4. 土地利用分类体系与样本设计

遥感分类的精度上限，往往在“选体系、定类别、采样本”这三步就已经被决定。影像再清晰、模型再先进，如果类别定义含糊、样本与类别错位，分类结果也只能是“看起来像”的图斑集合。本节围绕国内外主流分类体系的差异、分类粒度与类别定义的落地方法，以及样本采集策略与质量控制展开，目标是让读者能够为一个具体项目写出可执行的分类体系与样本方案。

一、三套主流体系的定位差异

国内项目最常用的是《土地利用现状分类》GB/T 21010，采用一级、二级两级的土地利用分类，一级类包括耕地、园地、林地、草地、湿地、城镇村及工矿用地、交通运输用地、水域及水利设施用地等，二级类在其下细分，例如耕地再分为水田、水浇地、旱地。它的核心是“土地用途”，与国土调查、用地审批的业务口径一致，适合以行政管理和面积统计为目标的分类任务。

欧洲的 CORINE 土地覆盖体系则从“地表覆盖”出发，采用三级结构，一级类为人工表面、农业区域、森林与半自然区域、湿地、水体，向下细分到连续城市结构、非灌溉耕地、针叶林、沼泽等。它强调遥感可观测的覆盖属性，类别之间尽量互斥，便于跨国家拼接与变化监测。美国的 NLCD 同样是覆盖型体系，但其特色在于以 30 米栅格为基本单元，类别数量适中（如发达区域分为四个强度等级、森林分为落叶/常绿/混交），并配套独立的湿地与农业强度产品，适合全国尺度的时序对比。

三者的关键差别可以归纳为：GB/T 21010 回答“这块地用来做什么”，CORINE 与 NLCD 回答“这块地表被什么覆盖”。同一块果园，在用途口径下是园地，在覆盖口径下可能被归为林地或农业区域中的多年生作物。因此体系选择不是偏好问题，而是由业务目标倒推：做国土变更调查、耕地保护监测，应优先采用 GB/T 21010 并保持与下发底图一致；做区域生态环境评估或跨国产学研对比，CORINE、NLCD 的覆盖口径更易与植被指数、不透水面等产品衔接。

二、分类粒度与类别定义怎么写才可执行

体系选定后，真正决定成败的是“粒度”和“定义”。粒度指分类到哪一级：一级类之间光谱差异大、可分性强，二级类之间往往只差作物类型或管理方式，单靠光学影像难以稳定区分。一个务实的做法是先明确项目的最小上图单元和精度要求，再决定粒度。例如某县级耕地变化监测项目，要求识别耕地内部的水田改旱地，则必须做到二级类，并接受更高的样本量和人工复核比例；若只统计耕地总量，一级类即可，把精力放在耕地与非耕地的边界判定上。

类别定义要写成“判读标志 + 最小图斑 + 边界规则”三要素。判读标志描述该类别在影像上的色调、纹理、形状和上下文，例如“水田：生长季呈均匀浅绿至深绿，田块规整、有明显田埂网格，常与沟渠相邻”；最小图斑规定多大面积才单独成类，如“6×6 像元以下归入相邻优势类”；边界规则处理含混情形，如“林地与园地交界处，以是否有规整种植行距和经营痕迹作为区分依据，无法判定时归入园地并在属性中标注存疑”。这三条写清楚，不同判读人员对同一图斑的归类才可能一致，样本标签才有可复现性。

三、三种样本采集策略的适用场景

分层随机采样是精度评估和面积统计的“标准答案”。做法是先按类别或按地理分区分层，在每层内随机布设样本点，层间按面积比例或按稀有类保底配额分配数量。例如某市域分类项目设 8 个一级类，总样本 1200 个，按面积比例分配后，水域仅分到 40 个，明显不足，此时对水域、湿地等稀有类设最小样本数 80，其余类按比例压缩。分层随机的优点是统计无偏、可计算混淆矩阵和总体精度，缺点是对复杂边界和细小地物覆盖不足。

目视解译采样适合复杂地物、边界样本和训练样本的精修。操作上以高分辨率影像为底，逐图斑勾绘多边形并赋类别，重点采集类间过渡带、混合像元和易混类别。它的成本高，必须配套双人独立判读与分歧仲裁：两人判读一致率低于约定阈值（如 85%）的图斑进入第三人仲裁，仲裁结论回写类别卡，形成定义迭代。

众源数据采样（OSM、POI、地块调查数据等）覆盖广、更新快，适合快速扩充样本量，但必须做标签转换与清洗。典型处理包括：把 OSM 的 landuse= farmland 映射到耕地，把 building 面聚合为建设用地，剔除与影像明显错位的记录，对线状道路做缓冲区膨胀后再取样本，避免把道路中心线误当路面样本。众源样本更适合作为训练集补充，不宜单独用于精度评估，否则会引入标签噪声导致精度虚高。

四、质量控制的关键动作

质量控制要贯穿采样全程，核心是四条：空间独立、类别平衡、边界纯净、交叉验证。空间独立指训练样本与验证样本在空间上分离，避免相邻像元同时进入训练和验证造成精度虚高，常用做法是按网格或流域划分训练区与验证区。类别平衡指每类样本量满足最低要求，稀有类可通过分层配额和针对性补采解决。边界纯净指样本多边形向内收缩 1～2 个像元，避开混合像元带。交叉验证则用独立验证集计算混淆矩阵，重点关注用户精度和生产者精度，而不是只看总体精度。

下面给出一份可直接填写的样本设计检查表，字段按项目实际需要设置：

需要强调的是，体系、粒度、样本三者是联动关系：体系决定类别集合，粒度决定类间可分难度，样本策略决定这些类别能否被可靠地“教会”分类器并被公正地评估。实际项目中，建议先用小范围试采样跑一轮分类，观察混淆矩阵中哪些类别对最容易混淆，再回到类别卡补充判读标志、调整粒度或增加针对性样本，形成“定义—采样—验证—修订”的闭环，而不是一次性把样本采完就进入建模。