论文部分内容阅读
土地覆盖与人类活动及自然环境中许多事物存在着千丝万缕的联系,准确、翔实的土地覆盖信息对于研究全球变化、区域环境变化等至关重要。土地覆盖遥感分类作为最常用的土地覆盖类别信息获取手段,其目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息,按照某种规则或算法划分为不同的类别。软硬分类是卫星影像数据分类的传统方法。硬分类方法由于混合像元的存在,导致遥感分类和面积测量精度难以达到使用要求;软分类方法能够解决混合像元问题,但是由于它在整个分类过程中将图像中的所有像元统一看作为混合像元来分解,产生的分类结果都以面积百分比的形式表达,对于纯净像元也会同样给予一定的百分比,因此会造成分类误差。
基于以上分析,本研究针对硬分类与软分类各自存在的问题,以构建软硬分类统一框架、提高土地覆盖制图精度为研究目标,在分析硬分类模型和软分类模型的理论基础上,通过研究两种模型的优缺点取长补短,优化分类模型。在新的软硬分类统一框架支持下,设计两个典型应用案例,并且在精度评价过程中引入多个统计指标(均方根误差RMSE、平均绝对误差MAE、面积估计的偏差bias、决定系数R2)和适合于软分类结果的改进型混淆矩阵评价方法,验证该框架针对特定典型地物和土地覆盖信息提取方面的精度以及适用性。主要结论如下:
(1)在农作物制图应用案例中,根据模拟实验和真实实验结果我们发现:在不同窗口大小下,两种实验的软硬分类模型(hard and soft classification,HSCM)都比硬分类模型(hardclassification,HCM)和软分类模型(soft classification,SCM)提取结果拥有更低的RMSE、MAE和bias值,并且R2最高。例如:模拟实验中HCM、SCM和HSCM的RMSE值范围分别为22.07-10.43,19.16-10.43,和18.49-10.18;bias值大约分别在.3.95,-4.32和-3.74;R2的范围分别为0.76-0.91,0.81-0.91和0.82-0.92。真实实验中HCM、SCM和HSCM的RMSE值范围分别为26.61-11.31,24.07-11.34和23.3-10.92:bias值大约分别在-4.13,-4.32和-3.31:R2的范围分别为0.66-0.90,0.72-0.90,和0.73-0.91。因此,根据农作物制图应用案例分析,HSCM比HCM和SCM提取效果更好。
(2)在土地覆盖制图应用案例中小尺度实验中:根据混淆矩阵评价结果,HCM、SCM、HSCM的总体精度和Kappa系数依次为70.96%和61.48%、72.43%和63.91%、73.67%和65.18%,因此HSCM要优于HCM和SCM。根据RMSE、bias、MAE和R2四种指标评价结果,HSCM在各种土地覆盖类型中的提取效果依次为水体、耕地、林地、建筑用地和裸地,并且HSCM要优于HCM和SCM,这是由于林地、裸地和建筑用地的混种情况比较严重,因此提取效果没有耕地表现好,而水体由于光谱特征比较明显且与其他地物之间混合情况较少,因此提取精度最高。中小尺度实验表明:HSCM能够有效提高土地覆盖分类精度,是对传统HCM和SCM的一种改进。
(3)在土地覆盖制图应用案例的大尺度实验中,我们随机挑选9个子区进行精度评价:根据混淆矩阵评价结果,HSCM的总体精度和Kappa系数在各个了区内表现要优于HCM和SCM。因此HSCM能够提供更高位置精度和总量精度的土地覆盖分类结果。根据RMSE、bias、MAE和R2四种指标评价结果及综合各个子区情况分析,HSCM在耕地的表现上最好,要明显优于HCM和SCM;林地、裸地和建筑用地由于分布特征较为复杂,且在各个子区中所占比例不一,因此三种分类模型各有优势,但是HSCM要稍好于HCM和SCM:三种模型在水体上的表现则都不错。大尺度实验表明:HSCM能够有效的提高土地覆盖分类精度,并且在大尺度土地覆盖分类中同样适用。
(4)无论是农作物制图和土地覆盖制图应用案例,软硬分类结果在细节上都表现的更为合理。其中,HCM由于将混合区域中的像元都定义为0或者1而带来分类误差;SCM虽然能够在混合区域正确表达地物丰度信息,但是它在纯净区域可能会导致少分,而在非目标纯净区域可能会导致多分;HSCM则能够解决这些问题。在混合区域,混合像元能够以合适的丰度形式赋予面积信息;在纯净区域和非目标纯净区域,则会给出是或者不是的判断。因此,HSCM能够更好的模拟土地覆盖真实分布信息。