Page 120 - 2024年第55卷第2期

被），并分别构建出淹没和覆被两大时序数据集。
２．１．３ 精 度 评 价 为 全 面 衡 量 ＯＴＳＵ算 法 的 分 类 精 度 和 可 靠 性，使 用 混 淆 矩 阵 计 算 总 体 精 度 ＯＡ
（ＯｖｅｒａｌｌＡｃｃｕｒａｃｙ）、用 户 精 度 ＵＡ（ＵｓｅｒＡｃｃｕｒａｃｙ）、生 产 者 精 度 ＰＡ（ＰｒｏｄｕｃｅｒＡｃｃｕｒａｃｙ）、Ｋａｐｐａ系
数 ［２８］ ４个指标对分类结果的精度进行定量评价，各指标定义如下：
ＴＰ ＋ ＴＮ
ＯＡ ＝ （３）
Ｔ
ＴＰ
ＵＡ ＝ （４）
ＴＰ ＋ ＦＰ
ＴＰ
ＰＡ ＝ （５）
ＴＰ ＋ ＦＮ
Ｔ × （ＴＰ ＋ ＴＮ） － （ＴＰ ＋ ＦＰ） × （ＴＰ ＋ ＦＮ） ＋ （ＦＮ ＋ ＴＮ） × （ＦＰ ＋ ＴＮ）
Ｋａｐｐａ ＝ （６）
Ｔ × Ｔ － （ＴＰ ＋ ＦＰ） × （ＴＰ ＋ ＦＮ） ＋ （ＦＮ ＋ ＴＮ） × （ＦＰ ＋ ＴＮ）
式中：Ｔ为 真 实 的 总 验 证 点 个 数； ＴＰ（ＴｒｕｅＰｏｓｉｔｉｖｅ）为 将 正 类 预 测 为 正 类 数 的 个 数； ＦＮ（Ｆａｌｓｅ
Ｎｅｇａｔｉｖｅ）为将正类预测为负类数的个数；ＦＰ（ＦａｌｓｅＰｏｓｉｔｉｖｅ）为将负类预测为正类数的个数；ＴＮ（Ｔｒｕｅ
Ｎｅｇａｔｉｖｅ）为将负类预测为负类数的个数。ＯＡ用以衡量整体分类准确性，ＵＡ和 ＰＡ则关注特定类别的
分类准确性，而 Ｋａｐｐａ系数用以衡量分类模型预测结果和实际结果之间的一致性。
３．２ 淹没频率计算 淹没频率的计算对象为像元，该指标反映像元被水体淹没历时占总研究历时的比
例，传统上直接用淹没次数占总观测次数的比例来表征。但受影像重访周期、云层遮蔽等因素影响，
时序数据可能间隔不均匀，各图像所代表的时长会存在差异，用传统方法计算淹没频率会导致较大误
差。水文数据具有的系统、连续的特点，Ｄｏｎｇ等 ［２０］ 试图将水文数据融入淹没频率计算中以弥补传统
方法的不足，但其提出的流量保证率修正法物理涵义较为模糊。本文提出一种新的淹没频率计算方
法，其特点是既考虑水文数据与遥感数据的融合，又严格遵循淹没频率的定义。
该方法包含以下步骤：（ １）将水文站共计 Ｔ年的日均水位数据排序后按照 ０．５ｍ间隔划分为 ｍ个
水位级，以影像日期和当日水位为索引，统计各水位级内的影像数量，记为 Ｎ，若 Ｎ≠０则保留该水
ｋ
ｋ
位级，否则将其与相邻低水位级合并，最终形成 ｍ′个水位级；（２）对于 ｍ′个水位级，任一水位级内某
Ｎ ｋ
ｋ ∑
像元的淹没可能性为 ＦＰ ＝ Ｂ ?Ｎ ，其中 ｋ代表水位级（ｋ ＝ １ ，２，…，ｍ′），Ｂ 表示第 ｋ个水位级
ｋ
ｋｉ
ｋｉ
ｉ ＝１
第 ｉ幅二值化影像上该像元的淹没状态（Ｂ 为 ０或 １，ｉ ＝ １ ，２，…，Ｎ）；（３）某像元的多年平均淹没
ｋｉ
ｋ
ｍ′ ｍ′
ｋ ∑
频率为 ＦＦ＝ ∑ （ＦＰＤ）? Ｄ ，其中 Ｄ 表示第 ｋ个水位级在 Ｔ年内的持续时间。
ｋ
ｋ
ｋ
ｋ ＝１ ｋ ＝１
以上计算中隐含了两个假定：（ １）洲滩形态变幅较小，淹没状态转换主要由水位变化主导；（２）相
同水位级的淹没范围相同。现实中，长江中游江心洲滩的中高滩年际变化甚小，即便存在低滩部分变
形较明显的个例年份，也已通过淹没可能性 ＦＰ指标从时段平均角度进行了概化。此外，Ｗｅｎ等 ［２９］ 曾
ｋ
２
基于遥感影像统计长江中下游 １４０个洲滩，发现 ０．５ｍ水位变幅引起的江心洲面积变化仅约 ０．１ｋｍ 。
因此，以上两个假定都近似成立。相比于文献［ ２０］的方法，本文方法考虑了长时期内各水位级持续时
间，且保留了淹没频率的原始定义（淹没历时与总历时的比例关系），更适用于长时序遥感数据分析。
３．３ 植被频率计算 单幅影像的植被光谱指数受影像质量、物候季节等动态因素的叠加影响而具有一
定随机性。为能够从宏观上反映长时期平均的植被分布状况，同时又不使计算过分复杂，本文借鉴智
超等 ［１９］ 的思路，基于研究区域内所有可用影像计算每个像元在长时序内出现植被的频率。
具体步骤是：（ １）针对研究历时内总数为 ｎ的二值化覆被影像，第 ｊ － １幅与第 ｊ幅对应日期的时间
中点记为 ｔ，第 ｊ幅与第 ｊ ＋ １ 幅影像对应日期的时间中点记为 ｔ，取 Ｄ＝ ｔ － ｔ作为第 ｊ幅影像的代表时
ｓ ｅ ｊ ｅ ｓ
ｎ ｎ
ｊ ｊ ∑
段；（ ２）研究区域内某像元的多年平均植被频率 ＶＦ＝ ∑ （ＰＤ）? Ｄ ，其中 Ｐ 表示第 ｊ幅二值化覆
ｊ
ｊ
ｊ ＝１ ｊ ＝１
被影像上该像元的植被状态（０或 １）。由以上可见，本方法考虑的不是单次影像上 ＮＤＶＩ数值所反映的
２
— ２ ４ —