偏低。通过对光谱曲线的深度分析，原因归纳如下：
-
同谱异物现象：道路与建筑屋顶常采用水泥、混凝土等相似材质，其在 Sentinel-2 各波段的光谱反射率曲线高度重合，导致严重的错分现象。
-
空间分辨率限制：Sentinel-2 的 10 米空间分辨率对于乡村级别的狭窄道路存在明显的“混合像元”问题，即一个像素内同时包含了道路与其边缘的植被或土壤信息。
完 整 报 告
仅供参考
请勿转载
