土地覆盖更新中训练样本的动态选取方法

发布时间：2022-01-09 15:11

　　针对土地覆盖数据更新的任务,该文提出了训练样本的动态获取的方法。基于变化检测的原理和相对保守的分割阈值获取到的特定数量不变像元,在继承了历史土地覆盖标签后可以作为目标影像分类的训练样本。然而,分割阈值的确定具有较大随意性。该文的方法逐步增加不变像元的规模（即每种地类中不变像元所占地类像元总数的百分比）,同时不断执行目标影像监督分类;以前后两次监督分类结果一致性水平作为不变像元规模是否合理的依据,当一致性水平达到设定水平时,提取过程结束。实验结果表明,该方法克服了训练样本选取时阈值设定的主观性,同时可以避免训练样本中地类缺失的可能性。 

【文章来源】：测绘科学. 2020,45(02)北大核心CSCD

【文章页数】：5 页

【部分图文】：

训练样本的自动提取的流程图

将2015和2017年的影像数据进行预处理得到反射率影像,将两期反射率影像进行变化检测,得到全局变化强度影像。在继承2015年土地覆盖图的地类标签后,得到地类变化强度,对其进行归一化处理,得到地类归一化变化强度影像。通过地类像元总数的百分比来设定阈值,对地类归一化变化强度进行阈值分割,得到各地类的训练样本。使用J-M距离(图2)评价训练样本。从图2中,可以看出耕地和草地、草地和林地等之间的J-M距离较小,即地类间的可分离性较低,其训练样本的质量较差。随着训练样本的增加,建筑物与其他5种地类的可分离性不断降低,造成训练样本的精度降低。而其他的地类间的可分离性随着训练样本的增加而提高。但在取不变像元占该地类像元总数的0.8%之后,训练样本引入了越来越多的变化像元,造成其地类间的可分离性降低和训练样本的代表性降低,即训练样本间的J-M距离降低。

使用所得的训练样本分别对目标反射率影像(2017年)进行监督分类,得到土地覆盖分类结果。以前后两次分类结果的一致性(图3)为依据,判断提取的训练样本是否最合理。从图3中可以看出,随着训练样本的增加,前后两次分类结果的一致性也在增大。在不变像元占地类像元总数的百分比取0.7%和0.8%时,这两次土地覆盖分类结果的一致性达到最大99.637 0%。而在不变像元占地类像元总数的百分比取0.8%之后土地覆盖分类结果的一致性略有降低。

【参考文献】：
期刊论文
[1]多时相遥感影像变化检测的现状与展望[J]. 张良培,武辰.  测绘学报. 2017(10)
[2]多源数据的土地覆被样本自动提取[J]. 黄亚博,廖顺宝.  遥感学报. 2017(05)
[3]遥感影像变化检测算法综述[J]. 佟国峰,李勇,丁伟利,岳晓阳.  中国图象图形学报. 2015(12)
[4]面向灾害应急土地覆被分类的样本自动选择方法研究[J]. 温奇,夏列钢,李苓苓,吴玮.  武汉大学学报(信息科学版). 2013(07)
[5]前期土地覆被数据辅助下的分类样本自动选取[J]. 刘锟,杨晓梅,张涛.  地球信息科学学报. 2012(04)

博士论文
[1]遥感影像多层次信息变化检测研究[D]. 武辰.武汉大学 2015



本文编号：3578951