哨兵2 L2A影像监督分类

### 如何对 Sentinel-2 L2A 卫星图像执行监督分类 #### 数据准备 为了有效地处理 Sentinel-2 L2A 图像，首先需要获取高质量的数据。可以从 Copernicus Open Access Hub 或其他官方渠道下载所需区域的 Sentinel-2 L2A 产品。L2A 级别的数据已经过大气校正，提供了表面反射率而非原始数字数值。 #### 工具选择 对于监督分类任务，推荐使用 Python 生态系统内的开源库和技术栈： - **GDAL/OGR**: 处理栅格和矢量地理空间数据的核心工具。 - **Rasterio**: 提供更简洁易用接口来读写 GeoTIFF 文件。 - **Scikit-Learn**: 实现机器学习模型构建的基础包。 - **GeoPandas**: 支持地理数据分析操作。 - **SNAP (Sentinel Application Platform)**: ESA 开发的应用平台，特别适合预处理 Sentinel 数据[^1]。 #### 预处理阶段 在进行任何分析之前，通常还需要完成一些必要的预处理工作，比如裁剪至感兴趣区、重投影以及可能的空间分辨率调整等。这一步骤确保输入数据的一致性和适用性。 #### 特征提取 从多光谱影像中选取合适的波段组合作为特征向量至关重要。常见的做法是从 RGB 波段扩展到近红外(NIR)，短波红外(SWIR)等多个波段，并考虑植被指数(NDVI), 地表湿度指数(LSWI)等因素以增强区分能力。 ```python import rasterio from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, accuracy_score def load_data(file_path): with rasterio.open(file_path) as src: img = src.read() # Read all bands into a numpy array shape=(bands,height,width) profile = src.profile return img.reshape((img.shape[0], -1)).T, profile # Reshape to have each pixel on one row and band values across columns. X, _profile = load_data('path_to_sentinel_image.tif') y = ... # Load your labeled data here. ``` #### 训练与验证 采用交叉验证的方式划分训练集和测试集，利用随机森林或其他适宜的算法建立分类器。在此过程中，标准化/归一化特征矩阵有助于提高预测效果。 ```python scaler = StandardScaler().fit(X_train) X_scaled = scaler.transform(X) clf = RandomForestClassifier(n_estimators=100).fit(X_train, y_train) predictions = clf.predict(X_test) print(classification_report(y_test, predictions)) print(f'Accuracy Score: {accuracy_score(y_test, predictions)}') ``` #### 后处理及可视化 最后，将分类结果重新构造成二维数组形式并与原图配准保存下来。借助 Matplotlib 或 Folium 可直观展示最终成果。 ```python predicted_img = predictions.reshape((_profile['height'], _profile['width'])) with rasterio.open('classified_result.tif', 'w+', **_profile) as dst: dst.write(predicted_img.astype(rasterio.uint8), indexes=1) ``` #### 最佳实践建议 - 尽量收集丰富的样本用于标注，特别是那些难以识别的目标类别； - 探索不同类型的变换（如主成分分析PCA）能否改善分离度； - 不断迭代优化超参数设置直至获得满意的结果。