在R中实现SVM图像分类时遭遇‘下标过长’错误求助

这个错误的根源很明确：你在训练SVM模型时不小心把无关的ID列包含进了特征变量里，导致模型期望的输入特征数量和你预测时提供的数据不匹配。

问题分析 #

看你训练模型的代码：

SVM<-svm(x=training_S[ ,c(1:(length(training_S)-1))], y=training_S$Class, gamma = 0.1, cost = 10)

这里1:(length(training_S)-1)会取training_S的第1到第3列（因为training_S有4列，减1后是3），而第1列就是ID——这是一个完全不参与分类的标识列，不应该作为特征输入模型。

而你用来预测的S1_images_df只有2个特征列（VH和VV），模型训练时记录的scaled属性对应了3个特征的缩放状态，用这个去索引只有2列的新数据，自然就会抛出"logical subscript too long"的错误。

解决方案 #

只需要重新训练模型，排除ID列，只保留真正的特征变量（也就是VH和VV这两列）：

步骤1：重新构建正确的SVM模型

# 明确指定使用特征列，排除ID
SVM <- svm(x = training_S[, c("X20180415_VH", "X20180415_VV")], 
           y = training_S$Class, 
           gamma = 0.1, 
           cost = 10)

你也可以用索引的方式（第2、3列）：training_S[, 2:3]，不过用列名更清晰，避免后续列顺序变化出问题。

步骤2：执行预测

现在模型的输入特征数量和预测数据完全匹配了，你可以直接对RasterStack进行预测：

LC <- predict(S1_images, model = SVM, na.rm = TRUE)

或者用dataframe预测后再转回栅格：

S1_images_df <- data.frame(getValues(S1_images))
names(S1_images_df) <- c("X20180415_VH", "X20180415_VV")

# 预测
LC_pred <- predict(SVM, S1_images_df)

# 将预测结果转换为栅格（用原栅格的模板）
LC_raster <- setValues(S1_images[[1]], LC_pred)

验证小技巧 #

训练模型前，可以先检查一下输入的特征列：

# 确认训练用的特征列
colnames(training_S[, c("X20180415_VH", "X20180415_VV")])
# 和预测数据的列名对比
colnames(S1_images_df)

确保两者的列名、数量完全一致，就能避免这类匹配错误。

内容的提问来源于stack exchange，提问作者GCGM