|本文共3739字，阅读约需12分钟

（1）本研究中使用的数据包括来自三个不同地区的四种空间分辨率的遥感图像：Landsat 8（30米）；Sentinel-2A（20米）；Sentinel-2A（10米）；GF-2（4米）。

（2）所有图像质量都很好，云层覆盖率不到5%。这些图像的辐射定标和大气校正是在不透水表面提取之前完成的。

（3）此外，在本研究中，一张具有1m空间分辨率的高质量历史谷歌地球图像被用作开发训练和验证数据集的参考。

4.1 基于像素的监督分类方法

基于像素的分类方法可以分为无监督聚类和有监督算法。本文使用了四种基于像素的监督分类算法（即SVM、MLC、RF和ANN算法）。监督分类算法包括两个步骤：训练样本选择和分类算法应用。

根据高空间分辨率谷歌地球图像的参考，从用于提取不透水表面的每个图像中选择四种土地覆盖类型的训练样本。训练样本需要是每种类型土地覆盖的纯像素，并均匀分布在整个图像中。为了更好地评估不同方法的提取性能，对于相同分辨率的图像和测试区域，使训练样本的数量和位置保持一致。

基于每个图像的选定训练样本，借助ENVI软件上的“分类模块”，使用SVM、MLC、ANN和RF算法进行监督分类，对图像进行分类。然后获得每个图像的分类结果，包括相应的四种土地覆盖类型。通过添加高反照率和低反照率的不透水表层，可以得到不透水表层的分布。

4.2 亚像素法

本文使用亚像素LSMA方法来估计不透水表面。LSMA方法将像素的光谱分解为不同的比例

从每张图像中选择了四个端元（即植被、高反照率不渗透表面、低反照率非渗透表面和土壤）。再基于四个端元光谱，通过FCLS-LSMA方法对图像进行了解混合，获得了四个部分图像。通过将高反照率和低反照率分数相加来计算不透水表面。

4.3 面向对象的分类方法（OBIA）

用于不透水面提取的OBIA方法包括两个主要步骤：图像分割和基于对象的分类。OBIA方法在eCognition软件上实现。

图像分割是将图像分离为一组具有相似光谱信息、空间特征和文本特征的相邻像素（对象）的过程。使用多尺度分割算法生成分割图像。图像分割的一个重要参数（即分割尺度）对于不同的空间分辨率图像是不同的。在这项研究中，分别选择50、40、30和20作为陆地卫星、哨兵（20米）、哨兵（10米）和GF-2图像的分割尺度。

面向对象的分类方法通过基于分割的图像将对象分配到不同的类别。首先，基于对象级别从分割图像中选择训练样本（即植被、高反照率不渗透表面、低反照率渗透表面和土壤），然后通过OBIA对分割后的图像进行分类，随后，获得了分类结果，包括相应的四种土地覆盖类型。通过添加高反照率和低反照率的不透水面，可以提取不透水面的分布。

4.4 指数法

本研究使用了六种不透水表面提取指数（即NDBI、IBI、NDISI、BCI、CBI和PISI）。指数法是一种特定的数学模型，用于通过阈值将不透水表面与其他土地覆盖类型区分开来。

在这项研究中，ROC曲线被用来为每个指数图像选择一个最佳阈值，这样不透水表面就可以很好地与背景区分开来。

5.2 Sentinel-2A的不透水面提取精度 (20m)

SVM方法在获得不透水表面分布方面具有最高的OA和最高的AUC，并且在所有基于像素的分类方法中产生的错误分类最少（UA最高）和遗漏分类最少（PA最高）。

RF方法显示出最严重的错误分类，表明大量的干燥土壤被错误分类为高反照率不透水表面，许多植被阴影被错误归类为低反照率的不透水表面。

对于不透水表面指数，PISI可以获得具有更高OA和更高AUC的不透水表面结果。

从所有方法来看，与Landsat 8类似。错误分类现象多于遗漏分类，植被阴影的许多像素被错误地分类为低反照率不透水表面，许多干燥土壤像素被错误分类为高反照率防渗表面，导致了严重的错误分类。

5.3 Sentinel-2A 的不透水面提取精度 (10 m)

基于OBIA提取的不透水表面结果显示出最高的OA和最高的AUC。

对于不透水表面指数，PISI可以获得更好的不透水表面结果，与CBI相比具有更高的精度。

从Sentinel-2A图像（10m）中提取不透水面的方法提供了令人满意的结果，即大多数方法的OA都高于90%。大多数方法主要受到错误分类的影响，表明干燥土壤像素被错误分类为高反照率不透水面，并且相当多的水体像素被错误地分类为低反照率的不透水表面。不透水表面的像素有时被错误地归类为干燥土壤，从而导致遗漏分类。

5.4 GF-2 的不透水面提取精度 (4 m)

在所有方法中，OBIA方法在获得不透水表面分布方面具有最高的OA和最高的AUC。

对于不透水表面指数，PISI获得了更好的不透水表面结果，OA越高，AUC越高。

用于从GF-2中提取不渗透表面的方法提供了令人满意的结果，即大多数方法的OA和AUC都高于90%。大多数方法主要受到错误分类的影响，表明干燥土壤像素被错误分类为高反照率不透水表面。

此外，基于GF-2图像的防渗表面提取方法不能有效解决高空间分辨率图像中的阴影问题。

对于30米和20米的中等空间分辨率，SVM方法被认为是获得最高不透水面提取精度的最佳分类方法。SVM是一种有监督的非参数统计学习技术，在解决分类和回归问题方面具有很好的性能。与其他方法相比，它被认为是从中高空间分辨率图像中获得精确不透水表面分布的有效方法

对于10m和4m的高空间分辨率，OBIA方法可以获得最高的不透水表面分布精度。OBIA方法的一个优点是它使用相邻的像素组而不是单个像素。它还使用光谱特征和形状、上下文、纹理的财产以及与相邻像素的关系，从而提高分类结果的准确性

与其他指标相比，PISI在中高空间分辨率图像中的不透水面提取精度最高。它的优点是可以在背景下极大地突出不透水表面，在区分不透水面和干燥土壤方面表现出更好的性能，尤其是在土壤分布广泛的地区。

由于PISI显示出提取不透水表面特征的有效能力，PISI的结果有可能用于为其他分类器提供有价值的特征。本研究以Landsat8影像为实验，输入PISI的不透水表面结果作为分类的特征样本，以改进SVM分类器。获得了三个测试区域的改进SVM方法的不透水表面分布和四个精度指标（即OA、UA、PA、AUC），结果表明与原始方法（即SVM和PISI）相比，PISI改进的SVM方法具有最高的OA和最高的AUC。

单击“阅读原文”下载原文或输入以下链接下载原文：