“ 资源一号” 02D(ZY1-02D)卫星是于2019年9月12日成功入轨的首颗民用高光谱业务卫星, 搭载可见近红外相机和高光谱相机, 空间分辨率为2.5 m/10 m, 细分为166个光谱通道(http://sasclouds.com)。 本研究采用的试验影像为2021年2月18日覆盖福建省顺昌县的AHSI影像, 中心经度117.75° E, 中心纬度26.83° N, 云量0。 该地多山地丘陵, 适合研究NSVI。 试验影像经辐射定标、 大气校正等预处理。 所采用的行政区划数据来源于自然资源部标准地图底图(http://bzdt.ch.mnr.gov.cn/index.html), DEM数据来源于地理空间数据云(http://www.gscloud.cn)。 试验影像及其区位和地形如图1所示, 其中, 试验影像由B29(637 nm)、 B19(551 nm)和B10(473 nm)合成。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 试验影像(RGB: B29, B19, B10)及其区位和地形Fig.1 Test image (RGB: B29, B19, B10)and its location and terrain

1.2.1 技术路线

本研究的技术路线如图2所示, 包括3个主要步骤, 其中红色方框表示主要研究对象, 蓝色方框表示主要方法。 因建筑物反射率较为复杂, 采用归一化建筑指数(normalized difference water index, NDBI)对预处理后的ZY1-02D AHSI影像进行掩模处理, 消除建筑物的干扰; 随后, 利用波段优选算法筛选对三种典型地物敏感的波段, 经综合分析选取最佳波段构建NSVI; 最后, 结合遥感影像进行精度评价、 对比分析和光谱增强效果评价, 全面评估NSVI的价值。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 技术路线Fig.2 Technical scheme

1.2.2 波段选择方法

高光谱影像的光谱间隔较小, 波段量大、 冗余度高, 为减少光谱间的相关性, 通过波段优选算法降低光谱数据的维度。 竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)由Li于2009年提出, 是一种从大量光谱数据中选择关键波长最优组合的方法, 利用偏最小二乘(partial least squares, PLS)模型, 结合简单有效的“ 适者生存” 原理, 保留回归系数绝对值权重较大的波长。 该算法的步骤为: (1)通过蒙特卡洛采样随机抽取80%的样本点作为建模集和20%的样本点作为预测集; (2)利用指数衰减函数去除回归系数绝对值权重w_i相对较小的变量; (3)通过自适应重加权采样重新组合新的变量集; (4)建立PLS模型, 计算交叉验证均方根误差(root-mean-squares error of cross-vali, RMSECV), 选择RMSECV最小值所对应的变量子集。 主要如式(1)

wi=|bi|∑i=1p|bi|(1)

式(1)中: w_i为第i个变量的回归系数绝对值权重; |b_i|为第i个变量的回归系数绝对值; p为采样的变量数。

$\mathrm{RMSECV}=\sqrt{\frac{\sum_{i=1}^{n}\left(c_{i}-\hat{c}_{i}\right)^{2}}{n}}$(2)

式(2)中: c_i为实际值; c^i为预测值; n为样本数量。

连续投影算法(SPA)由Bregman于1965年提出, 是一种通过前向循环最小化矢量空间共线性的特征变量选择方法, 利用向量的投影分析, 选取冗余度最低和共线性最小的特征波段, 减少了建模所需变量个数, 提高建模效率。 该算法步骤如下:

(1)第一次迭代即n=1时, 任选一列光谱向量, 记为起始向量, 为所选变量的位置;

(2)在K个变量中, 集合S定义为

S={j, 1≤j≤K, j∉{k(0), …, k(n-1)}}(3)

分别计算剩余列向量在当前所选向量的投影

Pxj=xj-(xTj-xk(n-1))xk(n-1)(xTk(n-1)-xk(n-1))-1(4)

(3)提取最大投影值的序号

k(n)=arg(max‖Pxj‖, j∈S)(5)

将最大投影作为下一次投影的起始向量;

(4)将提取的所有波长集合进行建模预测分析, 均方根误差(root-mean-squares error, RMSE)最小的集合即为最优选择。

通过单一算法选取的波段变量之间仍然存在共线性。 为了更加有效地筛选出尽可能少的特征变量, 将两种方法结合使用, 通过CARS算法剔除信息量少的波段, 初步选取对地物敏感的波段, 再将敏感波段输入SPA进一步降维, 得到主要波段。

1.2.3 NSVI构建

阴影是导致遥感图像中“ 同物异谱” 和“ 异物同谱” 现象的重要原因, 通过建立归一化阴影植被指数NSVI能够有效检测阴影区植被。 明亮区植被、 阴影区植被和水体在近红外波段的反射率存在明显差异, NDVI对植被变化反应灵敏, 因此将NDVI与近红外波段相乘即可增强地物间的光谱差异, 提出SVI, 其表达式为

SVI=NDVI×NIR=(NIR-R)×NIRNIR+R(6)

式(6)中: NIR为近红外波段反射率; R为红光波段反射率。 为保持与NDVI尺度一致, 对SVI进行归一化处理形成NSVI, 其表达式为

NSVI=SVI-SVIminSVImax-SVImin(7)

式(7)中: SVI_max为SVI的最大值; SVI_min为SVI的最小值。

以ZY1-02D AHSI高光谱影像为试验数据, 分析明亮区植被、 阴影区植被和水体等三种典型地物的光谱特征, 尝试构建该高光谱影像的NSVI并检验其应用效果。

NSVI指数构建需要红光和近红外波段, 为避免其他波段的影响, 利用CARS算法与SPA相结合的方法分别对红光波段和近红外波段进行特征波段选择。 随着CARS算法迭代次数的增加, 与地物无关的波段被剔除, RMSECV呈现下降趋势, 在算法迭代至某一次时, 因重要波段被剔除, 信息丢失导致RMSECV迅速增长, 故最终选取RMSECV最低时的波段组合作为敏感波段。 在红光波段, CARS算法迭代至第6次时RMSECV最低为0.368 9, 筛选出14个波段, 波段数量占红光波段的77.78%; 在近红外波段, CARS算法迭代至第26次时RMSECV最低为0.589 1, 筛选出10个波段, 波段数量占近红外波段的16.95%[图3(a, b)]。 将被筛选出的敏感波段通过SPA进行二次降维, 得出主要波段。 随着波段数的增加, RMSE在急剧下降后趋于稳定, 在红光波段, 最佳波段数为3, 波段数量占红光波段的16.67%; 在近红外波段, 最佳波段数为4, 波段数量占近红外波段的6.78%[图4(a, b)]。 可以看出, 经过两种算法的叠加使用, 能够更加有效地选取特征波段。 由于SPA易选取边缘处的波段, 为减少误差舍弃第28、 49和92波段, 最终选取第32、 36、 73和78波段作为特征波段(表1), 对边缘波段的实验在讨论部分进行。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 基于CARS算法的波段筛选过程和结果 (a): 波段筛选过程; (b): 波段筛选结果Fig.3 Band screening process and result based on CARS algorithm (a): Band screening process; (b): Band screening result

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 基于SPA的波段筛选过程和结果 (a): 波段数量与RMSE变化; (b): 波段筛选结果Fig.4 Band screening process and result based on SPA (a): Changes in number of bands and RMSE; (b): Band screening result

表1

Table 1

表1(Table 1)

表1 波段筛选综合结果 Table 1 Band screening composite results 波段 敏感波段 主要波段 特征波段 红光 28、29、30、31、32、33、34、35、36、37、38、43、44、45 28、32、36 32、36 近红外 47、49、50、51、60、61、73、78、87、92 49、73、78、 92 73、78 注: 敏感波段为经CARS算法初步筛选出的波段, 主要波段为进一步由SPA筛选出的波段, 特征波段为最终选取的波段

表1 波段筛选综合结果 Table 1 Band screening composite results

为分析所采用的高光谱影像地物光谱反射率, 统计300个样本点(明亮区植被、 阴影区植被和水体各100样本点)各波段反射率的平均值。 明亮区植被的光谱曲线与绿色植被的理论光谱曲线相近, 反射率在可见光至近红外波段急剧上升, 形成“ 红边” 区域, 上述选取的特征波段即位于“ 红边” 前后的波谷和波峰; 阴影区植被的光谱曲线整体趋势同明亮区植被, 但其反射率均值普遍低于明亮区植被, 且各波峰和波谷间的差距相对明亮区植被较小; 水体的反射率主要受水质情况的影响, 但其总体是呈先上升后下降的趋势, 在绿光波段有一个小高峰而后逐渐下降趋于平缓, 红光波段之前的反射率值高于植被区域(图5)。 通过构建NDVI并计算三种地物样本点的平均值, 除了B36与B73组合, 其余的组合植被均为正值, 水体均为负值, 阴影区植被NDVI值则接近于明亮区植被(表2)。 对比植被和水体的光谱曲线特征, ZY1-02D AHSI影像与其他影像相似, 因此构建该高光谱影像的NSVI具有可行性。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 明亮区植被、 阴影区植被和水体反射率曲线Fig.5 Reflectivity curves of bright vegetationarea, shaded vegetationarea and water body

表2

Table 2

表2(Table 2)

表2 三种地物的不同波段组合NDVI平均值与标准差 Table 2 Mean value and standard deviation of NDVI with different bands combinations for three features 名称 B32— B73 B36— B73 B32— B78 B36— B78 明亮区植被 0.830 4± 0.005 1 0.714 2± 0.011 4 0.835 4± 0.004 8 0.721 6± 0.032 5 阴影区植被 0.804 2± 0.005 8 0.713 7± 0.016 7 0.792 8± 0.001 2 0.699 1± 0.005 9 水体 -0.009 3± 0.027 7 0.039 2± 0.054 6 -0.169 6± 0.039 8 -0.122 4± 0.013 4 注: B32— B73表示第32波段和第73波段的组合, 其余类推

表2 三种地物的不同波段组合NDVI平均值与标准差 Table 2 Mean value and standard deviation of NDVI with different bands combinations for three features

2.3.1 NSVI与NDVI对比分析

试验影像位于山区, 但影像上存有少量建筑。 由于建筑反射率的特殊性, 且本文未将建筑作为研究对象, 故通过NDBI将其掩模处理。 在NDVI基础上进一步构建NSVI, 并分别绘制主要区间的直方图[图6(a— h)和图7(a— h)]。 由图可知, NDVI分布左偏(平均值在众数的左侧), 在植被覆盖度高的区域出现“ 易饱和” 现象, 而NSVI更符合正态分布规律。 NSVI左边有一处水体像元堆积产生的小波峰, 而右边的大波峰是植被像元堆积而成, 由此可以初步判断构建该高光谱影像的NSVI能够有效区分水体和植被。

图6

Fig.6

Figure Option ViewDownloadNew Window

图6 各波段组合NDVI及其直方图 (a): B32— B73 NDVI; (b): B36— B73 NDVI; (c): B32— B78 NDVI; (d): B36— B78 NDVI; (e): B32— B73直方图; (f): B36— B73直方图; (g): B32— B78直方图; (h): B36— B78直方图Fig.6 NDVI and its histogram for each band combination (a): B32— B73 NDVI; (b): B36— B73 NDVI; (c): B32— B78 NDVI; (d): B36— B78 NDVI; (e): B32— B73 histogram; (f): B36— B73 histogram; (g): B32— B78 histogram; (h): B36— B78 histogram

图7

Fig.7

Figure Option ViewDownloadNew Window

图7 各波段组合NSVI及其直方图 (a): B32— B73 NSVI; (b): B36— B73 NSVI; (c): B32— B78 NSVI; (d): B36— B78 NSVI; (e): B32— B73直方图; (f): B36— B73直方图; (g): B32— B78直方图; (h): B36— B78直方图Fig.7 NSVI and its histogram for each band combination (a): B32— B73 NSVI; (b): B36— B73 NSVI; (c): B32— B78 NSVI; (d): B36— B78 NSVI; (e): B32— B73 histogram; (f): B36— B73 histogram; (g): B32— B78 histogram; (h): B36— B78 histogram

2.3.2 分类精度评价

阈值法是图像分类比较常用的一种方法^[3], 但其结果受操作者选值的主观性影响较大, 易出现误差。 为了更加科学合理地分类, 基于步长法以0.01的步长计算不同阈值下的分类精度, 筛选出最佳阈值, 在实际应用中可根据需求对阈值进行调整。 分别选择水体与植被的阈值、 明亮区植被与阴影区植被的阈值, 随机生成300个点对不同阈值下的分类结果予以精度评估。 从图8能够看出分类总精度和Kappa系数都呈先增长后下降的趋势, 由此可以确定最佳阈值。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 不同阈值分类精度对比 (a): 验证点分布; (b): 明亮区植被与阴影区植被总体分类精度; (c): 水体与阴影区植被总体分类精度Fig.8 Comparison of classification accuracy of different thresholds (a): Distribution of validation points; (b): Overall accuracy of bright vegetation area and shaded vegetation area (c): Overall accuracy of water body and shaded vegetation area

由所确定的明亮区植被、 阴影区植被及水体分类最佳阈值(表3), 对四种波段组合的NSVI进行分类, 提取明亮区植被、 阴影区植被及水体[图9(a— d)]。 表4显示, B32与B73组合比其他三种波段组合构建的NSVI更能体现真实地物情况, 其地物分类总精度和Kappa系数均是最高的, 分类总精度为94.33%, Kappa系数为0.832 8, 表明基于该波段组合构建的NSVI影像分类效果最佳。 水体和植被的区分度最高, 明亮区植被的分类效果比阴影区植被的分类效果好。 水体的高区分度证实了上述对NSVI小波峰的描述, 近红外波段与NDVI相乘不仅能增强正态性, 还能扩大水体和植被的差异。 由此可见, NSVI适用于区分各种在近红外波段有差异的地物, 其广泛的应用潜力值得进一步研究。

表3

Table 3

表3(Table 3)

表3 明亮区植被、 阴影区植被及水体最佳分类阈值 Table 3 Best classification threshold of bright vegetation area, shaded vegetation area and water body 类型 B32— B73 B36— B73 B32— B78 B36— B78 明亮区植被 NSVI> 0.33 NSVI> 0.35 NSVI> 0.34 NSVI> 0.36 阴影区植被 0.14< NSVI≤ 0.33 0.16< NSVI≤ 0.35 0.13< NSVI≤ 0.34 0.14< NSVI≤ 0.36 水体 NSVI≤ 0.14 NSVI≤ 0.16 NSVI≤ 0.13 NSVI≤ 0.14

表3 明亮区植被、 阴影区植被及水体最佳分类阈值 Table 3 Best classification threshold of bright vegetation area, shaded vegetation area and water body

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 不同波段组合NSVI分类结果(a, b, c, d)Fig.9 Classification results of NSVI in different band combinations (a, b, c, d)

表4

Table 4

表4(Table 4)

表4 不同波段组合NSVI地物分类精度 Table 4 Feature classification accuracy of NSVI in different band combinations 组合 类别 生产者 精度/% 用户精 度/% 总精度 /% Kappa 明亮区植被 96.25 97.06 B32— B73 阴影区植被 84.44 79.17 94.33 0.832 8 水体 93.33 100 明亮区植被 94.17 98.26 B36— B73 阴影区植被 91.11 73.21 93.67 0.822 3 水体 93.33 100 明亮区植被 97.08 94.33 B32— B78 阴影区植被 68.89 79.49 92.67 0.770 5 水体 93.33 100 明亮区植被 94.58 94.19 B36— B78 阴影区植被 71.11 71.11 91.00 0.729 3 水体 93.33 100

表4 不同波段组合NSVI地物分类精度 Table 4 Feature classification accuracy of NSVI in different band combinations

2.3.3 光谱差异增强效果评价

为分析三种地物的光谱差异, 根据上述B32与B73组合的分类结果, 利用掩模技术获取三种地物各自的原始影像, 统计其反射率情况(图10)。 通过分类精度可知, 地物被错分的情况为少数, 对整体影响较小, 图10为地物反射率接近真实情况。 明亮区植被、 阴影区植被和水体的反射率均值在大部分区域有明显差异, 因此这三种地物具有可分性, 阴影区植被也能被有效识别。 若考虑标准差以及最大最小值, 则会发现三种地物间存在的光谱重叠现象, “ 同物异谱” 和“ 异物同谱” 现象普遍存在。 然而, 通过NSVI对典型地物进行分类的精度达到了94.33%, 由此可知NSVI能够增强典型地物间的光谱差异, 有效解译ZY1-02D AHSI影像中原始光谱混淆的像元, 提高光谱混淆像元的可分性, 进一步证明了基于该高光谱影像所构建的NSVI具备良好的阴影检测能力。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 三种地物波段反射率均值、 标准差和最大最小值Fig.10 Mean value, standard deviation, maximum and minimum value of band reflectivity in three features

2.4.1 阴影指数对比分析

为验证归一化阴影植被指数NSVI的阴影检测效果, 选取归一化阴影指数(normalized different umbra index, NDUI)和阴影指数(shadow index, SI)对上述研究区进行阴影检测(见表5)。 NDUI和SI具有阴影区亮度值低、 饱和度高和色调值大等特性, 能够增强阴影信息, 从而实现阴影区的有效提取。 由于遥感影像中水体的饱和度和强度与阴影区相近, 为更好地对比三种指数在阴影区植被上的检测能力, 利用归一化差异水体指数(modified NDWI, MNDWI)将水体掩模处理(波段由本文波段优选算法选取)。 通过步长法选择最佳阈值区分明亮区植被和阴影区植被[图11(a— d)], 使用之前的验证点对其进行精度评估(表6)。 影像中阴影区植被检测能力由高到低分别为: NSVI> SI> NDUI。 NSVI具有较好的阴影区植被检测能力, 其原因可能在于明亮区植被与阴影区植被在近红外波段的差异较大, 而NSVI扩大了这种差异。

表5

Table 5

表5(Table 5)

表5 明亮区植被和阴影区植被最佳分类阈值 Table 5 Best classification threshold of bright vegetation area and shaded vegetation area 类型 NDUI SI NSVI 明亮区植被 NDUI< 0.29 SI< 0.01 NSVI> 0.33 阴影区植被 NDUI≥ 0.29 SI≥ 0.01 NSVI≤ 0.33

表5 明亮区植被和阴影区植被最佳分类阈值 Table 5 Best classification threshold of bright vegetation area and shaded vegetation area

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 阴影区植被检测结果Fig.11 Shaded vegetation area detection results

表6

Table 6

表6(Table 6)

表6 三种指数地物分类精度 Table 6 Feature classification accuracy of three indices 指数 类别 生产者 精度/% 用户 精度/% 总精度 /% Kappa NDUI 明亮区植被 阴影区植被 95.88 61.90 93.57 72.22 90.88 0.629 1 SI 明亮区植被 阴影区植被 98.35 71.42 95.22 88.24 94.39 0.767 2 NSVI 明亮区植被 阴影区植被 96.25 84.44 97.06 80.85 94.39 0.792 6

表6 三种指数地物分类精度 Table 6 Feature classification accuracy of three indices

2.4.2 特征波段验证分析

(1)为验证波段选择方法的有效性, 将B34与B55组合、 B32与B92组合分别构建NSVI, 前者为随机选取的波段, 后者为SPA选取的边缘波段。 通过步长法选取阈值后对地物进行分类[图12(a, b, c)], 根据之前的验证点评价分类结果的精度(表8)。 B32与B73组合的NSVI分类精度(94.33%)最高, 可见本文采取的波段选择方法能够筛选出在这三种地物中差异较大的波段, 扩大NSVI在三种地物中的不同, 提升影像分类效果。 B34与B55和B32与B92组合的NSVI分类精度虽低于B32与B73组合, 但均大于90%, 进一步证明NSVI的阴影检测能力。

表7

Table 7

表7(Table 7)

表7 明亮区植被、 阴影区植被及水体最佳分类阈值 Table 7 Best classification threshold of bright vegetation area, shaded vegetation area and water body 类型 B34— B55 B32— B92 明亮区植被 NSVI> 0.14 NSVI> 0.28 阴影区植被 0.05< NSVI≤ 0.14 0.10< NSVI≤ 0.28 水体 NSVI≤ 0.05 NSVI≤ 0.10

表7 明亮区植被、 阴影区植被及水体最佳分类阈值 Table 7 Best classification threshold of bright vegetation area, shaded vegetation area and water body

表8

Table 8

表8(Table 8)

表8 B34— B55和B32— B92 NSVI地物分类精度 Table 8 Feature classification accuracy of NSVI with B34— B55 and B32— B92 组合 类别 生产者 精度/% 用户精 度/% 总精度 /% Kappa 明亮区植被 96.25 97.06 B34— B55 阴影区植被 84.44 79.17 92.67 0.797 9 水体 93.33 100 明亮区植被 94.58 94.19 B32— B92 阴影区植被 71.11 71.11 90.33 0.722 0 水体 93.33 100

表8 B34— B55和B32— B92 NSVI地物分类精度 Table 8 Feature classification accuracy of NSVI with B34— B55 and B32— B92

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 B34— B55 (a)、 B32— B92 (b)和B32— B73 (c) NSVI地物分类结果Fig.12 Feature classification results of NSVI with B34— B55 (a), B32— B92 (b) and B32— B73 (c)

(2)所选取的最佳波段B32和B73波长分别为662和1 014 nm。 目前学者们构建指数时常用的红光波段波长在680 nm附近, 近红外波段波长在800 nm附近^{[16, 17, 18]}。 本研究选取的主要波段也包含这两个波长, 但近红外波段的最佳波段对应波长与常用波长稍有差异。 为对比这两个波长在区分明亮区植被、 阴影区植被和水体的效果, 选取主要波段中的B49(808 nm)和B32构建NSVI, 同时B49也是上述提到的边缘波段。 通过步长法选取B32与B49组合NSVI的最佳分类阈值(明亮区植被: NSVI> 0.23, 阴影区植被: 0.08< NSVI≤ 0.23, 水体: NSVI≤ 0.08), 利用掩模提取三种地物。 统计地物NSVI均值发现(表9), B32与B73组合的NSVI在明亮区植被和阴影区植被的差值(0.1971)及阴影区植被和水体的差值(0.228 1)均比B32与B49组合的大, 可见B32与B73组合的NSVI分类效果比B32与B49组合的更好。

表9

Table 9

表9(Table 9)

表9 三种地物的B32— B73和B32— B49 NSVI平均值 Table 9 Average value of NDVI with B32— B73 and B32— B49 for three features 名称 B32— B73 B32— B49 明亮区植被 0.483 3 0.342 9 阴影区植被 0.286 2 0.195 3 水体 0.058 1 0.035 4

表9 三种地物的B32— B73和B32— B49 NSVI平均值 Table 9 Average value of NDVI with B32— B73 and B32— B49 for three features

2.4.3 不同影像试验分析

为证明本方法在不同区域、 光照和亮度条件下均可提供有效的阴影检测性能, 选取2021年3月25日涉及福建省南平市与三明市的ZY1-02D影像, 裁剪部分作为试验影像。 通过上述筛选出的最佳波段组合构建NSVI, 以同样的判断标准进行分类精度评价。 需要进一步说明的是, 遥感影像(见图13)的明暗本身是一个渐变连续的过程, 在影像中将植被划分为明亮区和阴影区则是一种主观的二值分割。 在此判定过程中, 要特别注意在一个完整实验中统一所有样本的明暗判定标准; 在此前提下, 不同操作者的明暗判定并不会对分类精度产生显著影响。 该影像分类阈值为明亮区植被: NSVI> 0.39, 阴影区植被: 0.15< NSVI≤ 0.39, 水体: NSVI≤ 0.15。 结果显示(见表10), 分类总精度为93.55%, Kappa系数为0.816 7, 分类效果较好。 由此进一步证实, 由ZY1-02D高光谱影像B32与B73组合构建的NSVI具有较强的阴影检测能力。

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 地物分类结果Fig.13 Feature classification results

表10

Table 10

表10(Table 1)

表10 地物分类精度 Table 10 Feature classification accuracy 类别 生产者 精度/% 用户精度 /% 总精度 /% Kappa 明亮区植被 95.90 96.39 阴影区植被 83.72 80.00 93.55 0.816 7 水体 90.00 100

表10 地物分类精度 Table 10 Feature classification accuracy