《表4 典型城市的ISP估算精度》

  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

《融合多源时序遥感数据大尺度不透水面覆盖率估算》

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

13个典型城市的估算结果如表4所示。从表4可知，本文提出的基于多特征估算方法的相关系数均高于单特征估算模型，同时均方根误差也低于单特征模型。具体分析每个典型城市的估算结果可以看出，郑州市基于3个特征估算方法的相关系数提高最大，比MISI算法高10%。因为对于灯光微弱的城市周边地区，MISI指数很难有效地提取该地区的不透水面信息，但是NDBI和BUAI可以较好地表达远离高值夜间灯光区的不透水面信息，改善了MISI在城市边缘低估的情况，从而提高ISP的估算精度。北京市基于3个特征估算模型的相关系数比基于LISI指数、MISI指数、MISI和NDBI指数的模型分别高11.4%、7.8%、4.2%，均方根误差分别低2.9%、2.3%、0.9%。沈阳、哈尔滨、郑州和北京位于中国北部和中部地区，植被覆盖度相对较低，仅利用植被和夜间灯光信息无法较好地估算城市边缘的ISP。深圳市基于多特征估算方法的相关系数比LISI、MISI指数、NDBI和MISI指数分别高10.1%、4.5%、4.4%，对深圳市而言，城市绿化程度相对较高，当只引入NDBI时，估算精度提高较小。引入BUAI后，估算精度得到较大提高。上海市基于3个特征估算方法的相关系数比基于LISI指数、MISI指数构建的模型分别高8.9%、5.7%，均方根误差低3.3%、2.6%。对于北京和上海这些特大城市而言，在城市的核心区域，夜间灯光DN值很高，存在饱和现象，因而仅利用单一特征MISI指数很难准确估算ISP，因此引入NDBI和BUAI后，有效改善城市核心区域高估情况，从而提高估算ISP的精度。