범주의 통계적 분리성은 해당 범주가 정확하게 분류될 확률을 반영하므로, 해당 범주의 통계적 분리성의 척도효과를 연구하여 해당 범주의 불확실성에 대한 척도효과를 반영한다. .
원격탐사 데이터 분류의 불확실성 규모 효과를 연구하기 위해 래니어 호수 지역의 TM 다중 스펙트럼 원격탐사 데이터를 실험 데이터로 사용합니다. 원래 공간 해상도(30m)에서 데이터를 점진적으로 확장하여 다양한 규모(공간 해상도)의 데이터를 얻습니다. 스케일 확장 방법은 특정 윈도우 내 원본 이미지의 DN 값의 평균을 스케일 확장 후 공간 해상도가 윈도우 크기인 픽셀의 DN 값으로 계산하는 것입니다. 클래스 통계적 분리성 측정값은 원격 감지 데이터 분류를 위한 훈련 데이터를 사용하여 계산됩니다. 원본 공간해상도 데이터의 분류 훈련 데이터는 계층적 무작위 샘플링 방법을 통해 선택되었습니다. 훈련 데이터를 선택하는 과정에서 각 샘플 포인트의 공간 위치를 기록하여 공간 마스크를 형성합니다. 규모 확장 원격 탐사 데이터의 훈련 데이터는 카테고리 통계적 분리성 측정값 계산을 보장하기 위해 동일한 공간 위치에서 선택됩니다. . 샘플링 차이로 인해 오류가 발생하지 않습니다. 카테고리 통계적 분리성은 TM 데이터의 밴드 1-5를 사용하여 계산됩니다.
그림 6-2와 그림 6-3은 각각 이미지의 공간 해상도 변화에 따른 다양한 쌍 유형 간의 변환 분산과 J-M 거리를 보여줍니다. 그림의 대문자 W, U, B, A, G, C, S, P, D는 각각 이미지 분류에 정의된 범주(물, 도시 및 개발, 맨땅, 농업, 초원, 구름, 그늘)를 나타냅니다. , 소나무와 낙엽.
그림 6-2 이미지 공간 해상도에 따라 카테고리 간 변환 분산이 변경됩니다.
그림 6-3 이미지 공간 해상도에 따라 카테고리 간 J-M 거리가 변경됩니다.
그림에서 볼 수 있듯이 변환 분산과 J-M 거리에 의해 반영된 클래스 쌍 간의 통계적 분리성의 구조는 기본적으로 공간 분해능과 일치합니다. 그림에 반영된 공간해상도에 따라 통계적 분리도가 달라지는 구조는 기본적으로 4가지가 있는데, 어쨌든 공간해상도가 낮아질수록 카테고리의 스펙트럼 변화 정도는 줄어들고, 혼합픽셀의 개수는 늘어나게 되는 상호작용의 결과이다. 두 쌍의 클래스의 분리 가능성에 상충되는 영향을 미치는 두 가지 요소.
(1) 통계적 분리성은 기본적으로 공간 분해능이 감소함에 따라 변경되지 않거나 약간 감소합니다. 이러한 변화하는 구조를 갖는 클래스 쌍은 일반적으로 초기 공간 해상도에서 높은 통계적 분리성을 갖습니다. 이러한 범주의 대부분은 직접적인 공간 인접 관계가 없기 때문에 공간 해상도를 줄여도 혼합 픽셀 수를 늘릴 수 없거나, 반대로 혼합 픽셀 수의 증가가 매우 제한적입니다. 공간 해상도가 감소함에 따라 증가하므로 이러한 클래스 쌍 간의 통계적 분리성은 항상 높게 유지됩니다. 이 구조에 속하는 클래스 쌍에는 W-U, W-B, W-A, W-G, B-A, U-A, U-C, U-S, A-S, B-S, A-C, C-D, G-S 및 C-S가 포함됩니다.
(2) 통계적 분리성은 이미지의 공간 해상도가 감소함에 따라 증가하며, 최대값에 도달한 후 공간 해상도가 계속 감소함에 따라 감소하기 시작합니다. 이 경우, 통계적 분리도가 최대값에 도달하기 전, 공간 해상도가 감소함에 따라, 혼합 픽셀 수의 증가보다 범주 내 스펙트럼 특징의 변화 감소가 분리도 변화에 더 많이 기여합니다. 특정 공간 해상도에서는 혼합 픽셀의 증가가 통계적 분리도의 변화에 미치는 기여도가 클래스 내 스펙트럼 특성의 변동 정도를 감소시키는 것보다 통계적 분리도에 대한 기여도가 더 큽니다. 클래스 내 스펙트럼 특성은 어느 정도 무한히 줄일 수는 없습니다. 이 구조에 속하는 클래스 쌍은 일반적으로 수역과 그림자 사이(W-S), 농지와 초원 사이(A-G), 침엽수림과 활엽수림 사이(P-D)와 같은 공간 구조에서 직접적인 인접 관계를 갖습니다.
(3) 클래스 쌍 간의 통계적 분리성은 공간 해상도가 감소함에 따라 계속해서 감소합니다. 이 구조에 속하는 클래스 쌍은 일반적으로 직접적으로 인접한 공간 관계도 갖습니다. 초기 고해상도에서 이러한 클래스 쌍은 높은 통계적 분리성을 가지며, 공간 해상도가 감소함에 따라 이러한 클래스 쌍 간의 혼합 픽셀 수가 급격히 증가하고 분리성도 급격히 감소합니다.
이 구조에 속하는 클래스 쌍에는 W-P, U-G, B-G, U-B, A-D, G-P 등이 포함됩니다.
(4) 클래스 쌍 간의 통계적 분리성은 공간 분해능이 감소함에 따라 진동하는 구조를 보여줍니다. 이 경우, 클래스 내 스펙트럼 특징의 변화 정도와 공간 해상도가 혼합된 픽셀 수의 변화가 통계적 분리성에 미치는 영향 사이의 상호 작용이 더 복잡합니다. 일부 척도에서는 클래스 내 스펙트럼 특징의 가변성 정도의 변화가 혼합 픽셀 수의 변화보다 분리성에 더 큰 영향을 미치는 반면, 다른 척도에서는 그 반대입니다. 이 구조에 속하는 클래스 쌍에는 W-S, A-G, P-D 등이 포함됩니다.
또한 그림 6-2와 6-3을 보면 통계적 분리성이 최대가 되는 공간 분해능이 클래스 쌍마다 다르다는 것을 알 수 있습니다. 클래스 쌍 간의 최대 통계적 분리성은 대부분 원래 해상도에서 발생하지만 클래스 쌍 간의 최대 통계적 분리성은 다른 공간 해상도에서 발생하는 경우가 많습니다. 예를 들어, 수역과 그림자 사이의 최대 통계적 분리성(W-S)은 60m 공간 해상도에서 발생하는 반면 농지와 초원 간의 최대 통계적 분리성은 240m 공간 해상도에서 발생합니다. 이는 공간 분해능이 높을수록 분류 정확도가 높다는 것을 증명합니다. 따라서 높은 분류 정확도를 얻으려면 서로 다른 범주 간에 공간 해상도가 다른 데이터를 사용해야 합니다.
그림 6-4 이미지 공간 해상도에 따른 평균 변환 분산 변화
그림 6-5 이미지 공간 해상도에 따른 평균 J-M 거리 변화
< p>그림 그림 6-4와 그림 6-5는 각각 공간 분해능의 함수로서 평균 변환 분산과 평균 J-M 거리를 보여줍니다. 평균 변환 분산의 최대값은 60m 해상도에서 발생하고, 평균 J-M 거리의 최대값은 30m 해상도에서 발생하지만 30m와 60m 해상도에서 두 지표의 값이 매우 가깝고, 최대 분리도가 발생하는 분해능의 차이는 이 두 가지 통계적 분리도 지표의 계산 방법 차이에 의해서만 발생합니다. 30m와 60m 해상도에서 평균 통계적 분리성은 거의 동일하다고 볼 수 있습니다.