원격탐사 데이터의 분류 불확실성의 규모 효과에 관한 연구

최근에는 지역적, 심지어 글로벌 규모의 토지 피복 매핑에 다중 규모 원격 탐사 데이터가 널리 사용되었습니다. 따라서 사람들은 원격의 규모 효과에 대한 연구에 점점 더 많은 관심을 기울이고 있습니다. 감지 데이터 분류 정확도.

Woodcock과 Strahler(1987)는 처음으로 원격 탐사의 척도 인자를 체계적으로 연구했습니다. 그들은 이미지 해상도에 따른 국소 이미지 변화의 변화를 분석하여 원격탐사 분류의 규모 효과를 연구했습니다. 일반적으로 원격 탐사 데이터의 초기 공간 해상도가 충분히 높은 경우(픽셀이 이미지 중앙의 목표 크기보다 훨씬 작음) 이미지의 공간 해상도가 점차 감소함에 따라 이미지의 국부적 분산도 점차 커집니다. 증가하고 특정 지점에서 로컬 분산은 한 해상도에서 최대에 도달하며, 이미지의 공간 해상도가 계속 감소하면 이미지의 로컬 분산이 다시 점차 감소하기 시작합니다. 이미지의 지역적 분산이 최대에 도달하면 이미지의 공간 해상도가 지상 장면의 대상 객체의 크기와 동일함을 나타냅니다. 이때 카테고리 간 분리성은 가장 크고, 혼합된 픽셀은 가장 적습니다. 그러나 이는 이상적인 상황일 뿐이다. 지상 물체 카테고리의 크기, 모양, 집합 수준은 매우 다양하므로 실제로 선택된 이미지 해상도는 지역 분산 방법에 의해 결정된 최적 해상도보다 높아야 합니다.

원격탐사 정보의 규모 효과를 연구하기 위한 국소변량법의 단점은 단일 대역의 영상의 국소변량 변화만을 고려한다는 점이며, 다중분광 원격탐사에 적용하기 불편하다는 점이다. 데이터; 로컬 분산 방법의 또 다른 한계는 이미지의 로컬 분산이 이미지의 전역 분산과 관련되어 있으며 서로 다른 이미지의 로컬 분산을 직접 비교하는 것은 의미가 없다는 것입니다. 또한 지역분산 계산과정에서 경계효과는 지역분산의 정확도에 영향을 미친다.

Arbia 등(1996)은 다중 스펙트럼 원격 감지 이미지의 최대 우도 분류 정확도에 대한 규모 연구에서 유명한 "수정 가능한 면적 단위 문제(MAUP)"를 연구하기 위해 이미지 시뮬레이션 실험 방법을 사용했습니다. 연구 결과는 데이터의 공간 해상도가 감소함에 따라 최대 가능성 분류 오류의 크기가 증가하지만 픽셀 간의 공간 의존성은 분류 오류의 공간 분포에 대한 공간 해상도의 영향을 부분적으로 중화할 수 있음을 보여줍니다. 주로 카테고리 사이의 경계에 있습니다.

공간 해상도의 증가는 클래스 내 스펙트럼 변화 정도와 에지 혼합 픽셀 수의 변화를 동시에 일으킬 수 있으며, 이 두 가지 변화가 분류 정확도에 미치는 영향이 상충되므로 시스템은 원격 감지 데이터의 공간 해상도가 변경됨에 따라 분류 정확도에 대한 결합된 영향을 평가할 필요가 있습니다. Hsieh et al.(2001)은 "순수 픽셀"과 혼합 픽셀의 분류 오류에 대한 원격 탐사 데이터의 공간 해상도의 영향을 연구하기 위해 시뮬레이션된 이미지를 사용했습니다. 클래스 내 변동과 혼합 픽셀 수를 결정하는 두 가지 요소인 공간 해상도와 지상 타겟의 크기를 지상 샘플링 거리(GSD)의 비율(공간 해상도에 해당)을 정의하여 하나의 변수로 통합했습니다. 그리고 목표의 크기. 연구 결과, 이 비율이 감소하면 순수 픽셀의 분류 오류가 증가하고 혼합 픽셀의 분류 오류가 감소하는 것으로 나타났습니다. 이러한 결론은 실제로 Markham and Townshend(1981)의 분석 결과와 완전히 일치한다. 지상표적에 대한 공간해상도의 비율이 감소하므로, 공간표적의 변화가 없을 때 원격탐사 데이터의 공간해상도가 증가하는 것으로 이해될 수 있으며, 따라서 클래스 내 스펙트럼 변화의 정도가 증가하고 혼합 픽셀 수가 감소한다. 또 다른 연구 결과는 정의된 비율이 감소함에 따라 전체 분류 오류가 먼저 점차 감소하고 전체 분류 오류가 최소값에 도달한 후 비율이 더 감소함에 따라 전체 분류 오류가 점차 증가하기 시작한다는 것입니다. 분명히 이 결과는 Woodcock과 Strahler(1987)의 국소 분산 방법의 결론과 일치합니다. 지상 표적 크기에 대한 지상 샘플링 거리의 비율을 점진적으로 줄이는 효과는 지상 표적이 변하지 않을 때 원격 탐사 데이터의 공간 해상도를 점진적으로 높이는 것과 동일하기 때문입니다. 공간 분해능이 증가함에 따라 지역적 분산은 점차적으로 증가하고, 최대값에 도달하면 공간 분해능이 증가함에 따라 지역적 분산이 감소합니다. 따라서 지상 표적 크기에 대한 지상 샘플링 거리의 비율이 최소에 도달할 때의 공간 분해능은 국지적 분산이 최대에 도달할 때의 공간 분해능과 일치해야 함을 예측할 수 있습니다. 그러나 Hsieh et al.(2001)의 연구 방법의 장점은 이 방법이 단일 대역 원격탐사 데이터에만 국한되지 않는다는 점이다.

Smith et al.(2002)은 패치 크기와 토지 피복 이질성이 원격 탐사 이미지의 주제별 분류 정확도에 미치는 영향을 연구하고 로지스틱 회귀 모델을 사용하여 패치 크기와 토지 피복 이질성을 평가했습니다. 원격탐사 영상의 주제별 분류 정확도에 대한 질적 특성의 영향 결과는 토지 피복 이질성이 증가하고 패치가 감소할 때 분류 정확도가 감소함을 보여줍니다. 이 결론은 사실상 Markham과 Townshend(1981)의 이론을 검증한 것이다. 특정 공간 해상도를 가진 원격 탐사 데이터의 경우 토지 피복 이질성을 높이고 패치를 줄이는 효과는 실제로 혼합 픽셀 수의 증가이기 때문입니다.

Marceau et al.(1994a, 1994b)은 원격탐사 데이터 측정 규모(공간 분해능)와 공간 집합 수준이 분류 정확도에 미치는 영향을 연구하기 위해 중위도 온대림 환경을 예로 들었습니다. 원격 감지 데이터. 연구 결과에 따르면, 원격탐사 데이터의 공간해상도 변화와 공간 집합 수준의 변화는 각 항목의 통계적 특성에 큰 영향을 주지만, 공간해상도 변화의 영향이 공간해상도 변화의 영향보다 더 큰 것으로 나타났다. 단일 범주의 분류 정확도는 주로 공간 해상도 및 집합 수준과 관련이 있습니다. 특정 집계 수준에서 일부 범주는 고해상도에서 높은 분류 정확도를 갖는 반면 다른 범주는 낮은 해상도에서 높은 분류 정확도를 갖습니다. 따라서 복잡한 자연 환경의 경우 모든 지리적 개체를 식별하는 데 적합한 단일 공간 해상도는 없습니다.

Moody와 Woodcock(1994)은 원격탐사 토지피복형 면적 추정 오차와 공간해상도 간의 관계를 연구한 결과, 공간해상도의 변화에 ​​따라 토지피복형 면적 추정이 변화함을 발견하였다. 미국 북부 캘리포니아의 산림 지역에서 실험한 결과, 공간 해상도가 90m를 초과하면 면적 추정 오류가 크게 증가하는 것으로 나타났습니다. 면적 추정 오류는 공간 해상도, 토지 피복 클래스의 크기 및 토지 피복 클래스의 공간 구조의 함수입니다.

Narayanan and Desetty(2002)는 분류 정확도를 기반으로 원격탐사 정보콘텐츠에 대한 연구방법을 개발하고, 대상과 배경 및 상대물 간의 대비 정도를 기반으로 원격탐사 정보콘텐츠 지수를 구축하였다. 타겟과 픽셀 크기 사이의 관계. TM 이미지와 SIR-C 이미지를 비교한 결과, 픽셀 해상도가 높을수록 TM 이미지의 정보 함량이 높고, 이미지 해상도가 낮을수록 SIR-C 이미지의 정보 함량이 더 높은 것으로 나타났습니다. 둘 사이의 대비 관계는 약 720m의 해상도에서 발생합니다.

Ferro et al.(2002)은 텍스처 이미지 분류에서 텍스처 계산 창의 크기가 이미지 분류 정확도에 미치는 영향을 연구했습니다. 텍스처 이미지 분류 오류는 주로 카테고리 가장자리에서 발생합니다. 큰 텍스처 계산 창은 비교적 안정적인 텍스처 측정을 생성하지만 큰 가장자리 효과를 발생시킵니다. 작은 텍스처 계산 창은 작은 가장자리 효과를 생성하지만 일반적으로 안정적인 텍스처 측정을 생성하기가 어렵습니다. 시뮬레이션 데이터를 이용한 텍스쳐 분류 실험 결과, 텍스쳐 계산창이 커질수록 텍스쳐의 분리성은 높아지나, 엣지 이외의 픽셀의 분리성은 평가 대상으로 선택되어 과대평가될 수 있음을 알 수 있다.

일반적으로 원격탐사 데이터의 분류 불확실성의 규모 효과에 대한 연구는 주로 혼합 픽셀 수의 변화와 공간 해상도 변화에 따른 범주 내 스펙트럼 변화 정도의 변화에 ​​중점을 둡니다. 원격탐사 데이터는 두 가지 모순된 요소가 원격탐사 분류 정확도에 영향을 미칩니다. 원격 탐사 데이터의 공간 해상도 변화가 분류 결과의 정확성에 미치는 영향은 두 가지 영향 요인이 결합된 효과입니다. 아마도 이 포괄적인 효과를 평가하는 가장 직접적인 지표는 다양한 해상도에서 데이터의 최종 주제별 분류 정확도일 것입니다. 그러나 실제 원격탐사 영상의 분류에서는 최종 주제별 분류 정확도에는 분류자 자체에 의한 오류도 포함된다. 본 논문의 4장의 연구 결과에서 보듯이 분류자마다 발생하는 분류 오류가 다르다. 다중 스펙트럼 원격 탐사 데이터 분류의 경우 원격 탐사 데이터의 공간 해상도 변화가 분류 정확도에 미치는 포괄적인 영향을 평가하는 더 나은 방법은 범주 간 스펙트럼 특징에 대한 통계적 분리성 분석(분리성 분석)을 수행하는 것입니다. 훈련 데이터의 통계적 분리성 분석은 분류 프로세스의 다양한 기능에 대한 예상 오류를 추정할 수 있습니다(Swain and Davis, 1987). 통계적 분리성 분석은 원격탐사 분류의 특징 추출 과정에서 널리 사용됩니다. 본 논문에서는 서로 다른 공간 해상도를 갖는 분류 훈련 데이터의 통계적 분리성 분석을 통해 원격탐사 분류 정확도의 규모 효과를 탐색하려고 합니다.