遥感教程第13-2页

目录


介绍了在计算机分类前选择训练场地的一些策略。考虑了将签名扩展作为从培训站点提取签名数据的替代方法的思想。“混合像素”一词中固有的问题用一个例子来解释,并暗示了适当的解决方案。


训练站点;混合像素


在现场设置培训场地的主要原因是确定和定义土地覆盖/使用类别,以便我们利用空间观测,在其他信息来源的协助下,对地理位置的场景进行分类(绘制地图)。我们必须仔细选择足够数量、大小和形状、多样性、同质性和分布的地点,以最大限度地提高图像分类的准确性。这些类型分为三大类:植被型(任意,覆盖率超过40%);非植被型(岩石、土壤、水、人类工程);以及地形类型。传感器分辨率可能会限制类大小。场地的总数在一定程度上取决于类的数量、它们的多样性以及场景的面积大小。通常,每个类至少有三个站点是足够的,但是如果类具有显著的可变性,我们可能需要更多。即使对于我们可能寻求15至25个课程的整个陆地卫星现场,30个或更多所需的培训场地通常也将占据图像区域的1/20左右。在大多数情况下,定位地点主要取决于它们的可访问性和我们在图像中定位它们的能力。与线性特征(道路)相关或与其他特征(如田地)具有可识别界面的场地通常最有效。

` <>`__13-3: Given a satellite-mounted sensor operating in the Visible-Near IR that has a spatial resolution of 500 meters. State three classes or features that will be well suited to observations at this level. Mention two that won't. `ANSWER <Sect13_answers.html#13-3>`__

根据培训地点分类的替代方法是应用签名扩展的概念。这个术语指的是这样一种假设,即我们可以定义一个单一的、相当稳定的光谱特征作为任何类别的特征,并且这个特征对于一个地区甚至全世界的任何场景都具有广泛的(普遍的)适用性。作为一个具体的例子,在美国大平原、阿根廷、乌克兰和澳大利亚,成熟冬小麦的特征应该基本相同,前提是我们补偿了诸如不同的空气质量、太阳位置、土壤类型、土壤湿度等变量。如果这一假设被证明是真的,那么任何给定场景都应该通过比较其光谱特性(对于陆地卫星像素,其多波段数字编号)进行分类。 [DN] 值)到包含许多类的标准值的数据库。我们假设未知的dn值与银行中某个类的dn值最接近,从而识别出它。

` <>`__13-4: Look out your nearest window and gaze over the scene outside. Now, pretend you have a spectrometer available and wish to obtain spectral signatures for a data bank. Think of problems you might encounter. `ANSWER <Sect13_answers.html#13-4>`__

这种方法通常适用于一些常见的特征,如清澈的水体、云、雪、沙漠沙、几种常见的岩石类型、某些森林类型,以及可能的中心城区。然而,在大多数情况下,特征扩展是不可靠的,原因如下:1)大多数类别的自然变异性;2)“混合像素”问题(见下文);3)我们建立许多光谱类别的通常是人为的或任意的方式(例如,我们对岩石进行分类) [给他们起名] 矿物含量和质地可能与总光谱特性没有直接或简单关系),4)不同地点和不同日期的大气条件差异(通常不确定)的影响,5)植被的季节性变化,以及6)无法解释和纠正其他变量。

“混合像素”是由于由不同特征或类别组成的单个区域可能低于(小于)传感器的分辨率。想想这个假设的农村环境的“地图”


|一个简单的自然场景,在农村或农场环境中,作为一个基础地图,两个不同大小的像素叠加在上面,以说明混合像素问题。|

` <>`__13-5: In the above figure, pick out the two "worst" pixels in terms of mixture. `ANSWER <Sect13_answers.html#13-5>`__

在本例中,我们将每个类别视为或多或少是同质的。由于传感器的瞬时视场(ifov)(由光学和采样率控制)导致像素尺寸较小,因此,如果单个像素恰好完全位于给定类别的边界内,或偶然与给定类别的边界重合,则封闭类别中主要材料的多波段光谱特性将确定该像素的DNS。然而,更可能的是,像素将跨越或跨越几个类或特征边界。由此产生的光谱含量是每个内部类别光谱响应的合成或加权平均值。识别每个特征或类变得困难,因为有两个主要的未知因素来解释类的身份及其在混合中的相对比例。数学方法可以解决这些未知数,但始终存在一些统计上的不确定性。一个改进是减少像素大小(提高分辨率),就像上面的中央矩形中所做的那样,使更多的像素落在一个类/功能所占用的空间内,而更少的像素跨界。往另一个方向看,注意放大像素的效果,例如,放大到9个簇的外部边界的大小。优化分类的关键规则是寻求一种近似于我们所寻找的身份的最小特定类的大小的分辨率。


主要作者:Nicholas M.Short,高级电子邮件: nmshort@nationi.net