《表3 不同数据融合方式分类精度评价》
本系列图表出处文件名:随高清版一同展现
《基于RNMU的多源星载SAR影像融合与土地覆盖分类》
注:表头第2行表示数据的月份、来源以及分类所用的极化影像。
利用验证样本对分类结果进行精度评价,各数据的分类总体精度(OA)、制图精度(PA)、用户精度(UA)和Kappa系数(Kc)如表3所示。由表3可知,GF-3数据的土地覆盖分类整体精度优于同时相S-1数据,不同时相不同源(S-1和GF-3)SAR数据经RNMU融合后数据分类OA分别由单时相SAR数据74.96%(S-1结果)和83.52%(GF-3结果)提高至86.08%(RMNU1影像结果);Kc分别由0.55和0.71提高至0.74;耕地、建设用地和湿地的分类精度都有明显提高。由于研究区湿地种类繁多,同时间不同类别的湿地变化情况不一。虽然加入其他时相数据可以提高其识别精度,但其分类精度与其他地物相比仍较低。使用相同数据源的情况下,G-S融合后分类结果要低于所有SAR数据直接叠加或者RNMU融合后的结果,可能是因为G-S融合图像为了降低数据冗余,牺牲了一定的纹理信息,导致纹理特征明显的耕地UA较低,而耕地在研究区面积占比较大,导致OA和Kc整体下降。基于RNMU融合后影像(RNMU2)地类识别效果,整体优于基于G-S算法融合结果和简单波段叠加后影像,说明RNMU融合算法充分利用多时相、多极化SAR数据的互补信息,有效提高土地覆盖分类精度,且融合后影像数据量减少了1/3,实现了数据压缩,适用于较大区域的SAR数据。但对于易于分辨的水体地物,单时相S-1SAR数据的水体分类PA高于RNMU2的结果,而融合后并没有达到较好的效果,说明对于后向散射特征足够明显的地物,融合后数据可能出现过拟合现象,反而可能引入噪声,降低分类精度。
图表编号 | XD00135830800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.25 |
作者 | 李俐、陈琦琦、张超、尤淑撑、魏海、付雪 |
绘制单位 | 中国农业大学土地科学与技术学院、农业农村部农业灾害遥感重点实验室、中国农业大学土地科学与技术学院、中国农业大学土地科学与技术学院、农业农村部农业灾害遥感重点实验室、中国国土勘测规划院、中国国土勘测规划院、中国农业大学信息与电气工程学院 |
更多格式 | 高清、无水印(增值服务) |