一种遥感分类误差空间分布制图方法技术

本发明专利技术属于遥感信息不确定性可视化表达领域，涉及一种遥感分类误差空间分布制图方法，在遥感分类误差空间分布制图模型中加入最大后验概率

A Mapping Method for Spatial Distribution of Remote Sensing Classification Errors

【技术实现步骤摘要】
一种遥感分类误差空间分布制图方法
本专利技术属于遥感信息不确定性可视化表达领域，特别涉及遥感分类误差空间分布可视化表达领域。
技术介绍
土地覆盖等专题地图已经广泛地服务于全球或区域不同尺度的生态、农业、环境等模型等多种后续研究和应用中，为全球气候变化、农业、生态、环境等政策的制定提供了重要的依据。遥感分类是从遥感影像中获取土地覆盖类型等信息的一种重要方法。然而，由于遥感影像成像过程中的尺度效应、异物同谱、混合像元等问题以及分类方法本身的缺陷等因素导致由遥感分类得到的专题产品与实际地面相比存在一定的误差。这种误差直接或间接地增加了以遥感专题分类成果数据为数据源的后续研究结论和应用的不确定性，甚至影响了决策制定的可靠性。因此，准确、定量地表达遥感分类误差空间分布至关重要。当前，定量表达遥感分类误差空间分布主要有以下三种方法：(1)误差矩阵法误差矩阵又称混淆矩阵，是一种基于随机样本用于比较分类结果与地面参考数据之间符合程度的矩阵(见表1)。矩阵的行代表遥感影像分类得到的分类结果图，列表示地面参考数据中的类型。误差矩阵中某个元素qmn表示遥感分类图像上属于第m类且在地面参考数据中数据属于第n类的像元个数。通过构建该误差矩阵能够计算出总体精度(OA)，Kappa系数，用户精度(UA)和生产者精度(PA)等反映遥感分类准确度的指标。该方法的优势在于用简单的指标有效地表达了遥感分类图的精度，易于理解；但是不能表达遥感分类误差在空间上的分布。(2)空间插值法空间插值法的基本假设是遥感分类误差在空间上不是相互独立的，存在一定的空间自相关性。该方法的基本做法是首先对遥感分类图随机抽取一定量的样本，然后将样本分类结果与参考数据进行对比，正确的标记为“1”，错误的标记为“0”；然后将样本的“0-1”值插值成全图的遥感分类误差空间分布图。空间插值采用的数学方法一般有克里金方插值法、反距离加权插值法等。空间插值方法的优势在于通过样本间的相关性和简单的计算方法就得到了误差的空间分布图；劣势在于空间插值法中每一个待插值的像元须在样本的有效控制范围之内，从而造成该方法对样本的数量和在空间分布上的要求极高。(3)函数回归法函数回归模型用于表达遥感分类误差空间分布的理论假设是像元分类误差与像元的空间景观结构等地物分布性质高度相关。例如，地块破碎的区域在遥感影像上更容易发生错误的分类现象。基本思路是寻找合适的空间景观特征指标，然后建立这些指标与分类误差之间的函数关系式，最后对每个像元的误差概率进行计算和制图。该方法的关键在于空间景观特征指数的选择。常用的空间景观指数主要有空间异质性和图斑斑块面积等。相比空间插值法，函数回归模型降低了对样本数量的依赖。但是，目前作为回归模型的变量均来自表达像元与其邻接像元之间空间关系的景观格局指数；缺乏像元本身光谱相似性等信息导致分类误差的指标，使得最终表达的遥感分类误差空间分布图主要表达了地块边缘部分的误差，表达的精度存在一定的偏差。综上所述，以上传统的空间插值法对样本的数量和空间分布有严格的要求，增加了野外调查的成本；函数回归法只考虑了空间景观特征方面的指标，导致表达的分类误差空间分布的一般特点是地物边缘分类误差多，斑块内部像元的误差小，难以反映遥感普遍的“异物同谱”、“同物异谱”、“分类归属”等问题导致的像元误差，致使表达的遥感分类误差空间分布与实际偏差很大。
技术实现思路
本专利技术要解决的技术问题是：找到能够反映遥感分类误差在空间上分布的像元光谱特征因子指标，并结合传统的空间景观特征因子指标；然后以这些因子指标建立遥感分类误差空间分布表达模型进行误差空间分布制图，提高遥感分类误差空间分布图表达的准确度与精确性。本专利技术解决其技术问题所采用的技术方案是：一种遥感分类误差空间分布制图方法，包含以下步骤：步骤1)：遥感图像分类；步骤2)：随机抽选样本并标记样本分类正确与否；步骤3)：模型因子指标选择与归一化计算；步骤4)：构建误差概率制图模型；步骤5)：遥感分类误差空间分布制图；具体地，上述步骤1)至步骤5)具体为：步骤1)：对一副遥感影像利用机器学习算法进行分类，得到土地覆盖类型空间分布图以及每个像元属于各类型的后验概率图；步骤2)：随机抽样本并标记样本的分类正确性。对遥感分类图像随机抽取1套独立的、一定比例(数量)的样本；选择参考影像或通过地面调查，通过比较分类图像与参考影像(或地面调查)数据，标记每个样本是否分类正确，正确的标记为“1”，错误的标记为“0”；步骤3)：依据分类图和后验概率图，计算表达遥感分类误差分布模型的5个因子指标，主要包括3个景观格局指数(空间异质性、平均斑块大小、像元所在斑块面积)和2个光谱特征指数(最大后验概率、后验概率信息熵)；步骤4)：构建误差概率回归模型，模型自变量为步骤3)中的5个因子指标，因变量为步骤2)中的分类是否正确的值，值为“1”或“0”，制图模型采用Logistic回归模型；利用步骤2)中的样本数据解算模型中的未知参数；步骤5)：遥感分类误差空间分布制图，将模型应用于遥感分类图像中的每个像元，依据每个像元的5个模型指标计算每个像元的分类误差概率，然后在ArcGIS软件中进行遥感分类误差空间分布制图。其中，步骤1)中机器学习分类算法一般选择最大似然法、SVM支持向量机、光谱角、平行六面体等算法；分类的类型数量至少在2类(含)以上。具体地，步骤2)中的一定数量的样本，一般为总体分类像元数量的0.5％-2％，遥感分类图像中每个类型的样本总数最低不能少于120个。具体地，步骤2)中的参考数据来源如果是地面调查，则一般采用GPS在野外采集实际地物的类型；参考数据的来源如果是高分影像，那么高分影像的空间分辨率至少小于等于遥感分类图像分辨率的1/5(例如，分类影像的空间分辨率是30米，那么高分影像的空间分辨率至少是6米)。具体地，步骤3)中的空间异质性(HET)的计算公式如下，其中，yi为分类图像上第i个像元的类型，yk表示与yi邻接的像元的类型。当yi与yk类型相同时，Ψ(yi＝yk)取值为0；当yi与yk类型不同时，Ψ(yi＝yk)取值为1。z表示邻域关系，四邻域时z＝4，八邻域时z＝8。HET值代表了像元类别与周围像元类别之间的差异性。H值越高表示像元的空间结构越复杂，分类的误差概率越高。具体地，步骤3)中像元所在斑块面积的计算公式如下，Aj＝(PatchAreaj|i∈Patchj)其中，i∈Patchj表示图像上第i个像元属于斑块j，判定第i个像元属于斑块j的原则是第i个像元的分类类型与斑块j(Patchj)中每一个像元的类型相同，并且与斑块j中至少有一个像元相邻。统计第j个斑块的面积为PatchAreaj。具体地，步骤3)中平均斑块大小计算公式如下，其中，PatchAreai是第i个斑块的面积，所有斑块的面积的总和，n为所有斑块的数量。具体地，步骤3)中最大后验概率(Pmax(k))计算的方法，如下：Pmax(k)＝Max(P(ωi|xk))其中，xk是遥感图像上第k个像元的光谱向量；P(ωi|xk)是经过机器学习遥感分类后xk属于第ωi类的后验概率；Max(P(ωi|xk))是xk属于不同类的后验概率中的最大值。最大后验概率越大，属于第ωi类的可能性越高，在本文档来自技高网...

【技术保护点】
1.一种遥感分类误差空间分布制图方法，包含以下步骤：步骤1)：遥感图像分类；步骤2)：随机抽选样本并标记样本分类正确与否；步骤3)：模型因子指标选择与归一化计算；步骤4)：构建误差概率制图模型；步骤5)：遥感分类误差空间分布制图。

【技术特征摘要】
1.一种遥感分类误差空间分布制图方法，包含以下步骤：步骤1)：遥感图像分类；步骤2)：随机抽选样本并标记样本分类正确与否；步骤3)：模型因子指标选择与归一化计算；步骤4)：构建误差概率制图模型；步骤5)：遥感分类误差空间分布制图。2.如权利要求1所述的一种遥感分类误差空间分布制图方法，其特征在于：所述步骤1)至步骤5)具体为：步骤1)：对一副遥感影像利用机器学习算法进行分类，得到土地覆盖类型空间分布图以及每个像元属于各类型的后验概率图；步骤2)：对遥感分类图像随机抽取1套独立的、一定比例的样本；选择参考影像或通过地面调查，通过比较分类图像与参考影像或地面调查数据，标记每个样本是否分类正确，正确的标记为“1”，错误的标记为“0”；步骤3)：依据分类图和后验概率图，计算表达遥感分类误差分布模型的5个因子指标，包括空间异质性、平均斑块大小、像元所在斑块面积、最大后验概率和后验概率信息熵；然后按照归一化公式将所有指标的值归至[0,1]范围内；步骤4)：构建误差概率回归模型，模型自变量为步骤3)中的5个因子指标，因变量为步骤2)中的分类是否正确的值，值为“1”或“0”，制图模型采用Logistic回归模型；利用步骤2)中的样本数据解算模型中的未知参数；步骤5)：遥感分类误差空间分布制图，将模型应用于遥感分类图像中的每个像元，依据每个像元的5个模型指标计算每个像元的分类误差概率，然后在ArcGIS软件中进行遥感分类误差空间分布制图。3.如权利要求2所述的一种遥感分类误差空间分布制图方法，其特征在于：所述步骤2)中一定比例的样本为总体分类像元数量的0.5％-2％，并且遥感分类图像中每个类型的样本数不少于120个。4.如权利要求2所述的一种遥感分类误差空间分布制图方法，其特征在于：步骤3)中最大后验概率Pmax(k)的计算方法如下：Pmax(k)＝Max(P(ωi|xk))其中，xk是遥感图像上第k个像元的光谱向量；P(ωi|xk)是经过机器学习遥感分类后...

【专利技术属性】
技术研发人员：顾建宇，黄琳，黄寅常，
申请(专利权)人：常州市星图测绘科技有限公司，
类型：发明
国别省市：江苏,32