ArcMap支持向量机入门指南：从数据准备到模型训练

1次阅读

没有评论

共计 2260 个字符，预计需要花费 6 分钟才能阅读完成。

最近帮某农业部门做耕地监测项目时，发现手动标注卫星影像效率极低。同一块区域，不同专员标注结果差异能达到 30%。这时候就需要支持向量机（SVM）这样的自动分类工具——它特别适合处理高维空间数据，比如多波段遥感影像。

另一个典型场景是城市扩张分析。通过训练 SVM 识别建成区、植被和水体，可以自动生成城市边界变化报告，比传统目视解译快 10 倍不止。

内置工具优势 ：
零编码实现，图形化界面友好
自动处理空间参考系统（SRS）一致性
结果直接生成专题地图
scikit-learn 优势 ：
支持更丰富的核函数（如 Sigmoid）
方便特征重要性分析
可集成到完整 ML 流水线

建议新手先用 ArcMap 熟悉流程，再过渡到 Python 方案。

格式要求 ：
训练样本需保存为.shp 文件
属性表必须包含分类字段（建议用整型编码）
影像数据建议用.tif 格式

投影转换必做检查 ：

# ArcPy 检查投影代码示例
import arcpy

def check_projection(in_features, in_raster):
    desc_feat = arcpy.Describe(in_features)
    desc_ras = arcpy.Describe(in_raster)
    if desc_feat.spatialReference.name != desc_ras.spatialReference.name:
        arcpy.Project_management(in_features, "temp_projected", desc_ras.spatialReference)
        return "temp_projected"
    return in_features

计算 NDVI 植被指数为例：

# ArcPy 实现 NDVI 计算
ndvi = arcpy.sa.Float(arcpy.sa.Band_4 - arcpy.sa.Band_3) / 
       arcpy.sa.Float(arcpy.sa.Band_4 + arcpy.sa.Band_3)
ndvi.save("NDVI.tif")

核函数选择原则 ：
线性核：特征数 >> 样本数时（如高光谱数据）
RBF 核：存在明显非线性边界（如复杂地形区）
多项式核：需要显式控制复杂度时

参数调优脚本 ：

# scikit-learn 参数搜索示例
from sklearn.model_selection import GridSearchCV

param_grid = {'C': [0.1, 1, 10],
    'kernel': ['linear', 'rbf'],
    'gamma': ['scale', 'auto']
}
grid_search = GridSearchCV(SVC(), param_grid, cv=3)
grid_search.fit(X_train, y_train)

ArcMap 中右键分类结果图层 → Symbology → Unique Values，建议设置：
– 土地利用类型用定性色带（如 Random）
– 置信度用渐变色（如 Yellow-Red）

样本不平衡 ：
在训练工具中开启 ”Adjust for class imbalance” 选项
或使用 Python 的 class_weight=’balanced’ 参数
内存爆炸 ：
设置 Processing Extent 分块处理
修改 Environment Settings 中的栅格分块大小
投影鬼打墙 ：
使用前文的 check_projection() 函数
检查数据框坐标系是否与数据一致

try:
    # 数据预处理
    samples = check_projection("training.shp", "image.tif")

    # 执行分类
    out_svm = arcpy.sa.TrainSupportVectorMachineClassifier(
        "image.tif", 
        samples, 
        "class_field", 
        "NDVI.tif"  # 附加特征
    )
    out_svm.save("result.tif")

except arcpy.ExecuteError:
    print(arcpy.GetMessages(2))
except Exception as e:
    print(f"Unexpected error: {str(e)}")

from arcgis.learn import prepare_data, SVM

# 特征重要性分析
data = prepare_data("image_folder", "training_samples", batch_size=8)
svm_model = SVM(data)
svm_model.fit()

# 获取特征重要性
importance = svm_model.feature_importances_
plt.barh(data.continuous_variables, importance)