<think>根据用户需求，用户希望获取使用Python对Landsat8数据进行监督分类的代码。结合站内引用，特别是引用[2]中提供了Landsat-8的波段信息，我们可以利用这些波段进行监督分类。监督分类一般包括以下步骤：数据准备、样本选择、训练分类器、分类、后处理和精度评估。我们将使用常见的机器学习库（如scikit-learn）来实现。 由于Landsat数据通常以多波段图像存储，我们可以使用`rasterio`读取图像，然后提取样本点训练分类器（如随机森林）。这里我们假设用户已经准备好了训练样本（如Shapefile文件）和Landsat图像。 步骤概述： 1. 读取Landsat图像，获取多波段数据。 2. 读取训练样本（如Shapefile），获取每个样本点的坐标和类别标签。 3. 提取样本点对应位置的波段值作为特征，类别标签作为目标变量。 4. 训练随机森林分类器。 5. 对整个图像进行分类。 6. 保存分类结果。 注意：由于Landsat-8波段的分辨率不同（有30米、15米、100米），我们通常使用30米分辨率的波段（除了全色波段和热红外波段）。这里我们使用波段1-7（30米分辨率）和波段9（卷云波段，30米），忽略全色波段（15米）和热红外（100米）。但实际应用中，全色波段可以用于融合提高分辨率，热红外波段用于地表温度分析。在分类中，我们主要使用光学波段（1-7）和卷云波段（9）共8个波段（30米分辨率）。但用户可以根据需要选择。 代码实现： ```python import numpy as np import rasterio from rasterio.plot import show import geopandas as gpd from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # 步骤1：读取Landsat图像 image_path = 'path/to/your/landsat8_image.tif' with rasterio.open(image_path) as src: # 读取所有波段（假设图像按波段顺序排列，每个波段一层） # 注意：Landsat8通常有多个波段，我们选择需要的波段（例如1-7和9，共8个波段） # 这里假设图像包含11个波段，我们取索引0-6和8（对应波段1-7和9，注意索引从0开始） # 具体波段索引需要根据实际图像确认 bands = [1,2,3,4,5,6,7,9] # 我们需要的波段（对应索引0,1,2,3,4,5,6,8） data = src.read(bands) # 读取选中的波段 profile = src.profile # 保存元数据，用于后续输出 # 调整数据形状：将波段维度放在最后，变为(行, 列, 波段) data = np.moveaxis(data, 0, -1) # 获取图像的行列数 rows, cols, n_bands = data.shape # 步骤2：读取训练样本（Shapefile） train_data_path = 'path/to/your/train_samples.shp' gdf = gpd.read_file(train_data_path) # 步骤3：提取样本点对应的像素值 # 注意：训练样本通常是地理坐标，我们需要将其转换为图像的行列索引 with rasterio.open(image_path) as src: # 获取样本点的坐标 coords = [(x, y) for x, y in zip(gdf.geometry.x, gdf.geometry.y)] # 将地理坐标转换为图像的行列索引 sample_indexes = [src.index(x, y) for (x, y) in coords] # 注意：上面的索引是(row, col)格式，且是整数 # 准备训练数据 X = [] # 特征 y = [] # 标签（假设训练数据中有一个'class'字段存储类别） for i, (row, col) in enumerate(sample_indexes): # 检查行列是否在图像范围内 if row >= 0 and row < rows and col >= 0 and col < cols: # 提取该位置所有波段的值 pixel_values = data[row, col, :] X.append(pixel_values) y.append(gdf['class'][i]) # 假设类别字段名为'class' X = np.array(X) y = np.array(y) # 步骤4：训练随机森林分类器 clf = RandomForestClassifier(n_estimators=100, random_state=42) clf.fit(X, y) # 步骤5：对整个图像进行分类 # 将图像数据重塑为二维数组（每个像素一行，每个波段一列） image_2d = data.reshape(-1, n_bands) # 预测（由于数据量大，可以分块预测） # 这里我们一次性预测，如果内存不足可以分块 predicted = clf.predict(image_2d) # 将预测结果重塑为二维图像形状 classification = predicted.reshape(rows, cols) # 步骤6：保存分类结果 profile.update( dtype=rasterio.uint8, # 根据类别数量选择合适的类型 count=1, # 单波段图像 compress='lzw' ) output_path = 'path/to/output/classification.tif' with rasterio.open(output_path, 'w',