遥感精度验证点与训练样本空间相邻，怎样报告独立性？

相邻点可能共享同一块地的特征

遥感分类或回归研究中，训练点与验证点即使坐标不同，也可能位于同一农田、山坡或影像条带。相近位置往往共享地物、季节和传感器条件，随机抽样得到的验证分数可能高于模型移到新地区后的表现。投稿时别只写“随机划分百分之二十样本”，要给出样点来源、抽样单位、训练与测试之间的空间关系。若任务真正面向新地区预测，验证设计应尽量接近这种转移场景。

先定义独立的地理单元

地块、样线、行政区或空间块都可能成为划分单位，选择取决于研究问题和数据结构。同一地块里多个像元不宜跨训练与验证集合；同一现场样点经不同日期配准得到的记录也要避免跨集合。方法段说明分区边界、缓冲距离、随机种子和是否在划分前做了样本筛选。缓冲距离不必假装存在通用数值，但应结合地物尺度或空间相关范围解释所选值。

空间交叉验证怎样做

可将研究区划成连续空间块，以整块轮流留出；也可留出完整区域或年份作外部评估。分块方法并不自动优于随机方法，关键是它估计的预测任务是什么。若训练集中仍包含紧贴测试块边界的点，可说明是否设缓冲区，以及边界附近样本怎样处理。对类别稀少的地物，每折都要列出样本数，避免某折根本没有目标类却仍计算指标。原始遥感方法研究展示相邻训练验证点会抬高表现，分区记录能让结果可解释。

预处理也按分区进行

标准化、特征选择和超参数搜索应在训练折内完成，测试块只用于评价。若先用整个区域选最优波段组合，再宣称空间独立验证，测试区域的信息已经参与开发。外部地理区域若与训练区气候或影像质量差异大，应报告这种差异，并把性能下降视为模型适用边界的信息，而不是立即删掉困难区域。地图可显示训练、调参和验证点的分布，让读者直观看到距离。

随机划分和空间留出，各回答一个问题

随机划分分数可以说明在现有空间样本附近的插值能力，空间留出分数更接近跨区域推广能力；两者不应混称“泛化精度”。报告总体精度外，还可逐类展示错分和各地区的样本数。若独立区分数明显较低，正文应解释可能的地物、季节或传感器变化。读者最需要知道的是验证点是否真的代表模型尚未见过的空间，而不是随机百分比写得有多整齐。

参考信息：遥感空间自相关验证原始研究与空间交叉验证方法论文。