《表1 湿地分类混淆矩阵及精度》

  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

《采用全卷积神经网络与Stacking算法的湿地分类方法》

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：土地利用类型对应数值为其列所在类别被分为行所在类别的像元数。UA为生产者精度，PA为用户精度。下同。

基于本文方法提取湿地信息的总体分类精度为88.16%，Kappa系数为0.85。该方法能够有效地提取大部分湿地类型，其中，湖泊/库塘、泥沙滩地、苔草的生产者精度与用户精度均在90%左右（表1），但对芦苇和杨树林容易形成错分，主要原因在于两者在生长季的部分时段具有相似的光谱特征，难以用单时相的遥感影像进行区分（182个杨树林像元被分为芦苇，141个芦苇像元被分为杨树林）。同时，苔草与芦苇、杨树林及耕地，芦苇与耕地，湖泊与泥沙及其他类之间也存在着错分的情况（125个芦苇像元被分为苔草，158个苔草像元被分为芦苇；137个耕地像元被分为杨树林，67个杨树林像元被分为耕地）。植被之间的误分情况主要由于洞庭湖湿地植被多样性丰富，易形成混合像元，单时相GF-6遥感数据难以将其准确区分。5月份春汛使得流入洞庭湖的水泥沙含量较多，因此造成了部分湖泊/库塘与泥沙滩地之间的错误分类。另外，该时期部分耕地未种植农作物或经济作物，使得耕地的光谱特征与泥沙滩地类型，这是造成两者错分的主要原因。