论文部分内容阅读
随着信息化时代的到来，遥感技术的应用越来越广泛，大量遥感影像数据被解译，形成各种专题图像/地图，供各种行业使用。而计算机自动解译是一种很好的方法，它应用了计算机模式识别技术，具有可重复性好，定位准确，处理时间短，时效性好的特点。不过，由于遥感影像数据类别多，含混度大，维数高，计算机自动解译对于多类别分类仍具有较大难度，这造成当今的许多卫星遥感影像应用中，包括制图，监测和估算，仍然大规模地使用目视解译和手工勾画、转绘、清绘和量算面积的方法。近些年，遥感学界提出了很多新的遥感影像计算机自动解译方法，比如人工神经网络、决策树、支撑向量机、模糊聚类和面向对象的分类方法等等。这些新方法的实质是加入一些数学、地学等方面的知识，以提高影像分类精度。但总体来说，已有的众多自动解译方法都或多或少存在一定缺陷，没有一种解译方法堪称完美，学术界仍需要探索新的分类方法以进一步提升和完善。
根据地理学第一定律，地理空间都存在一定的相关性，距离越近，相关性越强。由于遥感影像相邻或相近像元之间确实存在着一定的相关性，国外已有学者考虑在遥感影像分类中加入空间自相关的思想，并取得了一些进展，但总体来说，目前用该方法来进行遥感影像分类的研究还相对较少，技术还不够成熟，空间自相关作为一个补充性的信息源在分类标记建立方面的潜力有待进一步发掘。基于此，本文欲以南京市八卦洲地区为例，尝试运用局部Getis统计量进行遥感影像分类研究。局部Getis通过设定一定的空间尺度大小，可以来计算极值变量的局部聚集程度，主要反映的是局部地区高高集聚和低低集聚情况，即显著的正值表示该地区的高高集聚，显著的负值表示该地区的低低集聚。在遥感影像中，主要是考虑观测像元与周围邻居像元之间的DN值的高高集聚和低低集聚，显著正值表示高的DN值集聚，而显著的负值表示低的DN值集聚，通过DN值的集聚情况可以提取出不同的地物信息。这种方法独特之处在于考虑了两方面的因素，一是通过空间权重矩阵建立区域和周围邻居之间的空间关系，二是通过空间滞后距离确定每个区域的邻域状态，为定量分析区域的空间分布格局提供方法依据。
本文在运用局部Getis统计量进行遥感影像分类研究中重点考虑了两个环节：(1)判断所选区域是否存在空间关联性。通过不同的邻居模式和滞后距离d建立整幅影像的空间权重矩阵，然后将空间权重矩阵与影像的DN值代入公式计算全局Moran’s I值，进而生成一条d与I的相关曲线图，通过曲线的曲率变化情况判断该研究区的空间关联情况，并确定滞后距离d的范围大小。(2)移动窗口大小和邻居关系模式选择。根据滞后距离d值范围的确定判断邻居范围大小，确定移动窗口大小范围，同时，由于地物的空间尺度不同，选用不同的移动窗口大小。从本文的解泽结果与传统的监督分类和非监督分类的结果比较来看，基于局部Getis空间自相关方法的分类精度最高，图斑比较集聚，碎屑图斑较少。