| 摘 要： | 地表覆盖作为地表状况的直接反映,与全球物质能量循环、气候变化以及人类社会经济活动等密切相关.地表覆盖分类数据通常利用遥感图像进行分类得到,其数据质量对全球环境监测及其变化研究与决策支持等过程有重要的影响.因此,对分类结果进行精度评估是地表覆盖分类的重要步骤.由于影像上不同地物类型边界处往往存在较多的混合像元,使得分类时处于边界处的像元分类精度相对低于内部像元,直接导致了类内自身的分类精度异质性增大,分类精度评估的不稳定性也随之增大.本文基于传统的分层抽样(stratified sampling,SS),提出了一种考虑边界区域的分层抽样方法(stratified sampling considering edges,SSCE).理论推导及实验结果表明,SSCE对总体精度(overall accuracy,OA)和kappa估计的准确性和稳定性均优于SS方法,主要结论为:在样本点总数较少的情况下,SSCE对分类精度估计的准确性高于SS方法;在相同的容许误差下,SSCE方法所需的样本数小于SS方法;分类图像中类内边界区域与内部区域分类精度的差异越大、其面积比例越均衡,SSCE方法越能准确地进行精度估计.因此,本文提出的SSCE方法能够以更少的样本获取代价、更高的准确性和稳定性对地表覆盖数据进行分类精度的评估.
|
