《表3 不同数据融合方式分类精度评价》

  提示：宽带有限、当前游客访问压缩模式

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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。