把栅格、样本点和机器学习模型放进 QGIS，并不自动意味着分类结果可用于制图。相邻像元、相邻地块和同一区域的样本常具有空间相关性；若训练集与验证集在空间上混杂，漂亮的准确率可能只是重复看到了同类景观。GeoClassify 是一个 QGIS 插件，其 README 把特征工程、空间交叉验证、分类和报告组织在同一桌面流程里。它提示团队：土地覆盖分类的第一道质量门，应是验证分割是否真的隔离了空间信息。

可核查事实

  • GeoClassify README 说明，该插件面向基于栅格与矢量训练数据的监督和非监督土地利用/土地覆盖分类。
  • 插件用 GDAL/OGR 包装层加载和验证栅格、矢量数据，并支持随机、分层和空间块三种样本划分方式。
  • 特征可使用原始波段、自动检测波段、光谱比值以及 NDVI、EVI、SAVI、NDWI、MNDWI、NDBI、NDSI、BSI、NBR 等九种以上指数。
  • README 列出 Random Forest、SVM、Extra Trees、Gradient Boosting 等可配置的 scikit-learn 模型，并以窗口方式分类栅格和处理 NoData。
  • 评估包含 accuracy、balanced accuracy、Kappa、MCC、分类别 precision、recall、F1、IoU 以及混淆矩阵分析。
  • 验证模块提供 Spatial Block、Buffer-based、Cluster-based 空间交叉验证，并包含空间自相关检测。
  • 插件可生成 HTML 可视化报告、结构化 JSON 报告、混淆矩阵和特征重要性图；非监督部分还提供 MiniBatchKMeans、Iso Cluster 和聚类数自动选择。

核心机制：验证集必须和训练集保持空间距离

随机切分很适合检查代码能否运行，却未必能估计未知区域的制图误差。空间块划分把完整地理块留给验证；缓冲区划分则在训练样本与验证样本之间留出距离。两者的共同目标是减少邻近像元、同一影像条带或相连地块的泄漏。GeoClassify 把 random、stratified、spatial block 写进同一条工作流，正好让团队把“验证设计”视为模型配置的一部分。

准确率也不应只看一个总分。类别不均衡时，balanced accuracy、每类召回率、F1 和 IoU 能揭示某些地物是否被系统性漏判；混淆矩阵能指出是水体与阴影、裸地与建筑，还是作物类别彼此混淆。空间自相关检测则为“为什么随机验证很高、跨区表现却下降”提供额外诊断线索。

GIS 场景：把桌面分类变成可复核的制图任务

例如县域土地覆盖更新可先在已有标注区建立训练样本，再用未参与训练的空间块做验证。若目标是向邻县推广，验证块应覆盖不同地貌、采集日期和影像拼接区，而不能只从同一片样本田旁边抽点。分类输出进入 QGIS 项目后，还要叠加行政边界、道路和高分辨率底图检查明显错误，并把确认后的修改与模型初始结果分开保存。

对缺失值要单独处理。README 明确提到窗口化分类和 NoData 处理；生产流程仍应记录 NoData 的来源、覆盖面积和填补规则，否则云、阴影或边缘空值会被误判成某类地物。报告中的 JSON 适合归档参数、样本划分和指标，HTML 与图形适合让审核人快速定位问题区域。

技术路径

  1. 为每批影像记录传感器、日期、波段、投影、分辨率和 NoData 定义，并先检查训练矢量与栅格是否对齐。
  2. 以空间块或缓冲区划分作为主验证方案；随机或分层划分仅作为对照，不替代空间留出。
  3. 固定特征清单，明确哪些原始波段、指数和比值进入模型，避免在验证集上反复挑特征。
  4. 训练多种可配置模型时，以类别指标、混淆矩阵和跨块稳定性共同选择，而非只追逐总准确率。
  5. 将分类结果、概率或置信信息、样本划分、参数、HTML/JSON 报告和人工修订图层一同归档。
  6. 在新的行政区、季节或传感器上重新做空间验证；指标下降时先检查样本和特征迁移，再决定是否重训。

检查清单

  • 验证样本是否与训练样本在空间上隔离，并覆盖计划制图的地貌和时相？
  • 栅格、训练矢量、CRS、分辨率和 NoData 定义是否已验证？
  • 是否同时查看每类 precision、recall、F1、IoU 与混淆矩阵，而非只看总准确率？
  • 所有光谱指数、特征、模型参数和样本划分能否从 JSON 或项目记录复现？
  • 输出图层是否经过独立影像或业务图层的人工抽查，并与模型初始输出区分？

风险边界

GeoClassify README 描述的是插件能力，不能证明某一地区、某一训练集或某种传感器上的分类精度。空间交叉验证能降低邻近样本泄漏，却不能消除标签错误、季节变化、云影、类别定义不一致和训练数据授权问题。插件 README 也提示它尚未提供 Processing provider，科学依赖不会由 QGIS 官方仓库自动安装；部署前应在干净的 QGIS 副本中测试环境与依赖。涉及监管、规划或资产统计的图层仍需领域审核和正式的数据质量流程。

资料依据

本文依据 GeoClassify GitHub README 与 QGIS 插件仓库条目 撰写。监督/非监督分类、GDAL/OGR、样本划分、九种以上指数、模型与指标、空间交叉验证、空间自相关、报告、NoData 和安装限制均来自一手说明；空间留出与图层审核是面向 GIS 生产的实践建议。

结论

桌面 GIS 能把分类流程拉近业务人员，但不能跳过验证设计。先用空间隔离、类别指标和可复现报告证明模型离开训练区仍可靠，再把结果作为可发布的土地覆盖图层。