研究目的
基于D-S理论，在决策层融合GF-1与Sentinel-1A数据获取精确的城市不透水面图，并对估算的不透水面不确定性水平进行详细分析。
研究成果
利用随机森林（RF）和D-S理论对GF-1与Sentinel-1A数据进行决策级融合，有效提升了不透水面制图精度，总体精度最高达95.33%。该方法减少了低反射率不透水面与水体/裸土间的误判。光学数据单独使用时效果优于SAR数据，但二者融合进一步优化了结果。不确定性分析表明，置信水平≥75%的分类结果具有可靠性。未来工作应优化RF参数、纳入更多特征并改进D-S证据权重分配。
研究不足
1. 仅使用了两个光谱特征（NDVI、NDWI）；若加入NDISI、BCI、BASI等附加指数可能提升结果精度。 2. 随机森林参数（决策树数量、每节点分裂变量数）未优化，可能影响模型性能。 3. 低反射率不透水地表与水体/裸土的混淆问题依然存在。 4. Sentinel-1A数据分类效果不佳影响了融合结果；D-S理论中证据源的权重分配可进一步优化。 5. 该方法的有效性需通过更多案例研究验证。
1：实验设计与方法选择：
本研究采用随机森林（RF）分类器与德姆斯特-沙弗（D-S）证据理论进行决策级融合，整合光学（GF-1）和SAR（哨兵1A）数据用于不透水面制图。方法流程包括图像预处理、特征提取、RF分类及D-S融合。
2：样本选择与数据来源：
从高分辨率谷歌地球影像中选取六种地物类型的训练样本（816像素）和验证样本（407像素）。数据源包括GF-1多光谱影像（16米分辨率）和哨兵1A SAR影像（HH与HV极化，IW模式，GRD格式）。
3：实验设备与材料清单：
软件：ENVI 5.2（大气与几何校正）、SNAP（SAR预处理）、MATLAB 2014b（D-S融合实现）。数据：GF-1影像、哨兵1A影像、谷歌地球参考影像。
4：2（大气与几何校正）、SNAP（SAR预处理）、MATLAB 2014b（D-S融合实现）。数据：
4. 实验步骤与操作流程：步骤1：图像预处理（大气校正、几何校正、配准至UTM 48N区，WGS84坐标系）。步骤2：特征提取（GF-1的光谱特征NDVI、NDWI；哨兵1A的GLCM纹理特征）。步骤3：对四组数据（GF-1、哨兵1A、带特征的GF-1、带特征的哨兵1A）进行RF分类。步骤4：分类结果的D-S融合，包括BPA函数构建与不确定性分析。
5：实验步骤与操作流程：
5. 数据分析方法：采用混淆矩阵、生产者精度、用户精度、总体精度、Kappa系数进行精度评价。使用D-S理论的信任函数与似然函数进行不确定性分析。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GF-1
GF-1
GaoFen
Optical remote sensing data source for impervious surface mapping
-
Sentinel-1A
Sentinel-1A
ESA (European Space Agency)
SAR remote sensing data source for impervious surface mapping
-
ENVI
5.2
Exelis Visual Information Solutions
Software for atmospheric correction (FLAASH module) and geometric correction (RPC Orthorectification workflow) of optical images
-
SNAP
Sentinel Application Platform (funded by ESA's SEOM, developed by Brockmann Consult, Array Systems Computing and C-S)
Software for SAR preprocessing including slice assembly, radiometric calibration, multi-look, and terrain correction
-
MATLAB
2014b
The MathWorks, Inc.
Software for implementing D-S fusion and uncertainty analysis
-
Google Earth
Google
Source of high-resolution imagery for training and validation sample selection
-
登录查看剩余4件设备及参数对照表
查看全部
