EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 10: 1215 - 1223

DOI: https://doi.org/10.3724/SP.J.1047.2015.01215

Orginal Article

Reliability Analysis and Assessment of Sub-Pixel Mapping: A Case Study with Landsat-5Image and HJ-1A Image Based on VBSPM

  • JIANG Yu , 1, 2 ,
  • GE Yong , 1, 3, * ,
  • CHEN Yuehong 1, 2 ,
  • SONG Hairong 4 ,
  • HU Jianlong 5
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
  • 4. China Land Surveying and Planning Institute, Beijing 100035, China
  • 5. School of Computer and Information Technology, Shanxi University, Taiyuan 030006, China
*Corresponding author: GE Yong, E-mail:

Received date: 2014-12-08

  Request revised date: 2015-02-27

  Online published: 2015-10-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Some high-resolution land cover maps are not free or available for direct use due to its economic value, the impact of weather or its confidentiality. As a downscaling classification method, sub-pixel mapping (SPM) can produce classification data with spatial resolutions finer than the original input data. We aim to explore the consistency between SPM results and classification data extracted from high-resolution remote sensing images on their accuracy and spatial characteristics. Two experiments were performed: one is in Jinnan District, Tianjin City with Landsat-5 TM image, and the other is in Haidian District, Beijing City with HJ image. Results show that the overall absolute accuracies of SPM results produced by TM and HJ images are 84% and 82% respectively. The overall relative accuracies of Landsat-5 and HJ SPM results were 82% and 77% by taking high-resolution classifications as reference. Furthermore, the overall structures and proportions based on the results using the proposed method are similar with high-resolution classifications. Therefore, with the absence of high-resolution land cover map, results generated by SPM could provide an alternative for land cover data source.

Key words： remote sensing classification; sub-pixel mapping; adaptability; ALOS; Landsat TM

Cite this article

JIANG Yu , GE Yong , CHEN Yuehong , SONG Hairong , HU Jianlong . Reliability Analysis and Assessment of Sub-Pixel Mapping: A Case Study with Landsat-5Image and HJ-1A Image Based on VBSPM[J]. Journal of Geo-information Science, 2015 , 17(10) : 1215 -1223 . DOI: 10.3724/SP.J.1047.2015.01215

1 引言

随着遥感技术的发展[1-2],中低空间分辨率影像有更高的光谱分辨率和时间分辨率,可为遥感分类提供更多的光谱信息及更多的时间序列数据。然而,受到传感器空间分辨率的限制,中低空间分辨率影像中存在大量的混合像元,在进行传统硬分类时会产生不确定性并限制分类精度。软分类（soft classification）方法或称混合像元分解可获取像元内各地物类别的面积比例[3-4],但无法确定地物在混合像元内部的分布位置。为解决混合像元问题,亚像元制图技术被提出[5],通过构建地物空间结构重建模型确定低分影像中混合像元内地物的空间位置,进而获得高空间分辨率的硬分类图。
自1997年亚像元制图被提出后[5],国内外学者持续关注并发展了众多算法,包括神经网络[6-9]、像元交换算法[10-11]、空间吸引力模型[12-14]、马尔科夫随机场[15-17]、地统计的方法[18-19]和几何亚像元制图方 法[20-21]等。目前,主要侧重于亚像元制图算法研究,而对亚像元制图应用的关注较少,例如,探讨亚像元制图结果与高空间分辨率遥感影像硬分类结果的一致性。如果亚像元制图结果与高分影像分类结果具有较高的一致性,则可利用亚像元制图技术,以数据量大、公开免费的中低空间分辨率影像获取高分辨率的分类制图。
因此,本文分别以天津津南区和北京市海淀区为实验区,对中分辨率影像（TM或HJ）和高分辨率影像（ALOS或ZY）分别进行亚像元制图和硬分类,得到相同空间分辨率的分类结果,通过计算并比较绝对分类精度、相对分类精度、图像纹理特征和景观格局指数等指标,评价亚像元制图结果与高分辨率影像硬分类结果,在分类精度和分类特征上相似性,以探讨亚像元制图技术在实际应用中的适应性。
Tab. 2 Main parameters of the experiment data

表2 实验数据的主要参数

影像 获取时间 空间分辨率（m） 波段（mm） 影像大小
TM 2009-10-17 30 B1: 0.45~0.52 B2: 0.52~0.60
B3: 0.63~0.69 B4: 0.76~0.90		 818×860
ALOS 2009-10-17 10 B1: 0.42~0.50 B2: 0.52~0.60
B3: 0.61~0.69 B4: 0.76~0.89		 2454×2580
HJ 2012-04-16 30 B1: 0.43~0.52 B2: 0.52~0.60
B3: 0.63~0.69 B4: 0.76~0.90		 999×937
ZY 2012-04-17 6 B1: 0.45~0.52 B2: 0.52~0.59
B3: 0.63~0.69 B4: 0.77~0.89		 4995×4685

2 亚像元制图适应性分析与评价

为探讨亚像元制图的低空间分辨率影像降尺度分类结果与高空间分辨率影像分类结果的相似程度,并分析评价亚像元制图适应性,分别从分类特征和分类精度上进行分析与评价。具体描述分析评价流程、亚像元制图方法、评价方法和指标如下。

2.1 适应性分析与评价流程

适应性分析与评价的流程如图1所示,主要步骤有：（1）数据预处理（配准和重采样）,以高分辨率影像为参考,对低分辨率影像进行配准和重采样,使2幅影像的像元覆盖位置重叠,即每一个低分辨率像元恰好完全覆盖若干个高分辨率像元（如1个TM像元覆盖9个ALOS像元）;（2）监督分类（硬分类和软分类）,用相同的训练样本分别对低分辨率影像和高分辨率影像进行SVM软分类和SVM硬分类,得到低分辨率影像软分类结果和高分辨率影像硬分类结果;（3）亚像元制图,对软分类结果进行亚像元制图,得到与高分辨率影像硬分类结果相同空间分辨率的亚像元制图结果;（4）亚像元制图适应性分析与评价,通过计算和比较绝对精度、相对精度、纹理特征、景观指数等指标,评价与分析亚像元制图方法。
Fig. 1 Flow chart of the experiment

图1 实验流程图

2.2 亚像元制图方法

实验根据算法复杂度和分类精度选择了矢量边界的亚像元制图（Vectorial Boundary-based Sub-pixel Mapping,VBSPM）[21]进行实验。该算法是利用混合像元及其邻域像元的软分类值（面积比例信息）,计算像元内部地物类别的矢量边界,然后判断亚像元类别属性得到地物空间分布,图2为算法示意图。其主要步骤为：
（1）获取输入数据：对遥感影像进行预处理,利用软分类方法获取影像像元内各类别比例信息。如图2（a）所示,假设在3×3像元内有C1和C2 2个类别,中心像元 P m 和邻域像元 P 0 - P 7 的类别比例依次为{0.7,0.3},{0.35,0.65},…,{0,1}。
（2）提取矢量边界：根据式（1）计算矢量边界线段的长度和位置,连接线段形成初始多边形,并拓扑调整获得最终各类别地物的矢量多边形,如图2（b）所示。
Fig. 2 Sketch map of vectorial boundary-based sub-pixel mapping method[21]

图2 基于矢量边界的亚像元制图方法示意图[21]

V itc = V itc 0 + 1 - P ic ) P ( i + 1 ) c P ( i + 1 ) c + P ( i - 1 ) c , P ( i + 1 ) c ≠ P ( i - 1 ) c ( 1 - P ic ) 2 , P ( i + 1 ) c = P ( i - 1 ) c （1）
式中, V itc 和 V itc 0 分别表示像元i对应于第c类地物的线段t的终止与初始位置; P i c 、 P ( i + 1 ) c 和 P ( i - 1 ) c 分别表示中心像元和左右两侧像元的第c类地物的面积比例。
（3）确定亚像元类别属性：设定放大因子,用射线法判断亚像元中心点与矢量多边形的位置关系,进而判断中心像元中每个亚像元的类别信息,得到亚像元制图结果。如图2（c）所示,放大因子为3,得到Pm中9个亚像元的类别信息。

2.3 适应性评价方法和指标

本文主要从分类精度和分类特征对亚像元制图的适应性进行分析和评价。其中,分类精度评价包括绝对精度和相对精度,二者分别对分类精度和分类一致性进行评价;分类特征评价包括空间结构特征和空间格局特征,分别利用图像纹理特征和景观格局指数。
2.3.1 分类精度评价
本文的精度评价以误差矩阵为基础,用总体精度和kappa系数评价整体分类精度,用生产者精度和用户精度评价类别分类精度[33]。
（1）绝对精度：为评价分类图的精度,分别对亚像元制图结果和高空间分辨率影像分类结果进行绝对精度评价。将生成一定数量的随机点作为验证样本,以Google Earth历史影像中的目视解译结果作为参考分类,统计混淆矩阵并计算精度评价指标。
（2）相对精度：为评价亚像元制图结果与高分辨率影像分类结果的一致程度,对亚像元制图进行相对精度评价。以亚像元制图结果作为分类结果,以高空间分辨率影像分类结果作为参考分类,通过影像差分统计混淆矩阵并计算精度评指标。
2.3.2 分类特征评价
地物分类在空间上具有一定特征,如结构特征和格局特征,本文采用纹理特征和景观格局指数对分类结果进行描述和评价。
（1） 结构特征
为评价空间结构特征,采用纹理特征进行描述和分析,包括均一性（Homogeneity,HOM）、对比度（Contrast,CON）、相异性（Dissimilarity,DIS）、信息熵（Entropy,ENT）、角二阶矩（Angle Second Moment,ASM）和相关性（Correlation,COR）,计算公式如式（2）-（7）所示。
式中,i和j为灰度值; μ x 和 μ y 分别为行列灰度均值; σ x 和 σ y 分别为行列灰度方差; G ( i , j ) 为灰度i和j出现的概率[34]。
（2）格局特征
为评价空间格局特征,选择景观格局指数进行描述,包括斑块密度指数（Patch Density, PD）、景观形状指数（Landscape Shape Index,LSI）、聚集度指数（Contagion Index,CONTAG）、相似临近度（Percentage of Like Adjacencies,PLADJ）、香农多样性指数（Shannon's Diversity Index,SHDI）、香农均一性指数（Shannon's Evenness Index,SHEI）,计算公式如式（8）-（13）所示。
PD = n A （8）
LSI = E 4 A （9）
式中,m为地物类别数;n为斑块数量;E为总边长;A为总面积;Pi为类别i在总体中所占的比例;gik为类别i与类别k斑块间的节点数[28,35]。

3 亚像元制图分类

研究区1位于天津市津南区,东临天津港,西连市中心城区,南接大港石化工业区,北依海河,是承接中心城区城市功能和滨海新区产业功能的重要地区（图3（a））。研究区2位于北京市海淀区,地处华北平原的北部边缘地带,地势西高东低（图3（b））。
Fig. 3 Locations of the study area

图3 实验区位置示意图

3.1 实验数据

实验1的数据分别为TM影像和ALOS影像,数据获取于2009年10月17日;实验2的数据分别为HJ和ZY的多光谱影像,数据分别获取于2012年4月16日和2012年4月17日。实验数据的主要参数如表2所示,为减少波段数量和波段设置对分类结果的影响,TM影像仅1-4波段参与分类,预处理后的假彩色合成图像如图4所示。
Fig. 4 Standard false color composite of the experiment images

图4 实验影像的标准假彩色合成图像

3.2 训练样本特征分析

为比较和分析各类别训练样本特征和样本间可分性,计算其两两组合间的J-M距离（Jeffries-Matusita Distance）,结果如表3所示。从表3可看出,实验1的各地物组合中,除植被/裸地外,其他类别两两间都具有较好的可分性,尤其是水体/植被和水体/裸地;ALOS影像中水体、植被、建筑间的可分性更好,而TM影像中裸地与其他类别的可分性更好。实验2中,建筑和裸地、水体地间的可分性较差,而其他类别间（如水体和植被、裸地及植被和裸地间）的可分性较好。
Tab. 3 Jeffries-Matusita distance among the training samples of each class for from experiment images

表3 实验影像中各类别训练样本之间的J-M距离

水体/建筑 水体/植被 水体/裸地 建筑/植被 建筑/裸地 植被/裸地
实验1 TM 1.922 1.991 2.000 1.945 1.993 1.861
ALOS 1.927 1.995 2.000 1.952 1.976 1.762
实验2 HJ 1.995 1.986 2.000 1.993 1.952 2.000
ZY 1.963 2.000 2.000 1.998 1.901 2.000

3.3 分类结果分析

利用SVM分类器得到中分辨率影像的软分类结果,该步骤在ENVI 5.1软件中完成。由于分数影像直接影响亚像元制图结果的精度[35],为降低低分数值对亚像元制图的干扰,将小于0.3的分数值设为0,处理后的软分类结果如图5所示。
Fig. 5 Soft classification results of the experiments

图5 实验软分类结果

采用VBSPM算法对软分类结果进行亚像元制图,得到如图6（b）和图6（d）的亚像元制图结果;再利用相同的训练样本对高分辨率影像进行监督分类,得到如图6（a）和图6（c）的硬分类结果。视觉上,亚像元制图结果与高分辨率影像硬分类结果中地物分布基本一致。
Fig. 6 Sub-pixel mapping results and hard classification maps

图6 亚像元制图结果和硬分类结果

4 亚像元制图适应性分析和评价

分别从分类精度和分类特征上分析评价亚像元制图的适应性,评价指标包括绝对精度、相对精度、纹理特征和景观指数。

4.1 分类精度评价

为评价中分辨率影像亚像元制图和高分辨率影像硬分类结果的精度,以及二者分类结果的一致性,分别对亚像元制图进行绝对精度评价和相对精度评价。
4.1.1 绝对精度评价
中分辨率影像亚像元制图结果和高分辨率影像硬分类结果的绝对精度评价结果如表4所示。
Tab. 4 Absolute accuracy assessment of sub-pixel mapping results and classification images

表4 亚像元制图结果和硬分类结果的绝对精度评价结果

实验区 影像 OA(%) KP 水体 建筑 植被 裸地
PA(%) UA(%) PA(%) UA(%) PA(%) UA(%) PA(%) UA(%)
1 ALOS 85.67 0.774 80.00 87.61 87.62 83.61 91.85 92.19 42.86 45.00
TM 84.27 0.752 76.84 82.49 78.50 87.96 94.44 90.37 51.08 39.86
2 ZY 86.60 0.779 96.23 80.95 86.81 91.11 88.86 93.93 78.52 59.34
HJ 82.11 0.691 39.62 70.00 87.08 83.75 87.47 82.04 51.73 73.20

注：OA为总体精度;KP为Kappa系数;PA为生产者精度;UA为用户精度

绝对总体精度评价结果显示：ALOS影像硬分类结果的总体精度为85.67%,kappa系数为0.774;TM影像亚像元制图结果的总体精度为84.27%,kappa系数为0.752;ZY影像亚像元制图结果的总体精度为86.60%,kappa系数为0.779;HJ影像硬分类结果的总体精度为82.11%,kappa系数为0.691。分类的总体精度都比较高,其中,TM影像3倍放大因子的亚像元制图结果的总体精度比ALOS硬分类结果约低1%,HJ影像5倍放大因子的亚像元制图结果的总体精度比ZY硬分类结果约低4%。由于放大因子越大,亚像元制图结果中的不确定性越高,所以,其与高分辨率影像硬分类结果的一致性越低。
绝对类别精度评价结果显示：（1）植被的类别精度最高,生产者精度都达82%以上。由于植被光谱与其他地物的可区分性好,训练样本的J-M距离较大,因此正确分类的比例高。实验2中的植被受到山体阴影的影响,其精度略低于实验1。（2）建筑的类别精度较高,达到79%~91%。建筑和裸地光谱特征相似,容易产生错分或漏分,降低了该类别的分类精度。（3）水体的类别精度较高,除HJ影像外都达到77%~96%。当水体的宽度等于或小于像元大小时（如河流和水塘）,容易产生混合像元,增加了分类结果的不确定性,从而影响分类精度。HJ影像中由于部分河流未被识别出,从而降低了类别精度。（4）裸地的类别精度较低,为40%~79%。一方面,裸地与建筑光谱相似,容易产生错分漏分;另一方面,部分地区为裸地与植被的混合过度地带,这类混合像元增加了分类的不确定性。
4.1.2 相对精度评价
以高分辨率影像硬分类结果为参考分类,中分辨率影像的亚像元制图结果和硬分类结果的相对精度评价如表5所示。
Tab. 5 Relative accuracy assessment of sub-pixel mapping and hard classification results derived from low spatial resolution remote sensing images

表5 中分辨率影像的亚像元制图结果和硬分类结果的相对精度评价结果

影像 OA(%) KP 水体 建筑 植被 裸地
PA(%) UA(%) PA(%) UA(%) PA(%) UA(%) PA(%) UA(%)
TM_SPM 82.40 0.724 79.26 81.82 78.80 89.16 91.92 89.27 33.68 23.39
TM_hard 82.09 0.718 78.87 81.05 78.56 88.71 91.73 88.80 32.16 23.01
HJ_SPM 76.67 0.604 31.75 88.04 82.69 77.25 85.60 77.14 42.57 70.36
HJ_hard 76.61 0.604 31.81 80.81 82.42 77.36 85.64 76.95 43.09 70.47

注：OA为总体精度;KP为Kappa系数;PA为生产者精度;UA为用户精度

相对总体精度评价结果显示：实验1中,TM影像亚像元制图结果的相对总体精度为82.40%,相对kappa系数为0.724,即约82%的TM影像中的亚像元分类结果与ALOS影像中的像元分类结果一致,与TM影像硬分类结果相比,亚像元制图结果的精度上升了0.31%,且水体、建筑和裸地的类别精度都有增加;实验2中,HJ影像亚像元制图结果的相对总体精度为76.61%,相对kappa系数为0.604,即约77%的HJ影像中的亚像元分类结果与ZY影像的像元分类结果一致。与HJ影像硬分类结果相比,亚像元制图的精度增加了0.06%,主要由于水体的用户精度有大幅度增加。
相对类别精度评价结果显示：（1）植被的相对类别精度最高,为77%~92%。一方面,由于植被的绝对分类精度高;另一方面,植被的斑块面积较大,利用空间相关性的VBSPM方法善于处理该类大面积分布的地物,因而相对精度较高。（2）建筑的相对类别精度较高,为77%~89%。由于建筑类别的像元数目比较多,其中,分类一致的像元比例比较大,错分漏分对其精度的影响较小。（3）水体的相对类别精度较高,为32%和82%。由于部分水体和阴影像元/亚像元发生错分或漏分,导致水体的相对类别精度高于绝对类别精度。（4）裸地的相对类别精度最低,为23%~70%。除受到绝对分类精度最低的影响外,由于裸地类别的总体面积很小,错分或漏分像元对裸地的精度影响教大,因此类别精度较低。

4.2 分类特征评价

为评价分类特征,分别使用图像纹理特征和景观格局指数,对亚像元制图结果和高分辨率影像硬分类结果的空间结构特征和空间格局特征进行分析评价。
4.2.1 结构特征评价
分类结果中各类别地物的纹理特征统计如表7所示。总体上亚像元制图结果和高分辨率影像硬分类结果的空间结构特征比较相似,且各类别地物的纹理特征变化趋势基本相同。由于中空间分辨率影像中像元光谱信息的异质性较弱,所以,亚像元制图结果中局部窗口的变异性较低、空间结构比较聚集,而均一性、二阶矩、相关性较高,对比度、相异性、信息熵较低。
Tab. 7 Statistics of spatial structure characteristics for each class in the classification results

表7 分类结果中各类别地物的纹理特征统计

影像 类别 均一性 对比度 相异性 信息熵 二阶矩 相关性
实验1 TM 水体 0.98 71.48 1.13 0.05 0.97 0.97
建筑 0.96 143.71 2.28 0.1 0.94 0.93
植被 0.96 143.71 2.28 0.1 0.94 0.93
裸地 0.96 150.15 2.38 0.1 0.94 0.92
ALOS 水体 0.97 108.59 1.72 0.07 0.95 0.94
建筑 0.94 227.84 3.62 0.15 0.91 0.87
植被 0.94 242.39 3.85 0.16 0.9 0.86
裸地 0.95 187.61 2.98 0.13 0.93 0.86
实验2 HJ 水体 0.99 11.28 0.18 0.00 0.99 0.00
建筑 0.98 90.70 1.43 0.06 0.96 0.00
植被 0.98 68.44 1.09 0.04 0.97 0.00
裸地 0.97 106.49 1.69 0.07 0.96 0.00
ALOS 水体 0.99 5.61 0.09 0.00 0.99 0.00
建筑 0.92 310.77 4.93 0.20 0.87 0.00
植被 0.94 215.96 3.43 0.14 0.91 0.00
裸地 0.97 113.92 1.81 0.08 0.95 0.00

4.2.2 格局特征评价

分类结果和各类别地物的景观格局指数计算结果如表8所示。
Tab. 8 Statistics of landscape pattern indexes for the classification results and for each class

表8 分类结果及各类别地物的景观格局指数统计

水平 指数 PD LSI COHESION PLADJ SHDI SHEI
实验1 景观 TM 39 58 100 80 1.17 0.84
ALOS 142 101 100 83 1.14 0.82
类别 TM 水体 19 62 98 90 - -
建筑 17 63 100 95 - -
植被 8 171 91 70 - -
裸地 6 69 100 93 - -
ALOS 水体 16 109 95 83 - -
建筑 90 119 99 91 - -
植被 5 292 74 38 - -
裸地 22 135 100 88 - -
实验2 景观 HJ 76 80 100 95 0.95 0.69
ALOS 97 104 100 94 1.06 0.77
类别 HJ 水体 7 30 96 90 - -
建筑 22 103 100 96 - -
植被 31 94 100 95 - -
裸地 16 81 98 92 - -
ZY 水体 6 49 95 89 - -
建筑 18 128 100 95 - -
植被 29 85 100 96 - -
裸地 45 154 97 88 - -
景观水平上,亚像元制图结果和高分辨率影像硬分类结果在斑块数量、形状特征上有较大差别,在相似邻接和分离度上有一定差别,其多样性和均一性较相似。由于中分辨率影像的空间分辨率较低、光谱信息异质性较弱,所以分类结果的空间相关性更强、破碎程度更低、斑块间距离更近,使斑块密度（PD）更低、形状指数（LSI）更小、聚集度（COHESION）更高、斑块间距离（PLADJ）更短。而分类结果的各类别面积比例变化基本相同,故SHDI和SHEI指数比较相似。
类别水平上,各类别的景观指数的变化趋势大多与总体空间格局特征相同。其中,植被类别的变化最大,由于在高空间分辨率影像硬分类结果中有大量小斑块,与空间相关性较强的中分辨率影像亚像元制图结果的差异性较大,这种差异性反映在PD、LSI、COHESION、PLADJ等指标上。

5 结语

TM和HJ影像亚像元制图结果的绝对总体精度分别为84%和82%,类别精度中植被最高,建筑和水体其次,裸地最低。地物类别精度主要与2幅影像光谱特征的一致性、地物光谱特征的可分性和地物的分布特点有关。分类特征上,亚像元制图结果与高分辨率影像分类结果的格局相似,各类别面积比例比较一致。在细节上有一定差异,主要为亚像元制图结果的局部空间相关性较高、斑块数量较少、斑块破碎度较低、聚集度较高、斑块间距离较大等。放大因子是影响亚像元制图结果的重要参数,其数值越大,分类结果的不确定性越高,分类精度可能较低。
总体上,亚像元制图结果与高分辨率影像硬分类结果,在分类精度和类别特征上基本相同,一致性较强,尤其是植被等高分类精度的地物。因此,在缺少高分辨率影像的情况下,可利用亚像元制图算法,对中分辨率影像进行降尺度分类,得到高分辨率土地覆被制图结果。由于亚像元制图结果受分数影像的影响较大,因此,在选择替代高分辨率影像的中低分辨率影像时,应考虑影像的光谱特征的一致性等物理因素。
本研究主要是以华北平原的实验区为例,且仅以2组影像实验进行验证分析。后续研究可选择不同地表特征地区,并且将不同的中分辨率影像和高分辨率影像组合进行实验,以分析和评价不同影像的亚像元制图在不同地区的适应性。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曾德贤,杜小平.像元尺寸对空间光学探测系统性能的影响[J].中国空间科学技术,2011(3):51-55.

[2]
林宗坚,李德仁,胥燕婴.对地观测技术最新进展评述[J].测绘科学,2011(4):5-8.

[3]
Fisher P F, Pathirana S.The evaluation of fuzzy membership of land cover classes in the suburban zone[J]. Remote Sensing of Environment, 1990,34(2):121-132.

[4]
Somers B, Asner G P, Tits L, et al.Endmember variability in Spectral Mixture Analysis: A review[J]. Remote Sensing of Environment, 2011,115(7):1603-1616.

[5]
Atkinson P M, Cutler M E J, Lewis H. Mapping sub-pixel proportional land cover with AVHRR imagery[J]. International Journal of Remote Sensing, 1997,18(4):917-935.

[6]
Tatem A J, Lewis H G, Atkinson P M, et al.Super-resolution target identification from remotely sensed images using a Hopfield neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001,39(4):781-796.

[7]
Tatem A J, Lewis H G, Atkinson P M, et al.Super-resolution land cover pattern prediction using a Hopfield neural network[J]. Remote Sensing of Environment, 2002,79(1):1-14.

[8]
Nguyen Q M, Atkinson P M, Lewis H G.Super-resolution mapping using Hopfield Neural Network with panchromatic imagery[J]. International Journal of Remote Sensing, 2011,32(21):6149-6176.

[9]
Mertens K C, Verbeke L P C, Westra T, et al. Sub-pixel mapping and sub-pixel sharpening using neural network predicted wavelet coefficients[J]. Remote Sensing of Environment, 2004,91(2):225-236.

[10]
Thornton M W, Atkinson P M, Holland D.A. Sub-pixel mapping of rural land cover objects from fine spatial resolution satellite sensor imagery using super-resolution swapping[J]. International Journal of Remote Sensing, 2006,27(3):473-491.

[11]
Shen Z, Qi J, Wang K.Modification of pixel-swapping algorithm with initialization from a sub-pixel/pixel spatial attraction model[J]. Photogrammetric Engineering & Remote Sensing, 2009,75(5):557-567.

[12]
Mertens K C, De Baets B, Verbeke L P C, et al. Direct sub-pixel mapping exploiting spatial dependence[C]. Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium, 2004.

[13]
Tong X, Zhang X, Shan J, et al.Attraction-repulsion model-based subpixel mapping of multi-/hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(5):2799-2814.

[14]
Chen Y, Ge Y, Wang Q, et al.A subpixel mapping algorithm combining pixel-level and subpixel-level spatial dependences with binary integer programming[J]. Remote Sensing Letters, 2014,5(10):902-911.

[15]
Kasetkasem T, Arora M K, Varshney P K.Super-resolution land cover mapping using a Markov random field based approach[J]. Remote Sensing of Environment, 2005,96(3-4):302-314.

[16]
Li X, Du Y, Ling F.Spatially adaptive smoothing parameter selection for Markov random field based sub-pixel mapping of remotely sensed images[J]. International Journal of Remote Sensing, 2012,33(24):7886-7901.

[17]
Zhang B, Li S, Jia X, et al.Adaptive Markov random field approach for classification of hyperspectral imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2011,8(5):973-977.

[18]
Boucher A, Kyriakidis P C.Super-resolution land cover mapping with indicator geostatistics[J]. Remote Sensing of Environment, 2006,104(3):264-282.

[19]
Boucher A.Super resolution mapping with multiple point geostatistics[J]. Geoenv VI - Geostatistics for Environmental Applications, 2008,15:297-305.

[20]
Ge Y, Li S, Lakhan V C.Development and testing of a subpixel mapping algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(7):2155-2164.

[21]
Ge Y, Chen Y, Li S, et al.Vectorial boundary-based sub-pixel mapping method for remote-sensing imagery[J]. International Journal of Remote Sensing, 2014,35(5):1756-1768.

[22]
张帅,邵全琴,刘纪远,等.黄河源区玛多县土地利用/覆被及景观格局变化的遥感分析[J].地球信息科学,2007,9(4):109-115.

[23]
张小咏,邵景安,黄麟.三江源南部草地退化时空特征分析[J].地球信息科学,2008,10(5):645-650.

[24]
朱运海,张百平,曹银璇,等.土地利用/覆被变化遥感检测方法与应用分析[J].地球信息科学,2007,9(3):116-122.

[25]
怀保娟,李忠勤,孙美平,等.近50年黑河流域的冰川变化遥感分析[J].地理学报,2014,69(3):365-377.

[26]
徐进勇,张增祥,赵晓丽,等.2000-2012年中国北方海岸线时空变化分析[J].地理学报,2013,68(5):651-660.

[27]
孙彩歌,钟凯文,刘旭拢,等.基于ALOS遥感数据的新丰江流域生态安全GIS评价[J].地球信息科学学报,2010,12(2):2301-2308.

[28]
易文斌,蒋卫国,国巧真,等.基于ALOS数据的城市景观格局信息提取研究——以北京市海淀区为例[J].遥感信息,2008(4):33-38.

[29]
李传荣,贾媛媛,胡坚,等.HJ-1光学卫星遥感应用前景分析[J].国土资源遥感,2008,77(3):1-3.

[30]
易玲,汪潇,刘斌.HJ-1卫星数据质量及其在土地利用中的应用研究[J].国土资源遥感,2009,81(3):74-77.

[31]
李德仁. 我国第一颗民用三线阵立体测图卫星——资源三号测绘卫星[J].测绘学报,2012,41(3):317-322.

[32]
唐新明,张过,祝小勇,等.资源三号测绘卫星三线阵成像几何模型构建与精度初步验证[J].测绘学报,2012,41(2):191-198.

[33]
李光丽,杜培军,王小美,等.多源遥感影像土地覆盖分类结果一致性评价与集成应用[J].地理与地理信息科学,2009,25(4):68-71.

[34]
Haralick R M, Shanmugam K, Dinstein I H.Textural features for image classification[J]. IEEE Transactions on Systems, Man and Cybernetics, 1973(6):610-621.

[35]
邬建国. 景观生态学——格局、过程、尺度与等级(第二版)[M].北京:高等教育出版社,2007.

[36]
Ge Y, Li S P, Lakhan V C, et al.Exploring uncertainty in remotely sensed data with parallel coordinate plots[J]. International Journal of Applied Earth Observation and Geoinformation, 2009,11(6):413-422.

Options
Outlines

/

〈 〉