企业官网建设流程全解析

遥感新手避坑指南：用ENVI做土地利用分类时，这5个ROI设置错误千万别犯

第一次用ENVI做土地利用分类时，我盯着屏幕上斑驳的分类结果整整发呆了半小时——明明完全按照教程操作，为什么林地和水体像打翻的调色盘一样混在一起？直到导师指出ROI设置的问题，才意识到这个看似简单的"画圈"步骤藏着这么多门道。本文将分享五个最容易被忽视的ROI陷阱，这些经验来自我们团队处理300+幅遥感影像的血泪教训。

1. ROI样本数量与分布：不只是"越多越好"

新手常陷入两个极端：要么在每个地类上随意画几个ROI就提交分类，要么机械地追求"每类100个样本"却忽略空间代表性。去年帮某高校修正湿地分类项目时，发现学生虽然设置了80个水体ROI，但全部集中在湖泊中央，导致分类器完全无法识别狭窄河道。

有效样本的黄金法则：

• 最小样本量：每个地类≥30个ROI（复杂地貌需50+）
• 空间分布：采用"中心-边缘"布点策略（如图1示意）
• 像元覆盖：单个ROI应包含15-50个像元（高分辨率影像取小值）

# 快速检查ROI分布均匀性的ENVI IDL代码片段 pro check_roi_distribution, roi_file roi_stats = ENVI_ROI_STATISTICS(roi_file) print, 'Class MinDist(m) MaxDist(m)' for i=0, roi_stats.n_classes-1 do begin class_name = roi_stats.class_names[i] dist_range = roi_stats.get_class_distance_range(i) print, class_name, dist_range[0], dist_range[1] endfor end

注意：农田等周期性变化地类，需在不同耕作期分别采样

2. 混合像元陷阱：你以为的纯样本可能已"掺假"

在帮某环保机构分析城市绿地时，发现设置的"纯植被"ROI实际包含30%以上的建筑阴影，这种混合像元会导致分类器学习到错误特征。通过以下方法可有效识别：

混合像元检测四步法：

1. 打开ROI_Stats面板查看波段值标准差
2. 使用Pixel Purity Index工具筛选纯净像元
3. 对疑似混合ROI执行n-D Visualizer分析
4. 检查ROI内像元的光谱曲线一致性

3. 忽视可分离性计算：90%的精度损失源于此

ENVI的ROI Separability工具能定量评估样本区分度，但多数新手要么不用，要么误读结果。关键要掌握：

• Jeffries-Matusita距离：>1.9为优秀，<1.7需重新采样
• Transformed Divergence：>2.0合格，<1.5的类别必须合并
• 当林地与灌木的分离度仅1.5时，应该：
  • 增加两类ROI的边界样本
  • 考虑引入纹理特征辅助区分
  • 或合并为"木本植被"大类

# 批量计算多组ROI分离度的脚本示例 for ((i=1; i<=5; i++)); do envi -batch -preview=no <<EOF @separability_script input_file='project$i.dat' roi_names=['forest','water','urban'] output_csv='sep_report$i.csv' EOF done

4. ROI合并的逻辑谬误：当"同类合并"反而降低精度

常见错误是将所有"林地"ROI无差别合并，实际上：

• 阴坡/阳坡针叶林光谱差异可能大于不同植被类型
• 雨季/旱季采集的水体样本应分开训练
• 城市草坪与高尔夫球场的草皮需要独立ROI

智能合并三原则：

1. 先检查ROI Separability再决定是否合并
2. 保留空间聚类明显的子类（如使用IsoData预分类）
3. 对合并后的ROI执行Spectral Angle Mapper验证

提示：合并前备份原始ROI！我曾因误合并损失两周工作量

5. 后处理中的ROI连锁反应：被忽视的误差放大器

分类后处理（如合并小图斑、剔除碎斑）会暴露ROI设置的潜在问题。在某次耕地普查中，后期剔除<5像元的图斑时，发现40%的梯田被误删——根源是ROI未包含梯田边缘特征。

ROI与后处理的配合要点：

• 设置ROI时应包含：
  • 地类过渡带样本（如林地-草地边界）
  • 典型小图斑样本（<10个像元）
  • 不同季节/光照条件下的样本
• 后处理参数需与ROI特性匹配：
  • 最小图斑面积≥ROI最小样本像元数
  • 形态学开窗尺寸≈ROI平均尺寸

最后分享一个实用技巧：在正式分类前，用10%的ROI样本做快速测试分类，将结果叠加到影像上检查，往往能提前发现80%的ROI问题。这个习惯让我少走了无数弯路。