遥感影像解译不确定性的评估与表达.doc

遥感影像解译不确定性的评估与表达 摘自《遥感数据的不确定性问题》 承继成 郭华东 史文中等编著 遥感数据的精度评估研究是从 1975 年开始的 (1973 年发射第一个遥感卫星 )。最早 Hord 和Brooner(1976)，Van Genderen 和Lock(1977)及Ginevan(1979) 曾提出了建立测试评估地图的标准和技术的建议。Roslnfield(1982)，Congalton(1983)，Aronoff(1985)对遥感数据精度的评估标准和技术进行了较深入的研究， 以后又有更多的人参与了该项研究工作。误差矩阵是主要的方法，它能很好地表达专题图的精度，已经成为普遍采用的方法。 一、遥感影像解译不确定性评估综述 遥感解译有人工目视判读和计算机自动分类处理。在本章中我们主要指计算机自动分类。造成遥感影像解译不确定性的原因有遥感数据固有的不确定性 （包括地物波谱的固有的不确定性和遥感影像数据固有的不确定性等）和遥感数据获取、处理、传输、分类过程造成的误差。因此遥感数据解译过程中的不确定性是客观存在、不可避免的。任何解译的成果图件在不同程度上都存在着一定的不确定性，符合“任何人工模拟产品与客观真实世界之间总是存在一定差异”的原理。 遥感影像数据的不确定性是普遍存在的。 一些遥感影像的分辨率很低，经过各种处理影像分类的可信度尽管有所提高但仍然存在不确定性( 表1)，一些地物的可信度仍很低。 表 1 遥感影像分类的可信度 (%)( 据吴连喜 ,2002) 地类 TM影像 Marr融合影像 Brovey融合影像 HIS融合影像 PCA融合影像 城镇建筑 50.50 82.25 61.49 75.91 5839 农村居民点 52.33 60.72 54.48 61.25 5487 裸地 67.74 82.84 76.81 73.52 75.88 大棚 63.31 83.72 78.68 78.21 80.38 耕地 66.74 85.40 7510 82.15 71.98 园地 55.85 80.78 66.59 74.12 67.14 林地 54.75 74.91 64.63 65.57 62.59 水体 65.62 87.29 80.34 82.10 79.08 道路 49.54 62.53 54.11 58.97 53.83 遥感数据分类的不确定性度量方法通常用误差矩阵来度量。从误差矩阵中可以计算出分类精度的指标， 如“正确分类比”。另一种指标是由Cohen 提出来的Kappa系数，后来经Foody(1992) 修正后称为 Tau 系数。 遥感数据分类的专题不确定性是指专题值与其真值的接近程度,其度量随专题数据类型的不同而不同（Lanter and Veregin,1992）。专题数据的类型有两种：分类专题数据 (categorical thematic data) 和连续专题数据 (continuous thematic data), 也有将其分为定性数据 (qualitative data) 和定量数据的 (quantitative data)。连续数据的不确定性度量指标与位置不确定性的度量指标相类似，如方差等 (Lanter and Veregin,1992；Heuvelink,1993；Goodchild et al,1992)。 遥感数据不确定性的度量一般采用基于像元的分类结果评估，其不确定性度量评估流程如图1（Lunetta et al，1991）。 图 1 基于像元的遥感数据不确定性评估流程图 ( 据 Lunetta et al,1991) 二、 基于采样的检验方法 总结现有的文献主要有三种基于实验的检验方法： (1) 对于某一类或全集正确量测的百分比 (Rosenfield，1986); (2) 某一置信水平下某一类或全集正确量测的百分比 (Aronoff,1985；Hord and Brooner,1976)； (3)基于某些参数的某一类或全集正确量测的百分比(Greenland et al,1985；Rosenfield and Fitzpatrick-Lins,1986)。 以上三种方法适用于各种非连续属性值的精度评估。非连续属性数据的评估可以通过对一组分类结果的评价得以实现。地面真实数据有时也称之为参考数据，通过将量测数据与参考数据的比较我们可以建立一个误差矩阵。该矩阵可以描述某一类别的分类精度或整体分类精度。基于这一矩阵可以对分类精度进行进一步地讨论。本节将集中讨论遥感分类影像的精度评估问题。 1. 参考数据的采样 在基于采样数据的属性不确定性评估方法中,采样数据作为误差矩阵或其他统计分析的输入部分,在这个过程中选择适当的采样数据是非常重要的。有两个因素影响着采样