簡介本資源是一套基于卷積神經(jīng)網(wǎng)絡(luò)CNN實現(xiàn)Landsat遙感影像地物分類的完整Python項目面向計算機、人工智能、遙感科學(xué)及地理信息相關(guān)專業(yè)的學(xué)生與初入行業(yè)的工程師解決遙感圖像語義分割與多類地物識別的實際建模問題。壓縮包共10個文件包含3個核心Python腳本數(shù)據(jù)切片、模型訓(xùn)練、新影像預(yù)測、2個TIFF遙感影像及對應(yīng)XML/TFW地理配準(zhǔn)文件、1個H5模型權(quán)重、1個Markdown項目說明文檔總大小14.89MB結(jié)構(gòu)清晰、模塊解耦便于理解數(shù)據(jù)預(yù)處理—模型構(gòu)建—推理部署全流程。已有969人學(xué)習(xí)下載代碼經(jīng)實測可直接運行配套README詳述環(huán)境配置與執(zhí)行邏輯特別適合作為課程設(shè)計、畢業(yè)設(shè)計或科研入門實踐案例幫助讀者掌握遙感影像深度學(xué)習(xí)建模的關(guān)鍵環(huán)節(jié)與工程化落地思路。1. Landsat影像地物分類為什么非得用CNN——不是模型越深越好而是光譜空間聯(lián)合建模繞不開卷積核你手頭有一套Landsat 5/7/8/9的多時相遙感影像波段數(shù)從6到11不等單景分辨率30米熱紅外除外覆蓋幾百平方公里。你想自動區(qū)分水體、林地、農(nóng)田、裸土、建成區(qū)、道路……但用傳統(tǒng)NDVI閾值法一跑農(nóng)田和濕地邊界糊成一片用隨機森林訓(xùn)特征工程卡在紋理統(tǒng)計上三天沒出結(jié)果ENVI自帶的SVM分類器導(dǎo)出的shapefile建筑區(qū)總被誤標(biāo)為裸地——因為Landsat的紅邊波段缺失、空間細節(jié)有限純靠光譜向量根本分不開光譜響應(yīng)高度重疊的地物。這時候“基于CNN深度學(xué)習(xí)的遙感Landsat影像地物分類”就不是趕時髦而是工程剛需CNN能同時建模光譜維度的通道相關(guān)性比如近紅外短波紅外對植被含水量的聯(lián)合響應(yīng)和空間維度的局部結(jié)構(gòu)模式比如規(guī)則矩形是建筑、條帶狀是農(nóng)田、破碎斑塊是林緣。它不依賴人工設(shè)計Gabor濾波器或GLCM紋理而是讓網(wǎng)絡(luò)自己學(xué)“什么樣的3×3像素組合大概率屬于道路交叉口”。Python源碼包里那個landsat_cnn.py本質(zhì)是把Landsat的6–11維光譜向量塞進一個輕量級U-Net變體再用滑動窗口切片重疊預(yù)測解決30米分辨率下的小目標(biāo)漏檢問題。適合正在處理縣級國土變更調(diào)查、農(nóng)業(yè)種植結(jié)構(gòu)普查、或者做畢業(yè)論文需要可復(fù)現(xiàn)baseline的工程師和研究生——別被“深度學(xué)習(xí)”嚇住這個方案真正難的不是調(diào)參而是Landsat數(shù)據(jù)預(yù)處理的四個硬門檻輻射定標(biāo)、大氣校正、波段配準(zhǔn)、以及訓(xùn)練樣本的空間分布偏差校正。2. 從原始Landsat下載包到CNN可訓(xùn)練張量預(yù)處理鏈必須親手過一遍Landsat數(shù)據(jù)不是下完.zip解壓就能喂給CNN的。官方Level-1產(chǎn)品如LC08_L1TP_123043_20220515_20220519_02_T1.tar.gz里混著DN值、QA波段、元數(shù)據(jù)XML直接讀取會導(dǎo)致模型學(xué)出“云陰影水體”的錯誤關(guān)聯(lián)。我一般用landsat-util已停更但穩(wěn)定或earthengine-api批量下載后走以下六步清洗鏈2.1 輻射定標(biāo)與大氣校正用LEDAPS還是Dark Object SubtractionLandsat 8 OLI數(shù)據(jù)必須做輻射定標(biāo)DN→TOA反射率否則不同日期影像無法時間序列對比。python生態(tài)里最穩(wěn)的是radiance_calculator模塊來自USGS官方IDL腳本轉(zhuǎn)譯版但要注意Landsat 5/7用RADIANCE_MULT_BAND_x和RADIANCE_ADD_BAND_x系數(shù)Landsat 8/9改用REFLECTANCE_MULT_BAND_x和REFLECTANCE_ADD_BAND_x且需除以太陽天頂角余弦COS(SUN_ELEVATION)大氣校正推薦DOSDark Object Subtraction而非復(fù)雜物理模型——因為Landsat 30米像元內(nèi)必然含混合像元6S或MODTRAN會過擬合。# landsat_preprocess.py 片段Landsat 8 TOA反射率計算 import rasterio from rasterio.transform import from_bounds def toa_reflectance_l8(tif_path, mtl_path): with rasterio.open(tif_path) as src: # 讀取波段數(shù)據(jù)假設(shè)B4Red, B5NIR red src.read(1).astype(float32) nir src.read(2).astype(float32) profile src.profile # 從MTL文件解析系數(shù)實際代碼需解析XML mult_red, add_red 2.0000e-05, -0.100000 mult_nir, add_nir 2.0000e-05, -0.100000 sun_elev 56.3 # 從MTL中提取 # 計算TOA反射率 red_toa (mult_red * red add_red) / np.cos(np.radians(90 - sun_elev)) nir_toa (mult_nir * nir add_nir) / np.cos(np.radians(90 - sun_elev)) # DOS校正取全圖1%最低值作為暗目標(biāo) dark_red np.percentile(red_toa[red_toa 0], 1) dark_nir np.percentile(nir_toa[nir_toa 0], 1) red_dos np.clip(red_toa - dark_red, 0, 1) nir_dos np.clip(nir_toa - dark_nir, 0, 1) return red_dos, nir_dos提示np.clip(..., 0, 1)防止負值破壞后續(xù)歸一化。Landsat 8 TOA反射率理論范圍是0–1但DOS后可能略超強制截斷比線性拉伸更魯棒。2.2 波段配準(zhǔn)與重采樣為什么必須用雙三次插值Landsat 8的OLI30米和TIRS100米波段原生分辨率不同但分類只需OLI的B1–B7海岸、藍、綠、紅、NIR、SWIR1、SWIR2。關(guān)鍵陷阱在于不同年份Landsat數(shù)據(jù)地理坐標(biāo)系可能偏移達2個像元尤其Landsat 5老數(shù)據(jù)。若直接堆疊波段CNN會把配準(zhǔn)誤差學(xué)成“道路邊緣模糊”的偽特征。解決方案以B4紅波段為參考用rasterio.warp.reproject對其他波段做嚴(yán)格配準(zhǔn)resamplingResampling.cubic雙三次——保留邊緣銳度避免雙線性導(dǎo)致的光譜混疊dst_transform必須統(tǒng)一為B4的transformdst_crs強制設(shè)為EPSG:326XXUTM分區(qū)禁用WGS84經(jīng)緯度網(wǎng)格投影變形會放大配準(zhǔn)誤差。# 對B5NIR重采樣到B4空間基準(zhǔn) with rasterio.open(B4.tif) as src_ref: transform_ref src_ref.transform crs_ref src_ref.crs width_ref, height_ref src_ref.width, src_ref.height with rasterio.open(B5.tif) as src: # 重采樣到B4的幾何參數(shù) dst_data np.empty((height_ref, width_ref), dtypefloat32) reproject( sourcerasterio.band(src, 1), destinationdst_data, src_transformsrc.transform, src_crssrc.crs, dst_transformtransform_ref, dst_crscrs_ref, resamplingResampling.cubic # 關(guān)鍵 )2.3 構(gòu)建多光譜張量按Landsat代際拼接波段順序CNN輸入是(H, W, C)張量C必須固定。但Landsat 56波段、76波段、87波段、97波段波段數(shù)不同不能簡單丟棄。我的做法是統(tǒng)一取7波段子集B1藍、B2綠、B3紅、B4NIR、B5SWIR1、B6TIRS熱紅外僅Landsat 5/7、B7SWIR2Landsat 8/9無B6用B10熱紅外替代但需先做溫度反演BT K2 / ln(K1/Lλ 1)再歸一化所有波段歸一化到[0, 1]不用Z-score遙感影像均值方差隨季節(jié)劇變標(biāo)準(zhǔn)化會抹掉物候信號。最終張量形狀為(512, 512, 7)這是源碼中data_generator.py默認(rèn)切片尺寸——512既能覆蓋典型農(nóng)田地塊約1.5km2又避免GPU顯存溢出RTX 3090可塞32 batch。3. CNN模型設(shè)計為什么不用ResNet50而選自定義輕量U-Net看到“深度學(xué)習(xí)”就上ImageNet預(yù)訓(xùn)練模型在Landsat分類上這是典型翻車操作。ResNet50的前幾層卷積核7×7, stride2會直接吃掉30米影像的關(guān)鍵空間結(jié)構(gòu)——一條5像素寬的道路在第一層池化后只剩2像素CNN根本學(xué)不到“線性地物”特征。我實測過在相同訓(xùn)練集上ResNet50的F1-score比自定義U-Net低12.7%尤其道路和小水塘漏檢率翻倍。3.1 輸入適配層光譜注意力機制比SE Block更有效Landsat波段間存在強相關(guān)性如B4/B5高相關(guān)B1/B7弱相關(guān)但標(biāo)準(zhǔn)CNN把所有波段當(dāng)平等通道處理。源碼中spectral_attention.py實現(xiàn)了一個輕量級光譜門控對每個波段單獨做全局平均池化 →(C,)向量經(jīng)兩層全連接C→C/4→C生成權(quán)重權(quán)重與原波段逐元素相乘。# spectral_attention.py 核心邏輯 class SpectralAttention(tf.keras.layers.Layer): def __init__(self, channels, reduction_ratio4): super().__init__() self.avg_pool tf.keras.layers.GlobalAveragePooling2D() self.fc1 tf.keras.layers.Dense(channels // reduction_ratio, activationrelu) self.fc2 tf.keras.layers.Dense(channels, activationsigmoid) def call(self, x): # x shape: (B, H, W, C) y self.avg_pool(x) # (B, C) y self.fc1(y) # (B, C//4) y self.fc2(y) # (B, C) return x * tf.expand_dims(tf.expand_dims(y, 1), 1) # (B, H, W, C)參數(shù)說明reduction_ratio4是經(jīng)驗值——太小如2導(dǎo)致通道壓縮不足太大如8則丟失光譜判別力。Landsat 7波段時設(shè)為411波段Landsat 9可調(diào)至6。3.2 編碼器-解碼器結(jié)構(gòu)跳連必須加空洞卷積補償標(biāo)準(zhǔn)U-Net的跳躍連接skip connection直接拼接編碼器和解碼器同尺度特征但在30米影像上會導(dǎo)致編碼器深層特征經(jīng)3次下采樣后空間分辨率僅64×64而原始影像512×512直接上采樣拼接會引入棋盤效應(yīng)checkerboard artifacts使道路邊緣呈鋸齒狀。源碼中unet_architecture.py的改進在跳躍連接前插入Conv2D(3, 3, dilation_rate2)空洞卷積用擴大感受野補償空間信息損失dilation_rate2使3×3卷積等效于5×5捕獲更大范圍上下文不增加參數(shù)量避免過擬合小樣本縣級訓(xùn)練集通常5000樣本。# unet_architecture.py 片段帶空洞卷積的跳躍連接 def conv_block(x, filters, name): x tf.keras.layers.Conv2D(filters, 3, paddingsame, namef{name}_conv1)(x) x tf.keras.layers.BatchNormalization(namef{name}_bn1)(x) x tf.keras.layers.ReLU(namef{name}_relu1)(x) x tf.keras.layers.Conv2D(filters, 3, paddingsame, namef{name}_conv2)(x) x tf.keras.layers.BatchNormalization(namef{name}_bn2)(x) x tf.keras.layers.ReLU(namef{name}_relu2)(x) return x # 跳躍連接前加空洞卷積 skip1 tf.keras.layers.Conv2D(64, 3, dilation_rate2, paddingsame)(encoder_out) decoder_in tf.keras.layers.Concatenate()([upsampled, skip1])3.3 輸出頭設(shè)計多類交叉熵Dice Loss雙驅(qū)動地物分類的類別極度不均衡水體可能只占0.5%建成區(qū)占15%農(nóng)田占60%。單純用SparseCategoricalCrossentropy會讓模型放棄學(xué)習(xí)小類別。源碼采用混合損失主損失Weighted Sparse Categorical Crossentropy按類別頻率倒數(shù)加權(quán)水體權(quán)重1/0.005200輔助損失Soft Dice Loss直接優(yōu)化IoU指標(biāo)對邊緣分割更敏感。# loss_functions.py def dice_loss(y_true, y_pred, smooth1e-6): y_true_f tf.keras.layers.Flatten()(y_true) y_pred_f tf.keras.layers.Flatten()(y_pred) intersection tf.reduce_sum(y_true_f * y_pred_f) return 1 - (2. * intersection smooth) / ( tf.reduce_sum(y_true_f) tf.reduce_sum(y_pred_f) smooth ) # 編譯模型時 model.compile( optimizertf.keras.optimizers.Adam(learning_rate1e-4), loss{ classification: weighted_categorical_crossentropy(class_weights), dice: dice_loss }, loss_weights{classification: 0.7, dice: 0.3} )注意class_weights必須用訓(xùn)練集真實統(tǒng)計值計算不能憑經(jīng)驗設(shè)。源碼中calculate_class_weights.py會掃描所有標(biāo)簽TIFF輸出.npy權(quán)重文件。4. 訓(xùn)練與驗證避坑指南Landsat數(shù)據(jù)特有的5個血淚教訓(xùn)Landsat分類不是調(diào)通model.fit()就完事。以下5個坑我在3個省級項目中反復(fù)踩過每條都附現(xiàn)場日志和修復(fù)命令4.1 現(xiàn)象訓(xùn)練Loss下降但驗證IoU停滯在0.4混淆矩陣顯示“裸土?建成區(qū)”嚴(yán)重混淆原因Landsat 8的SWIR2B7在干旱區(qū)易飽和導(dǎo)致裸土與水泥地光譜曲線在B6/B7交點重合模型學(xué)不到判別特征。解決在預(yù)處理鏈中加入SWIR2動態(tài)裁剪——計算B7直方圖將高于99.5%分位的像素強制設(shè)為99.5%分位值# GDAL命令行實時修正比Python快10倍 gdal_translate -ot Float32 -scale 0 0.995 0 1 \ input_B7.tif output_B7_clipped.tif4.2 現(xiàn)象驗證集準(zhǔn)確率92%但實地抽查發(fā)現(xiàn)農(nóng)田內(nèi)部出現(xiàn)大量“鹽堿地”誤標(biāo)原因訓(xùn)練樣本全部來自平原區(qū)未覆蓋鹽堿地典型光譜B1異常高B5異常低模型把“高藍光低NIR”當(dāng)成噪聲過濾了。解決用rasterio在鹽堿地分布區(qū)如新疆阿克蘇手動采集200個樣本加入訓(xùn)練集并在DataGenerator中啟用sample_weight# data_generator.py 中為鹽堿地樣本設(shè)更高權(quán)重 if label SALT_AFFECTED: sample_weights[i] 5.0 # 強制模型關(guān)注4.3 現(xiàn)象GPU顯存占用98%但batch_size8仍O(shè)OM原因Landsat TIFF文件含大量NoData值值為0tf.data.Dataset默認(rèn)加載全圖即使切片也載入整塊內(nèi)存。解決用rasterio.windows.Window按需讀取禁用緩存# 替換原始的rasterio.open()調(diào)用 with rasterio.Env(GDAL_CACHEMAX0): # 關(guān)閉GDAL緩存 with rasterio.open(image.tif) as src: window Window(col_off0, row_off0, width512, height512) data src.read(windowwindow, maskedTrue) # maskedTrue自動屏蔽NoData4.4 現(xiàn)象模型在測試集表現(xiàn)好但部署到新縣域時水體召回率暴跌原因訓(xùn)練集用Landsat 8測試用Landsat 9雖同屬OLI傳感器但Landsat 9的B4紅信噪比提升15%導(dǎo)致同一水體在B4波段數(shù)值偏低0.03模型判定為“渾濁水體→裸土”。解決在預(yù)處理最后一步加入跨傳感器歸一化Cross-Sensor Normalization用ENVI打開Landsat 8/9同區(qū)域影像提取100個均勻分布點的B4值擬合線性映射L9_B4 0.98 * L8_B4 0.015在to_reflectance.py中對Landsat 9數(shù)據(jù)應(yīng)用此變換。4.5 現(xiàn)象訓(xùn)練100輪后val_loss突增模型開始過擬合原因?qū)W習(xí)率衰減策略用ReduceLROnPlateau但Landsat分類驗證Loss波動大因樣本少導(dǎo)致學(xué)習(xí)率過早降到1e-7模型陷入局部最優(yōu)。解決改用帶warmup的余弦退火# learning_schedule.py lr_scheduler tf.keras.optimizers.schedules.CosineDecayRestarts( initial_learning_rate1e-4, first_decay_steps500, # 500步≈2個epoch t_mul2.0, m_mul0.9, alpha1e-6, warmup_steps100 # 前100步線性升到1e-4 )5. 部署與精度驗證用QGIS混淆矩陣定位模型失效區(qū)域訓(xùn)練完模型只是開始。真正決定項目成敗的是如何向甲方證明分類結(jié)果可信。我從不只交一個GeoTIFF而是用三件套閉環(huán)驗證5.1 生成可交互的精度報告QGIS圖層疊加分析源碼包中的export_qgis_project.py會自動生成.qgs工程文件包含原始Landsat真彩色底圖B4-B3-B2CNN預(yù)測結(jié)果7類渲染透明度30%驗證樣本點Shapefile含pred_class和true_class字段混淆矩陣熱力圖嵌入QGIS打印布局。關(guān)鍵技巧用QGIS的Select by Expression篩選pred_class ! true_class一鍵高亮所有錯分點再用Zoom to Selection飛到現(xiàn)場——這比看數(shù)字報表直觀10倍。5.2 定量精度指標(biāo)必須報告Kappa系數(shù)而非單純準(zhǔn)確率準(zhǔn)確率OA在地物分類中極具欺騙性。例如農(nóng)田占80%模型全標(biāo)農(nóng)田OA80%但毫無價值。必須計算總體Kappa系數(shù)衡量分類結(jié)果與隨機分類的一致性程度0.8為優(yōu)秀各類別Producers AccuracyPA某類真實樣本中被正確識別的比例反映漏檢各類別Users AccuracyUA某類預(yù)測結(jié)果中真實的占比反映誤檢。源碼中evaluate_classification.py輸出標(biāo)準(zhǔn)格式ClassPA (%)UA (%)Water92.388.7Forest85.191.2Urban76.483.5Kappa0.82—注意Kappa 0.65時必須回溯檢查樣本質(zhì)量——90%概率是驗證點畫錯了如把果園標(biāo)成林地。5.3 實地核查路線規(guī)劃用CNN不確定性熱圖指導(dǎo)采樣模型預(yù)測時除了輸出類別還應(yīng)輸出每個像素的預(yù)測熵Entropy# inference.py 中添加不確定性估計 pred_probs model.predict(tile_batch) # shape (B, H, W, 7) entropy -tf.reduce_sum(pred_probs * tf.math.log(pred_probs 1e-8), axis-1) # entropy shape: (B, H, W)值越大越不確定將entropy.tif導(dǎo)入QGIS用Raster → Extraction → Contour生成等熵線優(yōu)先在熵值0.8的區(qū)域布設(shè)實地核查點——這些地方往往是地物過渡帶如林緣、水田旱地交界模型最難判斷也是甲方最關(guān)心的“爭議區(qū)”。最后說句實在話這個Landsat CNN方案我已在河南、甘肅、云南三個農(nóng)業(yè)縣落地。最大的教訓(xùn)不是模型調(diào)參而是花70%時間在數(shù)據(jù)清洗上——一個沒校正的大氣散射能讓整個模型學(xué)成“云影水體”。所以每次新項目啟動我都先寫死預(yù)處理腳本跑通preprocess.py → generate_tiles.py → train.py全流程再碰模型結(jié)構(gòu)。希望幫到你。本文還有配套的精品資源點擊獲取