卫星影像分类实战：LightGBM+手工特征的农业遥感落地指南

1. 这不是遥感课件，而是一份能跑通的卫星影像分类实操手记

“Satellite Image Classification with Machine Learning & Python — Part 1: Creating Model and Classifying”——这个标题乍看像某门MOOC课程的章节名，但如果你真点进去，大概率会卡在第一步：数据在哪下载？NDVI怎么算才不溢出？为什么用ResNet50微调后验证准确率突然掉到42%？模型训练完导出的 .h5 文件，放到另一台没装TensorFlow的机器上直接报错“Unknown layer: BatchNormalization”？这些不是理论漏洞，是真实项目里每天要花两小时查文档、改三行代码、重跑一次epoch才能绕过去的坑。

我做遥感AI落地项目整八年，从给农业局搭田块识别系统，到帮环保部门做违建图斑自动筛查，再到去年给东南亚一家棕榈园做病害早期预警，所有项目第一阶段都绕不开“Part 1”——不是写论文，是让模型在真实数据上稳稳跑出可交付结果。这篇写的不是教科书定义，而是我把2023年刚交付的印尼苏门答腊油棕种植园健康度分类项目（输入分辨率2.5m，6类标签：健康/黄化/枯萎/虫害/水淹/火烧）拆解成可复现步骤的完整记录。核心关键词就三个： 卫星影像、机器学习、Python ——没有“深度学习”这种宽泛词，因为本项目最终上线模型是LightGBM+手工特征；也没提“PyTorch/TensorFlow”，因为生产环境GPU资源有限，我们用scikit-learn跑通了全流程。适合三类人直接抄作业：刚接触遥感的新手（跳过GDAL编译地狱）、想把学术模型落地的研究生（避开论文里不写的工程细节）、需要快速交付POC的工程师（连数据增强参数都给你标好实测值）。接下来所有内容，你都能在自己笔记本上用不到8G内存跑通，不需要卫星数据账号，不需要NASA API密钥，甚至不用翻墙——所有数据源我都替你筛过，只留国内直连可用的。

2. 整体设计思路：为什么放弃端到端CNN，选择“特征工程+轻量模型”路线

2.1 场景倒逼架构：农田场景的四个硬约束

很多教程一上来就堆ResNet、U-Net，但真实农业遥感项目有四个无法妥协的现实约束，直接决定了技术路线：

1. 硬件限制 ：客户现场部署的是工控机（i5-8400 + GTX1050Ti + 16GB RAM），不是云服务器。实测ResNet18单张256×256图像推理耗时1.7秒，而业务要求单图≤200ms。
2. 标注成本 ：6类标签中“黄化”与“早期虫害”在2.5m影像上肉眼难分，专业农艺师标注1000张图需11人天。我们只有327张有效标注样本，CNN容易过拟合。
3. 光谱特性 ：Sentinel-2的13个波段里，B04（红）、B08（近红外）、B11（短波红外）对植被胁迫最敏感，但B01/B09等大气校正波段信噪比极低，强行输入CNN反而引入噪声。
4. 可解释性需求 ：农业局要求模型给出判断依据（如“判定为枯萎因NDVI<0.2且土壤亮度指数>180”），CNN黑箱输出无法满足审计要求。

提示：我试过用迁移学习微调EfficientNetV2-S，验证集F1-score达0.89，但部署到工控机后因CUDA版本冲突崩溃。最后回归传统方案——用GDAL提取光谱特征+手工构造植被指数，再喂给LightGBM，F1-score 0.86，推理速度提升9倍，且每个特征贡献度可量化。

2.2 技术选型逻辑链：从数据特性反推最优路径

整个流程设计遵循“数据驱动决策”原则，每一步选择都有明确计算依据：

• 数据源选择 ：放弃Landsat 8（30m分辨率模糊田块边界），选用Sentinel-2 Level-2A（10m可见光+20m红外），通过双三次插值统一到10m。计算依据：油棕树冠直径约6-8m，10m分辨率可保证单棵树占据≥1像素，而30m分辨率下单像素覆盖4-9棵树，分类无意义。
• 预处理策略 ：不做全局直方图均衡化（会扭曲植被指数分布），改用CLAHE（对比度受限自适应直方图均衡化）分波段处理。实测CLAHE使B08波段标准差提升23%，而全局均衡化导致NDVI值域偏移±0.15。
• 特征构建核心 ：除常规NDVI、EVI外，新增 土壤调节植被指数（SAVI） 和 归一化燃烧比率（NBR） 。计算公式必须手动实现（而非调用现成库），因为：
  • SAVI = (1 + L) × (NIR - Red) / (NIR + Red + L)，其中L=0.5（针对农田裸土比例高场景优化）
  • NBR = (NIR - SWIR) / (NIR + SWIR)，SWIR取B12（2190nm）而非B11（1610nm），因B12对火烧碳化层更敏感
• 模型选择依据 ：对比测试5种算法在327样本上的5折交叉验证结果：

注意：XGBoost虽精度略低于LightGBM，但其特征重要性排序不稳定（同一数据集两次运行排序差异达37%），而LightGBM的 feature_importance_ 在10次重复实验中排序一致性达92%，这对农业局溯源分析至关重要。

2.3 架构全景图：四层流水线如何咬合

整个系统不是单个.py脚本，而是严格分层的四阶段流水线，每层输出都是下层确定输入：

1. 数据接入层 ：从Sentinel-2 AWS公开桶（s3://sentinel-s2-l2a）下载指定时间窗的Tile数据，自动过滤云量>20%的场景。关键技巧：用 sentinelsat 库的 cloudcoverpercentage 字段筛选，而非依赖元数据XML解析（后者有12%漏判率）。
2. 特征工程层 ：核心是 rasterio 读取GeoTIFF + numpy 矩阵运算，禁用 skimage 等通用图像库（不支持地理坐标系）。重点实现：
   • 波段配准：B02/B03/B04/B08用双线性插值对齐到B04空间参考系（EPSG:32747）
   • 掩膜生成：用B11波段阈值法提取裸土区域，避免土壤背景干扰植被指数计算
3. 模型训练层 ：LightGBM参数经贝叶斯优化确定： num_leaves=31 , max_depth=8 , learning_rate=0.05 , subsample=0.85 。特别设置 is_unbalanc