ArcGIS支持向量机分类入门实战：从数据预处理到模型优化

共计 1861 个字符，预计需要花费 5 分钟才能阅读完成。

背景：为什么选择 SVM 进行地物分类

支持向量机（SVM）在 ArcGIS 中的应用越来越广泛，特别是在遥感影像分类领域。相比传统最大似然法，SVM 有两个突出优势：

• 擅长处理高维数据（如多光谱影像的数十个波段）
• 对小样本数据有更好的泛化能力（野外采样点往往有限）

我最近用 ArcGIS Pro 完成了一个农田识别项目，SVM 的总体精度比随机森林高了 8%，特别是在区分小麦和玉米时效果显著。

数据预处理：打好建模基础

1. 波段组合与指数计算

使用 ArcPy 处理 Landsat 影像的典型流程：

import arcpy
from arcpy.sa import *

# 设置工作空间
arcpy.env.workspace = "./input_data"

# 计算 NDVI
red_band = Raster("B4.tif")
nir_band = Raster("B5.tif")
ndvi = (nir_band - red_band) / (nir_band + red_band)
ndvi.save("./output/ndvi.tif")

2. 特征标准化

不同波段的数值范围差异巨大（如热红外波段和可见光波段），必须进行标准化：

from sklearn.preprocessing import StandardScaler
import numpy as np

# 将栅格转为数组
bands = ["B2.tif", "B3.tif", "B4.tif", "ndvi.tif"]
array_list = []
for band in bands:
    raster = arcpy.RasterToNumPyArray(band)
    array_list.append(raster.flatten())

X = np.column_stack(array_list)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

模型训练：关键参数解析

核函数选择经验

• 线性核（linear）：适合特征数远大于样本数的情况
• 径向基核（RBF）：最常用，需要调整 gamma 参数
• 多项式核（poly）：适合特征间存在明确阶数关系

from sklearn.svm import SVC

# 使用 RBF 核的示例
model = SVC(kernel='rbf', 
            C=1.0,  # 正则化参数
            gamma='scale')  # 核系数
model.fit(X_train, y_train)

性能优化实战技巧

解决内存不足问题

当处理大区域影像时，可以采用分块处理：

# 分块读取栅格数据
block_size = 1024  # 像素单位
for x in range(0, width, block_size):
    for y in range(0, height, block_size):
        # 提取当前块的数据
        block = arcpy.RasterToNumPyArray(
            raster, 
            arcpy.Point(x, y),
            block_size, block_size)
        # 处理当前块...

样本不平衡对策

1. 类权重设置：

   # 根据样本量自动调整权重
   model = SVC(class_weight='balanced')

2. 过采样少数类（使用 imbalanced-learn 库）：

   from imblearn.over_sampling import SMOTE
   
   smote = SMOTE()
   X_res, y_res = smote.fit_resample(X, y)

模型评估与部署

精度验证指标计算

from sklearn.metrics import confusion_matrix, cohen_kappa_score

# 生成混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print("混淆矩阵：\n", cm)

# 计算 Kappa 系数
kappa = cohen_kappa_score(y_test, y_pred)
print(f"Kappa 系数：{kappa:.3f}")

模型保存与复用

import joblib

# 保存模型
joblib.dump(model, 'land_use_svm.model')

# 在 ArcGIS Pro 中加载
loaded_model = joblib.load('land_use_svm.model')

思考与延伸

当模型效果稳定后，可以考虑将其部署为地理处理服务。一个可行的方案是：
1. 将训练好的模型封装为 Python 工具箱（.pyt）
2. 通过 ArcGIS Pro 发布到 ArcGIS Server
3. 设置适当的执行模式（同步 / 异步）

你是否有过将机器学习模型部署为 Web 服务的经验？欢迎在评论区分享你的实践心得！