遙感影像解譯不確定性的評估與表達

遙感影像解譯不確定性的評估與表達摘自《遙感數據的不確定性問題》承繼成郭華東史文中等編著遙感數據的精度評估研究是從1975年開始的(1973年發(fā)射第一個遙感衛(wèi)星)。最早Hord和Brooner(1976)，VanGenderen和Lock(1977)及Ginevan(1979)曾提出了建立測試評估地圖的標準和技術的建議。Roslnfield(1982)，Congalton(1983)，Aronoff(1985)對遙感數據精度的評估標準和技術進行了較深入的研究，以后又有更多的人參與了該項研究工作。誤差矩陣是主要的方法，它能很好地表達專題圖的精度，已經成為普遍采用的方法。一、遙感影像解譯不確定性評估綜述遙感解譯有人工目視判讀和計算機自動分類處理。在本章中我們主要指計算機自動分類。造成遙感影像解譯不確定性的原因有遙感數據固有的不確定性(包括地物波譜的固有的不確定性和遙感影像數據固有的不確定性等)和遙感數據獲取、處理、傳輸、分類過程造成的誤差。因此遙感數據解譯過程中的不確定性是客觀存在、不可避免的。任何解譯的成果圖件在不同程度上都存在著一定的不確定性，符合“任何人工模擬產品與客觀真實世界之間總是存在一定差異”的原理。遙感影像數據的不確定性是普遍存在的。一些遙感影像的分辨率很低，經過各種處理影像分類的可信度盡管有所提高但仍然存在不確定性(表1)，一些地物的可信度仍很低。表1遙感影像分類的可信度(%)(據吳連喜,2002)地類TM影像Mari融合影像Brovey融合影像HIS融合影像PCA融合影像城鎮(zhèn)建筑50.5082.2561.4975.915839農村居民點52.3360.7254.4861.255487裸地67.7482.8476.8173.5275.88大棚63.3183.7278.6878.2180.38耕地66.7485.40751082.1571.98園地55.8580.7866.5974.1267.14林地54.7574.9164.6365.5762.59水體65.6287.2980.3482.1079.08道路49.5462.5354.1158.9753.83遙感數據分類的不確定性度量方法通常用誤差矩陣來度量。從誤差矩陣中可以計算出分類精度的指標，如“正確分類比”。另一種指標是由Cohen提出來的Kappa系數，后來經Foody(1992)修正后稱為Tau系數。遙感數據分類的專題不確定性是指專題值與其真值的接近程度,其度量隨專題數據類型的不同而不同(LanterandVeregin,1992)。專題數據的類型有兩種：分類專題數據(categoricalthematicdata)和連續(xù)專題數據(continuousthematicdata),也有將其分為定性數據(qualitativedata)和定量數據的(quantitativedata)。連續(xù)數據的不確定性度量指標與位置不確定性的度量指標相類似，如方差等(LanterandVeregin,1992；Heuvelink,1993；Goodchildetal,1992)。遙感數據不確定性的度量一般采用基于像元的分類結果評估，其不確定性度量評估流程如圖1(Lunettaetal，1991)。圖1基于像元的遙感數據不確定性評估流程圖(據Lunettaeta1991)二、基于采樣的檢驗方法總結現有的文獻主要有三種基于實驗的檢驗方法：對于某一類或全集正確量測的百分比(Rosenfield，1986);某一置信水平下某一類或全集正確量測的百分比(Aronoff,1985；HordandBrooner,1976)；基于某些參數的某一類或全集正確量測的百分比(Greenlandeta/,1985；RosenfieldandFitzpatrick-Lins,1986)。以上三種方法適用于各種非連續(xù)屬性值的精度評估。非連續(xù)屬性數據的評估可以通過對一組分類結果的評價得以實現。地面真實數據有時也稱之為參考數據，通過將量測數據與參考數據的比較我們可以建立一個誤差矩陣。該矩陣可以描述某一類別的分類精度或整體分類精度?；谶@一矩陣可以對分類精度進行進一步地討論。本節(jié)將集中討論遙感分類影像的精度評估問題。1.參考數據的采樣在基于采樣數據的屬性不確定性評估方法中，采樣數據作為誤差矩陣或其他統(tǒng)計分析的輸入部分，在這個過程中選擇適當的采樣數據是非常重要的。有兩個因素影響著采樣數據的選擇：采樣樣本的大小及采樣數據分布模式。在評估分類遙感影像的分類精度時，采樣點的數量是十分重要的。獲取地面采樣數據是昂貴的，因此采樣點的個數應盡可能減少。另一方面,為了在統(tǒng)計上有意義，采樣點的數目應盡可能大,至少大于某一給定數目，例如30個。人們在采樣點個數方面進行了許多探討(VanGenderenandLock,1977；Rosenfield，1982；Congalton，1988；FukunagaandHayes，1989)。另一個重要因素是采樣模型。選擇適當的采樣點分布方式，使所選擇的樣本可以代表全部分類的影像是十分重要的。一個較差的采樣可能導致精度評估的偏重，使得對精度的估計過高或過低。通常使用的采樣模式有五種：簡單隨機采樣(Cochran，1977)；集群采樣(Kish，1965)；分類隨機采樣(BarrettandNutt,1979)；系統(tǒng)采樣(BarreffandNutt,1979)以及分類系統(tǒng)非一致采樣(BerryandBaker,1968)。Congalton(1988)對不同地區(qū)進行了采樣模擬，并總結出在各種情況下簡單隨機采樣與分類隨機采樣提供最佳采樣結果的規(guī)律。當采樣個數與模式確定之后，即可實施采樣，進而生成誤差矩陣，依此進一步進行有關的屬性精度評估。2.誤差矩陣誤差矩陣，有時也稱為混淆矩陣，是一個用于表示分為某一類別的像素個數與地面檢驗為該類別數的比較陣列。一個誤差矩陣的實例見表2。表2中的列通常表示參考數據，而行表示遙感分類的結果。誤差矩陣通常用于表示分類的精度，因為它可用于指出某一類的或整體分類的精度。此外，用誤差矩陣還可以表示出包含與丟失兩種誤差。在表2中，A、B、C是三類待分類的類別名稱。第一行的數目，如總數“52”表示為A的像素中根據實地檢查有45個被分為類別“A”，2個像素被分為類別“B”，5個像素被分為“C”。地面真實數據行總數ABCA452552B363571C277079列總和507080200表2誤差矩陣實例分類數據根據誤差矩陣可以導出若干關于總體分類或對于某一類別分類的精度描述指標。分類的總體精度是用誤差距陣內對角線元素之和除以總的采樣個數來表示的。例如，在表2的例子中，該值為(45+63+70)/200=89%，即總體分類精度為89%。為描述對某一類別的分類精度，我們定義了用戶精度和生產者精度(StoryandCongalton，1986)。對于類別A的生產者精度是用下列公式計算的，即類別A的正確分類個數除以對于類別A的總采樣個數，即A的列總和。例如在以上的例子中，生產者精度為：45/50=90%。該指標指出了一個地面采樣點被正確地分類的概率。事實上，它是對丟失誤差的一個量度，該誤差指出了該采樣數據中沒有被正確分類的百分比。丟失誤差是由該類所在列中非對角線元素之和除以該列總和而得。例如在以上的例子中，丟失誤差為:(3+2)/50=10%。因此，有：生產者精度+丟失誤差=100%另一方面，類別A的用戶精度定義為：正確分類為A的個數除以分為類別A的總和(即人所在行的總和)。在以上例子中，該值為45/52=86.5%。事實上，該指標指出一個采樣分類點表示實際地面真實情況的百分比。用戶精度表示了包含誤差，A類的包含誤差用人所在行的非對角線元素之和除以該行的總和。在以上的實例中，該值為：(2+5)/52=13.5%。用戶精度與包含誤差有以下關系：用戶精度+包含誤差=100%Chrisman(1986)指出，輸入61，中數據應附有一個誤差矩陣。這應以原始的誤差矩陣形式表示，而非由該矩陣導出的一系列參數。只有這個原始矩陣才能表示出每一類別的各種精度與誤差，用戶可根據其自己的要求從中導出新的參數。3.kappa系數兩個最常用的屬性精度量測量是二維正態(tài)概率和Kappa系數。由于二維正態(tài)概率是基于“正確百分率”，因而不能統(tǒng)計出包含與丟失誤差。另一方面，Kappa系數提供兩幅圖觀測協(xié)議的不同量度，而協(xié)議是由幾率形成的(CongaltonandMead，1983；Cangaltonetal，1983)。Kappa系數定義為：『。仁川弋)式中，Po是觀測精度估計，而Pe是期望精度估計。一個0.80的Kappa系數可以解釋為該分類以80%的程度優(yōu)于隨機地給像素賦類別值。Kappa系數的優(yōu)點在于它已經包含了丟失誤差和包含誤差。一個條件Kappa系數可以表示對于某一類別的分類精度(Campbell，1987；Rosenfield，1986；Chrisman，1984)。建議Kappa參數成為表示總體屬性不確定性的一個標準指數，而條件Kappa參數則成為某一類別精度描述的指標。誤差矩陣是一個常用的遙感影像分類不確定性描述模型。為使對分類精度的描述具有代表性，樣本大小及采樣模式是兩個重要的考慮因素?；谡`差矩陣，一系列的誤差指標可以被導出，如用戶精度、生產者精度、包含誤差、丟失誤差等。這些參數可用于描述某一類或整體分類的精度。然而，在某些情況下需要知道每一個像素的不確定性。以上的誤差描述指標不能滿足此要求。4.內部與外部檢驗確定屬性數據的統(tǒng)計質量方法有三種：即演繹法推論、內部檢驗和外部檢驗(KennedySmith，1986)。通常用演繹法推斷屬性數據質量是利用具有由內部或外部檢驗導出的屬性質量的量測值。內部檢驗方法是通過比較若干相互獨立的重復觀測量，其平均值被視為“真值”。在質量控制中，內部檢驗的結果是準確性。另一方面，外部檢驗是通過將量測值與“真值”或可以寫作“真值”的量進行比較。外部檢驗的結果可以滿足用戶的需求(KennedySmith，1986)，但這種檢驗不能區(qū)分開各種誤差源或過程的誤差影響，其結果包含了各種誤差的影響。在利用外部檢驗確定屬性的數據質量時，首先要選定一定檢查點，可以選擇隨機抽樣點。為確使每一類別內均有一定的點被選中為檢查點，人們通常建議使用分類隨機采樣方式。Hay(1979)建議對總體至少應選擇50?100個采樣點，而對于每一類至少應選擇30個采樣點。使用外部檢驗法確定屬性數據質量的過程描述如下(詳細描述見HordandBrooner，1976):(1)定義一置信水平(例如99.7%),從正態(tài)分布表中查出此表所對應的值,即Zd=3.°。確定采樣個數(N)，例如N=200。計算檢查點正確分類的百分比(P),例如P=89%。利用以下不等式確定檢驗精度(Drummond,1991)：C-z2-N)x2+(z2+2NP)x-NP>0a a對于N=200以及La=3.0,有：0.81<x<0.95因此可以說在99.7%的置信水平、對200個點采樣精度為89%的情況下分類精度為81%?95%。很明顯，如果減少檢查點的個數或升高置信水平，確定的分類區(qū)間寬度將加大。該方法的一個缺點是整體分類精度有可能被拒絕，盡管對某一類的分類精度是可以接受的。遙感分類結果對于某些應用應具有一個最小的正確分類百分比。在該種情況下假設檢驗最為適合。預先確定精度的假設檢驗是一個經常使用的質量控制方法，接受性采樣是質量控制的一個重要分支。關于統(tǒng)計質量控制的詳細討論見Grant與LeavenWorth(1988)論述。類別屬性數據外的另一種數據是連續(xù)屬性數據。以下討論連續(xù)屬性數據不確定性的處理方法。三、誤差矩陣的內容與表達遙感影像解釋成果的可信度或不確定性問題往往是采用誤差矩陣方法進行檢驗，

這是公認的科學方法。北京國土資源遙感公司2001年在《長江三峽庫區(qū)移民工程遙感動態(tài)監(jiān)測》報告中，介紹了土地利用的遙感監(jiān)測精度，不同的分類方法具有不同的精度（表3?表6）。其中生產者精度是遙感影像分類的結果與訓練樣方比較所得的精度，指地表檢驗樣本被正確分類出的百分數。即在用來檢驗如100個隨機抽樣的樣本中經與地面實況核對數的判對率，如氣/za用戶精度是遙感影像分類的結果與客觀真實世界（實況）比較所得的精度，指分類圖上樣本類別與地表真實類別符合的百分數，如氣1元A..生產者精度用戶精度平均精度類別0.8630.7940.8290.6940.9510.8230.8600.7230.792開發(fā)用地0.9320.9610.946水稻田0.9720.8680.9200.8070.7520.780城鎮(zhèn)用地0.9180.8400.879

生產者精度用戶精度平均精度類別0.8630.7940.8290.6940.9510.8230.8600.7230.792開發(fā)用地0.9320.9610.946水稻田0.9720.8680.9200.8070.7520.780城鎮(zhèn)用地0.9180.8400.879水域0.9640.9910.978總精度0.862Kappa系數0.838表5神經網絡的輔助數據參與分類結果類別生產者精度用戶精度平均精度耕地0.9230.8730.898草地0.7510.9820.867林地0.9750.8820.929開發(fā)用地0.9250.9100.918水稻田0.9960.8350.915灘涂0.9010.6090.755城鎮(zhèn)用地0.8770.9080.892水域0.9640.9910.978總精度0.902Kappa系數0.886表6紋理與TM分類結果類別生產者精度用戶精度平均精度耕地0.8720.9040.888草地0.6800.9190.800林地0.9280.6960.812開發(fā)用地0.9050.9760.940水稻田0.9670.8780.922灘涂0.8830.7480.816城鎮(zhèn)用地0.9220.8640.893水域0.9640.9910.978總精度0.871Kappa系數0.849北京國土資源遙感公司在同一地區(qū)還進行了遙感影像的公路解譯及其長度的量測，并與GPS方法實測的結果時行了對比，見表7：測，表7北京某地區(qū)遙感影像公路解譯及其長度的量測數據（北京國土資源遙感公司）神女大道GPS測量神女大道GPS測量RS解譯量算長度/m寬度/m占地Am12長度/m寬度/m占地4m2306.5250.0077集仙中路集仙東路、平湖路其他主干道合計1892.27520集仙中路集仙東路、平湖路其他主干道合計1892.275205382.25 188305.925 120.0380.0970.099715886.95 12?25 0.2424 16143.460.184即使同一類地物的不同個體在物體特征方面也不可能完全一致，而只可能十分相似。人工模擬產品與客觀世界之間的不確定性是由于測量標準本身存在著不確定性，如常用作測量標準的有：?GPS測量與數據處理的精度第一種：單機定位方法，定位精度為15m左右；第二種：碼差分數據后處理，定位精度為1?2m；第三種：相位差分數據后處理，定位精度＜1m；第四種：RTK實時差分數據處理，定位精度0.05?0.10m（5?10cm）。?國家測繪水準點是國家級大地測量、測繪的基準點，四級測繪點的精度為5cm。?地形圖的成圖標準，按國家規(guī)程:1:1萬地形圖：山區(qū)點位中誤差＜10m；平原區(qū)點位中誤差＜5m。北京市第二次土地資源詳查產生的土地利用圖精度很高但仍然存在著誤差，不過是屬于許可范圍內的誤差。中國農業(yè)大學信息學院對第二次詳查成果的點位精度進行了測試。測試是用精度較高的2001年電子版（1:1萬）為基準，測量了共32.6個點位，在確認GPS測量精度的基礎上對同名地物的平原區(qū)46個和山區(qū)23個點位進行測量，其結果如下（表8?表11）：

地形圖為基準的結果：平原為6.58m,山區(qū)為6.87m；GPS為基準的結果：平原為10.21m,山區(qū)為10.44m。表8以1999年地形圖為基準的量測精度檢驗結果（平原）（單位：m）統(tǒng)計項最大值最小值

中值平均值中誤差誤差X25.874O.0001.7663.7974.974遙感影像| 誤差Y30.8690.0001.0222.8964.313誤差統(tǒng)計項最大值最小值

中值平均值中誤差誤差X25.874O.0001.7663.7974.974遙感影像| 誤差Y30.8690.0001.0222.8964.313誤差X39.701O.0874.4326.3466.381二次詳杳圖| 誤差Y86.5070.0174.6066.8328.268表9以1999年地形圖為基準的量測精度檢驗結果（山區(qū)）（單位：m）統(tǒng)計項最大值最小值中值遙感影像誤差X13.507O.2043.016平均值4.061中誤差3.592誤差Y26.3920.4333.8125.729統(tǒng)計項最大值最小值中值遙感影像誤差X13.507O.2043.016平均值4.061中誤差3.592誤差Y26.3920.4333.8125.7295.858誤差X24.3911.0839.25010.3836.829二次詳杳圖] 誤差Y32.283O.5837.4138.6287.589表10 以GPS為基準的量測精度檢驗結果（平原）（單位：m）統(tǒng)計項遙感影像1999年地形圖1983年地形圖二次詳查圖誤差X誤差Y誤差X誤差-Y誤差-x誤差Y誤差X誤差Y最大值16.93017.32028.26015.74726.01717.93116.94716.201最小值0.019O.594O.028O.044O.2690.0630.1910.000中值4.2095.1253.3304.2563.8063.5114.5345.471平均值5.4635.3574.2414.9905.3035.2155.6195.415中誤差4.4524.1014.6144.3495.3444.4804.3904.665表11以GPS為基準的量測精度檢驗結果（山區(qū)）（單位:m）統(tǒng)計項遙感影像1999年地形圖1983年地形圖二次詳查圖誤差X誤差一Y誤差-x誤差Y誤差X誤差-Y誤差X誤差Y最大值20.68117.96927.75923.63723.1169.68131.37119.902最小值?0.3060.834O.014O.115O.092O.151O.7021.308中值4.9517.4114.8395.0653.3313.96.6966.383平均值7.3338.1985.4235.9834.1994.26411.0647.777中誤差6.8104.4545.7745.1805.1012.5209.7095.393另外，即使對