基于時(shí)空融合的Landsat反射率數(shù)據(jù)時(shí)序重建與分類質(zhì)量評(píng)價(jià)

李 瑄，李大成,2，陳金勇，孫 康

(1.太原理工大學(xué) 礦業(yè)工程學(xué)院，太原 030024；2.高分辨率對(duì)地觀測(cè)系統(tǒng)山西數(shù)據(jù)與應(yīng)用中心，山西 晉中 030600；3.中國(guó)電子科技集團(tuán)第五十四研究所，石家莊 050081)

遙感影像土地覆蓋分類具有覆蓋范圍廣、分類速度快的優(yōu)點(diǎn)，在準(zhǔn)確檢測(cè)開發(fā)土地利用情況方面應(yīng)用非常廣泛[1-3]。由于存在“同一物體具有不同光譜，而不同物體具有相同光譜”的現(xiàn)象，當(dāng)使用單時(shí)相影像來(lái)提取土地利用情況時(shí)，信息提取的準(zhǔn)確性受到嚴(yán)重影響。由于受衛(wèi)星重訪周期和天氣的影響，難以獲得足夠多的高質(zhì)量的時(shí)間序列影像來(lái)進(jìn)行土地覆蓋分類。在遙感數(shù)據(jù)源方面，連續(xù)的高分辨率遙感影像數(shù)據(jù)對(duì)準(zhǔn)確記錄地物特征意義重大。因此用于融合不同時(shí)空分辨率遙感數(shù)據(jù)，以獲取連續(xù)高分辨率數(shù)據(jù)的時(shí)空融合模型得到了廣泛應(yīng)用。

在變換模型的融合方法中，主要是小波變換，即對(duì)影像進(jìn)行小波分解，然后對(duì)分解后的各層進(jìn)行融合處理，通過(guò)小波變換來(lái)實(shí)現(xiàn)影像的融合[4]。其中MALENOVSKY et al[5]首先通過(guò)小波變換的方法，將MODIS和TM影像數(shù)據(jù)進(jìn)行了融合。ACERBI-JUNIOR et al[6]運(yùn)用三層分解方法，為最小失真情況下的原圖像分辨率的提升構(gòu)建了概念框架。在重構(gòu)的時(shí)空融合模型中，最為流行的是由GAO et al[7]提出的STARFM(spatial and temporal adaptive reflence fusion model,STARFM)算法，并且在后續(xù)得到廣泛的研究與應(yīng)用；ZHU et al[8]提出的ESTARFM(enhanced spatial and temporal adaptive reflence fusion model，ESTARFM)算法改進(jìn)了STARFM算法，逐漸成為使用最為廣泛的時(shí)空融合算法。

在學(xué)習(xí)模型的融合方法中，HUANG et al[9]利用稀疏表達(dá)與字典學(xué)習(xí)提出了基于稀疏表達(dá)的時(shí)空融合模型，用非線性的方式得到了包含高低分辨率空間細(xì)節(jié)的字典對(duì)，使用字典對(duì)重建預(yù)測(cè)時(shí)刻的高分辨率影像。

在時(shí)空融合技術(shù)的應(yīng)用方面，JIA et al[10]通過(guò)融合生成高分辨率NDVI數(shù)據(jù)，提取高分辨率時(shí)間序列NDVI數(shù)據(jù)中的物候特征，與Landsat數(shù)據(jù)的光譜數(shù)據(jù)集成，實(shí)現(xiàn)了分類精度的提升；DENG et al[11]使用ESTARFM時(shí)空融合模型融合Landsat和MODIS數(shù)據(jù)并獲得時(shí)間序列高分辨率影像，使用基于對(duì)象的分類方法提取土地利用信息，得到了較好的分類精度；CHEN et al[12]通過(guò)融合MODIS、HJ-1A以及DEM等多源數(shù)據(jù)，證明了時(shí)間、光譜、角度和地形特征的融合數(shù)據(jù)比原始遙感數(shù)據(jù)具有更高的土地利用分類精度。

當(dāng)前時(shí)空融合技術(shù)在土地覆蓋分類上的應(yīng)用均為探索性研究，對(duì)融合方法與分類方法的協(xié)同機(jī)制方面缺少相應(yīng)的應(yīng)用檢驗(yàn)。因此，本文采用典型時(shí)空融合模型來(lái)生成研究區(qū)多時(shí)相的Landsat-5 TM反射率數(shù)據(jù)，在隨機(jī)森林、最大似然與支持向量機(jī)分類器的支持下，對(duì)比分析了時(shí)空融合方法與分類器的協(xié)同分類結(jié)果及其精度表現(xiàn)，驗(yàn)證了該協(xié)同機(jī)制的具體表現(xiàn)，進(jìn)一步完善了相關(guān)研究。

1 研究區(qū)概況與數(shù)據(jù)情況

1.1 研究區(qū)概況

基于對(duì)地物類型與氣候變化的考慮，本文選擇了遼寧省朝陽(yáng)市西部地區(qū)作為實(shí)驗(yàn)研究區(qū)(如圖1所示)。該研究區(qū)主要覆蓋朝陽(yáng)市轄區(qū)與朝陽(yáng)縣，地理范圍為東經(jīng)118°50′—121°17′，北緯40°25′—42°22′，總面積共5 625 km2，屬北溫帶大陸性季風(fēng)氣候，地物類型包括建筑物、農(nóng)田、林地、水體、裸地。

圖1 研究區(qū)遙感影像Fig.1 Remote sensing image of studied area

1.2 實(shí)驗(yàn)數(shù)據(jù)

本文篩選了2008-03-13-2009-02-02間的無(wú)云Landsat和MODIS數(shù)據(jù)為最終的實(shí)驗(yàn)數(shù)據(jù)，Landsat數(shù)據(jù)需進(jìn)行正射校正、輻射定標(biāo)以及大氣校正等處理，MODIS數(shù)據(jù)需進(jìn)行重投影及重采樣處理。所采用的具體數(shù)據(jù)信息如表1所示。為驗(yàn)證分類結(jié)果的精度并進(jìn)行對(duì)比分析，收集了研究區(qū)2008年的土地利用調(diào)查資料及其處理成果作為參考分類數(shù)據(jù)源，用于對(duì)分類結(jié)果的精度評(píng)定。

表1 遙感數(shù)據(jù)信息Table 1 Remote sensing data information

2 實(shí)驗(yàn)方法

采用多種時(shí)空融合模型對(duì)研究區(qū)多時(shí)相30 m分辨率影像數(shù)據(jù)進(jìn)行融合重建以及質(zhì)量評(píng)價(jià)。依據(jù)重建數(shù)據(jù)進(jìn)行土地利用分類，并研究時(shí)間特征信息對(duì)分類精度變化的影響。實(shí)驗(yàn)流程如圖2所示。

圖2 實(shí)驗(yàn)流程Fig.2 Experimental procedure

2.1 基于時(shí)空融合的時(shí)序影像生成

時(shí)空融合是一種在現(xiàn)有高低分辨率影像數(shù)據(jù)對(duì)的基礎(chǔ)上，運(yùn)用特定的算法，實(shí)現(xiàn)對(duì)預(yù)測(cè)時(shí)期高分辨率影像融合重建的方法。由于時(shí)空融合模型在不同區(qū)域的適用程度不同，融合重建結(jié)果質(zhì)量會(huì)有一定差異，因此本文選用STARFM、ESTARFM與半物理3種時(shí)空融合模型，分別對(duì)研究區(qū)時(shí)序數(shù)據(jù)進(jìn)行重建和質(zhì)量評(píng)價(jià)，以探索重建質(zhì)量與時(shí)序數(shù)據(jù)分類結(jié)果精度的關(guān)系。

2.1.1STARFM時(shí)空融合模型

STARFM時(shí)空融合模型是由GAO et al[7]提出的一種通過(guò)基礎(chǔ)時(shí)相的高低分辨率影像和預(yù)測(cè)時(shí)期的低分辨率影像，實(shí)現(xiàn)預(yù)測(cè)時(shí)期的高分辨率影像融合重建的算法。該模型是在原始數(shù)據(jù)的基礎(chǔ)上，設(shè)定一個(gè)滑動(dòng)窗口，搜索窗口內(nèi)與中心像元的光譜特征相似的像元，進(jìn)而計(jì)算臨近像元的距離權(quán)重和轉(zhuǎn)換系數(shù)，實(shí)現(xiàn)對(duì)預(yù)測(cè)時(shí)相高分辨率影像的重建。其計(jì)算公式為：

(1)

2.1.2ESTARFM時(shí)空融合模型

ESTARFM時(shí)空融合模型是由ZHU et al[8]提出的一種基于雙數(shù)據(jù)對(duì)的時(shí)空融合算法，具有相對(duì)較高的融合質(zhì)量，應(yīng)用極為廣泛。首先通過(guò)確定滑動(dòng)窗口的大小，在兩個(gè)時(shí)相影像數(shù)據(jù)對(duì)中遍歷搜索與中心像元光譜相似的像元；然后，利用兩個(gè)時(shí)相高低分辨率影像以及預(yù)測(cè)時(shí)相的低分辨率影像計(jì)算相似像元的時(shí)間權(quán)重。最后，根據(jù)時(shí)間權(quán)重與相似像元的各類權(quán)重計(jì)算中心像元，實(shí)現(xiàn)對(duì)預(yù)測(cè)時(shí)相影像的重建。其中心像元的重建方法表示為：

Rpre(xw/2,yw/2,Tpre)=T1R1(xw/2,yw/2,T1)+
T2R2(xw/2,yw/2,T2).

(2)

式中：Rpre為預(yù)測(cè)時(shí)相Tpre的高分辨率融合數(shù)據(jù)；w為滑動(dòng)窗口的大小；R1與R2分別為兩個(gè)基礎(chǔ)時(shí)相的高分辨率數(shù)據(jù)；T1與T2分別為兩個(gè)基礎(chǔ)時(shí)相數(shù)據(jù)的時(shí)間權(quán)重。

2.1.3半物理融合模型

與STARFM模型相同，半物理融合模型是一種基于單數(shù)據(jù)對(duì)來(lái)實(shí)現(xiàn)數(shù)據(jù)重建的方法。其通過(guò)利用反射率參量的幾何光學(xué)模型，建立起不同尺度影像之間的相互關(guān)聯(lián)，進(jìn)而準(zhǔn)確地捕捉到時(shí)相變化引起的影像變化信息。其模型的反演原理如下式：

ρ(λM,ε)=f1(λM)K+f2(λM)K+f3(λM)K.

(3)

式中：ρ(λM,ε)代表影像地表反射率；λM與ε分別是波長(zhǎng)與視向量；f1(λM)、f2(λM)、f3(λM)表示光譜通道的模型參數(shù)；K表示影像的BRDF模型核。

2.2 時(shí)序影像數(shù)據(jù)的分類

采用隨機(jī)森林、最大似然與支持向量機(jī)分類器分別對(duì)時(shí)序影像進(jìn)行土地利用分類，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。研究時(shí)間特征信息對(duì)分類精度變化的影響。

2.2.1隨機(jī)森林分類器

隨機(jī)森林(random forest，RF)分類器，是基于決策樹分類建立的，能夠抑制過(guò)擬合，且運(yùn)行成熟迅速，適用于中分辨率影像分類。

RF分類器在運(yùn)行過(guò)程中，首先讀取影像和樣本大小、地理投影、波段數(shù)等影像信息以及分類器特征信息，并將特征信息轉(zhuǎn)化成為一維向量模式輸出；之后合并所有特征信息，生成影像數(shù)據(jù)集與樣本數(shù)據(jù)集，構(gòu)建隨機(jī)森林分類器，確定決策樹個(gè)數(shù)后，對(duì)輸入影像與樣本數(shù)據(jù)集進(jìn)行分類；最后輸出的數(shù)據(jù)集寫成圖像，形成最終的分類結(jié)果。

2.2.2最大似然分類器

最大似然分類器(maximum likelihood classification，MLC)，是根據(jù)最大似然比貝葉斯判決準(zhǔn)則法來(lái)建立非線性判別函數(shù)集獲得分類結(jié)果的一種方法，屬于監(jiān)督分類。MLC分類器在運(yùn)行過(guò)程中，首先在確定影像的波段和特征數(shù)的基礎(chǔ)上，根據(jù)影像所屬區(qū)域具體情況，在影像上選取訓(xùn)練樣本，并進(jìn)行先驗(yàn)概率求解；然后，將訓(xùn)練區(qū)以外的圖像像元逐個(gè)逐類代入概率乘法公式后，比較各類地物的歸屬概率大小，選擇最大概率值得出類別；最后根據(jù)不同像元的概率統(tǒng)計(jì)情況，生成分類結(jié)果，填充不同類別顏色構(gòu)成分類圖。

該分類器運(yùn)行簡(jiǎn)單，實(shí)施方便，其密度分布函數(shù)對(duì)于分類結(jié)果的解釋非常清晰，在多光譜影像分類領(lǐng)域應(yīng)用廣泛。

2.2.3支持向量機(jī)分類器

支持向量機(jī)(support vector machine，SVM)分類器屬于監(jiān)督分類，是一種廣義線性分類器。在遙感分類中廣泛應(yīng)用，極為可靠。

SVM分類器在分類之前，首先對(duì)影像數(shù)據(jù)進(jìn)行數(shù)值化處理，并將圖像轉(zhuǎn)化為數(shù)值信息，之后對(duì)分類特征進(jìn)行選擇，并生成特征數(shù)據(jù)集，最后從數(shù)據(jù)集中抽取部分樣本作為訓(xùn)練集，對(duì)模型進(jìn)行訓(xùn)練。在進(jìn)行分類后，SVM分類器會(huì)對(duì)懲罰項(xiàng)和核系數(shù)進(jìn)行優(yōu)化，進(jìn)一步提高精度后再輸出分類結(jié)果。

SVM分類器具有優(yōu)秀的泛化能力,分類速度快，結(jié)果也容易解釋。但是對(duì)輸入數(shù)據(jù)需要進(jìn)行相關(guān)處理，在分類類別增長(zhǎng)的情況下，其所需要的計(jì)算成本會(huì)隨之呈現(xiàn)線性增長(zhǎng)趨勢(shì)。

花生通常是經(jīng)加工后再被食用，通過(guò)加工實(shí)現(xiàn)蛋白低致敏或脫敏，也是食物過(guò)敏研究的重要方向之一[14]。Beyer K[15]等認(rèn)為，中國(guó)花生過(guò)敏人口較少的原因主要是我國(guó)常采用水煮和油炸兩種方式來(lái)加工花生，已有研究認(rèn)為熱加工主要是由于溫度的不同對(duì)花生蛋白產(chǎn)生影響，除了加工引起的蛋白質(zhì)結(jié)構(gòu)變化可以直接影響致敏性之外，聚集性和消化吸收性等其它性質(zhì)的變化也會(huì)間接影響致敏性[16]。

2.2.4影像分類處理

根據(jù)研究區(qū)生態(tài)系統(tǒng)、氣候情況以及地理地形情況的具體組成情況，參考國(guó)際IGBP分類體系標(biāo)準(zhǔn)，本文將研究區(qū)地物劃分為農(nóng)田、林地、水體、人工建筑、裸地5類[13]。

樣本選取采用屏幕選擇的方法結(jié)合高分辨率遙感影像目視解譯，直接在遙感圖上選取樣本點(diǎn)，樣本點(diǎn)均為9個(gè)像元的正方形區(qū)域。確定訓(xùn)練樣本類型及數(shù)量之后，進(jìn)行樣本采集。共選擇1 350個(gè)訓(xùn)練樣本點(diǎn)，總計(jì)12 150個(gè)像元。對(duì)比研究區(qū)高精度土地分類圖，選擇了650個(gè)驗(yàn)證樣本點(diǎn)。由于篇幅限制，本文僅以裸地和人工建筑為例，展示驗(yàn)證樣本點(diǎn)位的大致分布，驗(yàn)證樣本點(diǎn)位如圖3所示。

圖3 分類樣本點(diǎn)位分布圖Fig.3 Distribution of classified sample points

3 實(shí)驗(yàn)結(jié)果及分析

3.1 時(shí)空融合結(jié)果及分析

3.1.1時(shí)空融合結(jié)果

在融合重建過(guò)程中，以2008-07-03的高低空間分辨率數(shù)據(jù)作為STARFM模型與半物理模型的基礎(chǔ)時(shí)相數(shù)據(jù)；以2008-07-03和2008-10-07的高低空間分辨率數(shù)據(jù)為ESTARFM模型基礎(chǔ)時(shí)相數(shù)據(jù)，對(duì)2008年度13個(gè)時(shí)相的數(shù)據(jù)進(jìn)行了融合重建，重建結(jié)果如圖4-6所示。

圖4 STARFM融合模型重建數(shù)據(jù)Fig.4 Reconstruction data of STARFM fusion model

3.1.2融合結(jié)果分析

時(shí)空融合結(jié)果質(zhì)量評(píng)價(jià)一般分為定性評(píng)價(jià)與定量評(píng)價(jià)兩種，定性評(píng)價(jià)主要是通過(guò)目視比對(duì)與波段分布散點(diǎn)圖進(jìn)行評(píng)判[14]。通過(guò)目視比對(duì)，時(shí)空融合重建數(shù)據(jù)紋理特征明顯，色彩失真較少，可以應(yīng)用于后續(xù)實(shí)驗(yàn)。由于重建影像數(shù)量較多，本文不再對(duì)重建影像的波段分布散點(diǎn)圖進(jìn)行全部列舉，僅以2008-07-27結(jié)果為例展示，具體如圖7所示。

圖7 2008-07-27重建結(jié)果定性評(píng)價(jià)散點(diǎn)圖Fig.7 Scatter plot of qualitative evaluation of reconstruction results on July 27,2008

定量評(píng)價(jià)是指從誤差與數(shù)據(jù)結(jié)構(gòu)相似性的角度出發(fā)，對(duì)融合重建影像進(jìn)行質(zhì)量評(píng)價(jià)。其中較為重要的評(píng)價(jià)指標(biāo)有均方根誤差RMSE、結(jié)構(gòu)相似性SSIM[15]、峰值信噪比PSNR以及相對(duì)整體位數(shù)綜合誤差ERGAS.這些融合指標(biāo)中，RMSE，ERGAS指標(biāo)值越小，說(shuō)明融合結(jié)果的光譜誤差越小；PSNR值越大，則表明融合結(jié)果失真程度越小；SSIM值越大，表明融合結(jié)果與真實(shí)結(jié)果匹配程度越高[16]。本文選擇PSNR，RMSE，ERGAS與SSIM作為時(shí)空融合結(jié)果的定量評(píng)價(jià)指標(biāo)。質(zhì)量評(píng)價(jià)指數(shù)值如表2所示，重建后時(shí)序影像評(píng)價(jià)指標(biāo)對(duì)比如圖8所示。

圖8 時(shí)空融合質(zhì)量評(píng)價(jià)指標(biāo)對(duì)比Fig.8 Comparison of spatial and temporal fusion quality evaluation indicators

表2 影像融合質(zhì)量評(píng)價(jià)指標(biāo)Table 2 Evaluation index of image fusion quality

圖5 ESTARFM融合模型重建數(shù)據(jù)Fig.5 Reconstruction data of ESTARFM fusion model

圖6 半物理融合模型重建數(shù)據(jù)Fig.6 Reconstruction data of semi-physical fusion model

通過(guò)分析定量評(píng)價(jià)指標(biāo)值，3種時(shí)空融合方法重建結(jié)果RMSE值均為0.01左右，ERGAS值均為20左右，表明融合影像誤差值均較低。PSNR值基本都位于20以上，SSIM值基本高于0.85，表明融合重建結(jié)果質(zhì)量較高，與真實(shí)數(shù)據(jù)具有較高相似度。ESTARFM模型在整體影像以及各波段的質(zhì)量對(duì)比中，其表現(xiàn)均優(yōu)于其他兩種模型。這表明了ESTARFM融合模型較其他兩種模型具有更好的適應(yīng)性，也證明了該模型適用于土地覆蓋異質(zhì)性較強(qiáng)區(qū)域的特點(diǎn)。

由表2分析可知，當(dāng)預(yù)測(cè)時(shí)相與融合基礎(chǔ)影像時(shí)間差距較小時(shí)，融合結(jié)果在評(píng)價(jià)指標(biāo)上表現(xiàn)較優(yōu)；當(dāng)時(shí)間差距較大時(shí)，融合結(jié)果的質(zhì)量會(huì)相對(duì)降低。由于ESTARFM模型的起始時(shí)相為2個(gè)，所以其融合結(jié)果質(zhì)量在時(shí)間序列中具有較強(qiáng)的穩(wěn)定性。通過(guò)綜合評(píng)判，ESTARFM模型在該研究區(qū)的應(yīng)用情況最好，STARFM模型次之，半物理模型則應(yīng)用效果較差。

3.2 分類結(jié)果及分析

3.2.1分類結(jié)果

重建生成時(shí)序影像后，采用不同時(shí)空融合模型與分類器之間協(xié)同分析的方式進(jìn)行驗(yàn)證研究與分類精度評(píng)定。以分析時(shí)間特征信息以及融合重建結(jié)果質(zhì)量對(duì)分類精度的影響，分類結(jié)果如圖9所示。

圖9 分類結(jié)果Fig.9 Classification results

3.2.2分類結(jié)果評(píng)價(jià)

在分類精度評(píng)價(jià)方面，采用了混淆矩陣的方法，實(shí)現(xiàn)對(duì)分類結(jié)果精度的評(píng)價(jià)驗(yàn)證。通過(guò)選取驗(yàn)證樣本構(gòu)建混淆矩陣，再利用混淆矩陣計(jì)算分類結(jié)果的Kappa系數(shù)與總體分類精度，以這兩個(gè)指標(biāo)值衡量分類結(jié)果精度。3種分類器對(duì)不同重建數(shù)據(jù)的分類精度指標(biāo)值如表3所示。

表3 分類結(jié)果精度評(píng)價(jià)指標(biāo)Table 3 Accuracy evaluation index of classification results

綜合分析分類結(jié)果的精度評(píng)定指標(biāo)值可得，所有分類結(jié)果的Kappa系數(shù)基本均在0.9以上，總體分類精度超過(guò)了90%，表明分類器均具有良好的精度表現(xiàn)。其中RF分類器分類效果最好，總體分類精度高出SVM分類器2%左右，高出MLC分類器4%左右。Kappa系數(shù)也具有相同的變化趨勢(shì)。

由表3中數(shù)據(jù)分析可知，在基于時(shí)序影像的分類結(jié)果中，3種分類器對(duì)不同的時(shí)序重建結(jié)果的分類精度指標(biāo)與原始數(shù)據(jù)對(duì)比均有所提高，時(shí)序影像重建對(duì)于不同分類器精度提升都具有積極作用。總體分類精度均有1%左右的提升，Kappa系數(shù)也均提升了0.1左右。小于不同分類器的精度差值，表明時(shí)間特征的加入對(duì)精度的影響小于分類器本身。

分析比對(duì)不同時(shí)序重建數(shù)據(jù)的分類精度，3種模型重建結(jié)果與原始數(shù)據(jù)對(duì)比，分類精度均有提高。對(duì)于不同的分類器提升幅度不一樣，ESTARFM模型重建結(jié)果分類總體精度均提升了約2%，而STARFM與半物理模型總體精度提升幅度只有1.5%與1%. Kappa系數(shù)的變化規(guī)律也具有相同的趨勢(shì)。分類精度提升的大小與融合重建結(jié)果質(zhì)量高低呈正相關(guān)，當(dāng)融合重建結(jié)果質(zhì)量較高時(shí)，其對(duì)分類精度提升的幅度也較大。

此外，同一地物在不同重建數(shù)據(jù)下，精度的提升幅度各不相同，以效果最好的ESTARFM模型和RF分類器組合分析，如圖10所示。不同分類器在針對(duì)ESTARFM模型重建數(shù)據(jù)進(jìn)行分類時(shí)，各類地物精度較原始數(shù)據(jù)提升幅度最高，其次為STARFM模型重建數(shù)據(jù)和半物理模型重建數(shù)據(jù)。各地物類型的精度提升幅度與整體影像有相同的變化規(guī)律，其精度提升幅度與重建數(shù)據(jù)質(zhì)量呈正相關(guān)。

圖10 各類地物分類總體精度對(duì)比Fig.10 Comparison of overall accuracy of various features classification

在基于時(shí)序影像的分類結(jié)果中，不同地物分類精度提升的幅度也有很大差別，其中提升幅度最大的是水體，由于研究區(qū)特有的氣候狀況，水體面積在不同季節(jié)變化較大。本文以效果最好的ESTARFM模型和RF分類器組合分析，各類地物不同數(shù)據(jù)的分類結(jié)果如圖11所示。在原始數(shù)據(jù)分類結(jié)果中，由于水體在該時(shí)相有干涸現(xiàn)象，其面積較小，水體中部分區(qū)域被誤分為人工建筑，而基于時(shí)序數(shù)據(jù)的分類結(jié)果中，水體面積相對(duì)較大，與實(shí)際地物表現(xiàn)情況較為接近。

圖11 分類結(jié)果細(xì)節(jié)對(duì)比Fig.11 Detail comparison of classification results

除水體外，裸地、林地和農(nóng)田的精度變化幅度也相對(duì)較大，由于季節(jié)因素的影響，植被的不同物候特征引起了植被類地物面積的變化。隨時(shí)間因素變化較小的人工建筑面積變化幅度則最小。在基于時(shí)序影像的分類結(jié)果中人工建筑面積基本沒(méi)有發(fā)生太大的改變。這說(shuō)明在基于時(shí)序影像的分類中，分類精度的提升主要集中于水體類、植被類等物候特征變化明顯，受時(shí)間影響較大的地物方面。

4 結(jié)論

本文通過(guò)時(shí)空融合模型，重建生成研究區(qū)年度Landsat時(shí)間序列數(shù)據(jù)，采用多種分類器對(duì)時(shí)序影像進(jìn)行分類，研究了時(shí)序影像重建對(duì)不同分類器的精度影響，得到如下結(jié)論：

1) 與STARFM和半物理模型相比， ESTARFM模型表現(xiàn)出了較好的應(yīng)用效果。基于雙數(shù)據(jù)對(duì)的時(shí)空融合模型比基于單數(shù)據(jù)對(duì)的模型具有更強(qiáng)的適應(yīng)性，融合結(jié)果質(zhì)量也更高。在分類方面RF分類器的運(yùn)用效果優(yōu)于MLC與SVM分類器，基于決策樹思想的RF分類器在總體精度Kappa系數(shù)上具有更優(yōu)秀的表現(xiàn)。

2) 在原始影像中加入不同重建數(shù)據(jù)的時(shí)間特征信息后，其土地覆蓋分類精度均有提升，且精度提升幅度與時(shí)空融合重建結(jié)果質(zhì)量成正相關(guān)。當(dāng)融合重建結(jié)果質(zhì)量越好時(shí)，分類精度的提升幅度越大。

3) 在基于時(shí)序影像的分類中，各分類器精度雖有提升但是幅度均不大，小于分類器之間的精度差值。表明時(shí)間特征對(duì)分類精度影響的程度小于分類器本身。不同地物類型分類精度變化幅度各不相同，時(shí)間特征對(duì)于分類精度的提升主要集中于林地和農(nóng)田等受季節(jié)影響較大的植被類地物。

對(duì)于土地覆蓋分類來(lái)說(shuō)，準(zhǔn)確采集研究區(qū)多方面的特征信息，是提升分類精度的一種重要方法，但精度的提升主要還是依賴于分類器的完善與強(qiáng)化。分類器自身對(duì)于精度的影響程度大于分類特征。同時(shí)，特征信息的采集方法也會(huì)對(duì)分類精度產(chǎn)生影響，運(yùn)用較為精準(zhǔn)的方法采集特征信息，是保證分類結(jié)果精度的關(guān)鍵。

在研究過(guò)程中，仍然存在一些不足。實(shí)驗(yàn)中只運(yùn)用了13個(gè)時(shí)相的重建數(shù)據(jù)對(duì)精度提升效果進(jìn)行分析，而重建數(shù)據(jù)的數(shù)量、所覆蓋的時(shí)間段以及研究區(qū)的地理及氣候條件也會(huì)在一定程度上對(duì)土地利用分類精度提升效果產(chǎn)生影響。因此，多源數(shù)據(jù)的引入對(duì)分類精度的影響情況也值得探討，仍然需要進(jìn)一步的實(shí)驗(yàn)對(duì)結(jié)論進(jìn)行強(qiáng)化研究。