监督分类从参考样本学习地物类别

监督分类利用已知类别的参考样本，学习影像特征与地物类别之间的关系，再为未标注像元或对象预测类别。结果质量不仅取决于分类器，也取决于类别体系、样本代表性、影像时相、特征和空间尺度。算法无法从样本中学习没有被定义或没有出现的类别。

类别体系先于模型训练

土地覆盖类别应互斥、可观察，并与影像分辨率和应用目标一致。“森林”可以按冠层覆盖、树种或用途进一步划分，但影像是否能稳定区分这些层次需要验证。

类别定义要说明时间和最小制图单元。轮作农田在不同季节外观差异很大，城市绿地与林地的边界也可能依赖业务规则。参考人员若使用不同理解，标签噪声会直接进入模型。

未知或混合类型不能总被强制塞入已有类别。可以设置其他类、拒识规则或保留置信度，但这些选择会影响最终面积和精度。

样本应覆盖每个类别在区域、季节、地形、管理方式和传感器条件下的变化。只在交通方便或视觉最典型位置采样，模型会把局部特征当作全域规律。

类别数量不平衡时，少数类可能被多数类淹没。增加样本、设置权重或分层采样各有影响，不能只复制少数样本制造独立信息。

同一地块内大量相邻像元高度相关。将它们随机分到训练和验证会得到过于乐观的结果。应按地块、场景或区域分组，确保评价面对真正未见对象。

地面调查、历史地图和高分辨率影像可能与待分类影像日期不同。土地变化、物候和定位误差都会造成标签与像元不一致。样本元数据应保留来源、日期、解释者和置信度。

点样本落在混合像元或边界附近时，类别代表性较弱。可设置内部缓冲只取同质区域，但这会减少边界样本，使模型对过渡区域认识不足。

已有土地覆盖图适合提供候选样本，却可能把旧图错误带入新模型。需要抽样复核，不能把大规模自动匹配当作真值。

原始反射率、光谱指数、纹理、地形和多时相统计都可作为特征。特征应有物理或业务依据，并在训练与推理区域使用一致处理。

多时相数据能表达物候，提高作物和植被区分，但云缺测和观测日期不一致会改变特征。合成窗口、质量掩膜和缺失处理必须固定。

纹理和邻域特征受分辨率与窗口大小影响。窗口跨越地物边界时会混入其他类别，模型性能提升可能只适用于当前尺度。

最大似然、树模型、支持向量机和神经网络使用不同决策边界与假设。没有一种算法对所有地区和特征天然最好，应在同一数据边界和指标下比较。

预测分数不一定是可靠概率。类别不平衡、重采样和分布变化都会影响置信度。低置信像元可标记待审或拒识，但阈值需用独立验证选择。

空间上零散的高置信错误仍可能存在。平滑和多数滤波能改善地图外观，也可能删除真实小斑块。后处理规则应计入最终精度评价。

像元分类逐格预测，保留细节但容易出现椒盐噪声。对象方法先分割同质区域，再用区域光谱、形状和上下文分类，结果取决于分割尺度。

对象过大可能合并不同地物，过小则接近像元噪声。分割参数也是模型选择的一部分，不能在测试地图上反复调整后仍报告原测试精度。

最终制图最小单元可能大于像元，面积统计和边界精度要按地图产品尺度解释。

同一类别在不同土壤、气候和传感器中具有不同光谱。一个地区训练的模型迁移到另一地区，可能把背景差异误当类别差异。

跨年份时作物制度、传感器处理和物候日期也会变化。增加多区域样本、做域适配或重新训练都需要独立目标域验证。

模型输出看起来合理不能代替参考评价。新区域至少要抽取概率样本检查各类别误差和面积偏差。

应记录影像产品和日期、质量掩膜、特征、类别定义、样本来源、划分单位、算法版本、超参数和后处理。训练代码相同但样本版本不同，也会得到不同地图。

训练、验证和最终精度样本承担不同职责。训练样本用于拟合，验证用于选择，独立参考样本用于报告地图质量。混用会让结果偏乐观。

监督分类是从有限参考样本推广到完整区域的推断。可靠地图来自清楚类别、代表样本、一致特征和独立评价，而不是某个分类器名称本身。