4. 地面真值ROI的创建与质量控制

混淆矩阵验证的可信度，首先取决于地面真值ROI（感兴趣区）是否真实、独立、且具有代表性。ENVI中的ROI既是样本的容器，也是类别标签的载体；一旦ROI在空间上聚集、在类别上失衡，或与分类训练样本重叠，Kappa系数和总体精度都会被系统性抬高。本节围绕“如何建、建多少、怎么查”三个问题展开，重点讲清采样策略、样本量确定与质量控制的实际做法。

一、ROI的两种来源与建库方式

地面真值ROI通常有两个来源：一是基于高分辨率影像（如0.5～2 m的航拍、无人机或高分卫星影像）目视解译勾绘，二是基于实地调查的GPS点位、样方记录或外业照片。前者效率高、覆盖广，但受解译经验影响；后者可信度高，但样本量有限。ENVI中常用Region of Interest Tool创建ROI，逐类新建ROI并命名（建议采用“类别名_来源_编号”的命名规范，如“林地_无人机_01”），再用多边形、像素或生长工具勾绘。对于外业点位，可通过ROI Tool的Import功能导入ASCII坐标文件（x,y,类别），或先建立点矢量再转为ROI。

需要强调的是，验证ROI必须与分类训练ROI严格分离。若用同一批样本既训练又验证，精度会虚高。实践中建议在ENVI中为训练样本和验证样本分别建立ROI组，并在文件命名和元数据中标注用途，避免后续误用。

二、采样策略：分层随机与系统采样

采样策略决定样本的空间分布是否无偏。常用的两类策略各有适用场景：

• 分层随机采样：先按类别（或类别+子区域）分层，再在每层内随机布点。它保证每个类别都有样本，且样本位置不依赖人为判断，是精度验证的首选策略。ENVI中可借助“Generate Random Sample”或结合分类结果图、矢量分区，在每层内生成随机点，再转为ROI。
• 系统采样：按固定间隔（如每500 m一个点）布设网格点。它覆盖均匀、便于外业实施，但若间隔与地物周期（如垄作行距、道路间距）重合，可能产生周期性偏差，因此更适合作为补充或用于大范围踏勘。

实际项目中常采用“分层随机为主、系统采样为辅”的组合：对面积大、内部均质的类别（如耕地、林地）用分层随机；对线状或零散类别（如道路、水体）适当加密系统点，确保小类别不被漏采。

三、样本量确定与类别覆盖要求

样本量没有唯一公式，但可遵循几条经验原则。总体精度验证时，若期望精度为85%、允许误差±5%，按简单随机抽样估算，每类至少需要50～100个样本；类别数多、面积差异大时，应按面积比例分配（比例分配），并对小类别设置最低样本数（如不少于30个）。对于Kappa系数，样本总量建议不低于250～300个，且每个类别不少于30～50个，否则个别类别的误差估计不稳定。

类别覆盖要求包括三点：一是所有参与分类的类别都必须有验证样本，不能只验证主要类别；二是样本应覆盖类别内部的典型变异（如林地中的密林与疏林、耕地中的不同作物）；三是样本在空间上应分散到整个研究区，避免集中在某一角落。下表给出一个示例性的样本分配方案（示例参数，非实测结果）：

四、质量控制：避免样本偏差导致精度虚高

ROI建好后必须做质量检查，重点排查四类问题：空间聚集（同类样本扎堆，导致空间自相关）、类别失衡（小类别样本过少）、边界混样（ROI跨越类别边界，像素混合）、训练验证重叠（样本复用）。在ENVI中可通过ROI Tool的统计功能查看各类样本数与分布，叠加高分辨率影像逐块核查边界；对可疑样本用“Pixel Locator”定位复核。发现聚集时，应重新随机布点；发现混样时，应缩小ROI或剔除边界像素。

下图展示了从ROI建库到质量放行的判断关系，可作为实际操作时的检查路径：

质检通过后，ROI即可用于混淆矩阵计算。需要提醒的是，ROI的坐标系统必须与分类影像一致，否则样本会错位；ENVI在导入外部坐标时会提示投影信息，应逐项核对。此外，验证ROI的数量和分布应记录在验证报告中，便于复核与复现。

综上，地面真值ROI的质量控制不是一次性动作，而是贯穿建库、采样、核查的连续过程。只有样本真实、独立、分布合理，混淆矩阵的总体精度与Kappa系数才具备可信度，后续的分类改进才有可靠依据。