首先，进行严格的几何配准，由于MODIS与ETM 影像的空间分辨率相差大约17倍，为了能够使得配准比较精确，先把低分辨ETM 影像采样放大17倍，这使得两影像的像元面积大小一致。然后，在两影像中选择道路、桥梁、河流交叉处等特征点作为影像相对控制点，并保证这些控制点的分布大致均匀。以ETM 为基影像，用最邻近重采样法把影像MODIS配准到ETM，再用平均滤波的方法把MODIS采样为320×320大小的影像，这样就保证了ETM+与MODIS影像地面分辨率正好相差17倍，且各点配准误差均较小，总体RMS为0.17个像素（表3-7）。
表3-7 ETM 与MODIS相对配准（Total RMS Error=0.1761）
对云层进行掩膜处理后，首先利用MLC分类法把ETM 影像分成3种不同的地物类别：水体、植被、裸地。这样保证ETM+分类精度相对较高，分类结果如图3-9所示。经统计ETM 影像的总体分类精度达到91.61%，Kappa系数为0.8236，其中水体、植被、裸地分类精度分别为90.91%、87.23%和85.81%。这表明利用ETM 来获取低分辨MODIS数据的组分值，并作为“真实组分”来评价分解组分的结果是准确的。然后用一个17×17的滑动窗口扫描ETM 分类影像，统计窗口内每类地物所占百分比作为相应地物的真实组分值，即为MODIS影像中对应的每一个像素中3种地物所占的百分比。
图3-9 ETM 数据的分类结果影像
令Fuzzy ARTMAP模型的选择参数α=10-6，ARTa 的初始阈值
警戒参数ρb=0.95，匹配参数ε=0.01。在MODIS影像上随机选择的200个像元，选取7个波段的光谱值和所对应的3种类别百分比输入Fuzzy ARTMAP神经网络ARTb 模块中进行训练，调整权值，对整幅影像进行处理，获取3幅不同地物种类的组分图像（图3-10）。
(www.xing528.com)
图3-10 神经网络与线性分解结果比较
通过对分解的组分图像与原始图像做比较分析后发现，这两种方法提取出来的纯净地物都是符合要求的。相对而言，两种算法中对水体所提取的差别最小，主要差异存在于植被和裸地之间：线性光谱分解方法对于这两种地物的提取出现了比较大的误判，而且对植被、裸地的区分多少存在着一定的模糊性。而神经网络算法分解出来的3种地物亮度对比鲜明，而且受到噪声的影响比较少。比如：在获取MODIS第四波段影像的过程中，由于受到条幅拼接的影响，出现了很明显的噪声，表现在图3-10（a）的水体影像上是许多条的斜线，而这种现象在图3-10（d）中几乎看不见。
从定量结果上再来分析两种方法的结果。图3-11表示利用这两种方法在不同的误差允许范围内，对图像中每个像元的分解结果比较。随着误差容许范围值的增大，预测得到的值精度增高。比较这两幅图像可以看出，两种方法在最大的误差容许值范围80%内，预测结果均达到了100%，神经网络无论对哪一种地物，上升的曲线都要比线性模型逼近得快。这说明在相同的误差允许值内，它获得的精度较高，预测的效果是较好的。对于3种纯净地物的提取，对水体的判别是最精确的，逼近得也最快。例如，神经网络算法在30%的误差容许值内，对水体的预测达到了80%以上，而线性混合模型预测类别数只有60%左右。另外，传统的神经网络虽然能够得到较好的预测结果，但是网络参数限制比较多，学习过程繁琐，收敛的时间长，而Fuzzy ARTMAP神经网络参数限制较少，速度快，收敛时间短。
表3-8 是这两种方法对3 种地物分解的均方值误差以及训练时间的比较，可以看出fuzzy ARTMAP在提高分解精度的同时，训练花费的时间也大大减少。
图3-11 两种方法在误差允许范围内预测值的比较
表3-8 误差值比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
