遥感分类抽样要同时控制空间独立性、类别覆盖与面积估计

遥感分类结果的可信度很大程度上由样本设计决定。训练样本用于拟合模型，验证样本用于估计地图误差，两者若来自相邻像元、同一对象或同一判读多边形，评估会因空间依赖而偏高。样本数量多不等于信息独立。

先定义抽样单位和样本框

抽样单位可以是像元、对象、地块、网格块或现场样方。单位应与地图最小制图单元和参考数据精度匹配。一个大多边形内随机抽取数百像元，统计上仍可能只代表一个地物实例。

样本框说明哪些位置有机会被抽中。只在道路附近或高分辨率影像清晰区域采样，会遗漏难以到达或云多地区。地图范围、无数据区和不可判读区应明确处理，不能在评价时静默删除。

参考标签应对应目标日期。土地覆盖变化快的地区，用多年后的影像或现场点验证会混入真实变化。每个样本需要记录参考日期、来源、判读者和置信度。

随机逐像元划分容易让相邻训练和验证像元共享纹理、光照、土壤和成像噪声。模型可能识别场景特征而非类别规律。可按地块、影像块、行政区或空间聚类整体划分，并在边界设置缓冲。

隔离尺度应对应部署目标。如果模型只在同一农场补齐未标注地块，按地块留出可能足够；若要推广到新省份，应保留完整区域。固定的像元距离不能适用于所有分辨率和地物尺度。

数据增强不能创造独立验证样本。同一原图裁剪、旋转和颜色扰动后的版本必须留在同一数据分组。多时相影像中，同一位置不同日期是否可跨集合，要根据任务决定，并防止未来信息进入训练。

简单随机抽样会被面积大的类别主导，稀有类别可能样本不足。按地图类别或区域分层可确保每类获得足够验证样本，但各层抽样概率不同，计算总体精度和面积时必须使用权重。

为了训练而过采样稀有类别是模型策略，不等于验证设计。验证集应能支持目标总体的无偏估计。可以给稀有类别分配更多样本，再用抽样权重恢复总体贡献。

类别边界和混合像元最难判读，却可能被人为避开。若产品面向完整地图，边界样本也应进入样本框。可以记录参考组成或模糊等级，但不能只评价纯净中心像元。

混淆矩阵提供地图类别与参考类别的交叉计数。用户精度回答地图上某类有多少正确，生产者精度回答真实某类有多少被识别。总体精度在未变化或多数类别占比很大时可能掩盖关键类别表现。

分层设计下，原始样本比例不能直接当作区域比例。应按每层面积和抽样概率加权，估计类别面积及置信区间。地图像元计数可以作为初步面积，但分类误差会使稀有类别产生较大相对偏差。

空间聚集还会增加估计方差。把同一地块中的许多像元当成独立样本，会得到过窄置信区间。以地块或块为抽样单元，或使用与设计一致的方差估计，更符合实际信息量。

高分辨率影像不是无误差真值。阴影、季节、分辨率和判读者差异都会造成不确定。应制定类别定义和判读规则，对部分样本双人独立判读，并记录分歧解决过程。

现场点的定位误差可能使点落到相邻类别，尤其在窄地物和边界附近。参考支持范围也要匹配：一个现场样方不能代表包含多种覆盖的粗分辨率像元，除非定义了聚合规则。

若训练和验证都由同一基础图层自动派生，二者错误会相关，评价可能只是重复来源的一致性。独立来源和独立判读过程比单纯扩大样本数更重要。

交付应包含抽样框、分层变量、随机种子、抽样概率、空间分组、缓冲距离、每类样本数、参考来源、排除规则和权重。样本坐标涉及敏感物种或私人地块时，可以限制公开精度，但内部仍需可审计。

评价报告要说明目标是同区域内插值、跨区域迁移还是未来日期预测。不同目标需要不同隔离方式，指标不能脱离该边界解释。模型更新后，固定独立测试集有助比较，但长期也需新增样本以覆盖分布变化。

遥感分类抽样的核心是让每个评价样本代表清楚的总体单位，并确保它没有通过空间、时间或上游参考与训练数据共享答案。

传感器、分类体系和土地覆盖都会变化，旧样本不能无限期直接复用。样本库应保留影像版本、类别体系版本、有效时间和修改历史。类别合并通常可以从细类映射，类别拆分则需要重新判读。发现错误标签时，应追踪它参与过哪些训练和评价，避免只修当前文件而让历史模型结论继续使用错误证据。