基于分类方法的水稻面积遥感估算的不确定性研究

【作者】 黄敬峰； 陈拉； 王晶； 王秀珍；

【机构】 浙江大学农业遥感与信息技术应用研究所； 浙江省农业遥感与信息技术重点实验室； 教育部污染环境修复与生态健康重点实验室； 浙江省城市湿地与区域变化研究重点实验室；

【摘要】 遥感数据分类结果的不确定性是从遥感数据的获取、处理、转换、分类以及分类后处理等过程中每一个处理所引入的不确定性积累的结果,而其中分类方法本身是导致分类不确定性的主要因素之一,即使同样的数据,经过同样的处理过程后,采用不同的分类器可能会得到差异很大的分类结果。虽然已有大量分类方法比较的研究,但是从分类方法引起的分类结果不确定的角度,开展水稻面积提取的不确定性问题的研究还比较少。本文利用位于浙江省海盐县的研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1米的遥感模拟影像。对研究区TM影像用三种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种非参数的分类法(最大似然法MLC)进行硬分类分析,结果显示,非参数分类法精度均高于参数分类法,但是所有分类法的分类总精度都不是很高;并且遥感影像像元混合程度越严重,其分类精度越低,不同分类法在混合像元的分类能力上没有明显差异。采用BPN全模糊分类、BPN和KNN模糊分类法用于模拟影像和真实TM影像混合像元类别面积估测,证明全模糊分类法的混合像元类别面积估测精度明显高于部分模糊方法,且就中国南方而言,全模糊分类更适用于空间分辨率相对较低混合像元比例很大的遥感影像分类,用全模糊分类方法可以避免部分模糊分类法存在的选择合适和足够的纯像元进行分类法训练的难题,能提高分类精度。通过抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类,发现多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度。研究进而采用最多数法则的尺度扩展算法,实现由3米空间分辨率参考图提取30米空间分辨率影像像元纯度信息,研究区在30米空间分辨率的情况下,TM影像像元纯度超过90%的仅有38.51%,混合像元比例超过60%,经过尺度扩展后,各类别总面积不确定性较小,但是像元水平上的类别属性和位置误差很大,这种不确定性因类别地块大小形状等不同差异显著。本研究采用各算法单独分类、多种分类算法结合以及全模糊BP神经网络分类等不同的分类策略,利用TM和模拟影像数据分类,比较分类方法引起的水稻面积提取的不确定性,以及地面参考数据尺度扩展后类别面积和位置的不确定性,该研究成果对于从分类方法的角度减少水稻面积提取结果的不确定性具有现实意义。更多还原