专利名称：一种分析景观特征对遥感分类图斑精度影响的方法
一种分析景观特征对遥感分类图斑精度影响的方法
技术领域：
本发明涉及遥感图像分类领域，特别是一种分析景观特征对遥感分类图斑精度影响与评价的方法。
背景技术：
遥感分类专题图被广泛应用在许多领域，如土地覆盖/利用变化监测、动物栖息地选址、水文分析、风险分析以及自然资源调查，常被用来描述土地覆盖的空间分布及形态、估算土地覆盖面积等方面(Stehman andCzaplewski, 1998 ；Smith et al.，2002)。专题图的精度及误差分布直接影响到专题图的应用范围及效果(Foody，2002 ;Smith et al., 2002 ；Smith et al. , 2003) 0因此，全面了解土地覆盖专题图误差的来源、空间分布范围对基于遥感分类专题图的土地覆盖应用具有重要的意义(Congalton and Green, 1993 ； Congalton and Green, 1999 ；Yang et al.，2000 ；Shao et al.，2001)。准确的土地覆盖精度表达与评价是土地覆盖专题图应用的重要组成部分。从1980年起，遥感分类质量的评价经历了从定性到定量、从非位置差异到空间位置差异的研究过程。混淆矩阵被广泛应用于综合描述精度评价的结果，对每一类进行随机布点计算非位置差异的平均精度。比如，分类专题图中某类地物的比例与真实情况下该地物的比例之间的差别作为该地物的总体精度(Foody，200 。整个专题图被看作一个空间单元，混淆矩阵获得的非特定位置的精度可以被看作是土地覆盖组成中单元整体的精度(Stehman etal.，2007 ；Stehman, 2009a, b)。 混淆矩阵可以获得遥感分类精度的定量指标，如总体精度、Kappa系数、漏分误差和错分误差、生产者精度和用户精度(Congalton and Green, 1999 ；Smith et al. ,2002) 但随着研究的深入，混淆矩阵被证实并不能完整的表达遥感分类的质量。Foody认为，Kappa系数计算过程实际上高估了偶然一致性，致使遥感总体分类精度被低估。Stehman等人研究认为，混淆矩阵的整体精度无法表达遥感分类的不确定性及误差的有偏分布(Koukoulas and Blackburn,2001 ；Foody,2002) 遥感分类误差的产生因素有很多，主要包括地物特性、传感器分辨率、光谱空间混淆、预处理过程以及分类方法等(Campbell，198 。由于土地覆盖类型异质性较高、地物斑块较小、地物形态错综复杂等景观特征都会导致遥感分类的误差，因此，地物景观特征能够反映出遥感分类误差的有偏分布(Moisen et al.，1994)。此外，由于像元所反映的光谱特性易受周边像元光谱的影响，导致不同地物光谱叠加和混杂区像元分类误差增大(Townshend et al.，2000)，从而不同地物之间的过渡地带存在错分的像元(Campbell， 1987)。Congalton (1988)利用林地-非林地专题图进行误差的有偏分布分析，验证了这一规律的存在。随后许多学者基于经验及实验，定性的评价了像元所处位置与分类精度的关系(Wickham et al.，1997)。Smith和Mehman定量分析景观图斑大小、像元分类异质性与像元分类误差之间的关系，证明分类误差与景观变量(图斑大小、异质性)确实存在一定的关系，进而利用空间特征因素表达分类误差的可能性分布(Smith et al. ,2002 ；Smith et al.，2)。但是，这些研究均以单个像元作为研究对象，只考虑到像元位置可能造成的影响，忽略了地物本身的形状特征及空间分布结构特性。普遍经验认为，遥感分类结果中，分类图斑形状、规模分布可能造成误差分布具有较大的差异。胡潭高等通过利用分类图斑破碎度作为遥感抽样的分层标志，一定程度上反映出图斑的破碎度与分类精度之间的关系(胡潭高，2010)。
发明内容针对传统土地覆盖专题图精度评价方法的不足，本发明以遥感分类图斑为单元构建破碎度、面积指标，选择冬小麦规模、破碎种植的两个实验区开展研究，探讨景观指标与分类精度之间的关系，进一步深入探讨了采用遥感分类的空间特征进行精度评价与分析的理论基础，提出了一种基于景观特征对遥感分类图斑精度影响的分析方法。本发明旨在采用遥感分类图斑的景观特征对分类精度进行描述与表达，从而为与土地覆盖专题图相关的应用及研究提供依据与指导。本发明提出的景观特征对遥感分类图斑精度影响的分析方法，包括以下步骤步骤一、获取数据，包括对原始影像进行数据标准化处理，同时对高分数据进行目视解译，获取真值土地覆盖数据；步骤二、对步骤一获得的数据进行遥感识别，包括分类和分类后处理，其中在分类过程中包括有分类图斑的确定；步骤三、对步骤二进行预处理得到的分类结果数据与真值数据进行相关度计算、 建立回归模型从而完成回归曲线拟合，其中包括针对景观特征的景观指数定义；步骤四、对步骤三建立的模型进行检验，同时对景观指数表达的分类误差进行评价。优选的，上述步骤一中的数据包括两种，一种是20m分辨率spot数据，另一种是 2. 4m分辨率Quick Bird数据，对于第一种数据采用数据标准化处理，对于第二种数据进行目视解译。优选的，上述步骤二的预处理包括对标准化处理后的数据进行SVM监督分类，得到分类结果，接着进行分类后处理及二值化，得到分类专题图，再接着进行图斑矢量化，得到矢量化图斑。优选的，对上述2.細分辨率Quick Bird数据进行目视解译后得到参考真值，为后续步骤三的曲线拟合过程提供参考数据。对上述矢量化图斑进行景观指数计算，其中景观指数包括图斑面积、图斑破碎度， 进而分析计算精度与景观指数之间的关系。对上述目视解译所得的参考真值进行图斑精度的计算，进而分析分类精度与景观指数之间的关系。对上述计算得到的精度与景观指数进行相关性分析，通过建立回归模型进行曲线拟合，将拟合结果进行显著性检验，如通过检验则建立回归模型，如检验不通过，则重新通过回归模型进行拟合，直到可以通过显著性检验。优选的，上述步骤四具体为对通过显著性检验的结果进行回归模型建立，并确定最佳曲线回归模型，进一步对模型进行检验，从而得到景观指数的评价结果。本发明提供的利用景观特征对遥感分类图斑精度影响的分析方法，针对传统土地覆盖专题图精度评价方法的不足，以遥感分类结果图斑为单元构建破碎度、面积指标，选择冬小麦规模种植、破碎种植的两个研究区域，探讨破碎度与分类精度之间的关系，进一步深入探讨了采用遥感分类图斑的空间特征进行精度评价与分析的理论基础，采用遥感分类图斑的景观特征对分类精度进行描述与表达，从而为与土地覆盖专题图相关的应用及研究提供依据与指导。
图1为不同尺度的分类图斑；
图2为研究区概况图3为本发明分析方法实验设计及流程图4为图斑分类精度评价方法图fe为大兴区图斑精度与图斑破碎度、图斑面积关系散点图
图5b为通州区图斑精度与图斑破碎度、图斑面积关系散点图
图6a为大兴区分类精度与图斑面积模型回归拟合图6b为大兴区分类精度与破碎度模型回归拟合图6c为通州区分类精度与图斑面积模型回归拟合图6d为通州区分类精度与破碎度模型回归拟合图7a为大兴区分类精度与图斑面积模型回归拟合图7b为大兴区分类精度与破碎度模型回归拟合图7c为通州区分类精度与图斑面积模型回归拟合图7d为通州区分类精度与破碎度模型回归拟合图。
具体实施方式下面结合
及具体实施方式
对本发明进一步说明。首先，对遥感分类中误差分布与景观指数定义进行简单说明。遥感分类精度与遥感分类误差产生的因素有很多，主要包含的误差类型有混合像元造成的误差、分类类型错误误差、以及系统误差(操作误差)等，模型公式表示如下
「00341 L=F (FF Fρ ) (1)
Lvwrj、accuracy 1 unction ^-^mixed-pixel ‘ j^system' j^misclassification' ^others^^其中ξ accuracy表示遥感分类精度；Emixed_pixel表示混合像元造成的误差；Esystem表示系统误差 ；EmiscIassification 表不分炎炎型“]^差 ；Eothers表不其它误差。本发明主要研究混合像元所造成的误差。由于传感器分辨率的限制及地物光谱重叠等因素产生的混合像元主要存在于不同类别地物的交界处，传统混淆矩阵进行精度评价是以像元为单元对分类专题图随机布点评价，计算出分类专题图的平均精度。基于点的随机抽样评价方法具有非位置(随机分布)的特性，但事实上遥感专题图分类误差并不是随机分布的。Smithand St印hen等人探讨了像元位置差异的误差分布(Smith et al., 2002 ；Smithet al. ,2003 ；Herrmann et al. ,2005 ；Stehman and Wickham, 2006 ；Stehman, 2009a)，证实了遥感分类误差的空间分布差异性。传统基于像元的精度评价，其变量是二元响应变量，即对(1)与错(0)。本发明基于影像分类图斑的空间特征进行精度评价，不仅包含位置的对错，同时包含图斑正确的比率。图1讨论了从1个像元(per-pixel)到6个像元(multi-pixel)的图斑情况，分类图斑以八邻域规则组成，其中每一个图斑下面的数字标明该图斑像元集合中像元公共边的数目。在同一像元个数图斑的前提下，像元公共边数目逐级减少，随着公共边的减少，图斑上独立像元(与周边无公共边的像元，与其他像元呈 8邻域)逐渐增多。根据遥感分类的特性，像元越集聚，呈规则图斑，则遥感的分类精度越高。随着图斑上独立像元的逐渐增多，则图斑上呈不规则状，从而导致图斑上混合像元的数量增加，导致分类结果的精度降低。本发明仅考虑专题图分类中混合像元对分类图斑精度的影响，分类精度相关自变量如公式2所示y = f (Xl, x2, ...,Xi, ... xn) (2)其中Xi表示景观指数变量，如图斑面积、图斑破碎度、空间异质性、图斑周长等指标；y表示分类图斑精度。关于景观指数与分类误差之间无法预知是否符合线性、非线性关系，因此，需要对两个变量分别进行线性回归与曲线估计，达到确定自变量因子与因变量分类图斑精度的最优回归模型。破碎度最早被用于生态学景观指数的研究，用来确定群落的形状与正方形或者圆形的接近程度或完整程度(Jaeger，2000 Jurita-Milla et al.，2011)。本发明借鉴此思想，表达分类图斑的形状特征混合像元主要集中在不同地物交界处即图斑的边缘区域， 与分类图斑周长呈显著的正相关；同时，图斑大小与分类精度呈显著的正相关(Smith et al.，2002 ；Smith et al.，2003 ；Herrmann et al.，2005)。因此，综合二者的特征，引入景观破碎度指标(根据遥感分类的特点，孤立像元受周边像元光谱信息的影响，分类误差最大， 则孤立像元破碎度最大，反之破碎度降低)，定义如下
权利要求
1.一种分析景观特征对遥感分类图斑精度影响的方法，其特征在于包括以下步骤步骤一、获取数据，包括对原始影像进行数据标准化处理，同时对高分数据进行目视解译，获取真值参考数据；步骤二、对步骤一获得的数据进行遥感识别，包括分类和分类后处理，其中在分类过程中包括有分类图斑的确定；步骤三、对步骤二进行预处理得到的分类结果数据与真值数据进行相关度计算、建立回归模型完成回归曲线拟合，其中包括景观特征的景观指数定义；步骤四、对步骤三建立的模型进行检验，同时对景观指数表达的分类误差进行评价。
2.根据权利要求1所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于所述步骤一中的数据包括两种，一种是20m分辨率spot数据，另一种是2. 4m分辨率 Quick Bird数据，对于第一种数据采用数据标准化处理，对于第二种数据进行目视解译，获取准确的土地覆盖数据。
3.根据权利要求1所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于所述步骤二的预处理包括对标准化处理后的数据进行SVM监督分类，得到分类结果， 接着进行分类后处理及二值化，得到分类专题图，再接着进行图斑的矢量化，得到矢量化图斑。
4.根据权利要求2所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于对所述2. !分辨率Quick Bird数据进行目视解译后得到参考真值，为后续的步骤三的曲线拟合过程提供数据。
5.根据权利要求3所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于对矢量化图斑进行景观指数计算，其中景观指数包括图斑面积、图斑破碎度、空间异质性和图斑周长，进而分析计算图斑精度与景观指数之间的关系。
6.根据权利要求4所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于对目视解译所得的参考真值进行图斑精度的计算，进而分析计算精度与景观指数。
7.根据权利要求5或6所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于对计算得到的精度与景观指数进行相关性分析，建立回归曲线模型，对拟合结果进行显著性检验，如通过检验则建立回归模型，如检验不通过，则重新通过其他回归模型进行拟合，直到可以通过显著性检验，确定适宜的回归模型。
8.根据权利要求7所述的分析景观特征对遥感分类图斑精度影响的方法，其特征在于所述步骤四具体为对通过显著性检验的结果进行回归模型建立，并建立最佳曲线回归模型，进一步对模型进行检验，从而得到基于景观指数的精度误差评价结果。
全文摘要
本发明提供一种分析景观特征对遥感分类图斑精度影响的方法，包括步骤一、获取数据，包括对原始影像进行数据标准化处理；步骤二、对步骤一获得的数据进行图像识别，包括分类和分类后处理，其中分类过程中包括有分类图斑的确定；步骤三、对步骤二进行识别得到的数据进行分类图斑与真值数据图斑之间的相关性计算，进行回归曲线拟合建立回归模型，其中包括表达景观特征的景观指数定义；步骤四、对步骤三建立的回归模型进行统计检验，同时对景观指数表达的分类误差进行评价。本发明采用遥感分类的空间特征进行精度评价与分析的理论基础，采用遥感分类图斑的景观特征对分类精度进行的描述与表达，为与土地覆盖专题图相关的应用及研究提供依据与指导。
文档编号G06K9/62GK102298705SQ201110230310
公开日2011年12月28日 申请日期2011年8月12日 优先权日2011年8月12日
发明者喻秋艳, 张锦水, 朱爽, 潘耀忠, 金陆 申请人:北京师范大学