第４６卷第Ｓｌ期 Ｖｏ１．４６ ＮＯ．Ｓ１ 红外与激光工程 Ｉｎｆｒａｒｅｄ ａｎｄ Ｌａｓｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１７年ｌ２月 Ｄｅｃ．２０１７ 训练样本对农作物遥感分类的精度影响研究 潘洪涛，王轩，王晓飞 （黑龙江大学电子工程学院，黑龙江哈尔滨１５００８０） 摘 要：为了比较好地研究和分析训练样本的数量和质量对农作物分类精度的影响，选取黑龙江省 海伦市作为研究所需要的实验区，以Ｌａｎｄｓａｔ ８遥感影像作为数据源，利用最大似然、神经网络、支持 向量机３种分类方法分别去研究训练样本数量与质量对分类精度的影响，并且对３种分类方法进行 了多次实验。最终的研究结果表明：（１）在训练样本质量相对恒定下，同一种分类方法对相同数量的 训练样本的响应程度以及不同分类方法对训练样本数量的响应程度是不同的，并且分类精度存在不 同程度的波动，随着训练样本数量的增加，这种波动会减小，当训练样本的数量达到一定程度，分类 精度的均值将趋于相对稳定；（２）在训练样本数量恒定下，同一种分类方法以及不同种分类方法对相 同质量等级的训练样本的响应程度是不同的；同一种分类方法对不同质量等级的训练样本响应程度 也是不同的。 关键词：遥感图像分类； 农作物分类； 训练样本； 分类精度 中图分类号：ＴＰ７５１．１ 文献标志码：Ａ ＤｏＩ：１０．３７８８／ＩＩ Ａ２０ｌ７４６．Ｓ１２６００３ Ｓｔｕｄｙ ｏｎ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｏｎ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｃｒｏｐ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｌａｓｓｉｉｃａｔｉｆｏｎ Ｐａｎ Ｈｏｎｇｔａｏ，Ｗａｎｇ Ｘｕａｎ，Ｗａｎｇ Ｘｉａｏｆｅｉ （Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｉｌｏｎｇｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ １５００８０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｓｔｕｄｙ ａｎｄ ａｎａｌｙｓｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ａｎｄ ｑｕａｌｉｔｙ ｏｆ ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｏｎ ｔｈｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｂｅｔｔｅｒ，Ｈｅｌｅｎ ｃｉｔｙ ｉｎ Ｈｅｉｌｏｎｇｊｉａｎｇ Ｐｒｏｖｉｎｃｅ ｗａｓ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ｒｅｑｕ￣ｅｄ ｅｘｐｅｒｉｍｅｎｔａｔｉｏｎ ａｒｅａ，ｕｓｉｎｇ Ｌａｎｄｓａｔ ８ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ａｓ ｔｈｅ ｄａｔａ ｓｏｕｒｃｅ，ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｔｈｅ ｎｕｍｂｅｒ ａｎｄ ｑｕａｎｔｉｔｙ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｏｎ ｔｈｅ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ａｃｃｕｒａｃｙ ｗｅｒｅ ｓｔｕｄｉｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ ｂｙ ｕｓｉｎｇ ｔｈｅ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ，ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｔｈｒｅｅ ｋｉｎｄｓ ｏｆ ｍｅｔｈｏｄｓ，ａｎｄ ｓｅｖｅｒａｌ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｍａｄｅ ｏｎ ｔｈｅｓｅ ｔｈｒｅｅ ｋｉｎｄｓ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ．Ｔｈｅ ｆｉｎａｌ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ： （１）ｗｈｅｎ ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｑｕａｌｉｔｙ ｉｓ ｒｅｌａｔｉｖｅｌｙ ｃｏｎｓｔａｎｔ，ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｒｅｓｐｏｎｓｅ ｏｆ ｔｈｅ ｓａｌｌｌｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｔｏ ｔｈｅ ｓａｎｌｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｒｅｓｐｏｎｓｅ ｏｆ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ｍｅｔｈｏｄｓ ｔｏ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ａｒｅ ｄｉｆｆｅｒｅｎｔ，ａｎｄ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｈａｓ ｄｉｆｆｅｒｅｎｔ ｄｅｇｒｅｅ ｏｆ ｖｏｌａｔｉｌｉｔｙ，ｗｉｔｈ ｔｈｅ ｉｎｃｒｅａｓｅ ｏｆ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ，ｔｈｅ ｖｏｌａｔｉｌｉｔｙ ｗｉｌｌ ｄｅｃｒｅａｓｅ，ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｒｅａｃｈｅｓ ａ ｃｅｒｔａｉｎ ｄｅｇｒｅｅ，ｔｈｅ ｍｅａｎ ｏｆ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｗｉｌｌ ｔｅｎｄ ｔｏ ｂｅ ｒｅｌａｔｉｖｅｌｙ ｓｔａｂｌｅ； （２）ｗｈｅｎ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｉｓ 收稿日期：２０１７—０６～０５： 修订日期：２０１７—０７—０９ 基金项目：国家重点研发计划（２０１６ＹＦＢ０５０２５０２）；黑龙江省教育厅科学技术研究项目（１２５３１４９３） 作者简介：潘洪涛（１９７５一），男，讲师，硕士，主要从事遥感图像处理与应用方面的研究。Ｅｒｎａｉｌ：１９９８０１３＠ｈ￣ｕ．ｅｄｕ．ｃｎ 通讯作者：王晓飞（１９７７－），男，副教授，博士，主要从事遥感图像处理与应用方面的研究。Ｅｍａｉｌ：ｎｋ＿ｗｘｆ＠ｈｌｊｕ．ｅｄｕ．ｃｎ Ｓ１２６００３—１ 第Ｓ１期 第４６ ｃｏｎｓｔａｎｔ，ｔｈｅ ｓａｍｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ａｓ ｗｅｌｌ ａｓ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｈａｖｅ ｄｉｆｆｅｒｅｎｔ ｄｅｇｒｅｅ ｏｆ ｒｅｓｐｏｎｓｅ ｔｏ ｔｈｅ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｏｆ ｔｈｅ ｓａｍｅ ｑｕａｌｉｔｙ ｇｒａｄｅ；ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｒｅｓｐｏｎｓｅ ｏｆ ｔｈｅ ｓａｍｅ ｃｌａｓｓｉｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｔｏ ｔｈｅ ｄｉｆｆｆｅｒｅｎｔ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｑｕａｌｉｔｙ ｌｅｖｅｌ ｉｓ ａｌｓｏ ｄｉｆｆｅｒｅｎｔ． Ｋｅｙ ｗｏｒｄｓ：ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ； ｃｌａｓｓｉｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｆ野外ＧＰＳ数据．选取不同数量的训练样本以及不Ｉ ０引言 农业遥感在遥感领域具有广泛的应Ｊ｛】并且也是 该领域最重要的技术之一。在现代农业发展过程中， 质量等级的训练样本．然后采用最大似然、神经Ｊ 络、支持向量机３种分类方法进行反复实验．以期： 到训练样本与分类精度之间的关系以及训练样本ｊ 快速、及时并且准确的获得农作物的相ｌ芙信息是至 关重要的．不同农作物之间的有效识别与分类，直接 影响若社会的经济、粮食的安全、生态功能以及相关 不同分类方法敏感性程度，为遥感影像分类提供一 定的实验依据 政策的制定ｌｌ－２１，其分类后结果精度的准确性和 靠 性对信息的处理和分析有着重要的影响 、闪此，在农 ｌ研究区的选择与数据预处理 １．１研究区的选择 作物遥感分类过程中如何获取比较高的分类结果精 度．成为农作物遥感分类过程中研究的核心问题之 一 海伦市是黑龙汀省绥化市下辖的一个县级市，Ｊ 处黑龙江省巾部（１２６。１４ 一１２７。４５ Ｅ，４６。５８ 一４７。５２ Ｎ、 地形为丘陵、漫岗，平均海拔２３９ｍ。海伦市境内５ 源中富．被称作是世界ｉ块黑土地之一，素有“粮仓 之称 西部平原的主要粮食作物有大豆、玉米以及 稻等．也种植大量的经济作物如亚麻和烤炯等 北｛ 山Ｉ 主要盛产木材、【ｆ１药以及ＬＬＩ产品，它是国家重！ 影响农作物遥感分类精度的冈素很多，其中训练 样本是影响遥感分类精度的一个重要的ｌ 索，训练 样本对农作物分类精度影响的 素有两个方面：数 量和质量 陶秋香等１３’研究了植被高光潜分类中训 练样本的选择方法 薄树奎等”’利用统汁学相关理 论，在基于面向对象方法下得到了确定训练样本数 量方法的相关依据。赵慧等１５１探讨了训练样本、辅助 数据以及分类技术对土地利用／覆盖分类精度的影 的商品粮基地县，为文中的研究提供了理想的实 条件、文巾选取Ｌａｎｄｓａｔ８遥感影像中海伦市农作 特征信息比较明显的两南地区某区域（原始影像ｊ 响。ｌ朱秀芳等＿｛’１在其研究过程ｔｆ１得到不同的分类器 分类的结果精度随着训练样本数量的不断的增加 增加 阀静等［７１采用神经元网络对不同样本点分类 得到的结果进行＿ｒ研究与分析。Ａｒａｉ基于最大似然 法．提ｎｊ了一种纯化训练样本的方法，通过研究表 明：进行纯化后的训练样本得到的分类精度有了大 带号为１１８／２７．影像获取时间为２０１４—０９—１７，影１ 空问分辨率为３０ｍ，大小为５００行ｘ５００列）作为 验区．实验 域影像存整副海伦市遥感影像上的１ 置如冈１所示 幅提高㈧。Ｐｅｄｄｌｅ等 将多光谱图像与研究ｆ）（域的纹 理信息以及ＤＥＭ结合起来综合应用．在分类之后得 到的分类结果精度会有大幅度提高。Ｎｅｌｓｏｎ和Ｖａｎ 等利厢统计学方法得…了遥感影像分类过程巾需要 ｌ ｌ ： 的最小训练样本数量的汁算公式 。ＳｅｒｒａＩ Ｉ等通过 ｊ （ａ）研究ＩＸ在海伦市影像Ｉｆ１的位置（ｂ）研究区域影像（５００ｘ５（￣ （ａ）Ｌｏｃａｔｉｏｎ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ ｉｎ Ｈｅｌｅｎ Ｓ ｉｍａｇｅ （ｂ）Ｓｔｕｄｙ ａｒｅａ ｉｍａｇｅ （５００ｘ５００） ＩＳ０ＭＮ和ＣＬＳＭＩＸ两种不同的分类方法对农作物 进行分类。得到的分类精度都比较高。 义巾针对农作物分类过程巾训练样本与分类精 度之间的关系问题，选择典型实验区．以Ｌａｎｄｓａｔ８遥 图１研究区ＯＬＩ影像 Ｆｉｇ．１ ＯＬＩ ｉｍａｇｅ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ 感影像作为数据源，结合Ｇｏｏｇｌｅ Ｅａｒｔｈ影像数据和 Ｓ１２６００３—２ 红外与激光工程 第Ｓ】期 ＷＷＷ．ｉｒｌａ．ｃｎ 第４６卷 １．２数据预处理 处理，最终得到研究区内总共像元２５０ ０００个，其中 执行监督分类之前．义中对数据源做预处理．首 先对原始影像做辐射校正以及大气校正．然后对遥 感影像做儿何校正，在几何校正过程巾．利 Ｇｏｏｇｌｅ Ｅａｒｔｈ历史尤偏移影像对该影像进行几何精校 ，也 就是利用Ｇｏｏｇｌｅ Ｅａｒｔｈ影像上的ＧＣＰ控制点去校正 包含混合像元的水稻样本有６０２０６个，包含混合像元 的玉米样本有６１９５９个．包含混合像元的耕地样本有 ４６０３１个，包含混合像元的其他类样本有８１ ８０４个。 圳练样本的分离度检验是在训练样本选取结束 后进行的．艾中主要是通过Ｊ—Ｍ距离和转换分离度 来衡量训练样本（ＲＯＩ）的可分离性，训练样本的Ｊ—Ｍ 距离和转换分离度如表１和表２所述．从表中可以 看ｍ，训练样本的分离度能够满足分类实验的要求。 表１训练样本的Ｊ—Ｍ距离对比表 Ｔａｂ．１ Ｊ—Ｍ ｄｉｓｔａｎｃｅ ｔａｂｌｅ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ 该影像，最后将几何精校正过后的影像利用所研究 区域的矢量边界裁剪 所需要研究的区域．从而获 得满足研究需要的一幅遥感影像 ２研究的方法 ２．１训练样本的选择方法 在执行临督分类的过程中．一般情况下．每一种 地物类别所选取的训练样本数据应该包括１０ｎ（其中 ｎ为特ｆｌ下维数）个以上的样本点．这样才能有足够的 数据来保证计算某 算法中所需要的方差一协方差 矩阵 通过查『剜资料与分析．得到在所选取的研究 区内主要种植的农作物有水稻、玉米、大豆 ９月 表２训练样本的转换分离度对比表 Ｔａｂ．２ Ｃｏｎｖｅｒｓｉｏｎ ｓｅｐａｒａｔｉｏｎ ｔａｂｌｅ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ 中旬水稻呈现黄色．玉米的收割期在ｌ０月１日胁后， 大豆的收割期在９月初 图２是不同时间段研究 影 像图．从网２（ａ）巾可以看…３种农作物处于生Ｋ期． 通过与图２（ａ）的对比以及对相关资料的分析研究， ２．２训练样本数量的控制方法 文中是在控制训练样本质量的前提下，研究与 分析训练样本数最对分类精度的影响 存所研究的 （ａ）２（１１４年７月１２ Ｈ研究Ｉ （ｂ）２０１４年９』１ １７ ＩＩ研究 域１人Ｊ．不Ｉ 地物类圳的面积存在一定程度的差异， 为了能够使小面积的不同物种也能够获取足够多的 样本缱，所以文巾在选取所需要的样本的时候，以不 同地物类别为依据．采用分层抽样的方法抽取不同 数量（０．０５％、０．１％、０．２％、０．Ｓ％、１％、２％、５％、１０％）的 Ｆ羊本数据作为训练样本．为了尽可能地减小随机误差 影像Ｉ射 （ａ）Ｓｔｕｄｙ ａｒｅａ ｉｍａｇｅ Ｏｎ Ｊｕｌｙ １２，２０１４ 影像罔 （ｂ）Ｓｔｕｄｙ ａｒｅａ ｉｍａｇｅ ｏｎ Ｓｅｐｔｅｍｂｅｒ １７，２０１４ 罔２ 同时间段研究区影像Ｉ羽 Ｆｉｇ．２ Ｉｍａｇｅ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ ｉｎ ｄｉｆｆｅｒｅｎｔ ｔｉｍｅ ｐｅｒｉｏｄｓ 可以从图２（ｂ）中分析得到呈现黄色的为水稻．呈现 对分类精度的影响，文中采用最大似然、神经网络、支 持向 机３种分类方法对每个数量下选取的训练样 本均做ｌ（）次重复实验．然后求得ｌ（）次实验结果的平 绿色的为玉米，此时大豆已经收割完毕．所以呈现褐 色的为收割大豆后的耕地。为了研究需要最终将研 究区分为包含水稻、玉米、耕地、其他类４类不同类 型的数据区图像，利用已有的野外ＧＰＳ和Ｇｏｏｇｌｅ Ｅａｒｔｈ影像数据对研究区域进行反复的目视纠正和 均值作为每个训练样本数量下最终的分类结果精度、 ２．３训练样本质量的控制方法 文巾抽取各个地物类别数量的ｌ％作为恒定佯 Ｓ１２６Ｉ１（Ｊ３—３ 红外与激光工程 第Ｓｌ期 ＷＷＷ．ｉｒｌａ．ｃａ 第４６卷 本数量，由于不同地物类别的面积存在一定程度的 差异，为了能够使小面积的不同物种也能够获取足 方法１０次实验结果的总体分类精度和Ｋａｐｐａ系数 图。表３是３种分类方法在不同样本量抽样比例下 ｌ０次实验得到的分类结果精度的均值。 够多的样本量，采用分层抽样的方法抽取各个地物 类别纯净的训练样本和混合的训练样本不同数量的 组合（２０％＋８０％、４０％＋６０％、６０％＋４０％、８０％＋２０％、 １００％＋０％）去研究训练样本的质量对分类精度的影 响，为了研究方便，在下文叙述中将５种不同的数量 组合统称为５个质量等级，依次为１～５质量等级，为 了尽可能避免随机误差对分类结果的影响．文中采 用最大似然、神经网络、支持向量机３种分类方法在 各个不同质量等级下均做ｌ０次实验，然后求得ｌ０ 次实验结果的平均值作为每个不同质量等级下最终 的分类结果精度。 ２．４精度评价的指标和方法 ·Ｆｌｒｓｔ 文中采用制作地表真实感兴趣区来获取验证训 ｌｕ。 Ｉ土Ｊ等ｕ目 练样本。为了统一误差，采用随机抽样的方法，选取 言《 ８ ｑ０ 苗０ ｌｌ∞∞ 叫叫嚣竽３ 一．喀 Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕｒｔｈ ·Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｌｌｔｈ Ｅｉｇｈｔｈ Ｎｉｎｅｔｈ （譬兽ｕ 口。焉ｕ强竹∞皇三一毒 ０ Ｔｅｎｔｈ —·－· Ｍｅａｎ 组各个类别总样本量的１０％作为验证样本，利用 如 踮 ：３∞ ∞ 酊∞ ∞ ＿－．Ｍａｘ 舳 ＂ —●一Ｍｉｎ 加 Ｋａｐｐａ系数和总体分类精度两个指标对分类结果进 行评价。 （１）总体分类精度（Ｏｖｅｒａｌｌ Ａｃｃｕｒａｃｙ）：是由所有 被准确分类的像元数与像元总数的比值计算得到 的，地物类别的真实图像或者真实的ＲＯＩ对像元的 真实分类具有一定的限定性。所有地表真实参考源 图３最大似然分类的总体精度和Ｋａｐｐａ系数图 ３ Ｏｖｅｒａｌｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｉｃｉｆｅｎｔｓ ｏｆ ｔｈｅ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｃｌａｓｓｉｔｉｃａｔｉｏｎ ＋总的像元数就是像元总数。 Ｆｉｒｓｔ ·＊Ｓｅｃｏｎｄ Ｔｈｉｒｄ （２）Ｋａｐｐａ系数：它也是计算分类精度的一种方 法。它是离散型并且多元化的综合分析方法．像元数 对它是没有影响．它的结果完全可以利用混淆矩阵 中的值得到，这种优势是其他精度评价方法不具备 Ｆｏｕｒｔｈ ·Ｆ１ｆｔｈ —Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ ＊·Ｅｉｇｈｔｈ Ｎｉｎｅｔｈ Ｔｅｎｔｈ 篙 亘耋ｌ三 的。其公式 为： －－Ｍｅａ１］ —＿ｈＭａｘ ●一 ｖｌｉｎ Ｋａｐｐａ＝ Ⅳ∑ 一∑（“＋ ） ∑（‰帆 ） 一（１） ＋ＩＩｉｒｓｔ ·Ｓｅｃｏｎｄ Ｔｈ ｒｄ Ｆｏｕｒｔｈ ·Ｆｉｆｔｈ —式中：ｒ为混淆矩阵中的总列数；Ｘ 为混淆矩阵中 第 行、第Ｚ列上的值，也就是被正确分类的数目： Ｘ ｘ＋ 分别代表的是第ｉ行和第ｉ列上总像元的数量； Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ Ｎｉ１３ｃｔｈ Ｔｅｎｔｈ —．－Ｍｅａｎ ＋Ｍａｘ Ⅳ代表的是混淆矩阵中参与统计的所有像元数目。 —●一Ｍｌ１１ ３研究结果与分析 图４神经网络分类的总体精度和Ｋａｐｐａ系数图 ３．１训练样本数量对农作物遥感分类精度的影响 图３～图５是不同数量的训练样本下．３种分类 Ｆｉｇ４ Ｏｖｅｒａｌｌ ｃｌａｓｓｉｉｃａｔｆｉ０ｎ ａｃｃｕｒ．ｄｃｙ ａｎｄ Ｋ印ｐａ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｆ ｔｈｅ ．ｎｅｕｒａ１ ｎｅｔｗｏｒｋ ｃｌａｓｓｉｉｆｃａｔｉｏｎ Ｓ１２６００３—４ 红外与激光工程 第Ｓ１期 Ａ。 ｕ≈口０ ８ＩＪＩ§【。一 ａ＾０ ·ＷＷＷ．ｉｒｌａ．ｃａ 第４６卷 Ｆｉｒｓｔ ∞ 加 如 鲫·…Ｓｅｃｏｎｄ ＂ ：２∞ Ｔｈｉｒｄ Ｆｏｕｒｔｈ ．¨Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ ＋Ｎｉｎｅｔｈ Ｔ ｎｔｈ —－ －Ｍｅａｎ —＿－·Ｍａｘ －●－·Ｍｉｎ 精度的波动范围是比较大的，但是随着训练样本的 不断增加，Ｋａｐｐａ系数和总体分类精度的波动范围 随之逐渐减小并且平均值是趋于相对稳定的．如果 在实验的过程中以某一次的分类结果作为最终结果 的话，那么得到的分类结果将会存在不确定性和随 机误差，所以在实际的操作过程中，要取多次分类结 果的平均值作为最终的结果，这样可以尽可能地消 ｌ互 。． 卿一 ｇ ０ … 一８ 目 ／ ／＿／ ．． ． Ｆｊｒｓｔ ·Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕｒｔｈ ·Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ· 除随机误差并且使得最终结果具有很好的可靠性 （２）ｌ０次实验分类结果的Ｋａｐｐａ系数和总体分 类精度的极差值（最大值减去最小值）随着抽取的训 练样本比例的增加而逐渐减少，可以看出在研究的 过程中，增加训练样本的数量可以降低单次分类引 ．． ·Ｎ１ｎｅｔＩ１ ． Ｔｅｎｔｈ —．－Ｍｅａｎ —·－·Ｍａｘ （ｂ） －●一Ｍｊｎ 起的随机误差，并且可以使得分类的结果更加稳定。 对于不同的分类算法而言： （１）相同的抽样样本在不同的分类算法下得到 ０．０５％０．２０％ １．００％ ５．００％ Ｓａｍｐｌｅ ｓｃａｌｅ 图５支持向量机分类的总体精度和Ｋａｐｐａ系数图 Ｆｉｇ．５ Ｏｖｅｒａｌｌ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｉｃｉｅｎｔｆｓ ｏｆ ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｌａｓｓｉｉｃａｔｆｉｏｎ 的Ｋａｐｐａ系数和总体分类精度也是存在很大差异， 从表３可以看出在相同的抽样比例下，支持向量机 分类的Ｋａｐｐａ系数和总体分类精度的平均值是最高 的（Ｋａｐｐａ系数范围为０．６９７ ２～０．９０３ ３，总体分类精 表３ ３种不同的分类方法在不同样本量抽样比例下 分类结果精度的均值 Ｔａｂ．３ Ｍｅａｎ ｏｆ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｂｙ ｕｓｉｎｇ ｔｈｒｅｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 度范围为７６．４６％～９２．８６％）。其次是神经网络分类 （Ｋａｐｐａ系数范围为０．６７２～０．８９２，总体分类精度范围 为７４．９８％一９１．９２％），最后是最大似然法分类（Ｋａｐｐａ 系数范围为０．６４８ ３－０．８８０９。总体分类精度范围为 ７１．８１％～９０．９５％）．这３种分类算法相对来说分类的 精度都是比较高的。 （２）在抽取的训练样本数量相同的情况下，１０ 次实验分类结果的Ｋａｐｐａ系数和总体分类精度的波 动程度是有差异的，波动相对较小的是支持向量机 分类算法（抽取的样本量超过２％时，Ｋａｐｐａ系数稳 定在０．８７以上，总体分类精度在９０％以上），可以得 到的是使用支持向量机分类算法可以得到比最大似 然法分类和神经网络分类更高的分类精度并且其稳 定性也是最好的。如果将ｌ０次实验的分类结果看作 是不同的操作员进行的实验的话，那么就可以得到 支持向量机受人为因素影响是比较小的。 从图３～图５和表３可以得出以下结论。 （３）随着训练样本数量的不断增加，支持向量机 的Ｋａｐｐａ系数和总体分类精度的平均值有不断增加 对于同一种分类算法而言： （１）在抽取的训练样本数量相同的情况下，每个 分类方法１０次分类的Ｋａｐｐａ系数和总体分类精度 都存在不同程度的波动，当训练样本的数量比较少 的情况下．１０次实验得到的Ｋａｐｐａ系数和总体分类 的趋势，而最大似然法分类和神经网络分类的 Ｋａｐｐａ系数和总体分类精度的均值都是首先不断增 加，当训练样本的数量达到一定程度的时候，其 Ｋａｐｐａ系数和总体分类精度的均值则趋于稳定，其 Ｓ１２６００３—５ 红外与激光工程 第Ｓｌ期 ｗｗｗ．ｉｄａ．ｃｎ 第４６卷 中最主要的原因是支持向量机相对于一般的分类方 ··Ｆｉｒｓｔ 法而言，它对训练样本的响应程度是不同的，而对于 基于统计的传统分类方法而言，当训练样本的数量 达到统计所需要的数量并且能够精确的描述研究的 区域内所有像元的分布规律的时候，不断地增加训 练样本的数量对分类的精度是没有很大影响的，但 是对于基于统计学习的小样本机器的支持向量机分 踮 鲫 加 ∞ ＊·．Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕ￣ｈ Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ ．．Ｎｌｎｅｔｈ Ｔｅｎｔｈ －—－＿－Ｍｃａｎ ＿ Ｍ８ｘ —－·一Ｍｉｎ 类算法则不同，它分类的关键是寻找最优超平面并 且计算出各类之间的距离。在支持向量机分类算法 图７神经网络分类的总体精度和Ｋａｐｐａ系数图 Ｏｖｅｒａｌｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｉｃｉｆｅｎｔｓ ｏｆ ｔｈｅ 中对分类精度起影响的是支持向量的那部分像元ｌｌ５】， 支持向量的那部分像元会随着训练样本的不断增加 而增加，所以支持向量机分类算法的Ｋａｐｐａ系数和 ｎｅｕｒｌ ｎｅｔａｗｏｒｋ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ＋Ｆｉｒｓｔ 总体分类精度的平均值会随着训练样本数量的增加 而不断增加 ·．３．２训练样本质量对农作物遥感分类精度的影响 图６～图８是在不同质量等级的训练样本下，３种 菪 童ｇ。＆Ａ ··＋Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕｒｔｈ Ｆｉｆｍ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ Ｎｉｎｅｔｈ ｅｎｔｈ －—．－Ｍｃａｎ 窖暑ｕ日口黾ｕ髫甜ｐ帚擘。 Ｆｌ ｒｓｔ —＿ｈＭａｘ —＿ Ｍｉｎ ＊·—＊Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕｒｔｈ Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ ＥｉｇｈＩｈ Ｎｉｎｅｔｈ Ｔｅｎｔｈ —．．Ｍｅａｎ ·＿Ｍａｘ —．－Ｍｉｎ ·Ｆｉｒｓｌ Ｆｉｒｓｔ Ｓｅｃｏｎｄ Ｔｈｉｒｄ Ｆｏｕｒｔｈ Ｆｉ恤 Ｓｉｘｔｈ Ｓｅｖｅｎｔｂ Ｅｉｇｈｔｈ Ｎｉｎｅｔｈ Ｔ ｎｔｈ ·－●－Ｍｃａｎ －一Ｍａｘ ·一Ｍｉｎ ··．Ｓｅｃｏｎｄ 一 ｒｈｉｒｄ Ｆｏｕｒｔｈ Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ Ｅｉｇｈｔｈ Ｎｉｎｅｔｈ Ｔｅｎｔｈ ··—图８支持向量机分类的总体精度和Ｋａｐｐａ系数图 Ｆｉｇ．８ Ｏｖｅｒａｌｌ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｉｃｉｆｅｎｔｓ ｏｆ ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ● Ｍｅａｎ ＿－＿ＭａＸ －＿● Ｍｉｎ 分类方法ｌ０次实验结果的总体分类精度和Ｋａｐｐａ 系数图。表４是在不同质量等级下，最大似然法、神 图６最大似然分类的总体精度和Ｋａｐｐａ系数图 Ｆｉｇ．６ Ｏｖｅｒａｌｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｉｃｉｅｎｔｆｓ ｏｆ ｔｈｅ 经网络法、支持向量机３种不同的分类方法ｌ０次实 验得到的分类结果精度的均值 从图６～图８和表４可以看出，在分层随机抽样 ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｃｌａｓｓｉｉｃａｔｆｉｏｎ Ｆｉｒｓｔ Ｓｅｃｏｎｄ Ｔｂｉｒｄ Ｆｏｕｒｔｈ Ｆｉｆｔｈ Ｓｉｘｔｈ Ｓｅｖｅｎｔｈ ··过程中，抽取相同数量不同质量等级的训练样本得 到的Ｋａｐｐａ系数和总体分类精度存在差异并且都是 介于最大值和最小值之间的，说明相同样本数量下 不同质量等级的训练样本对遥感分类精度有影响， 通过对图６～图８和表４分析可以得到以下结论： －－ Ｅｉｇｈｔｂ Ｎｉｎｅｔｈ ｅｎｔｈ －，ｉｔ，－Ｍｆａｎ ＋Ｍａｘ ——－一Ｍｉｎ （１）相同质量等级的训练样本下，同一种分类方 法对其的响应程度是不同的，从图中可以看出在同 Ｓ１２６００３—６ 红外与激光工程 第Ｓｌ期 ＷＷＷ．ｉｒｌａ．ｃａ 第４６卷 一质量等级的训练样本下，采用同一分类方法ｌ０次 的数量和训练样本的质量对农作物遥感分类精度的 影响，在研究的过程中，利用已有的野外ＧＰＳ和 实验得到的分类结果精度存在一定程度的波动。 （２）同一分类方法对不同质量等级的训练样本 得到的Ｋａｐｐａ系数和总体分类精度是不同的，从图６～ 图８可以看出。最大似然法分类、神经网络分类、支 持向量机分类３种分类方法随着训练样本质量等级 从１—５（纯净训练样本数量逐渐增加）变化，它们的总 Ｇｏｏｇｌｅ Ｅａｒｔｈ影像数据．在研究区中选取所需要的不 同数量和不同质量等级的训练样本集，分别采用最 大似然、神经网络、支持向量机３种分类方法对选取 的训练样本进行分类。最后利用Ｋａｐｐａ系数和总体 分类精度对分类结果进行精度评价分析，最终得到 以下结论： 体分类精度和Ｋａｐｐａ系数的均值逐渐增加，说明在训 练样本的选取过程中．纯净训练样本数量越多。分类 之后得到Ｋａｐｐａ系数和总体分类精度也相对越高。 （３）不同分类算法对相同质量等级的训练样本 得到的Ｋａｐｐａ系数和总体分类精度是不同的，从表４ （１）通过对所实验区域的研究和分析，得出训练 样本数量对不同分类方法分类精度的影响：１）３种 不同的分类方法对相同数量的训练样本的响应程度 是有差异的；２）在相同数量的训练样本下，同种分 类方法对其的响应程度也是有差异的，并且分类精 度存在一定程度的波动，随着样本量的增加，波动程 度会相应地减少：３）随着训练样本数量的增加，３种 不同分类方法精度的均值都随之增加，当训练样本 的数量达到一定比例时，神经网络分类和最大似然 分类精度的均值趋于稳定，而支持向量机分类精度 的均值出现随着训练样本的增加而增加的趋势，所 可以看出，在第ｌ质量等级下最大似然法分类得到 的总体分类精度和Ｋａｐｐａ系数的均值分别为 ７１．０５％和０．６３０８．神经网络法分类得到的总体分类 精度和Ｋａｐｐａ系数的均值分别为７７．５ｌ％和０．６８８， 支持向量机分类得到的总体分类精度和Ｋａｐｐａ系数 的均值分别为７７．７６％和０．７０８９，其他质量等级下亦 是如此，说明在同一质量等级下，支持向量机分类结 果的精度相比较于其他两种分类方法而言更高一些， 其次是神经网络法分类。最后是最大似然法分类。 表４三种不同的分类方法在不同质量等级下分类 结果精度的均值 Ｔａｂ．４ Ｍｅａｎ ｏｆ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 以在实际的应用中，应该多次实验取平均值作为最 终分类的结果；４）在３种分类方法的比较之下，支 持向量机的稳定性较好并且分类精度最高，所以在 实际的分类过程中，应该首先考虑选取支持向量机 分类方法进行分类。 （２）通过对实验区域的研究和分析，得出不同训 ｒｅｓｕｌｔｓ ｂｙ ｕｓｉｎｇ ｔｈｒｅｅ ｃｌａｓｓｉｉｃａｔｉ０ｎ ｍｅｔｈｏｄｓ ｆｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｑｕａｌｉｔｙ ｌｅｖｅｌｓ 练样本质量等级对不同分类方法分类精度的影响： ｌ１ ３种不同的分类方法对相同质量等级的训练样本 响应程度是不同的。其中支持向量机的分类精度相 比较于其他两种分类方法而言更高一些，其次是神 经网络法分类，最后是最大似然法分类；２）在相同 质量等级的训练样本下，同一种分类方法对其的响 应程度也是不同的，分类精度存在一定程度的波动； ３）随着训练样本质量等级从ｌ～５（纯净训练样本数 量逐渐增加）变化，３种不同分类方法精度的均值逐 渐增加，所以在实际的分类过程中尽可能选取纯净 的训练样本作为研究的样本。 ４．２讨论 ４结果与讨论 ４．１结论 文中主要研究的是训练样本的数量和训练样本 的质量对农作物分类结果的影响，通过研究得到了 在Ｌａｎｄｓａｔ８遥感影像中。训练样本的数量和质量对 文中主要研究了Ｌａｎｄｓａｔ８遥感影像中训练样本 分类结果影响的结论，但是由于时间和研究水平的 红外与激光工程 第Ｓｌ期 ＷＷＷ．ｉｄａ．ｏｉｌ 第４６卷 限制，还有许多地方需要改进和完善，今后还需要从 以下几个方面进行研究： ｆｏｒ ｓｅｌｅｃｔｉｎｇ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｉｎ ｖｅｇｅｔａｔｉｏｎ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ｂａｓｅｄ ｏｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｒ Ｌａｎｄ＆Ｒｅｓｏｕｒｃｅｓ，２００５，２（６４）：３３－４５（ｉｎ Ｃｈｉｎｅｓｅ） （１）文中仅在Ｌａｎｄｓａｔ８遥感影像上进行了研究 与分析，对于其他类型的遥感影像比如ＭＯＤＩＳ等， 本文并没有进行研究与分析，是否其他类型的影像 也具有相同的规律与结论，还需要在未来学习中进 一［４】 Ｂｏ Ｓｈｕｋｕｉ，Ｄｉｎｇ Ｌｉｎ．Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｈｅ ｓｉｚｅ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｉｎ ｏｂｊｅｃｔ—ｏｒｉｅｎｔｅｄ ｉｍａｇｅ ａｎａｌｙｓｉｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃ，２０１０，１５（７）： ｌｌＯ６—１１１１．ｒｉｎ Ｃｈｉｎｅｓｅ） 步研究与分析。 ［５］ Ｚｈａｏ Ｈｕｉ，Ｗａｎｇ Ｙｕｎｊｉａ．Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｔｈｅ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ＥＴＭ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ （２）文中仅在最大似然法、神经网络法、支持向 量机３种分类方法下，得到了训练样本的数量和质 ｌａｎｄ ｃｏｖｅｒ／ｕｓｅ ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ，２０１２，２７（４）：６００－６０８．（ｉｎ Ｃｈｉｎｅｓｅ） 量对分类精度的影响，对于其他的分类方法是否有 相同的规律，还有待进一步研究和分析。 （３）针对某一精度需求，如何才能快速并且准确 的得到训练样本的数量，是否能够建立一个训练样本 数量的计算公式，在训练样本的选取过程中，能否得 到一个判别方法尽可能的选取与实际地物类型相一 致的训练样本，因为训练样本选取好与不好对分类精 ［６］ Ｚｈｕ Ｘｉｕｆｎｇ，Ｐａｎ Ｙａｏｚｈｏｎｇ，Ｚｈａａｎｇ Ｊｉｎｓｈｕｉ，ｅｔ ａ１．Ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｔｒｉｎｉａｎｇ ｓａｍｐｌｅｓ ｏｎ ｔｈｅ ｗｈｅａｔ ｐｌｎｔａｉｎｇ ａｒｅａ ｍｅａｓｕｒｅ ａｃｃｕｒａｃｙ ｉｎ ＴＭ Ｓｃａｌｅ（Ｉ）：ｔｈｅ ａｃｃｕｒａｃｙ ｒｅｓｐｏｎｓｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｌａｓｓｉｉｆｅｒｓ ｔｏ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ［Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００７，１ｌ（６）：８２６－８３７． ［７］ Ｙａｎ Ｊｉｎｇ，Ｗａｎｇ Ｗｅｎ，Ｌｉ Ｘｉａｎｇｇｅ．Ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｒｉｃｅ ｐｌａｎｔｉｎｇ ａｒｅａｓ ｕｓｉｎｇ ａｎ ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ 度的影响很大，如果样本选取的不准确，则训练出来 的样本就不能很好的描述研究区域的特征，所以在分 类的过程中就很难得到正确的分类精度，所以在训练 样本的选取过程中必要时需要实地的考察。 （４）对于文中通过目视选取的方法，在不同物种 ｆ Ｒｅｍｏｔｏｅ Ｓｅｎｓｉｎｇ，２００１，５（３）：２２７—２３１．（ｉｎ Ｃｈｉｎｅｓｅ） ［８】 Ａｒａｉ Ｋ．Ａ ｓｕｐｅｒｖｉｓｅｄ ｔｈｅｍａｔｉｃ ｍａｐｐｅｒ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｗｉｔｈ ｆｌ ｐｕｒｉｉｆｃａｔｉｏｎ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ［Ｊ］Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９２，１３（１１）：２０３９－２０４９． ［９】Ｈｕｉ Ｗｅｎｈｕａ．ＴＭ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ 边界处得到混合像元与纯净像元组合从而得到不同 质量等级的训练样本，相比较通过其他方法得到的 ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅａｒｔｈ Ｓｃｉｅｎｃｅｓ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ，２００６，２８（２）：９３—９５． ［１０］Ｗｕ Ｊｉｎｐｉａｎｇ，Ｙａｎｇ Ｘｉｎｇｗｅｉ．Ｐｕｒｉｉｆｃａｔｉｏｎ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｉｎ ｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ［Ｊ／．Ｒｅｍｏｔｅ 不同质量等级的训练样本对分类精度的影响有何差 异，值得进一步研究和分析。 （５）如果选取的影像质量不能符合分类的要求， 那么训练样本的选取就极为困难，也给分类精度带 来了很大的误差，所以能否建立一个标准并且完善 的方法对待分类的影像进行评价分析，以便为后续 训练样本的选取和分类方法的选择提供依据，使得 分类结果更加准确。 参考文献 ｎｇ，Ｔａｎｇ Ｐｉｎｇ，Ｌｉ Ｈｏｎｇｙｉ．Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｒｅｄｕｃｔｉｏｎ ［１］ Ｄｉｎｇ ＬｉＳｅｎｓｉｎｇｆｏｒ ａｎｄ＆Ｒｅｓｏｕｒｃｅｓ，１９９６，２７（１）：３６—４１．（Ｌｉｎ Ｃｈｉｎｅｓｅ） ［１１］Ｎｅｌｓｏｎ Ｒ Ｆ，Ｌａｔｔｙ Ｒ Ｓ，Ｍｏｔｔ Ｇ．Ｃｌａｓｓｉｆｙｉｎｇ ｎｏｒｔｈｅｍ ｆｏｒｅｓｔｓ ｕｓｉｎｇ Ｔｈｅｍａｔｉｃ Ｍａｐｐｅｒ ｓｉｍｕｌａｔｏｒ ｄａｔａ［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｉｒｃ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９８４，５Ｏ（５）：６０７－６１７． ［１２］Ｓｅｒｒａ Ｐ，Ｐｏｎｓ Ｘ．Ｍｏｎｉｔｏｒｉｎｇ ｆａｒｍｅｒｓ ｄｅｃｉｓｉｏｎｓ ｏｎ Ｍｅｄｉｔｅｒｒａｎｅａｎ ｉｒｒｉｇａｔｅｄ ｃｒｏｐｓ ｕｓｉｎｇ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅ ｔｉｍｅ ｓｅｒｉｅｓ ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００８，２９（８）： ２２９３－２３１６． ［１３】Ｚｈａｎｇ Ｓｈａｏｊｉａ．Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂｙ ｃｏｍｂｉｎｇ ｍｕｌｔｉｐｌｅ ｃｌａｓｓｉｆｉｅｒｓ［Ｄ］．Ｃｈａｎｇｓｈａ：Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ， ａｎｄ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｕｓｉｎｇ ２０１０．（ｉｎ Ｃｈｉｎｅｓｅ） ＩＳＯＭＡＰ［Ｊ］．Ｉｎｆｒａｒｅｄ ａｎｄ Ｌａｓｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１３，４２（１０）： ２７０２－２７１１．（ｉｎ Ｃｈｉｎｅｓｅ） 【２］ Ｄｕａｎ Ｙｕｎｓｈｅｎｇ，Ｚｈａｎｇ Ｄｏｎｇｙａｎ，Ｈｕａｎｇ Ｌｉｎｓｈｅｎｇ，ｅｔ ａ１． ［１４］Ｌｉｕ Ｌｉ，Ｙｕ Ｑｉａｎｇ．Ａ ｓｔｕｄｙ ｏｎ ａ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｏｍｂｉｎｅｄ ｓｔｒａｔｉｆｉｅｄ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ｗｉｔｈ ｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｆｏｒｅｓｔ Ｉｎｖｅｎｔｏｒｙ ａｎｄ Ｐｌａｎｎｉｎｇ， ２００７，３２（４）：３７－３９．（ｉｎ Ｃｈｉｎｅｓｅ） ［１５］Ｚｈａｎｇ Ｈｕａ．Ｓｔｕｄｙ ｏｎ ｒｅｌｉａｂｌｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｈｙｐｅｒｓｐｅｃｔａｌ ａｎｄ ｉｍａｇｅｒｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｆｒｅｅｚｉｎｇ ｓｔｒｅｓｓ ａｎｄ ｎｏｒｍａｌ ｗｈｅａｔ［Ｊ／．Ｉｎｆｒａｒｅｄ ａｎｄ Ｌａｓｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１５，４４（７）：２２１８－２２２３．（ｉｎ Ｃｈｉｎｅｓｅ） ［３］ Ｔａｏ Ｑｉｕｘｉａｎｇ，Ｚｈａｎｇ Ｌｉａｎｐｅｎｇ，Ｌｉ Ｈｏｎｇｍｅｉ．Ｔｈｅ ｍｅｔｈｏｄｓ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅ［Ｄ】．Ｘｕｚｈｏｕ：Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０１２．（ｉｎ Ｃｈｉｎｅｓｅ） Ｓ１２６００３—８