地物分布与PUL分类方法相关性分析

摘要

遥感技术作为新兴的空间探测分析技术,具有实时性、宏观性、周期性等特点,其丰富的信息提取手段能够对土地利用进行宏观实时监测,在现代土地监测与管理中具有重要作用.学者对自动分类算法进行了大量研究,提出了许多优秀算法,如基于统计分析分类方法(最大似然法,朴素贝叶斯分类)、决策树分类方法、神经网络分类方法、K-means算法,模糊C-means算法,AP聚类算法等.Elkan和Noto在2008年提出了一种基于正样本、未标记样本的单值分类算法(Positive and Unlabeled Learning,PUL),2011年,由Li Wenkai引入遥感分类领域.该方法采用OBO(one-by-one)的分类方式(分类器每次学习只关注一种地物类别,所有的地物类别依次学习),其最大的优势在于对不完全数据集问题的求解,在缺乏部分类别样本的情况下,能够获得较传统方法更好更稳定的识别结果.rn 本文按照方式的不同，将遥感分类方法分为两类：OBO式与AIO式。分别选取PUL以及传统神经网络法作为对比试验的分类器。针对10组不同地物构成的相同大小的研究区（200m×200m范围，0.2m航空影像），采用相同的网络结构(2个隐藏层，第一层15个神经元，第二层10个，转换函数分别是tan-sigmoid，tan-sigmoid和log-sigmoid)。首先分别对各个研究区，在基本参数一致的情况下，分别分类识别，由混淆矩阵法评估分类精度；而后，引入生态学中的景观多样性、均匀性等表征各个实验区地物类型分布。利用Fragstats 3.3，计算各实验区的香农多样性指数、辛普森多样性指数、修正辛普森多样性指数、香农均匀度指数、辛普森均匀度指数、优势度指数；再通过建立分类精度与各个指数之间的相关分析（Pearson相关、Kendall相关以及Spearman相关）以及多元拟合，分析地物分布对于分类精度的影响。rn 经实验发现，传统神经网络分类当训练集包含所有地物类别时，总体精度与部分多样性指数在置信度（双侧）为0.05时为显著相关，而PUL分类的所有指标在置信度（双侧）为0.01表现显著相关，且相矢性指数远高于传统神经网络对应检查指标。针对Kappa系数与景观指数的相关性分析，传统神经网络分类均表现出不显著相关，同时所有相关系数均小于0.55，但PUL方法则表现出与景观多样性指数较高的相关性；将景观多样性指数与分类总体精度、Kappa系数分别拟合后，相关系数的平方R2均在98%以上。虽拟合公式相对复杂，但从拟合差来看，拟合效果比较理想，进一步验证了景观多样性和地物类型分布均匀程度是影响PUL分类方法分类精度的重要因素。