遥感解译实战教程正式上线！不少刚入门的朋友一直在后台询问，能否从具体操作入手，真正吃透GeoAI在遥感领域的落地逻辑。今天就来安排最常用、也最容易上手的场景：利用AI自动提取建筑信息。
全程无需编写复杂代码，不涉及高深理论，用的都是免费工具加公开数据。跟着一步步做，即使是新手也能直接跑出结果。同时，实操中容易遇到的坑和关键细节都会逐一拆解，干货只多不少。
01 首先明确：为什么要学AI提取建筑？（实用场景）
建筑提取是遥感解译最核心的应用之一。无论是自然资源调查、城市规划，还是智慧城市建设，都离不开这一能力。
✅ 替代人工目视判读，效率大幅提升——人工提取1平方公里需要1天，AI仅需10分钟；
✅ 适配多场景需求：违建排查、城市扩张分析、灾后建筑损毁评估；
✅ 新手入门首选：流程清晰、工具简单，能快速掌握“数据→预处理→AI识别→结果优化”的完整逻辑链。
02 前期准备（免费工具+公开数据，零成本启动）
无需使用付费软件，也不需要复杂的数据集。提前备好以下三样，直接开工：
① 工具（两个核心工具，对新手非常友好）：
▫️ GIS工具：QGIS（免费开源，上一期已经推荐过，安装后无需额外配置）；
▫️ AI工具：ENVI 5.6+（内置深度学习模块，学生可申请免费授权，或用在线版替代）。
② 数据（公开免费，一分钟即可下载）：
▫️ 遥感影像：USGS下载Landsat 9影像（30米分辨率），或Sentinel-2影像（10米分辨率，细节更清晰）；
▫️ 辅助数据（可选）：OpenStreetMap建筑矢量数据（用于结果验证，新手可先跳过）。
③ 前期注意 ⚠️：尽量选择“无云区域”的影像（云量小于10%），避免云层遮挡影响识别精度；下载后保存为TIFF格式，方便工具读取。
03 核心实操：AI自动提取建筑（六步搞定，附细节拆解）
重点来了！每一步都标注了操作细节，新手无需反复试错，跟着步骤走一次就能出结果。搭配流程总览图，直观清晰。
实操流程总览：
➡️ 第一步：数据下载与加载（USGS+QGIS）
➡️ 第二步：影像预处理（去云、裁剪、校正，关键步骤）
➡️ 第三步：ENVI深度学习模块配置
➡️ 第四步：AI模型选择与训练（新手无需调参）
➡️ 第五步：建筑自动提取与结果导出
✅ 第六步：结果优化与验证
Step 1：数据下载与加载（约5分钟）
1. 打开USGS官网（无需注册），搜索目标区域（比如某个城市核心区），筛选“Landsat 9”且“云量小于10%”的影像，下载TIFF格式文件；
2. 打开QGIS，点击“添加栅格图层”，导入下载的遥感影像，确认影像坐标系（默认WGS84即可，新手无需修改）。
Step 2：影像预处理（关键步骤，直接影响识别精度）
这一步是核心环节，能有效避免后续AI识别出现误判、漏判，新手需要重点关注：
1. 去云处理：在QGIS中，打开“栅格→波段运算”，输入去云公式（新手可直接复制：(B4-B3)/(B4+B3)，该公式能增强建筑与背景的对比度）；
2. 裁剪影像：使用“裁剪栅格”工具，框选目标区域（减少冗余数据，提升AI运行速度），保存为新的TIFF文件；
3. 辐射校正：打开ENVI，导入裁剪后的影像，点击“辐射校正→大气校正”，选择默认参数，完成校正（消除影像偏差）。
Step 3：ENVI深度学习模块配置（约3分钟）
1. 打开ENVI，切换至“Deep Learning”模块（直接在顶部菜单栏点击）；
2. 导入预处理后的影像，选择“Image Classification”（图像分类），点击“Create Training Data”（创建训练数据）。
Step 4：AI模型选择与训练（新手无需调参）
无需手动搭建模型，直接使用ENVI自带的预设，难度大幅降低：
1. 模型选择：在训练数据界面，选择“U-Net”模型（最适合建筑分割，精度高且速度快）；
2. 标注样本（简单操作）：在影像上，使用“标注工具”框选10～20个建筑区域（作为训练样本），再框选10个非建筑区域（如道路、植被）；
3. 启动训练：设置迭代次数（新手设为80次即可），点击“Start Training”，等待10～15分钟（根据影像大小有所差异）。
Step 5：建筑自动提取与结果导出
1. 训练完成后，点击“Infer”（推理），导入预处理后的完整影像，启动AI识别；
2. 识别完成后，会生成建筑分割结果（白色代表建筑，黑色代表非建筑）；
3. 导出结果：将结果保存为TIFF格式，再导入QGIS，转换为矢量文件（shp格式），便于后续使用。
Step 6：结果优化与验证（新手必须完成）
1. 结果优化：在QGIS中，使用“消除细小多边形”工具，删除误判的小区域（例如小于10平方米的光斑）；
2. 结果验证：对比原始影像，手动修正漏判、误判的建筑区域；如果有OpenStreetMap建筑数据，可以叠加对比，进一步提升精度。
