基于中分影像的不同时相地表覆盖分类数据精度评价
基于 TM 影像的土地覆盖分类比较研究
关键词 ： ＴＭ 影 像 ； 土地覆盖 ； 最 大似 然 ； 支持向量机 ； 随机 森 林 中图 分 类 号 ： Ｘ １ ６
１ 引 言
全 球 变 化 研 究 的 深 入 开 展 引 发 了 区 域 土 地 利 用 变
似然 分 类 （ Ｍａ ｘ ｉ ｍｕ ｍ Ｌ ｉ ｋ ｅ ｌ ｉ ｈ ｏ ｏ ｄ Ｃｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ， ＭＬＣ）
（ １ ． 西南林 业 大学 ， 云 南 昆明 ６ ５ ０ ２ ２ ４ ； ２ ． 西 南林 业 大 学， 森林 资 源管理 与遥 感 实验 室 ， 云南
昆明 ６ ５ ０ ２ ２ ４ ； ３ ． 国家林 业局 西北林 业调 查规 划设 计 院 ， 陕 西 西安 ７ １ ０ ０ ４ ８ ）
摘要 ： 以云 南省 文 山壮 族 苗 族 自治 州麻 栗坡 县 ２ ０ ０ ５年 Ｔ Ｍ 影像 为 试 验 数 据 ， 利 用最大似然分类 （ ＭＬ Ｃ ） 、 支
持 向量 机 （ Ｓ ＶＭ ） 以及 随 机 森 林 （ ＲＦ ） ３ 种 分 类 方 法 进 行 了土 地 覆 盖 遥 感 分 类 研 究 。从 分 类 精 度 、 样 本 数 量
对 分 类 器 的影 响 、 模 型复 杂度 、 分 类 速 度 等 几 个 方 面进 行 了 比较 分 析 。 结 果表 明 ： 随机 森 林 分 类 法 最 优 ， 而
经 典 方 法 之 一 的最 大似 然分 类 法 最稳 定 。 所得 出的 结论 对 在 类 似 的 应 用 中如 何 选 择 合 适 的 分 类 方 法 具 有
一
定 的参 考 价 值 。
文献标识码 ： Ａ 文章编号 ： １ ６ ７ ４ ９ ９ ４ ４ （ ２ ０ １ ４ ） ０ ３ — ０ ０ ０ １ — ０ ４
一种简单的遥感影像位置精度的评定方法
一种简单的遥感影像位置精度的评定方法遥感影像是利用遥感卫星等设备获取的地球表面信息的影像。
在进行地图制作、资源调查、环境监测等领域，遥感影像的位置精度是非常重要的。
位置精度评定是指对遥感影像中各个像元的位置误差进行量化分析，从而评估影像质量和使用效果。
一般来说，遥感影像的位置精度可以通过以下几种方法进行评定：1.地面控制点法：通过在地面布设控制点，然后利用差分GPS等技术获取控制点的坐标，再分别对遥感影像和控制点进行配准，计算位置精度。
这种方法需要在地面布设大量的控制点，对于大范围的影像评定不太方便。
2.内部相对位置法：通过对同一地区不同时刻或不同位置获取的遥感影像进行内部配准，计算同一地物在不同影像中的位置差异，从而评定位置精度。
这种方法适用于小范围的影像，但对于大范围的影像评定效果较差。
3.边界匹配法：通过对遥感影像中相邻区域的边界进行匹配，计算两幅影像之间的位置偏移，进而评定位置精度。
这种方法较为简便，适用于各种尺度和范围的影像评定。
4.交叉验证法：通过将地面实测数据与遥感影像中的同一区域进行对比，计算实测数据与影像数据之间的位置偏差，从而评定位置精度。
这种方法需要有准确的地面实测数据作为对比基准，适用于位置精度要求较高的情况。
在进行位置精度评定时，需要注意以下几点：1.选择合适的参考数据和评定方法，根据具体需求确定评定方案。
2.确保控制点的布设均匀、密集，以提高评定的准确性和可靠性。
3.对于大范围的影像评定，可以采用边界匹配法等简便方法进行评定，对于小范围的影像评定，可以使用地面控制点法等精确方法进行评定。
4.定期进行位置精度评定，及时纠正影像位置误差，以确保地图制作、资源调查、环境监测等工作的准确性和可靠性。
综上所述，遥感影像位置精度的评定是一项重要的工作，通过选择合适的评定方法和参考数据，可以有效提高遥感影像的质量和使用效果，为地图制作、资源调查、环境监测等应用提供可靠的支持。
图像精度评价方法
图像精度评价方法进行遥感影像分类或进行GIS动态模拟时，需要评价结果的精度，而进行评价精度的方法主要有混淆矩阵、总体分类精度、Kappa 系数、多分误差、漏分误差、每一类的生产者精度（制图精度）和用户精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了地面参考验证信息，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量；混淆矩阵的每一行代表了遥感数据的分类信息，每一行中的数值等于遥感分类像元在地表真实像元相应类别中的数量。
如有50个样本数据，这些数据分成3类，每类50个。
分类结束后得到的混淆矩阵为：43 5 22 45 30 1 49则第1行的数据说明有43个样本正确分类，有5样本本应该属于第1类，却错误分到了第二类，有2个样本本应属于第一类，而错误的分到第三类。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：The Kappa Index of Agreement (K): this is an important index that the crossclassification outputs. It measures the association between the two input images and helps to evaluate the output image. Its values range from -1 to +1 after adjustment for chance agreement. If the two input images are in perfect agreement (no change has occurred), K equals 1. If the two images are completely different, K takes a value of -1. If the change between the two dates occurred by chance, then Kappa equals 0. Kappa is an index of agreement between the two input images as a whole. However, it alsoevaluates a per-category agreement by indicating the degree to which a particular category agrees between two dates. The per-category K can be calculated using the following formula (Rosenfield and Fitzpatrick-Lins,1986):K = (Pii - (Pi.*P.i )/ (Pi. - Pi.*P.i )where:P ii = Proportion of entire image in which category i agrees for both datesP i. = Proportion of entire image in class i in reference imageP.i = Proportion of entire image in class i non-reference imageAs a per-category agreement index, it indicates how much a category have changed between the two dates. In the evaluation, each of the two images can be used as reference and the other as non-reference.Kappa系数是另外一种计算分类精度的方法。
遥感图像处理中的影像分类方法与精度评价
遥感图像处理中的影像分类方法与精度评价在遥感图像处理中，影像分类是一个重要的步骤，它可以根据图像中的不同特征和属性将像素分为不同的类别。
影像分类方法有很多种，每种方法都有其独特的优势和适用范围。
本文将介绍几种常见的影像分类方法，并对其精度评价方法进行探讨。
一、监督分类方法监督分类方法是一种常用的影像分类方法，它利用已知类别的样本和对应的光谱特征，通过训练分类器来对图像中的像素进行分类。
监督分类方法可以分为最大似然法、支持向量机、人工神经网络等多种。
其中，最大似然法是一种基于统计学原理的分类方法，它假设每个类别的光谱特征符合正态分布，通过计算概率来确定像素的类别。
支持向量机是一种基于机器学习的分类方法，它通过找到一个最优的超平面来对像素进行分类。
人工神经网络则是一种基于神经网络模型的分类方法，它通过训练网络来学习样本的分类特征，然后利用学习到的模型对像素进行分类。
监督分类方法在影像分类中应用广泛，但其精度评价也是非常重要的。
常用的精度评价方法包括混淆矩阵、准确率、召回率、F1值等。
混淆矩阵是一种用于描述分类结果的矩阵，它将真实类别和分类结果进行对比，可以计算出分类结果的准确度和错误率。
准确率是指分类结果中正确分类的像素比例，召回率是指真实类别中被正确分类的像素比例，F1值是准确率和召回率的一个综合指标，可以衡量分类结果的综合性能。
二、无监督分类方法除了监督分类方法外，无监督分类方法也是一种常见的影像分类方法。
它不需要事先标注样本的类别，而是通过分析图像中像素之间的相似性来对图像进行分类。
常用的无监督分类方法包括聚类分析、K均值算法、自组织映射等。
聚类分析是一种常见的无监督分类方法，它通过寻找图像中相似像素的聚类中心来实现分类。
K均值算法是聚类分析的一种常用方法，它通过迭代计算来确定聚类中心，并将像素归类到最近的聚类中心。
自组织映射则是一种基于神经网络的无监督分类方法，它通过模拟脑神经元的自组织行为来实现分类。
利用Landsat 8遥感影像数据进行土地覆盖分类研究
利用Landsat 8遥感影像数据进行土地覆盖分类研究近年来，土地覆盖变化是全球环境变化的重要表征之一。
如何准确、高效地获取土地覆盖信息成为土地利用与管理领域亟需解决的问题。
而遥感技术可以有效地解决这一问题。
其中，Landsat 8遥感影像数据是一种重要的土地覆盖分类研究工具。
Landsat 8是美国国家航空航天局和美国地质勘探局在2013年联合发射的一颗卫星，它能够提供全球覆盖的高分辨率、多光谱、免费的遥感影像数据。
作为一种重要的土地覆盖分类研究工具，Landsat 8遥感影像数据具有以下几个优点：一、高空间分辨率。
Landsat 8卫星的成像仪器能够提供30米分辨率的遥感影像数据，可以有效地表现出土地面积单位内的细微特征。
二、多光谱数据。
Landsat 8遥感影像数据同时具有蓝、绿、红、近红外和两个短波红外波段，可以获得土地覆盖变化的丰富信息。
三、数据免费。
Landsat 8遥感影像数据是免费的，并且可供全球范围内的研究者获取和应用。
基于以上的优点，Landsat 8遥感影像数据成为了进行土地覆盖分类研究的有力工具。
接下来，我们将从研究方法和研究案例两个方面来展开讨论。
一、研究方法1、数据获取。
Landsat 8遥感影像数据可以从全球范围内的美国地质调查局（USGS）网站上获取。
研究者可以根据自己的研究需求，选择目标地区和时间段的影像数据进行下载。
2、数据预处理。
获取到的遥感影像数据需要进行预处理，包括大气、气溶胶校正以及辐射定标等步骤。
这些步骤可以消除遥感影像数据中的噪声和干扰，保证后续分类分析的准确性。
3、分类算法。
土地覆盖分类研究需要运用一些分类算法对遥感影像数据进行处理，提取出地物信息。
主要的分类算法包括最大似然分类、支持向量机（SVM）分类、逻辑回归分类等。
在选择分类算法时需要考虑实际研究需求、数据类型和特征等因素，以确定最为适宜的分类算法。
4、精度评价。
精度评价是衡量土地覆盖分类研究效果的一个重要指标。
测绘技术中的地表覆盖分类方法详解
测绘技术中的地表覆盖分类方法详解地表覆盖分类是测绘技术中的一个重要研究领域，它涉及到地球表面的各种特征、性质和分布。
在地表覆盖分类中，最常用的方法是基于遥感数据的分类。
本文将详细介绍地表覆盖分类方法的原理和应用。
一、遥感数据的获取地表覆盖分类主要依靠遥感技术获取相关数据。
遥感技术通过航空器、卫星等载体获取地球表面的图像和数据。
这些数据可分为光学遥感数据和微波遥感数据两种类型。
光学遥感数据主要包括高分辨率影像和航空影像，可以提供详细的地物信息；微波遥感数据则能穿透云层和降水，具有较强的能力获取地表特征。
这些数据为地表覆盖分类提供了重要的基础。
二、基于遥感数据的分类方法基于遥感数据的地表覆盖分类方法主要包括监督分类和非监督分类。
1. 监督分类监督分类是一种基于已知样本标签的分类方法，它需要依靠训练样本进行分类。
首先，需要对遥感图像进行预处理，包括辐射校正、几何校正等。
然后，选择代表各类地物的样本进行训练，建立分类模型。
最后，对整个遥感图像进行分类，并根据分类结果生成地表覆盖图。
监督分类方法主要包括最大似然分类、支持向量机、人工神经网络等。
其中，最大似然分类是一种常用的监督分类方法，它根据像素的统计特征确定每个像素属于各个类别的概率，然后选择概率最大的类别作为分类结果。
支持向量机则是一种基于样本间最大间隔的分类方法，能够有效处理高维数据和非线性问题。
人工神经网络则通过模拟人脑的神经元工作原理，完成地表覆盖分类。
2. 非监督分类非监督分类是一种无需预先标记样本的分类方法，它通过对遥感图像像素进行聚类，将像素自动分成若干互不重叠的类别。
非监督分类方法主要包括聚类分析、自组织特征映射等。
聚类分析是一种常用的非监督分类方法，它通过计算像素之间的相似度，将相似的像素聚成一类。
常用的聚类分析算法包括K均值聚类、层次聚类等。
自组织特征映射则是一种常用的神经网络算法，它通过对输入样本的竞争和协作学习，实现对遥感图像的分类。
土地覆盖分类影像融合与精度评价研究
土地覆盖分类影像融合与精度评价研究曹倩倩;黄袁升【摘要】影像融合技术可以使遥感影像具有高光谱和高空间分辨率的效果,实现不同空间、光谱、时间等多种分辨率的信息资源互补,从而提高图像的空间分辨率,提高图像的几何精度.文章利用ERDAS软件,对遥感影像数据进行融合,采用乘积变换、PCA变换、Brocey变换、小波变换等遥感影像融合方法对多光谱与全色影像进行融合和土地覆盖分类研究.通过结合图像的光谱统计参数和融合图像的分类精度,对这些方法的分类精度进行评价.这4种方法对于原始影像分类精度,均有不同程度的提高.而小波变换所得融合影像与原多光谱影像的相关系数最大,均方差、平均梯度和信息熵最大,偏差指数最小,影像所含信息量最多;在光谱特性、图像清晰度、对于空间细节信息的表现能力上其它三种方法都好,所得融合影像的分类精度也是最高的.小波变换更适合融合影像的土地覆盖分类研究.【期刊名称】《吉林化工学院学报》【年(卷),期】2017(034)001【总页数】5页(P68-72)【关键词】遥感影像;融合算法;土地覆盖分类;精度【作者】曹倩倩;黄袁升【作者单位】宿州学院数学与统计学院,安徽宿州234000;宿州学院数学与统计学院,安徽宿州234000【正文语种】中文【中图分类】P237影像融合技术在近几年发展迅速，在遥感中被大量应用.影像融合作为一种发展技术已在各个领域中得到越来越为广泛的应用.影像融合的基本原理，就如同人脑处理各种外部信息，通过观测和处理的利用多源信息，然后对信息进行合理的控制和利用多源信息，空间的冗余或互补，并根据某些特定的标准来加或综合.为了获得信息的人使用[1].根据不同的图像融合使用传感器的不同，图像融合可以分为2种：一是多传感器在同一时间或在不同时间获得的相同的特定场景图像融合，另一种是单传感器在不同时间或不同的环境条件下获得特定的场景图像融合[1-3].这些传感器获得的图像具有丰富的光谱信息和高空间分辨率[2].同一传感器的不同分辨率的图像可以用来提高传感器的多光谱波段图像的分辨率，便于对土地覆盖分类的研究.由一个单一的传感器所获得的图像可以直接被融合，从而可以避免在图像融合中的不同时间和不同的传感器的参数的影响.在土地覆盖分类方面，人们为了充分利用多光谱信息并提高空间分辨率，往往采用多光谱数据与全色波段进行融合，以便保留其优势，从而提高影像精度.不同的图像融合算法使影像具有不同程度的光谱畸变，随着图像空间分辨率的提高和内部异质性的逐步增加，这些因素会影响图像分类的准确性.因此，什么样的图像融合算法更有利于提高遥感图像分类精度，还需进一步的研究和分析.多源遥感影像融合过程一般可分为：数据准备、数据预处理与影像数据融合三个过程.1.1 数据准备研究区为安徽省凤阳县，位于东经117°19′-117°57′，北纬32°37′-33°03′；属亚热带，雨量充沛，气候湿润，物产丰富；大部分山丘海拔在12～340 m之间.1.2 数据预处理主要包括遥感影像几何纠正与影像配准；图像镶嵌与裁剪；大气校正.(1) 几何纠正与影像配准图像几何失真一般分为两类：系统性和非系统性.系统一般由传感器本身所引起，有一定的规律性和可预测性，可由传感器模型修正；非系统的几何失真是没有规则可循的，它可以高度和姿态的传感器平台本身所引起的不稳定也可以是地球曲率和大气折射和地形[4-6].遥感图像几何纠正的过程：1)准备工作；2)输入原始数字图像；3)建立纠正变换函数；4)确定输出影像范围；5)像元几何位置变换；6) 像元的灰度重采样；7) 输出纠正数字影像.(2) 图像镶嵌与裁剪图像镶嵌：当单幅遥感影像不足以满足研究需要时，这时候就需要将两幅或多幅遥感影像拼接在一起来满足需要.在图像拼接的过程中，需要确定一个图像参考图像，参考图像作为输出图像的基础，图像对比度匹配，输出图像的像素大小和数据类型.双或多个图像被嵌入在相同或类似的成像时间，使图像的颜色是一致的.但是，当颜色差异过大时，它可以用来使边缘的直方图均衡化，颜色平滑等，但对于信息提取的变化，相邻图像的颜色是不允许平滑，以避免信息的变化.(3) 大气校正大气校正是将辐射亮度或视反射率转换为实际地表反射率，大气订正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；主要分为两种类型：统计型和物理型；统计型是基于地表变量和遥感数据的统计相关关系，可以比较容易且有效地总结局部区域的数据，如经验线性定标法、内部平场域法等.物理型遵循遥感系统的物理规律，也可以建立一个因果关系.如果初始模型不好，我们可以通过增加新的知识和信息来了解它的哪一部分模型需要改进.然而，建立和研究这些物理模型的过程是漫长而曲折的.该模型是一个抽象的现实，这样一个现实的模型可能是非常复杂的，包含了大量的变量.1.3 影像数据融合在进行影像数据融合的时猴，根据实际需要和融合的目标，选择合适的融合方法.在融合过程中进行每一步变换都有相应的参数要选择及确定，而这些参数将会影响最后的融合效果，因此即使同一种融合算法也应该进行反复试验，不同融合算法之间也需要进行对比，这样才可以确定最适当的融合算法[7-8].图像融合的目标是提高图像的空间分辨率，提高图像几何的精度，增强显示能力，提高分类精度，并提供能够检测到变化、更换或修复图像数据的缺陷；发挥不同遥感数据源的优势，弥补了遥感数据的一种，提高遥感数据的应用.依据目视判定结合数理统计法对其效果进行评价.2.1 目视评价为了比较不同的融合算法的视觉效果，从整景影像中截取了部分区域(见图1).由图可知4种融合图像在清晰度和空间分辨率上对于遥感图像的分辨率有不同程度的改善.与原来的多光谱图像相比，这4种算法的图像颜色相似，但亮度和色调有一定差异.通过对图像的颜色进行比较，在融合前后，发现小波变换(Wavelet)是最接近原图像的；而乘积变换后的色彩严重失真；经PCA变换后，图像的模糊度清晰，图像的亮度增加.从影像的清晰度上看，效果最佳的是小波变换(Wavelet)；效果最差的是乘积变换，光谱失真较为严重；Brovey 变换使地物特征保持得较好.2.2 定量分析目视评价结果中包含观察者的经验和观察条件这些主观或客观因素的影响.因此评价结果可能会由于观察者的不同而对目视评价结果产生一定的差异.不同于目视评价，定量评价是利用融合图像和原始图像的定量公式对融合图像的效果进行客观、准确、定量的分析和判断.所以对图像的融合除了视觉评价的视觉效果进行分析，还应该进行定量分析.本次研究利用六个统计参数平均梯度，均值，标准差，熵，相关系数，偏差指数对遥感影像全色和多光谱波段的融合效果进行定量分析.由表1可知，小波变换的与原始影像间相关系数达到了0.911是四种融合方法中最高的，乘积变换则是最差的仅有0.801；乘积变换后的影像均值达到了87，图像亮度明显变大，小波变换和PCA变换均值和原始影像最为接近，图像亮度没有明显变化；偏差指数小波变换最小为0.265，乘积变换最大为0.493，；四种融合变换后的影像平均梯度和标准差较原始影像都有所增加，小波变换和PCA变换增加数值最多；除了乘积变换的信息熵较原始影像有所下降，其他三种融合后影像的信息熵都比原始影像大，小波变换的信息熵更是达到了9.7.根据图像融合理论可知，相关系数越大、均值越小、偏差指数越小、标准差越小、信息熵越大、平均梯度越大、的结果，其融合效果越好.融合后的图像小波变换和主成分变换后的图像的清晰度较高，能够地物层次更多的展示出来，光谱保真度是比较好的，对原始图像失真较小，扭曲程度较小，分类效果相对其他2种较好. 3.1 监督分类不同的融合算法有着不同的优点和缺点，利用混淆矩阵对分类结果进行了分析，并对4种图像融合算法的精度进行了评价，这里进行精度评价采用监督分类中的最大似然法.最大似然法是监督分类中最常用的一种算法，要求数据服从正态分布；最大似然法的判别法则是基于概率，并且把模型试验或特征的像素划分成一类的特征向量X，在研究区识别了同样的训练样本.根据特征文件对四种融合算法变换后的融合影像按照水稻地、水体、居民用地、林地、未种植地、其他农业用地6种地表覆盖类型进行分类(以深绿色、蓝色、白色、绿色、灰色、紫色表示)，分类结果见图2.从图2中可以看出，在水体方面PCA变换分类后影像分类精度较差，但其他几种地表覆盖类型分类效果较好；乘积变换和Brovey变换分类结果很差，在分类后的影像中已经无法分辨有哪几种地表覆盖类型；小波变换的分类效果是四种融合算法中最好的，与原始图像的分类结果几乎没有差别甚至在某些地表覆盖类型上优于原始影像，完整地体现了研究区的几种地表覆盖类型.综上，小波变换和PCA变换所得到的融合影像分类效果是四种分类方法中较好的.3.2 分类精度评价为了不同融合算法的分类效果得到更好的估计，更精准、更客观的验证分类精度，利用 ERDAS软件在整个图像使用随机生成的多个离散点建立混淆矩阵，对各种统计量进行统计检验，比较实际类别和分类结果，并得到图像分类的总体精度和kappa 系数.具体过程如下：(1)打开融合后影像；(2)在ERDAS图标面板工具条上点击“Classifier”在Classification菜单中选择Accuracy Assessment；(3)打开分类后的图像；在Accuracy Assessment对话框工具条上点击“Select Viewer”图标；完成了影像视窗与精度评估视窗的对应；(4)产生随机点Accuracy Assessment对话框菜单条：点击Edit→Create/Add Random Points ；(5)显示随机点：Accuracy Assessment对话框菜单条：View →Show All；(6)在Reference这一栏输入参考点实际类别；(7)输出分类评价报告：Accuracy Assessment对话框菜单条Report中的Accuracy Report(产生分类精度报告).由表2可知，总体分类精度最低的是乘积变换，最高的是小波变换分别为0.92以及94.97，PCA变换的总体精度和Kappa系数和小波变换相差不大.文章以凤阳县某农村全色的多光谱影像为研究对象，分别采用 Brovey 变换、PCA 变换、乘积变换、小波变换的图像融合方法，通过目视评价和定量分析相结合的方法对图像融合效果进行了定性和定量评价，在此基础上进一步利用最大似然分类法对融合后的遥感影像进行分类，并得到了不同融合算法的Kappa系数及融合精度. PCA变换和小波变换后的影像在图像空间信息提高和光谱信息保真方面效果相对较好，通过影像融合结果表明，小波变换对图像微小细节的表达能力明显强于PCA变换，在可以提高多光谱影像的空间分辨率，很好的维持多光谱影像的光谱信息的情况下，小波变换对于的实验影像具有较好的融合效果.采用最大似然法对Brovey变换、PCA变换、小波变换、乘积变换后的融合影像进行土地覆盖分类，通过混淆矩阵对分类精度进行更详细的评价；小波变换的总体精度和Kappa系数分别为 94.97%和0.92在上述4种图像融合算法中小波变换得到的融合影像分类精度最高，这样的结果表明利用小波变换图像融合方法更适合基于土地覆盖分类的影像融合.【相关文献】[1] 杜培军.ENVI遥感原理与应用[M].徐州：中国矿业大学出版社，2006.[2] 赵春霞.遥感影像监督分类与非监督分类的比较[J].河南大学学报,2004,34(3):90-93．[3] 闫琰,董秀兰,李燕.基于ENVI 的遥感图像监督分类方法比较研究[J].北京测绘，2011(3):14-16.[4] 钱茹茹.遥感影像分类方法比较研究[D].西安：长安大学，2007.[5] 吴学军.城市TM遥感图像分类方法研究[D].广西师范大学,2007.[6] 金杰,朱海岩,李子潇,等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济,2014,20(1):146-148.[7] 贾建峰.ENVI遥感图像监督分类方法比较[J].西部资源，2014(6):133-136.[8] 王媛，黄永强.浅谈遥感影像的分类方法[J].科技致富向导,2013(17):43-43．。
dem精度评估方法
形等。
边缘直方图形状特征
03
通过对边缘直方图进行形状分析，提取形状特征，如对称性、
连续性等。
边缘直方图相似度比较
01
02
03
直方图相交距离
计算两个边缘直方图的相 交距离，作为相似度指标 。
直方图交叉相关
利用交叉相关系数计算两 个边缘直方图的相似度。
直方图平方差和
计算两个边缘直方图的平 方差和，作为相似度指标 。
03
基于统计学的精度评估方法
均方根误差（RMSE）
总结词
均方根误差是一种常用的统计学精度评估方法，用于衡量预测值与实际观测值之间的标准偏差。
详细描述
均方根误差（RMSE）的计算公式为：$\sqrt{\frac{1}{N} \sum_{i=1}^{N}(y_i - \hat{y_i})^2}$，其 中 $y_i$ 是实际观测值，$\hat{y_i}$ 是预测值，$N$ 是样本数量。RMSE的值越小，表示预测的模型 精度越高。
实验数据与实验设计
数据来源
实验所采用的数据来源于某地区的数字高程模型（DEM）， 通过选择其中一部分区域作为实验区，获取相应的精度评估 数据。
实验设计
采用多种常见的DEM精度评估方法，如均方根误差（RMSE ）、平均绝对误差（MAE）和结构相似性指数（SSIM）等， 对实验区内的DEM数据进行精度评估。
均方误差（MSE）
总结词
均方误差是一种常用的统计学精度评估方法，用于衡量预测值与实际观测值之间的平均差异。
详细描述
均方误差（MSE）的计算公式为：$\frac{1}{N} \sum_{i=1}^{N}(y_i - \hat{y_i})^2$，其中 $y_i$ 是实际观测值 ，$\hat{y_i}$ 是预测值，$N$ 是样本数量。MSE的值越小，表示预测的模型精度越高。
不同地表覆盖的遥感影像解译方法和数据精度控制技巧
不同地表覆盖的遥感影像解译方法和数据精度控制技巧遥感影像解译是一种利用遥感技术获取和分析地表覆盖信息的方法，可以帮助我们了解地表的物质组成、空间分布和动态变化。
在遥感影像解译过程中，不同地表覆盖的特点和解译方法的选择都会影响数据的精度和可靠性。
本文将分别介绍森林、农田和城市这三种不同地表覆盖的遥感影像解译方法和数据精度控制技巧。
森林是地球上重要的生态系统之一，研究森林覆盖的空间分布和类型结构对于生态保护和可持续发展具有重要意义。
在森林遥感影像解译中，常用的方法包括光谱分析、纹理分析和结构分析。
光谱分析是指利用不同波段的遥感影像进行多光谱特征提取和分类判别，可以识别森林植被的类型和生长状况。
纹理分析是指通过统计和分析图像中像素之间的灰度、纹理和空间关系等特征信息，可以获取森林生态系统的结构信息，如树冠密度和树种混交程度等。
结构分析是指利用遥感影像的空间形态指标和指数，如形状指数、面积、周长等，对森林类型和形态进行定量化和分析。
农田是人类生产生活的重要地区，农田遥感影像解译方法的研究对于农业生产和粮食安全具有重要意义。
在农田遥感影像解译中，常用的方法包括植被指数分析、土壤含水量反演和作物分类。
植被指数分析是指通过计算遥感影像中的植被指数，如NDVI（Normalized Difference Vegetation Index），可以反映植被的生长状况和叶绿素含量，进而推测农田的作物类型和生产潜力。
土壤含水量反演是指通过利用热红外遥感影像的热辐射特征和土壤热传导理论，可以反演农田土壤的含水量，为灌溉和农田管理提供科学依据。
作物分类是指通过光谱分析和纹理特征提取，利用监督分类算法，如最大似然法和支持向量机等，可以对农田的作物类型进行判别和分类。
城市是现代社会的核心地区，城市遥感影像解译方法的研究对于城市规划和资源管理十分重要。
在城市遥感影像解译中，常用的方法包括景观格局分析、土地利用分类和建筑物提取。
景观格局分析是指通过计算遥感影像中的景观指数和格局指数，如斑块密度、分离度和连通度等，可以揭示城市景观的空间组成、分布和结构特征，为城市生态环境评价和空间规划提供依据。
如何使用卫星图像进行地表覆盖分类
如何使用卫星图像进行地表覆盖分类近年来，随着遥感技术的迅猛发展，卫星图像在地表覆盖分类中的应用日益广泛。
地表覆盖分类是将卫星图像中的像素根据其表面特征和属性进行分类，以实现对地表的精确描述和分析。
本文将探讨如何利用卫星图像进行地表覆盖分类的方法和技巧。
一、图像预处理在进行地表覆盖分类前，首先需要对卫星图像进行预处理。
这是为了消除噪声、增强图像质量，提高后续分类的准确性。
图像预处理包括辐射定标、大气校正、几何校正等过程。
辐射定标是将原始卫星图像转化为能量单位，消除不同光学系统之间的差异。
大气校正是校正由大气散射和吸收引起的辐射影响，使图像反映地表本身的特征。
几何校正则是校正由地球曲率和地球形状引起的畸变，确保图像的位置准确。
二、特征提取特征提取是地表覆盖分类的核心步骤，它将图像中的像素转化为数值特征，以方便后续分类器对其进行判别。
常用的特征提取方法包括直方图均衡化、主成分分析和纹理分析等。
直方图均衡化可以增强图像的对比度，使地物边缘更加清晰。
主成分分析是将复杂的多波段图像降维为少数几个主成分，以减少特征的冗余性和计算复杂度。
纹理分析可以提取图像中的纹理信息，对地物的细节特征有很好的描述能力。
三、分类器选择分类器的选择对于地表覆盖分类的准确性和效率都有着决定性的影响。
常见的分类器包括最大似然分类器、支持向量机和随机森林等。
最大似然分类器是一种基于统计学原理的分类方法，其优点是简单易懂、计算量小。
支持向量机是一种基于边界分类的方法，其对于非线性问题有较好的处理能力。
随机森林是一种基于决策树的集成分类器，能够处理多类别分类问题，并具有较强的鲁棒性。
四、训练样本选择训练样本的选择对地表覆盖分类的准确性和泛化能力有着重要的影响。
通常，训练样本应覆盖地表覆盖分类的各个类别，并且应具有代表性。
在选择训练样本时，可以利用已有的地面观测数据进行采样，也可以通过人工选择样本进行标注。
同时，为了提高分类的准确性，还可以选择一些关键样本进行重点标注。
基于人工智能的遥感影像分类与地表覆盖分析研究
基于人工智能的遥感影像分类与地表覆盖分析研究引言：遥感影像是通过从远距离获取地球表面信息的技术。
随着遥感技术的快速发展，获取到的遥感影像数据量大且复杂，因此需要高效准确的分类和地表覆盖分析方法。
人工智能技术的出现为遥感影像分类与地表覆盖分析提供了新的解决方案。
本文将探讨基于人工智能的遥感影像分类与地表覆盖分析的研究进展和方法。
一、人工智能在遥感影像分类中的应用1.1 深度学习在遥感影像分类中的应用深度学习是人工智能中的一个分支，通过模仿人脑神经网络的工作原理来实现自动学习和解决复杂问题。
在遥感影像分类中，深度学习已被广泛应用，能够自动提取特征并进行分类。
基于深度学习的方法可以通过自动学习来识别遥感影像中的不同地物，例如建筑物、水体、植被等。
1.2 卷积神经网络在遥感影像分类中的应用卷积神经网络是一种特殊的深度学习网络结构，通过多层卷积和池化操作实现对图像进行特征学习和分类。
在遥感影像分类中，卷积神经网络可以自动提取低级纹理和高级语义特征，并且具有较高的分类准确性。
通过训练巨量的遥感影像数据，卷积神经网络可以学习到地物的复杂特征，例如颜色、形状和纹理等。
二、基于人工智能的地表覆盖分析方法2.1 地物提取与识别基于人工智能的地物提取是指从遥感影像中自动识别和提取出感兴趣的地物信息。
利用深度学习和卷积神经网络，可以实现高效准确的地物提取。
在地表覆盖分析中，地物提取是一个基础且重要的步骤，可以用于制作数字地图、城市规划和环境监测等。
2.2 地表覆盖分类与变化检测地表覆盖分类是指将遥感影像中的像素分成不同的地表类型，例如水域、植被、建筑物等。
基于人工智能的地表覆盖分类方法可以通过深度学习和卷积神经网络实现高精度的地表覆盖分类。
此外，基于人工智能的遥感影像变化检测方法可以通过比较不同时间点的遥感影像，自动检测地表变化，例如城市扩张、农田变化等。
2.3 土地利用与土地覆盖分析土地利用与土地覆盖分析是指对地表进行定量化的研究，包括人类活动对土地的利用和土地覆盖的类型。
基于无人机的遥感图像的地表覆盖类型分类
基于无人机的遥感图像的地表覆盖类型分类无人机技术在现代的应用非常广泛，其中包括遥感技术。
遥感技术是利用遥感传感器采集地球表面信息的一种手段，其间接性和综合性是其他传统调查手段不可比拟的。
地表覆盖类型分类是遥感技术在实际应用中最广泛的一个领域，无人机遥感图像也成为地表覆盖类型分类的新兴技术。
地表覆盖类型分类是指将地球表面不同的特征分类成为若干种不同的类型。
这些类型通常包括草地、耕地、林地、城市、水面等等。
由于不同的地表类型具有不同的反射特性，因此可以利用遥感技术进行遥感图像分类。
遥感图像分类可以为土地利用规划、环境监测、自然资源调查等提供重要信息。
传统的遥感图像分类方法主要有像元分类方法、像元邻域分析方法和对象识别方法。
像元分类方法基于像元图像值分布特征进行分类，又可分为有监督分类和无监督分类。
像元邻域分析方法是基于像元邻域的分割与分类来进行地表覆盖类型分类。
对象识别方法则是利用相邻像元之间的关联性，将相邻像元组成完整的图像对象，进而进行分类。
无人机遥感图像分类具有许多优势。
一方面，无人机遥感图像的高分辨率是它的优势之一。
相比于传统的遥感图像，无人机遥感图像可以提供更加细致和清晰的图片，从而保证更加精确地的分类结果。
另一方面，无人机遥感图像的实时性和动态性也非常突出。
传统的遥感图像通常需要较长时间处理和拍摄，而无人机遥感图像则具有瞬间获取和实时传输的能力，大大降低了时间和成本成本。
无人机遥感图像的分类方法也有很多。
一种方法是基于特征提取和机器学习的方法。
特征提取通常包括光谱信息和纹理信息等方面。
机器学习方法可以利用现有数据来训练模型，从而实现自动分类。
常用的机器学习算法包括支持向量机、决策树、神经网络等等。
另一种方法是基于深度学习的方法。
深度学习是一种基于大量数据和深度神经网络的机器学习方法，其可以更加精确地分类。
总的来说，无人机遥感图像作为一种新型遥感技术，具有许多优势和重要的应用前景，尤其是在地表覆盖类型分类方面。
高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用
高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用摘要：地表覆盖数据的精确获取对于自然资源的监测和管理至关重要。
本文针对目前地表覆盖数据在影像分割中存在的问题，提出了一种优化影像分割方法。
该方法结合了传统的基于像素的分割算法和深度学习算法，能够在地表覆盖数据的提取上取得更高的精度和准确性。
然后，本文以自然资源监测为应用场景，探讨了该方法在自然资源监测中的应用。
关键词：高精度地表覆盖数据；优化影像分割方法；自然资源监测1. 引言地表覆盖数据是自然资源监测的重要数据来源，对于土地利用规划、气候变化研究、生物多样性保护等方面都具有重要作用。
然而，由于地表覆盖数据的获取和提取受到多种因素的限制，目前存在一些问题，如精度不高、分割效果不理想等。
因此，优化地表覆盖数据的提取方法对于自然资源的监测和管理具有重要意义。
2. 地表覆盖数据优化影像分割方法为了提高地表覆盖数据的提取精度，本文提出了一种优化影像分割方法。
该方法综合了传统的基于像素的分割算法和深度学习算法，能够克服传统方法在复杂场景下易受噪声和纹理干扰的问题，从而提取更准确的地表覆盖数据。
2.1 基于像素的分割算法基于像素的分割算法常用于影像分割，其原理是根据像素的灰度、颜色等特征将图像中的不同区域划分开来。
然而，在地表覆盖数据的提取中，由于噪声、光照变化等因素的影响，传统的基于像素的分割算法容易产生误差。
2.2 深度学习算法深度学习算法是一种通过学习大规模数据来提取特征和分类的方法。
在地表覆盖数据的提取中，深度学习算法可以通过训练模型来学习地表覆盖的特征，并实现快速而准确的分割。
然而，由于深度学习算法需要大量的标注数据进行训练，而地表覆盖数据的标注成本较高，限制了深度学习算法在地表覆盖数据提取中的应用。
2.3 优化影像分割方法为了克服传统方法和深度学习算法的局限性，本文提出了一种综合利用两种算法的优化影像分割方法。
基于深度学习的高分辨率卫星影像地表覆盖分类方法
基于深度学习的高分辨率卫星影像地表覆盖分类方法
朱明;李景文;吴博;姜建武
【期刊名称】《桂林理工大学学报》
【年(卷),期】2022(42)1
【摘要】针对高分辨率卫星影像地表覆盖自动化分类精度与效率问题,在深度学习的地表覆盖分类方法的基础上设计了一种适用于高分辨率卫星影像的卷积神经网络模型(LCC-CNN)。
用高分二号与北京二号影像数据构建训练样本集,在卷积神经网络中使用不同扩张率的扩张卷积,设计能够区分模糊地表覆盖分类边界的损失函数,实现了多尺度地表覆盖特征的融合与精准提取,利用编码-解码结构输出像素级地表覆盖分类成果。
实验结果表明:LCC-CNN在实验区域地表覆盖分类总体精度达到87.17%,IOU及Kappa系数分别为0.7732与0.8291,精度优于传统的决策树与SVM方法8%以上,IOU及Kappa系数分别提高了10%和11%,且在地表覆盖分类过程中不需要人工提取分类特征与设定分类参数,降低了建模难度与时间成本,提高了自动化分类的精度与效率。
【总页数】7页(P115-121)
【作者】朱明;李景文;吴博;姜建武
【作者单位】中国地质大学(北京)地球科学与资源学院;广西壮族自治区自然资源信息中心;桂林理工大学测绘地理信息学院
【正文语种】中文
【中图分类】P208
【相关文献】
1.地理国情监测中基于高分辨率影像的地表覆盖信息人工解译方法和经验探讨
2.基于资源三号卫星影像的面向对象地表覆盖要素分类方法研究
3.基于中分辨率遥感影像的地表覆盖分类数据精度评定方法研究
4.基于深度学习的高分辨率光学卫星遥感影像建筑物变化检测方法
5.基于深度学习和高分辨率遥感影像的露天矿地物分类方法
因版权原因，仅展示原文概要，查看原文内容请购买。
SAR图像处理算法在地表覆盖分类中的应用研究
SAR图像处理算法在地表覆盖分类中的应用研究地表覆盖分类是遥感领域中的一项重要任务，可以提供对地面特征的定量描述和监测。
合成孔径雷达（Synthetic Aperture Radar，SAR）技术具有无云遮蔽、全天候观测和高垂直分辨率的独特优势，因此在地表覆盖分类中得到了广泛应用。
本文将探讨SAR图像处理算法在地表覆盖分类中的应用研究。
首先，SAR图像的预处理是地表覆盖分类的基础。
由于SAR图像受到地面特征、观测角度以及传感器参数等多种影响因素的综合作用，通常需要对SAR图像进行去噪、辐射校正和几何校正等预处理操作，以提高图像质量和准确度。
例如，去除多次散射噪声和斑点噪声可以采用多种滤波器，如中值滤波器、自适应滤波器和小波滤波器等，以减少噪声对地表覆盖分类的影响。
其次，SAR图像的特征提取是地表覆盖分类的关键。
SAR图像由于其特殊的成像机制，与光学遥感图像存在较大差异。
传统的光学遥感图像处理算法通常不适用于SAR图像，因此需要针对SAR图像的特点进行特征提取。
常用的特征提取方法包括纹理特征、极化特征和频谱特征等。
纹理特征可以描述像素之间的空间关系，例如灰度共生矩阵（GLCM）和灰度差异矩阵（GLDM）等。
极化特征可以利用SAR系统的多角度、多极化特性进行分类，例如极化协方差矩阵（Covariance Matrix）和极化信息熵（Entropy）等。
频谱特征可以提取SAR图像的频率分布特征，例如小波变换和傅里叶变换等。
然后，分类算法是地表覆盖分类的核心。
目前常用的分类算法包括监督学习和无监督学习。
监督学习方法需要利用已标记的样本进行训练，例如支持向量机（SVM）和随机森林（Random Forest）等。
无监督学习方法则无需预先提供标记样本，通过对SAR图像进行聚类或降维处理进行分类，例如K-means聚类和主成分分析（PCA）等。
此外，深度学习方法在地表覆盖分类中也得到了广泛应用，如基于卷积神经网络（CNN）的分类方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第４１卷第１１期２０１８年１１月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.１１Ｎｏｖ.ꎬ２０１８收稿日期:２０１７－０６－２０基金项目:四川省测绘地理信息局科技计划项目(Ｊ２０１７ＺＣ０６)资助作者简介:曹伟超(１９８６－)ꎬ男ꎬ陕西咸阳人ꎬ工程师ꎬ硕士ꎬ２０１１年毕业于中国科学院成都山地灾害与环境研究所地图学与地理信息系统专业ꎬ主要从事地理国情监测㊁遥感与地理信息系统的应用与研究工作ꎮ基于中分影像的不同时相地表覆盖分类数据精度评价曹伟超ꎬ李㊀明ꎬ刘㊀江ꎬ陈㊀阳(四川省第三测绘工程院ꎬ四川成都６１０５００)摘要:地表覆盖分类数据是地理国(省)情普查成果数据的重要内容ꎬ文章以基于中分辨率遥感影像生产的四川省２０００㊁２０１０和２０１４年３期地表覆盖分类数据为例ꎬ通过自行制定的一套行之有效的质量评定方法ꎬ实现了对基于中分辨率遥感影像获取的地表覆盖分类数据成果的精度评定ꎬ结果表明ꎬ３期地表覆盖分类数据精度均满足设计要求ꎮ关键词:地理国(省)情监测ꎻ地表覆盖分类ꎻ精度评价ꎻ四川省中图分类号:Ｐ２０８.１㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)１１－００５５－０３ＳｔｕｄｙｏｎＥｖａｌｕａｔｉｏｎｏｆＬａｎｄＣｏｖｅｒＣｌａｓｓｉｆｉｃａｔｉｏｎＤａｔａＢａｓｅｄｏｎＭｏｄｅｒａｔｅＲｅｓｏｌｕｔｉｏｎＩｍａｇｉｎｇＣＡＯＷｅｉｃｈａｏꎬＬＩＭｉｎｇꎬＬＩＵＪｉａｎｇꎬＣＨＥＮＹａｎｇ(ＴｈｅＴｈｉｒｄＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅꎬＣｈｅｎｇｄｕ６１０５００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｈｅｓｕｒｆａｃｅｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｉｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｔｈｅｇｅｏｇｒａｐｈｙ(ｐｒｏｖｉｎｃｅ)ｓｉｔｕａｔｉｏｎｍｏｎｉｔｏｒｉｎｇｄａｔａ.ＢａｓｅｄｏｎｔｈｅｓｕｒｆａｃｅｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｄｅｒｉｖｅｏｆｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅｉｎ２０００ａꎬ２０１０ａａｎｄ２０１４ａꎬｔｈｅｐａｐｅｒａ￣ｃｈｉｅｖｅｓｔｈｅａｃｃｕｒａｃｙａｓｓｅｓｓｍｅｎｔｏｆｔｈｅｒｅｓｕｌｔｓｏｆｓｕｒｆａｃｅｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｂａｓｅｄｏｎｍｅｄｉｕｍｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅａｃ￣ｑｕｉｓｉｔｉｏｎｔｈｒｏｕｇｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆａｓｅｔｏｆｅｆｆｅｃｔｉｖｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｓ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｓｕｒｆａｃｅｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｍｅｅｔｓｔｈｅｄｅｓｉｇｎｒｅｑｕｉｒｅｍｅｎｔｓ.Ｋｅｙｗｏｒｄｓ:ｇｅｏｇｒａｐｈｙ(ｐｒｏｖｉｎｃｅ)ｓｉｔｕａｔｉｏｎｍｏｎｉｔｏｒｉｎｇꎻｓｕｒｆａｃｅｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎꎻａｃｃｕｒａｃｙｅｖａｌｕａｔｉｏｎꎻＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ０㊀引㊀言地表覆盖分类数据ꎬ是地理国(省)情普查和监测中非常重要的成果数据ꎬ是开展普查数据统计分析和综合利用的关键性基础数据ꎮ在四川省地理省情监测项目中ꎬ基于２０００㊁２０１０和２０１４年３期中分辨率卫星遥感影像ꎬ获取了３期覆盖四川省的地理省情监测地表覆盖分类数据ꎮ虽然３期影像均为中分辨率遥感影像ꎬ从数据源来看仍存在一定的差异性ꎮ如２０００年影像源为Ｌａｎｄｓａｔ－７ＥＴＭ＋影像数据ꎬ该数据包括８个波段ꎬ只有ｂａｎｄ８波段的分辨率为１５ｍꎬ其他均达不到１５ｍ分辨率ꎻ２０１０年影像源为分辨率１５ｍ的ＬａｎｄｓａｔＴＭ影像和少量覆盖的分辨率在２.５ １５ｍ之间的各种存档影像ꎻ２０１４年数据源为１５ｍ分辨率的ＬａｎｄＳａｔ８卫星遥感影像ꎬ数据源的差异ꎬ对地表覆盖分类数据的结果精度是否有影响ꎬ是本文研究的主要内容ꎮ地表覆盖分类数据成果精度包含空间位置和地表覆盖类型两个方面ꎬ最基本的方法是通过判读地表覆盖分类图斑与所使用遥感影像的套合程度和地类判读的正确性ꎮ该方法用于采用高分辨率的遥感影像作为数据源获取的地表覆盖分类数据的精度判定是可行的ꎬ但用于采用中㊁低分辨率的遥感影像作为数据源获取的地表覆盖分类数据的精度判定是存在问题的ꎬ主要原因在于数据采集时所采用的技术方法不同和影像的可识别性较差[１－２]ꎮ本文以四川省作为研究区ꎬ以四川省地理省情监测项目获取的２０００㊁２０１０和２０１４年３期地表覆盖分类数据为精度评定对象ꎬ借鉴高分影像的地表覆盖分类数据的精度评定方法ꎬ结合中分影像和数据生产技术方法特点ꎬ通过构建相应的精度评定方法ꎬ对３期地表覆盖分类数据精度进行差异对比ꎬ分析其差异性及其差异性的原因ꎮ１㊀研究区域和数据研究区面积约４８.６万ｋｍ２ꎬ位于中国大陆地势三大阶梯中的第一级和第二级ꎬ即处于第一级青藏高原和第二级长江中下游平原的过渡带ꎬ地貌复杂ꎬ以山地为主要特色ꎬ东西总体上可分为四川盆地和川西高原两大区域ꎬ相对来说四川盆地区域地表破碎程度较高ꎬ川西高原地类较单一ꎮＬａｎｄＳａｔ７和ＬａｎｄＳａｔ８卫星遥感影像数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(ｈｔｔｐ://ｗｗｗ.ｇｓｃｌｏｕｄ.ｃｎ)ꎬ分辨率在２.５ １５ｍ之间的各种存档影像来自于四川省省基础地理信息中心ꎬ是地表覆盖分类数据的主要数据源ꎻ２０００㊁２０１０和２０１４年３期全省地表覆盖分类数据㊁高分遥感影像数据来自于四川测绘地理信息局基础地理信息中心ꎻ其他辅助数据包括来自于ＧｏｏｇｌｅＥａｒｔｈ影像数据㊁第一次全国地理国情普查数据中的遥感影像解译样本数据以及相关专业部门的专题资料等ꎮ２㊀研究方法２.１㊀抽样区域选择和抽样点布设影响地表分类数据异同的包括自然因素和人文因素ꎬ其中自然因素主要是地形地貌和地形起伏破碎程度ꎬ人文因素主要是经济发展程度ꎮ根据四川省的地形地貌和经济发展程度的差异ꎬ按照平原㊁丘陵－低山区㊁低－中山区㊁高山区㊁高原区５种地貌类型和发达㊁中等㊁欠发达３种经济发展程度ꎬ选择相应的县域单元作为抽样区域ꎬ按照该抽样方案选择了双流县㊁仪陇县㊁阆中市㊁米易县㊁美姑县㊁康定市以及石渠县共７个县域ꎬ总面积约４.３４万ｋｍ２ꎬ３期地表覆盖分类数据精度评定均以此作为抽样区域ꎮ各抽样县域的地貌类型㊁经济发展程度和面积见表１ꎮ表１㊀典型区主要特征Ｔａｂ.１㊀Ｍａｉｎｆｅａｔｕｒｅｓｏｆｔｙｐｉｃａｌａｒｅａｓ县(市)地貌类型经济２０１３年ＧＤＰ(亿元)面积(ｋｍ２)抽样密度抽样点(个)双流县平原发达７４６.０６１０６８.５０１个/２０ｋｍ２５０仪陇县阆中市丘陵－低山区中等１３３.７１１７９２.０３中等１５７.３０１８７６.５５１个/３０ｋｍ２１２０米易县美姑县低－中山区中等１０８.０８２１１３.０１欠发达１８.１７２５１６.１４１个/４０ｋｍ２１１４康定市高山区欠发达４８.１０１１６１１.５７１个/８０ｋｍ２１４５石渠县高原不发达６.６４２２３８２.７８１个/１００ｋｍ２２２６㊀㊀抽样点的布设对评价结果的影响是显著的[３－４]ꎬ为客观定量评价地表覆盖成果数据的精度ꎬ需在抽样区域内的成果数据中随机抽取一定量的样本点进行验证ꎮ抽样点的布设在抽样区域内具有典型性ꎬ在抽样区域外具有普适性ꎮ抽样点的布设应综合考虑各抽样区域的数据特征ꎬ即地表覆盖分类数据的图斑密度确定相应的抽样点布设密度ꎬ不同的地类复杂程度区域ꎬ确定不同的布设密度ꎮ针对平原㊁丘陵－低山区㊁低－中山区㊁高山区㊁高原区５种地貌类型分别按照每２０ｋｍ２㊁３０ｋｍ２㊁４０ｋｍ２㊁８０ｋｍ２以及１００ｋｍ２布设一个抽样点的密度布设抽样点ꎬ在整个４.３４万ｋｍ２的抽样区域内ꎬ共布设抽样点６５５个ꎬ各抽样县域的抽样点布设密度和布设个数见表１ꎮ确定精度评定时的抽样样本数目后ꎬ使用地理信息系统(ＧＩＳ)空间数据分析工具ꎬ按照设定的抽样点密度ꎬ随机在各抽样县域范围内制作相应的样本点ꎮ２.２㊀精度评定方法考虑到数据生产时所采用的技术方法ꎬ对样本点方圆３个像元范围内的地表覆盖类型进行验证ꎬ若随机产生样本点距相应类型边界小于３个像元ꎬ验证时则将样本点向相应类型范围内部移动直到其距离相应边界距离达３个像元ꎬ然后进行验证ꎬ最终以所有样本点的二级类精度㊁一级类精度作为成果数据的相应精度ꎮ在具体精度评定时ꎬ可参考相同区域的地理国情普查遥感影像解译样本数据㊁高分辨率遥感影像㊁同时期的专业资料以及ＧｏｏｇｌｅＥａｒｔｈ影像数据等ꎬ确定样本点所在位置的地表覆盖分类结果ꎬ用以判定基于中分影像的地表覆盖分类数据的正确性ꎮ３㊀结果分析３.１㊀各抽样区域３期数据精度评价通过对各抽样县域抽样点地表覆盖类型正确性的判定ꎬ３期地表覆盖分类数据中ꎬ各县域地表覆盖分类总体精度见表２㊁表３和表４ꎮ６５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年表２㊀２０００年各抽样县域地表覆盖分类数据精度统计Ｔａｂ.２㊀Ａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｏｆｃｏｕｎｔｉｅｓｉｎ２０００地貌分区县域名称一级类总体精度(％)二级类总体精度(％)抽样点总数(个)平原区双流县８６７８５０丘陵－低山区仪陇县㊁阆中市８３７９１２０低－中山区米易县㊁美姑县８３７５１１４高山区康定市９５８５１４５高原区石渠县９１８８２２６表３㊀２０１０年各抽样县域地表覆盖分类数据精度统计Ｔａｂ.３㊀Ａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｏｆｃｏｕｎｔｉｅｓｉｎ２０１０地貌分区县域名称一级类总体精度(％)二级类总体精度(％)抽样点总数(个)平原区双流县８２７６５０丘陵－低山区仪陇县㊁阆中市７４７０１２０低－中山区米易县㊁美姑县８４７７１１４高山区康定市９２８３１４５高原区石渠县９１８８２２６表４㊀２０１４年各抽样县域地表覆盖分类数据精度统计Ｔａｂ.４㊀Ａｃｃｕｒａｃｙｓｔａｔｉｓｔｉｃｓｏｆｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｏｆｃｏｕｎｔｉｅｓｉｎ２０１４地貌分区县域名称一级类总体精度(％)二级类总体精度(％)抽样点总数(个)平原区双流县７８７４５０丘陵－低山区仪陇县㊁阆中市７７７４１２０低－中山区米易县㊁美姑县８２７８１１４高山区康定市９３８４１４５高原区石渠县９１８８２２６㊀㊀就单期地表覆盖数据来说(以２０１４年为例)ꎬ从表４可知ꎬ一级类总体精度明显优于二级类总体精度ꎬ一般相差４ ５个百分点ꎮ不同的地貌分区内ꎬ地表覆盖分类数据精度存在一定的差异ꎬ以一级类总体精度为例ꎬ平原和丘陵－低山区总体精度最低ꎬ不足８０％ꎻ高山区和高原区总体精度最高ꎬ达到９０％以上ꎻ低－中山区精度居中ꎬ为８２％ꎮ一般来说ꎬ地貌类型越破碎ꎬ总体精度越低ꎬ反之ꎬ则越高ꎮ就３期地表覆盖分类数据精度而言ꎬ２０００年一级类总体精度在８３％ ９５％之间ꎬ二级类总体精度在７５％ ８８％之间ꎻ２０１０年一级类总体精度在７４％ ９２％之间ꎬ二级类总体精度在７０％ ８８％之间ꎻ２０１４年一级类总体精度在７７％ ９３％之间ꎬ二级类总体精度在７４％ ８８％之间ꎮ通过对比分析发现ꎬ在抽样区域内ꎬ３期地表覆盖数据的二级类总体精度比较稳定ꎬ最低精度相差４个百分点ꎬ最高精度没有差异ꎬ均为８８％ꎻ但是３期地表覆盖数据的一级类总体精度差异相对较大ꎬ以最低精度为例ꎬ２０１０年一级类总体精度最低为７４％(仪陇县㊁阆中市)ꎬ２０００年一级类总体精度最低为８３％(仪陇县㊁阆中市)ꎬ相差９个百分点ꎬ同样最高精度差异非常小ꎮ这种情况说明ꎬ抽样点的选择以及抽样区域的特性ꎬ使得最终精度评价结果具有一定的随机性ꎬ同时也因为随着社会经济快速发展ꎬ导致地表面貌发生较大变化的原因ꎮ３.２㊀全省３期数据总体精度评估与差异分析从各抽样县域总体精度差异可知ꎬ基于同一分辨率遥感影像ꎬ不同地貌类型的分类精度存在一定的差异ꎮ基于本次精度评价所选取的各抽样县域的总体精度ꎬ根据四川省平原㊁丘陵－低山区㊁低－中山区㊁高山区及高原在全省的面积占比[５]ꎬ对全省地表覆盖数据的总体精度进行总体评估ꎬ见表５ꎮ基于中分遥感影像获得的全省３期地表覆盖分类数据ꎬ２０００年数据一级类总体精度为８９.０％ꎬ二级类总体精度为８２.６％ꎻ２０１０年数据一级类总体精度为８６.８％ꎬ二级类总体精度为８１.１％ꎻ２０１４年数据一级类总体精度为８６.２％ꎬ二级类总体精度为８１.５％ꎮ总体来说ꎬ３期地表覆盖分类数据的精度评价结果均比较高ꎬ能够满足项目设计的要求ꎬ也能满足地表覆盖分类数据的使用要求ꎮ对比３期地表覆盖数据总体精度ꎬ发现２０００年数据一㊁二级类总体精度均为最高ꎬ一级类总体精度高出近３个百分点ꎬ２０１０年和２０１４年一㊁二级类总体精度相当ꎮ分析其原因ꎬ主要是随着时间的推移ꎬ２０００年以来社会经㊀㊀(下转第６１页)７５第１１期曹伟超等:基于中分影像的不同时相地表覆盖分类数据精度评价了防止因窗口尺寸过小使得建筑物中心附近的点被误判为地面点ꎬ研究中引入区块坡度局域标准差对移动窗口大小进行自适应选择ꎬ提高其在地形条件复杂地区的适应能力ꎮ结合ＩＳＰＲＳ提供的ｃｉｔｙｓｉｔｅ２测试数据ꎬ使用ＧＭ￣ＣＦＡ算法对４类试验区进行了测试验证ꎬ并利用３类误差准则对测试结果定量地分析评价ꎬ结果表明该算法具有很好的可靠性和实用性ꎮ参考文献:[１]㊀熊华ꎬ齐玉东ꎬ司维超ꎬ等.基于ＧＡ算法的舰载机舰面移动路径规划[Ｊ].价值工程ꎬ２０１４(７):４５－４７. [２]㊀陈果.改进遗传算法下的车辆路径问题研究[Ｊ].电子测试ꎬ２０１６(３):６３－６４.[３]㊀刘建文ꎬ丁洁玉ꎬ潘坤ꎬ等.基于个体相似度的改进自适应遗传算法研究[Ｊ].青岛大学学报:工程技术版ꎬ２０１６ꎬ３１(１):２０－２３.[４]㊀雷玉梅.基于改进遗传算法的大规模ＴＳＰ问题求解方案[Ｊ].计算机与现代化ꎬ２０１５(２):３７.[５]㊀邢旭东ꎬ吕现福ꎬ王旭东ꎬ等.一种基于分层自适应移动曲面拟合机载ＬｉＤＡＲ点云数据滤波方法[Ｊ].测绘与空间地理信息ꎬ２０１６ꎬ３９(１):１３９－１４１.[６]㊀刘志清ꎬ李鹏程ꎬ郭海涛ꎬ等.融合强阈值三角网与总体最小二乘曲面拟合滤波[Ｊ].红外与激光工程ꎬ２０１６ꎬ４５(４):１３５－１４２.[７]㊀何海清ꎬ黄声享ꎬ陈婷.一种顾及粗差的径向神经网络高程曲面拟合法[Ｊ].武汉大学学报:信息科学版ꎬ２０１５ꎬ４０(４):１２４－１２８.[８]㊀孙美玲ꎬ李永树ꎬ陈强ꎬ等.基于迭代多尺度形态学开重建的城区ＬｉＤＡＲ滤波方法[Ｊ].红外与激光工程ꎬ２０１５(１):３６９－３７５.[９]㊀李乐林ꎬ江万寿ꎬ李朝奎.一种顾及地形复杂度的ＬｉＤＡＲ点云多尺度滤波方法[Ｊ].测绘科学ꎬ２０１６ꎬ４１(１１):１３０－１３６.[１０]㊀管莉莉ꎬ李明峰ꎬ卢扣ꎬ等.基于Ｋｒｉｇｉｎｇ统计的移动曲面拟合[Ｊ].南京工业大学学报:自然科学版ꎬ２０１１ꎬ３３(３):９８－１０１.[１１]㊀王建民.基于Ｋｒｉｇｉｎｇ下的移动曲面拟合法研究[Ｊ].测绘科学ꎬ２０１２ꎬ３７(４):１６０－１６１.[１２]㊀尹和军ꎬ尹晖.基于不同定权的移动曲面模型的ＧＰＳ高程转换[Ｊ].测绘信息与工程ꎬ２００９ꎬ３４(２):５－６. [１３]㊀苏伟ꎬ孙中平ꎬ赵东玲ꎬ等.多级移动曲面拟合ＬｉＤＡＲ数据滤波算法[Ｊ].遥感学报ꎬ２００９ꎬ１３(５):８２８－８３９. [１４]㊀李胤ꎬ杨武年ꎬ杨荣浩ꎬ等.基于移动曲面拟合算法和加权平均算法的ＤＥＭ内插算法改进[Ｊ].测绘ꎬ２０１０ꎬ３３(４):１６８－１７１.[１５]㊀罗伊萍.ＬｉＤＡＲ数据滤波和影像辅助提取建筑物[Ｄ].郑州:解放军信息工程大学ꎬ２０１０.[编辑:任亚茹](上接第５７页)济快速发展ꎬ特别是四川盆地区域ꎬ地表面貌发生了较大的变化ꎬ很大一部分自然地类转化为人工地类ꎬ地物更加破碎ꎬ地类更加复杂ꎬ导致地表覆盖分类数据中图斑个数增加ꎬ客观上引起基于中分影像判读地类的错误率有所提升ꎬ但是对总体精度的影响有限ꎮ表５㊀全省地表覆盖分类数据精度估算表Ｔａｂ.５㊀Ａｃｃｕｒａｃｙｅｓｔｉｍａｔｉｏｎｔａｂｌｅｏｆｌａｎｄｃｏｖｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｄａｔａｉｎｔｈｅｐｒｏｖｉｎｃｅ地貌分区拟取权重(％)２０００年总体精度(％)２０１０年总体精度(％)２０１４年总体精度(％)一级类二级类一级类二级类一级类二级类平原地区２０.５５８６７８８２７６７８７４丘陵－低山区９.７６８３７９７４７０７７７４低－中山区１３.７３８３７５８４７７８２７８高山区２３.３１９５８５９２８３９３８４高原面３２.６５９１８８９１８８９１８８全省总体精度估算值(％)８９.０８２.６８６.８８１.１８６.２８１.５４㊀结束语通过自主制定的一套地表覆盖数据分类数据精度评定方法ꎬ实现了对基于中分遥感影像获取的四川省２０００年㊁２０１０年和２０１４年３期地表覆盖分类数据的精度评定ꎮ结果表明ꎬ３期地表覆盖分类数据总体精度评价满足设计书要求ꎬ一级类总体精度在均在８５％以上ꎬ二级类总体精度均在８０％以上ꎬ同时也满足数据使用要求ꎮ参考文献:[１]㊀孙金萍.大洋洲地表覆盖分类及精度评价技术研究[Ｄ].泰安:山东农业大学ꎬ２０１２.[２]㊀易俐娜.面向对象遥感影像分类不确定性分析[Ｄ].武汉:武汉大学ꎬ２０１１.[３]㊀李岩ꎬ王旗ꎬ李自力.采样方案对遥感分类精度评价的影响研究[Ｊ].淮海工学院学报ꎬ２０１１(１２):６７－６９. [４]㊀周佳ꎬ赵东玲ꎬ何宇华ꎬ等.基于中巴卫星影像的土地利用分类精度评价[Ｊ].测绘科学ꎬ２００７ꎬ３２(６):２７－３０. [５]㊀曹伟超ꎬ陶和平ꎬ孔博ꎬ等.利用最佳地形特征空间进行地貌形态自动识别 以西南地区为例[Ｊ].武汉大学学报:信息科学版ꎬ２０１１ꎬ３６(１１):１３７６－１３８０.[编辑:任亚茹]１６第１１期吴㊀栋等:基于ＧＡ算法的移动曲面拟合在ＬｉＤＡＲ滤波中的应用。