高分一号_高分一号的意义_高分四号(2)

本研究中，采用多项式核函数。

（2）光谱角填图

光谱角填图（Spectral Angle Mapping，SAM)是一种监督分类技术。该算法是将图像波谱直接同参考波谱匹配的一种交互式分类方法，是一种比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。它的分类结果是生成一系列的光谱角度图像，在一定光谱角角度允许的范围内每个角度图像对应一个类型组分像元，即每个像元在光谱相似性上有可能对应于被指定的一个样本参考光谱角度值（光谱曲线值），如果被测像元光谱与所有参考光谱之间的角度超出允许范围，此像元被归为未分类，又叫无值类别。光谱角度越小，被估计像元的光谱曲线与参考光谱曲线就越相似，表现在两者之间的地物特性上也越相似，归类的概率和精度就越高。

1.4 精度评价

作物识别的精度评价是指比较实测数据与分类结果，以确定分类过程的准确程度。分类结果精度评价是进行遥感监测中重要的一步，也是分类结果是否可信的一种度量。最常用的精度评价方法是误差矩阵或混淆矩阵(Error Matrix)方法，从误差矩阵可以计算出各种精度统计值，如总体精度、错分率、漏分率、Kappa系数等。本文采用总体精度与Kappa系数对作物识别结果进行评价。

本研究中，作物种植面积提取的精度评价方法是计算地面样方区域内的某类面积提取结果与样方内该类实际种植面积之差的绝对值与样方内该类实际种植面积之比，它表示该类作物的种植面积提取结果与实地情况之间的误差。

2 结果与分析

2.1 作物识别精度对比

经实地调查，将试验区的分类系统确定为7种主要地物类型：玉米、大豆、蔬菜、棉花、林地（大部分为较矮的苗木）、建筑（包括道路和工地）以及水面。各类型数据的假彩色合成影像如图1所示（近红外/红/绿组合的RGB假彩色显示，影像的显示比例尺均为1:5000）。

图1 多源遥感数据对比图

分别采用SVM和SAM分类器对WFV1、WFV3、WFV4、RapidEye和Landsat-8影像进行分类，分类结果见图２（显示比例尺为1:5000）。

图2 农作物识别及玉米种植面积提取结果图

表2 农作物识别精度统计

分类精度统计结果见表２。RapidEye影像由于空间分辨率较高（5m）对地物的识别精度最高，明显高于其他影像。两种方法相比较，SVM分类器的总体分类精度与Kappa系数都明显高于SAM分类器，而在SAM分类器上二者的指标相近，相比之下SVM方法更适合于农作物的识别分类。GF-1卫星WFV3影像的16M多光谱影像的分类效果较多光谱影像的分类效果较好，最接近于RapidEye影像的指标。采用SVM分类的总体精度达到了87.32%，Kappa系数达到了0.85，高于Landsat-8 OLI 15m融合多光谱影像。二者作为最新的中分辨率遥感卫星数据（GF-1号卫星于2013年4月26日发射，Landsat-8于2013年2月11号发射），GF-1卫星WFV3的16m多光谱影像在农作物分类识别方面的应用效果要优于Landsat-8 OLI 15m融合多光谱影像。几种WFV传感器影像 之间的应用效果差别较大，WFV1和WFV4影像的分类精度明显差于WFV3影像。针对这种现象，对研究范围内3个传感器的原始影像进行灰度直方图分析，结果见图3。

图3 高分3个传感器影像直方图对比分析

以B2波段为例，WFV3影像的DN值分布最宽，主要在280nm——480nm之间。而WFV1和WFV4影像B2波段的灰度峰值变化较窄且陡，其DN值分布要比WFV1影像分别窄40%和50%左右，其他波段的对比也可得出相似结论。这说明WFV1和WFV4影像的灰度值比较集中，其能用于分类的信息量要少于WFV3影像，因此WFV3影像中的地物特征更加清晰，分类效果要优于WFV1和WFV4影像。而且，从图1多光谱影像目视解译可以看出，高分3个传感器中图像辨识度较高的也是 WFV3。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-23336-2.html