foody

遥感数据分类不确定性的尺度效应分析

由于类别统计可分性反映了类别被正确分类的概率，因此，通过研究类别统计可分性的尺度效应来反映类别被正确分类的不确定性的尺度效应。我们用 Lanier湖区的 TM多光谱遥感数据作为研究遥感数据分类不确定性尺度效应的实验数据。不同尺度（空间分辨率）的数据通过将原始空间分辨率（30 m）的数据进行逐步尺度扩展得到。尺度扩展的方法是计算一定窗口内原始图像DN值的平均作为尺度扩展后空间分辨率为窗口大小的像元的 DN 值。类别统计可分性度量的计算利用遥感数据分类的训练数据计算。原始空间分辨率数据的分类训练数据通过层次随机采样方法选取。在训练数据选取过程中，记录每个样本点的空间位置形成一个空间掩模（mask），尺度扩展后的遥感数据的训练数据在同样的空间位置上选取，以保证计算类别统计可分性度量不会因采样差异而引入误差。类别统计可分性用TM数据1-5波段计算。图6-2和图6-3分别为各类对之间的变换离散度和 J-M距离随图像空间分辨率的变化。图中大写字母 W、U、B、A、G、C、S、P、D 分别代表图像分类中定义的各类别：水体（Water）、城镇（Urban and Developed）、裸地（Bare Ground）、农地（Agriculture）、草地（Grassland）、云（Cloud）、阴影（Shade）、针叶林（Pine）和阔叶林（Deciduous）。图6-2 类别之间变换离散度随图像空间分辨率的变化图6-3 类别之间 J-M距离随图像空间分辨率的变化从图中可以看出，变换离散度和J-M距离所反映的类对间统计可分性随空间分辨率变化的结构基本一致。图中所反映的统计可分性随空间分辨率变化的结构基本上有四种，任何一种情况都是随空间分辨率的降低，导致类别光谱变异程度的降低和混合像元数目增加，这两个对类对可分性作用相互矛盾的两个因子互动的结果。（1）统计可分性随空间分辨率的降低基本保持不变或略有降低。具有这种变化结构的类对之间，一般在初始空间分辨率就有很高的统计可分性。由于这些类别之间大都没有空间上直接的邻接关系，空间分辨率的降低并不能增加混合像元的数目，或混合像元数目增加非常有限，相反类别内部的光谱变异程度却随着空间分辨率的降低而降低，因此这些类对之间始终保持较高的统计可分性。属于这种结构的类对包括W-U，W-B，W-A，W-G，B-A，U-A，U-C，U-S，A-S，B-S，A-C，C-D，G-S以及C-S等。（2）统计可分性随图像空间分辨率的降低而增高，达到最大值后，随空间分辨率的继续降低而开始降低。在这种情况下，在统计可分性达到最大值之前，随着空间分辨率降低，类别内光谱特征变异程度减小对可分性变化的贡献大于混合像元数目的增加对可分性变化的贡献，超过一定空间分辨率后，混合像元增加对统计可分性变化的贡献大于类内光谱特征变异程度减小对统计可分性的贡献，因为类内光谱特征变异程度的减小到一定程度就不可能再无限减小。属于这种结构的类对间在空间结构上一般具有直接邻接关系，如水体和阴影之间（W-S），农地和草地之间（A-G）以及针叶林和阔叶林之间（P-D）。（3）类对间统计可分性随空间分辨率的降低而持续降低。属于这种结构的类对之间一般也具有直接邻接的空间关系。在初始高分辨率时，这些类对之间具有很高的统计可分性，随着空间分辨率的降低，这些类对间混合像元数目迅速增加，可分性也下降很快。属于这种结构的类对包括W-P，U-G，B-G，U-B，A-D，G-P等。（4）类对间统计可分性随空间分辨率的下降呈震荡结构。这种情况下类内光谱特征变异程度和混合像元数目随空间分辨率的变化对统计可分性的影响的互动比较复杂。在某些尺度上，类内光谱特征变异程度的变化对可分性的影响大于混合像元数目变化的影响，而在另一些尺度上正好相反。属于这种结构的类对包括W-S，A-G，P-D等。从图6-2和6-3还可以看出，不同的类对之间，其统计可分性最大的空间分辨率有所不同。虽然大部分类对间最大的统计可分性发生在原始分辨率，但有许多类对间的最大统计可分性发生在其他空间分辨率。如水体和阴影（W-S）之间的最大统计可分性发生在60 m空间分辨率，而农地和草地之间的最大统计可分性发生在240 m空间分辨率。这证明了并不一定是空间分辨率越高，分类精度越高。因此，要得到高的分类精度，不同的类别之间应该使用不同空间分辨率的数据。图6-4 平均的变换离散度随图像空间分辨率的变化图6-5 平均的 J-M距离随图像空间分辨率的变化图6-4和图6-5分别为平均的变换离散度和平均的 J-M 距离随空间分辨率的变化。平均的变换离散度的最大值出现在60 m分辨率，而平均 J-M 距离的最大值发生在30 m分辨率，但两个指标在30 m和 60 m分辨率的值都非常接近，二者确定的最大可分性发生的分辨率的差异只是这两个统计可分性指标计算方法的差异造成的。可以认为，在30 m和60 m分辨率上具有几乎相同的平均统计可分性。

遥感数据分类不确定性的尺度效应研究

近年来，多尺度的遥感数据广泛用于区域乃至全球尺度的土地覆被制图，因此，人们越来越重视遥感数据分类精度尺度效应方面的研究。Woodcock and Strahler（1987）首次系统研究了遥感中的尺度因子。他们通过分析图像局部方差随图像分辨率的变化，研究遥感分类的尺度效应。一般来说，当遥感数据初始空间分辨率足够高时（像元远小于图像中景的目标物大小），随着图像空间分辨率的逐步降低，图像的局部方差会逐步增大，并在某一分辨率时局部方差达到最大；当图像空间分辨率继续降低时，图像局部方差又开始逐步减小。当图像局部方差达到最大时，表明图像的空间分辨率相当于地面景的目标物的大小。这时类别之间的可分性最大，混合像元最少。但这只是理想情况。由于地物类别的大小，形状和集聚水平有很大差异，实际选用的图像分辨率应高于局部方差方法所确定的最优分辨率。局部方差法研究遥感信息尺度效应的缺点在于，它只考虑了单一波段的图像局部方差变化，而不便应用于多光谱遥感数据；局部方差法的另一个局限性在于图像的局部方差与图像全局的方差有关，不同图像的局部方差直接对比没有意义。此外，局部方差的计算过程中的边界效应影响局部方差的精度。Arbia等（1996）通过图像模拟实验方法研究了尺度研究中著名的“可变面元问题（Modifiable areal unit problem，MAUP）”对多光谱遥感图像最大似然分类精度的影响。其研究结果表明最大似然分类误差的大小随数据空间分辨率的降低而增大，但像元之间的空间依赖性可以部分中和分类误差的增加；空间分辨率对分类误差空间分布的影响主要在类别之间的边缘部分。由于空间分辨率的增加可能同时引起类内光谱变异程度和边缘混合像元数目的变化，而这两者的变化对分类精度的影响又是相互矛盾的，因此系统的评价它们随遥感数据空间分辨率的变化对分类精度的综合影响是必要的。Hsieh等（2001）利用模拟图像，研究了遥感数据空间分辨率对“纯净像元（pure pixel）”和混合像元分类误差的影响。他们通过定义地面采样距离（GSD）（相应于空间分辨率）与目标大小的比值，将空间分辨率和地面目标的大小两个决定类内变异和混合像元数目的因子综合到一个变量中。他们的研究结果表明，当这个比值减小时，纯净像元的分类误差增大而混合像元的分类误差减小。这一结论其实与Markham and Townshend（1981）的分析结果是完全一致的。因为空间分辨率与地面目标比值的减小，可以理解为在空间目标不变时遥感数据空间分辨率提高，因此，类内光谱变异程度增加而混合像元减少。他们研究的另一个结果是随着所定义比值的减小，总体分类误差首先逐步降低，当总体分类误差达到最小值后，随着比值的进一步减小，总体分类误差开始逐步增加。很显然，这一结果与Woodcock and Strahler（1987）的局部方差方法的结论是一致的。因为地面采样距离与地面目标大小的比值逐步减小的效果相当于在地面目标不变时逐步提高遥感数据空间分辨率。随着空间分辨率的提高，局部方差会首先逐步增大，当达到最大值后，局部方差随空间分辨率提高而减小。因此可以预见，地面采样距离与地面目标大小的比值达到最小时的空间分辨率应该和局部方差达到最大值时的空间分辨率一致。但Hsieh等（2001）研究方法的优点在于此方法并不限于单波段遥感数据。Smith等（2002）研究了斑块大小和土地覆被的异质性对遥感图像专题分类精度的影响，将逻辑回归模型用于评价斑块大小和土地覆被的异质性对遥感图像专题分类精度的影响，结果表明当土地覆被异质性增加和斑块减小时，分类精度降低。这个结论实际上是对Markham and Townshend（1981）的理论的验证。因为对于一定空间分辨率的遥感数据，土地覆被异质性的增加和斑块减小的效果实际上是增加了混合像元的数目。Marceau等（1994a，1994b）以中纬度温带森林环境为例，研究了遥感数据测量尺度（空间分辨率）和空间集聚水平对遥感数据分类精度的影响。其研究结果表明：遥感数据空间分辨率的变化和空间集聚水平的变化都会显著影响各类别的统计特征，但空间分辨率变化的影响大于空间集聚水平变化的影响；单个类别的分类精度很大程度上与空间分辨率和集聚水平有关，在一定的集聚水平上，一些类别在高分辨率时，分类精度高，而另一些类别在低分辨率时，分类精度高，因此对于复杂的自然环境，不存在单一的适合于判别所有地理实体的空间分辨率。Moody and Woodcock（1994）研究了遥感土地覆被类型面积估计误差与空间分辨率的关系，发现土地覆被类型面积估计随空间分辨率的变化而变化。在美国北加利福尼亚州森林地区的实验表明，当空间分辨率大于90 m时，面积估计误差显著增大。面积估计误差是空间分辨率、土地覆被类型的大小和土地覆被类别空间结构的函数。Narayanan and Desetty（2002）发展了基于分类精度的遥感信息内容的研究方法，建立了一个基于目标和背景的对比程度以及目标和像元大小相对关系的遥感信息内容的指数模型。对 TM图像和 SIR-C图像的对比研究显示，在像元分辨率较高时，TM图像具有较高的信息内容，而当图像分辨率较低时，SIR-C图像具有较高的信息内容，二者对比关系的变化发生在分辨率为720 m左右。Ferro等（2002）研究了纹理图像分类中的纹理计算窗口的大小对图像分类精度的影响。纹理图像分类的误差主要发生在类别的边缘。大的纹理计算窗口产生比较稳定的纹理测量，但造成大的边缘效应；小的纹理计算窗口的边缘效应小，但一般难以产生稳定的纹理测量。用模拟数据进行纹理分类实验的结果表明，随着纹理计算窗口的增大，纹理的可分性增大，但选取边缘以外的像元评价的可分性可能被高估。总的来说，对于遥感数据分类不确定性的尺度效应研究主要集中在遥感数据空间分辨率的变化导致的混合像元数目的变化和类别内光谱变异程度的变化这两个互为矛盾的因子对遥感分类精度影响。遥感数据空间分辨率的变化对分类结果精度的影响是两个影响因子综合作用的结果。最直接得评价这种综合作用的指标也许是不同分辨率数据最终的专题分类精度。但在遥感图像实际分类中，最终的专题分类精度中包含了分类器本身带来的误差，正如本文第四章的研究结果所示，不同的分类器带来的分类误差是不同的。对于多光谱遥感数据分类来说，一个较好的评价遥感数据空间分辨率变化对分类精度综合作用的方法是进行类别之间光谱特征的统计可分性分析（Separability Analysis）。对训练数据进行统计可分性分析可以估计分类过程中不同特征的期望误差（Swain and Davis，1987）。统计可分性分析被广泛应用于遥感分类中的特征提取过程中。本文试图通过不同空间分辨率的分类训练数据的统计可分性分析来探讨遥感分类精度的尺度效应。