3. 地物分类基础：地物光谱特征、典型地物类别及分类体系
遥感影像智能解译的核心任务之一，是将影像像元或对象归入具有物理意义的地物类别。这一过程看似由算法驱动，但其底层逻辑始终建立在对地物光谱特征的理解之上。无论是传统机器学习中的随机森林，还是深度学习中的语义分割网络，其输入特征（多波段反射率、指数、纹理）本质上都在刻画地物对太阳辐射的反射、吸收与发射特性。本章将系统梳理地物光谱特征的形成机理、典型地物（水体、植被、建筑、道路）的光谱响应差异，以及从二分类到精细分类的层次化分类体系，为后续AI解译模型的训练样本选择、特征工程与类别体系设计奠定基础。
3.1 地物光谱特征：物理机理与遥感响应
地物光谱特征是指地表物体在可见光-反射红外（0.4–2.5μm）及热红外（8–14μm）波段范围内对电磁波的反射、吸收和发射特性。遥感传感器记录的是地物反射太阳辐射的能量分布，不同地物因物质组成、表面粗糙度、含水量和结构差异，形成各具特征的波谱响应曲线。理解这些曲线是选择波段、设计指数和训练分类模型的前提。
以四种典型地物为例，其光谱响应差异显著：
- 水体：在可见光波段（0.4–0.6μm）有一定反射，但整体偏低；在近红外（NIR，0.8–1.1μm）及短波红外（SWIR，1.5–1.8μm）几乎完全吸收，反射率趋近于零。这一特征使水体在近红外波段呈现暗色调，与植被、土壤形成鲜明对比。
- 植被：健康绿色植被在蓝光（0.45μm）和红光（0.65μm）处因叶绿素吸收而呈低反射，在绿光（0.55μm）处形成反射峰（绿峰）；在近红外波段（0.7–1.3μm）因叶片内部细胞结构散射而呈现高反射（近红外高原）；在红光与近红外之间的陡峭上升段称为"红边"（0.68–0.75μm），是植被健康监测的关键特征。
- 建筑/不透水面：混凝土、沥青、瓦片等材料在可见光至短波红外波段整体反射率较高且曲线平缓，无明显吸收谷或反射峰。不同建材（如红瓦、水泥、金属）在SWIR波段存在细微差异，可用于细分屋顶材质。
- 道路：沥青路面反射率较低（约10%–15%），水泥路面较高（约30%–40%），且随波长增加反射率缓慢上升，在SWIR波段仍保持较高反射，与植被和水体差异明显。
核心要点：光谱特征并非固定不变，受太阳高度角、大气条件、传感器波段设置、地物含水量和季节变化影响。例如，洪水期水体浑浊导致近红外反射率上升；秋季落叶植被近红外反射下降；新铺沥青与旧沥青反射率差异可达5%–8%。在AI模型训练中，必须考虑光谱特征的时空变异性，否则容易产生"同物异谱"（同一地物因状态不同呈现不同光谱）和"异物同谱"（不同地物因材质相似呈现相近光谱）的误分类。
3.2 典型地物类别的光谱判别方法
在实际解译中，单波段反射率往往不足以区分复杂地物，需要组合多波段信息构建光谱指数。光谱指数通过波段间的比值、差值或归一化运算，增强目标地物与背景的差异，同时部分消除大气和地形影响。
| 指数名称 | 计算公式 | 适用地物 | 典型阈值参考 |
|---|---|---|---|
| NDVI（归一化植被指数） | (NIR - Red) / (NIR + Red) | 植被覆盖度 | >0.3 为植被，0.1–0.3 为稀疏植被 |
| NDWI（归一化水体指数） | (Green - NIR) / (Green + NIR) | 开阔水体 | >0.2 为水体 |
| MNDWI（改进型水体指数） | (Green - SWIR1) / (Green + SWIR1) | 城市水体（抑制建筑噪声） | >0.15 为水体 |
| BI（裸土指数） | (SWIR1 + Red - NIR) / (SWIR1 + Red + NIR) | 裸地/低覆盖区 | >0.1 为裸地 |
| NDBI（归一化建筑指数） | (SWIR1 - NIR) / (SWIR1 + NIR) | 建筑/不透水面 | >0.1 为建筑区 |
上述指数在Landsat 8 OLI（含Blue、Green、Red、NIR、SWIR1、SWIR2波段）或Sentinel-2 MSI（含10m/20m多光谱波段）上均可直接计算。在AI解译中，这些指数常作为额外特征通道与原始波段叠加输入深度学习模型，可显著提升小样本条件下的分类精度。
3.3 层次化分类体系设计与案例拆解
分类体系是连接遥感影像与用户需求的桥梁。一个合理的分类体系应满足：类别互斥、层次清晰、尺度匹配、应用导向。以自然资源调查为例，常采用三级分类体系：
- 一级类（6类）：耕地、林地、草地、水域、建设用地、未利用地。对应宏观国土空间格局监测。
- 二级类（20类左右）：如水田/旱地、有林地/灌木林地/疏林地、河流/湖泊/水库/坑塘、城市/建制镇/村庄/工矿用地等。服务于自然资源确权登记和年度变更调查。
- 三级类（40类以上）：如常绿针叶林/落叶针叶林/常绿阔叶林/落叶阔叶林/混交林，或高密度城市/低密度城市/农村居民点等。用于林业精细调查和城市规划。
在AI模型训练中，分类体系直接决定样本标注的粒度和难度。一级类体系适合使用中分辨率影像（如Landsat 30m）和简单的语义分割网络；三级类体系则需要高分辨率影像（如GF-2 1m、WorldView-3 0.3m）和更复杂的模型结构（如DeepLabV3+、U-Net++），同时需要大量精细标注样本。
实战案例：某省级自然资源监测项目需基于Sentinel-2影像（10m分辨率）提取"水体-植被-建筑-道路"四类地物。初始方案直接使用原始10m波段（B2、B3、B4、B8）训练U-Net模型，验证集总体精度仅82.3%，其中建筑与道路混淆严重（混淆矩阵显示约18%的道路被误分为建筑）。分析发现，建筑与道路在可见光-近红外波段光谱曲线高度相似，仅靠光谱信息难以区分。
优化措施：①增加NDVI、MNDWI、NDBI三个指数通道，将输入特征从4通道扩展至7通道；②引入形态学特征——道路具有线性连续性，建筑具有面状聚集性，在模型解码器末端增加方向性形态学滤波层；③对道路类别采用"光谱+形状"联合约束的后处理，剔除面积小于500m²的孤立道路像元。
结果对比：优化后总体精度提升至91.7%，道路分类精度从74.5%提升至88.2%，建筑分类精度从81.3%提升至89.6%。代价是训练时间增加约30%，推理时间增加约15%。
3.4 常见误区与总结复盘
在遥感地物分类实践中，以下误区值得警惕：
- 误区一：忽视光谱特征的时空迁移性。在春季训练的模型直接用于冬季影像，往往因植被落叶、水体结冰导致精度骤降。解决方法是建立季节性光谱库，或采用域适应（Domain Adaptation）技术。
- 误区二：分类体系与影像分辨率不匹配。用10m分辨率影像强行区分"常绿针叶林/落叶针叶林"，光谱差异微弱，精度难以保证。应遵循"影像分辨率决定可区分的最小类别粒度"原则。
- 误区三：过度依赖单一光谱指数。NDVI在植被茂密区易饱和（NDVI>0.8后区分度下降），此时应改用增强型植被指数（EVI）或红边指数（如Sentinel-2的B5/B6波段）。
- 误区四：忽略阴影区域的光谱畸变。高分辨率影像中建筑物阴影区的地物反射率整体降低，若不进行阴影检测和补偿，阴影下的道路、植被容易被误分为水体。
风险提示：在AI解译中，训练样本的类别分布不均衡（如水体样本远少于建筑样本）会导致模型偏向多数类。建议采用类别加权损失函数（如Focal Loss）或数据增强（如对水体样本进行旋转、缩放、色彩抖动）来缓解。同时，分类体系一旦确定，在模型训练和部署阶段应保持稳定，频繁调整类别定义会导致模型反复迭代，增加工程成本。