肖京格，喬彥友，王成波，夏昊，付東

(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100094；2. 中國(guó)科學(xué)院大學(xué)，北京100049)

0 引言

土地覆蓋分類為全球碳預(yù)算、森林資源管理、生態(tài)環(huán)境調(diào)查和可持續(xù)發(fā)展研究等提供了重要基礎(chǔ)[1-3]，對(duì)研究人類與自然相互作用具有重要意義。衛(wèi)星遙感數(shù)據(jù)因其空間覆蓋范圍廣、持續(xù)觀測(cè)時(shí)間長(zhǎng)和成本低等優(yōu)勢(shì)成為土地覆蓋分類的重要數(shù)據(jù)源。Landsat數(shù)據(jù)自2008年免費(fèi)開(kāi)放以來(lái)[4]，因其易獲取性、顯著表達(dá)地物特征的能力和逐步完善的數(shù)據(jù)生產(chǎn)體系[5]，被越來(lái)越多地應(yīng)用到大面積土地覆蓋分類研究中。然而，常用的Landsat多光譜數(shù)據(jù)只有30 m空間分辨率，且可用光譜波段不多，即使是最新投入使用的陸地成像儀(operational land imager，OLI)，也只能獲取到9個(gè)不低于30 m空間分辨率的波段[6]，導(dǎo)致其生產(chǎn)的土地覆蓋分類產(chǎn)品精度有限。通常遙感數(shù)據(jù)的評(píng)價(jià)與分析多從空間、光譜和時(shí)間三個(gè)維度展開(kāi)[7]。由于同一地點(diǎn)一年內(nèi)可以獲得數(shù)十景Landsat衛(wèi)星影像，具備時(shí)序特點(diǎn)，為從時(shí)間維度提高分類精度提供了可能。

基于多時(shí)相影像數(shù)據(jù)的類別特征構(gòu)造多以差值法和均值法為主[8]，前者通過(guò)對(duì)多時(shí)相數(shù)據(jù)的特定波段或光譜指數(shù)做差，以突出目標(biāo)地物；后者通過(guò)對(duì)數(shù)據(jù)堆疊并計(jì)算像元均值來(lái)達(dá)到集成多時(shí)相信息的目的。這兩種方法的共性問(wèn)題是對(duì)遙感數(shù)據(jù)時(shí)相的選擇依賴性太強(qiáng)，時(shí)空移植性差；同時(shí)由于粗放地對(duì)數(shù)據(jù)進(jìn)行差值和均值計(jì)算，并沒(méi)有充分挖掘和利用多時(shí)相數(shù)據(jù)中所蘊(yùn)含的信息[9]，后來(lái)有學(xué)者嘗試從時(shí)間序列數(shù)據(jù)中挖掘信息以構(gòu)造分類特征。如Julien等通過(guò)將時(shí)序LST和NDVI與一種土地覆蓋動(dòng)力學(xué)方法結(jié)合，來(lái)對(duì)不同農(nóng)作物覆蓋類型進(jìn)行分類[10]；Joseph等首先將時(shí)序數(shù)據(jù)構(gòu)造成季節(jié)性三元組，然后用纓帽(tasseled-cap)亮度、濕度和歸一化植被指數(shù)(normalized difference vegetation index，NDVI)執(zhí)行數(shù)據(jù)分類[11]；Li M等則將地形特征如海拔、坡度和坡向等信息與時(shí)序光譜信息結(jié)合開(kāi)展土地覆蓋分類[12]。然而，Landsat時(shí)間序列數(shù)據(jù)所固有的復(fù)雜性也對(duì)相關(guān)研究結(jié)果造成了不利影響。Landsat重訪周期較長(zhǎng)(16 d)，此外，增強(qiáng)型專題繪圖儀(enhanced thematic mapper plus，ETM+)的掃描線校正器(scan line corrector，SLC)在2003年失效，再加上云覆蓋的影響，使大面積土地覆蓋監(jiān)測(cè)中，常難以獲得足夠理想的時(shí)序影像。如何在現(xiàn)有數(shù)據(jù)質(zhì)量的前提下構(gòu)造更有效的特征，提高分類精度，儼然成為一個(gè)難題。

對(duì)于分類器的選擇，傳統(tǒng)遙感影像分類中有最大似然、決策樹(shù)、支持向量機(jī)、隨機(jī)森林等[13]；2006年后，隨著深度學(xué)習(xí)的興起，深度置信網(wǎng)絡(luò)(deep belief network，DBN)[14]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[15]、自編碼器(autoencoder)[16]等被嘗試應(yīng)用到遙感影像分類中。這些方法大多源自于傳統(tǒng)圖像分析與自然語(yǔ)言處理等領(lǐng)域。由于遙感數(shù)據(jù)的多光譜和地物的多空間尺度、異質(zhì)性，以及訓(xùn)練樣本有限、物候變化等問(wèn)題，導(dǎo)致部分方法并不能取得理想效果，有待探索更具實(shí)用性和準(zhǔn)確性的分類算法。

為了解決應(yīng)用Landsat數(shù)據(jù)進(jìn)行大面積土地覆蓋遙感監(jiān)測(cè)中特征構(gòu)造與分類器選擇方面所存在的問(wèn)題，本文提出一種基于年度時(shí)間序列數(shù)據(jù)的分類方法(LandUTime)。該方法更多關(guān)注于不同土地覆蓋類型物理性質(zhì)的年度變化特征，從不同的變化模式中提取信息，實(shí)現(xiàn)類別劃分，克服數(shù)據(jù)質(zhì)量、復(fù)雜地表、季候變化等造成的干擾。根據(jù)所生成的時(shí)序特征，設(shè)計(jì)了一種更具適用性的集成分類算法(UniBagging)，以獲得更高精度的土地覆蓋分類結(jié)果。

1 研究理論

該方法通過(guò)特征構(gòu)造和分類2個(gè)階段實(shí)現(xiàn)(圖1)。特征構(gòu)造階段，以對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行回歸分析為主，首先預(yù)處理時(shí)序數(shù)據(jù)，然后將獲得的原始特征層(如各個(gè)波段地表反射率值、NDVI等光譜指數(shù))在時(shí)間維上進(jìn)行數(shù)據(jù)疊加，在像元級(jí)別上構(gòu)建時(shí)序軌跡，利用回歸分析，對(duì)軌跡點(diǎn)進(jìn)行擬合，對(duì)不同土地覆蓋類型的物理性質(zhì)變化進(jìn)行建模，提取不同像元位置的模型參數(shù)，構(gòu)造特征集；分類階段中，分類器集成與訓(xùn)練是關(guān)鍵步驟，首先結(jié)合新構(gòu)造的時(shí)序特征生成訓(xùn)練樣本集和測(cè)試樣本集，之后根據(jù)原始特征層的選擇，將新生成的特征空間劃分為不同子空間，按子空間集成分類器，接著在各個(gè)子空間內(nèi)進(jìn)行分類器的訓(xùn)練，最后加權(quán)整合不同子空間中基分類器的預(yù)測(cè)值，輸出最終分類結(jié)果。

圖1 LandUTime原理流程

1.1 時(shí)間序列模型

不同地物具有不同的光譜值和光譜變化模式。LandUTime旨在基于Landsat時(shí)間序列數(shù)據(jù)對(duì)地表變化進(jìn)行建模，并從構(gòu)建的模型中提取特征，根據(jù)不同的變化模式區(qū)分土地覆蓋類型。本文中時(shí)間序列模型的意義則在于從復(fù)雜、無(wú)組織的數(shù)據(jù)中提取有用信息，用于模式分類。以NIR波段為例，選擇典型土地覆蓋區(qū)域的單個(gè)像元，取其一年中的時(shí)序像元值(云遮蓋部分被掩膜剔除)繪制散點(diǎn)圖(圖2(a))，若僅根據(jù)數(shù)據(jù)點(diǎn)的當(dāng)前狀態(tài)來(lái)區(qū)分不同土地覆蓋類型顯得非常困難。回歸分析作為一種幫助人們了解自變量變化時(shí)因變量如何變化的方法，在本文中被用于表征表面反射率和時(shí)間之間的關(guān)系，獲得回歸曲線(圖2(b))，這時(shí)根據(jù)不同曲線來(lái)區(qū)分地物類型則變得相對(duì)容易。

圖2 時(shí)序數(shù)據(jù)信息提取示意圖

對(duì)于像元位置 (m，n)，構(gòu)造2個(gè)向量(1)和(2)，其中，xm，n是位置(m，n)所有可用時(shí)序像元的獲取時(shí)間所構(gòu)成的向量，為方便計(jì)算，本文采用儒略日表示；ym，n代表對(duì)應(yīng)的地表反射率值。通常情況下，一年內(nèi)土地覆被類型的變化可以被分解為兩部分[9]：季候因素引起的周期性變化，植被生長(zhǎng)/退化、氣候或人為因素引起的漸緩式變化。因此，構(gòu)建一種同時(shí)包含兩種變化類型的時(shí)間序列模型(3)。利用最小二乘法，基于剔除云遮蓋部分后剩余的時(shí)序清晰像元，進(jìn)行回歸分析。

xm，n=(xm，n，1，xm，n，2，xm，n，3，…xm，n，U)

(1)

ym，n=(ym，n，1，ym，n，2，ym，n，3，…ym，n，U)

(2)

(3)

為了對(duì)本文所提出時(shí)間序列模型的有效性進(jìn)行比較評(píng)價(jià)，特引入常用的多項(xiàng)式模型作為參照。出于保證多項(xiàng)式模型精度和防止過(guò)擬合的考慮，本文使用四階多項(xiàng)式模型(4)作為參照。

(4)

1.2 基分類器集成算法(UniBagging)

為了充分利用時(shí)間序列模型中蘊(yùn)含的特征信息，本文基于集成學(xué)習(xí)的理念設(shè)計(jì)了一種專用于時(shí)序特征的分類方法，如圖3(a)所示。對(duì)于一個(gè)像元位置，該方法首先提取所有時(shí)間序列模型的系數(shù)(b0，b1，b2，b3)和擬合優(yōu)度評(píng)價(jià)指數(shù)(R2)作為初始時(shí)序特征。前文模型的回歸分析在特定原始特征層完成，此處特征塊需根據(jù)不同模型進(jìn)行構(gòu)造。特征塊將初始時(shí)序特征空間劃分為不同子空間，將分類器組織和集成到各個(gè)子空間中。在圖3(b)中，橢圓表示基分類器，矩形表示不同的特征子空間。像元位置(m，n)的原始時(shí)序特征經(jīng)分塊重組后用λ表示，v是特征塊，i 代表不同原始特征層的索引，則得到：

λ=(v1，v2，v3，…，vi，…)

(5)

(6)

之后，根據(jù)劃分后的子空間，將樣本映射為不同子集，輸入分類器進(jìn)行訓(xùn)練和驗(yàn)證。具體算法實(shí)現(xiàn)流程見(jiàn)表1。

圖3 UniBagging的特征劃分與分類器子空間集成原理

表1 UniBagging算法實(shí)現(xiàn)流程

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)設(shè)計(jì)

為進(jìn)行驗(yàn)證與分析，本文共設(shè)置5組實(shí)驗(yàn)，見(jiàn)圖4。實(shí)驗(yàn)1采用Landsat 6個(gè)常用波段(BLUE，GREEN，RED，NIR，SWIR 1，SWIR 2)的地表反射率值作為特征輸入，實(shí)驗(yàn)2采用由模型(4)提取的多項(xiàng)式特征，實(shí)驗(yàn)3、實(shí)驗(yàn)4、實(shí)驗(yàn)5則采用本文所提出的時(shí)間序列特征，但使用了不同的分類算法。通過(guò)比較實(shí)驗(yàn)1、實(shí)驗(yàn)2、實(shí)驗(yàn)3來(lái)評(píng)價(jià)時(shí)序特征的有效性，通過(guò)比較實(shí)驗(yàn)3、實(shí)驗(yàn)4、實(shí)驗(yàn)5來(lái)評(píng)價(jià)分類方法UniBagging的有效性。為了方便比較分析，減少不確定因素的干擾，本文采用KNN為實(shí)驗(yàn)5的基分類器，采用與實(shí)驗(yàn)1相同的6個(gè)常用波段作為L(zhǎng)andUTime的原始輸入特征層。結(jié)合模型(3)可知，初始時(shí)序特征數(shù)為5×6=30個(gè)，每個(gè)像元位置獲得的特征塊為6個(gè)。

圖4 方法比較的實(shí)驗(yàn)設(shè)置

2.2 實(shí)驗(yàn)區(qū)與數(shù)據(jù)

研究區(qū)位于中國(guó)安徽省西南部，所屬WRS行列號(hào)為039/121，占地面積4 107.87 km2，覆蓋Landsat圖像2 401×1 901個(gè)像元。該研究區(qū)處在亞熱帶與北溫帶過(guò)渡帶，四季分明，氣候溫和，雨量充沛，光照充足，無(wú)霜期長(zhǎng)，適宜于暖溫帶和亞熱帶各種林木生長(zhǎng)。有各種典型的植被(包括比例相當(dāng)?shù)某＞G林與落葉林)和土地覆蓋類型。森林覆蓋率高，且人為因素影響下的土地覆蓋(建設(shè)用地、耕地等)區(qū)域也比較明顯，具有比較強(qiáng)的區(qū)域代表性。

以2014年該區(qū)域的土地覆蓋情況為研究對(duì)象。實(shí)驗(yàn)1中的影像獲取于2014年5月1日，這是該年可以獲取到的距離生長(zhǎng)季最近且目標(biāo)區(qū)域無(wú)云覆蓋的影像。實(shí)驗(yàn)2～實(shí)驗(yàn)5使用了相同的原始數(shù)據(jù)，下載了該區(qū)域云覆蓋率小于80%的所有Landsat ETM+/OLI影像，共24 景，其中Landsat-7 ETM+影像7 景，Landsat-8 OLI影像17 景。本研究中使用的所有影像數(shù)據(jù)均為“ESPA On Demand Product”產(chǎn)品(https：∥espa.cr.usgs.gov/)。影像數(shù)據(jù)經(jīng)過(guò)了輻射定標(biāo)、大氣校正、幾何校正和正射校正等處理。其中，Landsat-7 ETM +影像使用LEDAPS系統(tǒng)進(jìn)行預(yù)處理，Landsat-8 OLI數(shù)據(jù)用LaSRC系統(tǒng)進(jìn)行預(yù)處理。為了消除云覆蓋對(duì)分類結(jié)果的干擾，采用Fmask算法逐一去除每期影像上的云和云陰影像元。統(tǒng)計(jì)分析顯示，大部分剩余像元均較清晰，幾乎不存在云覆蓋與云陰影像元，表明去除效果較徹底。時(shí)序數(shù)據(jù)集中像元總數(shù)為109 543 224個(gè)(2 401×1 901×24)，剔除像元47 754 867個(gè)，剩余數(shù)據(jù)中各空間位置的平均時(shí)序像元數(shù)為10，足以保證時(shí)序建模。

根據(jù)實(shí)驗(yàn)區(qū)地面實(shí)際情況，參照美國(guó)國(guó)家土地覆蓋數(shù)據(jù)庫(kù)(national land cover database，NLCD)2011版的標(biāo)準(zhǔn)[18]，確定了7種土地覆蓋類型：裸地、耕地、落葉林地、常綠林地、混交林地、建設(shè)用地和水體，每種類型的訓(xùn)練與驗(yàn)證樣本數(shù)見(jiàn)表2。在驗(yàn)證階段，通過(guò)分層抽樣，每個(gè)類別選取700個(gè)像元構(gòu)成驗(yàn)證樣本集。樣本是基于實(shí)地調(diào)查和高分2號(hào)融合影像(分辨率0.8 m)人工解譯獲得。

表2 訓(xùn)練樣本與驗(yàn)證樣本數(shù)量表

2.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證和評(píng)價(jià)LandUTime土地覆蓋分類方法的有效性，本文進(jìn)行了5組實(shí)驗(yàn)。圖5顯示了在目標(biāo)區(qū)內(nèi)的分類結(jié)果。表3顯示了5組實(shí)驗(yàn)得到的分類精度。

1)時(shí)序特征有效性評(píng)價(jià)。從表3可以看出，在實(shí)驗(yàn)1、實(shí)驗(yàn)2、實(shí)驗(yàn)3中，實(shí)驗(yàn)3獲得的總體精度(OA)和Kappa系數(shù)(Kappa)最高，表明了本文所提出的時(shí)序特征對(duì)提高分類精度的有效性，而實(shí)驗(yàn)1中6個(gè)地表反射率波段在區(qū)分不同土地覆蓋類型方面則顯得不夠理想。這主要由地物光譜復(fù)雜性所致，同物異譜和同譜異物現(xiàn)象普遍存在。如在生長(zhǎng)季，常綠林地、落葉林地和耕地則很難精確區(qū)分。

圖5 土地覆蓋分類結(jié)果

表3 實(shí)驗(yàn)精度與算法運(yùn)行時(shí)間

注：OA為總體精度；Kappa為Kappa系數(shù)；Tt為分類器訓(xùn)練所需時(shí)間，單位為s；Tp為分類器完成實(shí)驗(yàn)區(qū)土地覆蓋分類所需時(shí)間，單位為s。

然而，可以發(fā)現(xiàn)實(shí)驗(yàn)2的結(jié)果也比較差，為進(jìn)一步分析原因，將多項(xiàng)式模型提取到的特征與本文所提出模型進(jìn)行比較，特將二者進(jìn)行回歸分析時(shí)獲得的R2(用于評(píng)價(jià)擬合優(yōu)度)進(jìn)行比較，對(duì)研究區(qū)內(nèi)所有像元位置的R2值做直方圖統(tǒng)計(jì)，繪制直方圖變化曲線如圖6。其中L1是由本文所提出模型回歸的R2進(jìn)行統(tǒng)計(jì)而繪制，L2是根據(jù)多項(xiàng)式模型回歸的結(jié)果繪制。其中L1所代表數(shù)據(jù)集的均值為0.56，方差為0.19；L2所代表數(shù)據(jù)集的均值為0.53，方差為0.18。很明顯，4階多項(xiàng)式對(duì)時(shí)序數(shù)據(jù)的回歸擬合精度要比本文所提出的模型高，但其分類精度卻較低。這主要是因Landsat數(shù)據(jù)問(wèn)題與多項(xiàng)式模型自身局限性所致。由于云覆蓋和Landsat-7數(shù)據(jù)條帶的影響，大部分時(shí)序軌跡都存在數(shù)據(jù)點(diǎn)缺失的問(wèn)題。對(duì)于這種情況，多項(xiàng)式模型的回歸，只能做到對(duì)現(xiàn)有數(shù)據(jù)擬合誤差的最小化，而忽略了時(shí)序軌跡所代表的地物物理性質(zhì)變化，導(dǎo)致所獲取的特征不能對(duì)實(shí)際地物變化進(jìn)行較為準(zhǔn)確的建模，從而加重誤分類。

圖6 不同模型R2統(tǒng)計(jì)直方圖變化曲線

本文所提出的模型具有周期性，符合土地覆蓋類型年度物候變化特性。通過(guò)對(duì)時(shí)序數(shù)據(jù)進(jìn)行回歸分析，可以對(duì)不同土地覆蓋類型進(jìn)行科學(xué)建模。而且該模型主要由正弦、余弦和一元線性成分組成，數(shù)據(jù)依賴性低，較少的幾個(gè)關(guān)鍵數(shù)據(jù)點(diǎn)即可擬合出可靠的模型參數(shù)。這些因素極大降低了像元值缺失問(wèn)題對(duì)特征提取環(huán)節(jié)的干擾，使得該方法對(duì)云覆蓋和ETM+數(shù)據(jù)條帶問(wèn)題的影響表現(xiàn)得更魯棒。

2)分類算法差異性分析。在使用本文所提出的時(shí)序特征的3組實(shí)驗(yàn)(實(shí)驗(yàn)3、實(shí)驗(yàn)4、實(shí)驗(yàn)5)中，隨機(jī)森林得到了最低的總體精度和Kappa值。雖然實(shí)驗(yàn)3中KNN獲得了比較好的分類結(jié)果，但在處理高維數(shù)據(jù)時(shí)，KNN的性能受到了嚴(yán)重影響，實(shí)驗(yàn)2和實(shí)驗(yàn)3中，KNN完成目標(biāo)區(qū)域土地覆蓋分類分別用了5 226.73和2 426.67 s，比其他組實(shí)驗(yàn)耗時(shí)都要長(zhǎng)。實(shí)驗(yàn)5中，UniBagging得到了最高的準(zhǔn)確性，同時(shí)也能很好地處理高維數(shù)據(jù)。因?yàn)椴捎肒NN作為基本分類器時(shí)，每個(gè)KNN只接受一個(gè)子空間中的變量作為輸入，這使得當(dāng)特征維度升高時(shí)，UniBagging的性能依然不受影響。

隨機(jī)森林之所以會(huì)得出比較差的分類結(jié)果，主要是由于其采用了隨機(jī)子空間的樣本采樣方法，而這種方法并不適用于本文中的時(shí)序特征，因?yàn)閬?lái)自不同模型的系數(shù)和R2不能被混合。如果將來(lái)自藍(lán)波段的b0、b3與來(lái)自紅波段的b1、b2和R2被隨機(jī)采樣出來(lái)，它們并不能構(gòu)成任何有意義的曲線，而隨機(jī)子空間恰恰會(huì)出現(xiàn)這一狀況。只有相應(yīng)的模型系數(shù)才可以正確重建表征地物光譜年度變化的曲線。

3)不同覆蓋類別的精度差異。為了分析LandUTime對(duì)土地覆蓋類型的分類精度，計(jì)算了實(shí)驗(yàn)1和實(shí)驗(yàn)5的混淆矩陣和各類別用戶精度與生產(chǎn)精度。如表4所示，LandUTime在區(qū)分不同覆蓋類型方面的優(yōu)勢(shì)非常明顯，尤其對(duì)于耕地、常綠林地、落葉林地等，取得了非常好的效果。若使用單一時(shí)相影像，無(wú)法達(dá)到這樣的精度。同時(shí)可以看出，實(shí)驗(yàn)1和實(shí)驗(yàn)5對(duì)混交林地的分類準(zhǔn)確度相對(duì)較低，主要是因?yàn)樵摲N地類異質(zhì)性較強(qiáng)，實(shí)際自然界中混交林、落葉林和常綠林三者的邊界本來(lái)就很模糊，與空間尺度極其相關(guān)。還有是裸地、建設(shè)用地和水體這3種類型間存在少量錯(cuò)分，主要是由于LandUTim方法依據(jù)地物年度變化模式的不同來(lái)區(qū)分地類，故具有顯著年度季節(jié)變化的對(duì)象(如耕地，落葉林地)與年度變化較小的地物(如建設(shè)用地、水體等)很容易區(qū)分，但變化模式相近的地物類型則可能出現(xiàn)些許混淆。

表4 實(shí)驗(yàn)1和實(shí)驗(yàn)5的混淆矩陣與類別精度

注：BL為裸地；CC為耕地；DF為落葉林地；EF為常綠林地；MF為混交林地；DL為建設(shè)用地；OW為水體；PA為生產(chǎn)者精度；UA為用戶精度。

4 結(jié)束語(yǔ)

本文面向大面積土地覆蓋分類問(wèn)題，提出了一種基于Landsat年度時(shí)間序列數(shù)據(jù)的方法，該方法主要包括兩部分，首先是利用回歸分析的時(shí)序特征構(gòu)造策略，然后是基于時(shí)序特征子空間的集成分類算法。實(shí)驗(yàn)結(jié)果證明，該方法取得了非常好的分類效果，它既充分利用了Landsat數(shù)據(jù)在時(shí)間維度中所蘊(yùn)含的信息，又克服了云覆蓋以及Landsat-7中掃描線校正器(SLC)故障等造成的時(shí)序數(shù)據(jù)缺失的問(wèn)題；同樣基于集成學(xué)習(xí)的理念，該方法取得了比隨機(jī)森林更高的精度，克服了隨機(jī)子空間法所造成的特征結(jié)構(gòu)被破壞的缺陷；隨著特征維度的提升，該方法的性能依然穩(wěn)健。

本文研究表明從遙感數(shù)據(jù)的時(shí)間維挖掘特征信息對(duì)于提高土地覆蓋分類精度具有重大潛力?！巴V異物，同物異譜”的問(wèn)題導(dǎo)致常規(guī)從空間維和光譜維提取到的特征具有一定局限性，從時(shí)間維著手可以克服現(xiàn)有問(wèn)題，為實(shí)現(xiàn)分類精度提升提供了的新可能。

LandUTime具有很強(qiáng)的可擴(kuò)展性。為了驗(yàn)證該方法的有效性，文中只采用了6個(gè)常用Landsat波段，還可把光譜指數(shù)(如NDVI、NDMI、EVI等)或光譜指數(shù)與Landsat波段組合作為原始特征層進(jìn)行時(shí)間序列回歸分析。同時(shí)，該方法在其他區(qū)域環(huán)境的普適性探索也將成為未來(lái)研究的重點(diǎn)。