基于优先级和语义邻近度的地表覆盖数据升尺度方法

谭诗腾， 王继成， 徐柱， 龚循强

(1.西南交通大学地球科学与环境工程学院，成都　611756；

2.东华理工大学江西省数字国土重点实验室，南昌　330013)



基于优先级和语义邻近度的地表覆盖数据升尺度方法

谭诗腾1,2， 王继成1， 徐柱1， 龚循强1,2

(1.西南交通大学地球科学与环境工程学院，成都611756；

2.东华理工大学江西省数字国土重点实验室，南昌330013)

摘要：地表覆盖类别数据尺度上推方法中仍以众数选择或比例占优为原则，但这2种原则都存在一定的缺陷，比如在多个众数的情况下随机选取会使地图信息很大程度上失真。为了更好地保持尺度综合前后地物类别空间信息，将地表覆盖类别优先准则和语义邻近规则引入到尺度上推方法中，在众数聚合规则上考虑类别优先级和语义邻近度，建立一种新的地表覆盖类别数据升尺度方法。该方法通过设定类别优先级和语义邻近度，计算得到粗尺度上对应空间位置的类别，从而完成地表覆盖类别数据的尺度综合。实验结果表明，在众数聚合方法基础上，加入类别优先级和语义邻近度，能够较好地保持尺度综合前后地物空间分布的一致性，地图相似度也相对较高。

关键词：地表覆盖数据； 升尺度方法； 优先级； 语义邻近度； Fuzzy kappa系数

0引言

空间尺度是地理科学研究的一个重点问题，被认为是对地观测的首要挑战[1]。空间数据的尺度转换是将数据从一个空间尺度推绎到另外一个空间尺度的过程，是地学尺度科学研究的重要内容之一。不同尺度下地表呈现的地物类别和空间分布差异很大，不同领域对地表覆盖数据尺度要求不一样。因此，基于现有高分辨率30 m地表覆盖数据(Global Land Cover 30)进行尺度上推方法研究，得到一系列粗尺度产品以便满足不同行业需求显得很重要。

Robinson[2]于1950年发现地理科学与社会科学研究中的尺度依赖性问题。随后，相继多个学科研究领域都提出并总结了相关尺度问题。全球地表覆盖30 m类别数据产品为研究遥感空间尺度问题提供了很好的素材[3]，这种高精度的数据产品往往数据量大，而且小尺度下规模并不利于揭示土地利用及其变化和各因子之间相互作用关系的总体趋势[4]，难以满足地表变化研究和地球模式模拟的需求。因此，需要一系列不同尺度的数据，以应对全球变化和地球生态环境模拟的研究[5]。杨叶涛等[6]认为在高分辨率图像的对象级景观提取过程中，空间尺度影响景观格局分布，因此有必要找到合适的升尺度方法。

为探索地物类别在各尺度中最适合空间表达的尺度，Atkinson等[7]研究了地表覆盖类别空间变异性和空间数据尺度转换过程； 地学领域研究者提出使用点扩散函数、邻域分析、小波分析等方法对DEM、土地利用与覆盖等空间数据进行尺度转换[8-11]； McMaster等[12]给出了栅格数据综合的概要框架以及针对栅格数据的有效综合规则。尺度上推方法中主要以众数聚合和比例占优为原则，这符合地学尺度综合的一般科学规律，但在实际处理中，多个类别可能在同一聚合窗口内会出现相同频次。因此，为克服众数选择的缺陷，需要进一步考虑类别优先和语义邻近关系，辅助进行类别的选择。类别优先级是在特定需求下，为达到优先保留候选类别的目的，刻意提高候选类别的优先级别[13]。地表覆盖类别具有多样性，人为划分通常包括若干大类及其隶属小类，在语义上各类别具有一定的邻近关系[14-16]。在优先级相同的情况下，进一步根据语义邻近度选择地物类别进行保留，以增强聚合结果的合理性。

鉴于此，本文以30 m地表覆盖类别数据为对象，在普通众数聚合方法的基础上，尝试加入类别优先级和语义邻近规则进行尺度上推，以克服普通众数聚合方法中随机选择带来的随意性。该方法将众数聚合原则和语义规则结合起来，实现了地表类别信息的尺度转换。本文通过与其他3种方法对比，选取面积误差和Fuzz Kappa系数[13]作为评定指标，对该方法的合理性进行了评估。

1优先级和语义邻近度

类别优先级是各地物类别保留下来作为目标尺度对应空间位置上值的优先等级参数。在利用众数聚合对地表覆盖类别数据进行升尺度计算中，各类别通常具有相同优先级。但在聚合窗口中出现多个类别频次相等的情况下，按照设定的类别优先级规则，优先保留候选集中优先级高的类别[13]。

类别的优先级决定了类别作为输出结果的优势。低优先级类别常会被忽视，而高优先级类别被保留下来的几率则较大。当然，类别保留下来的概率对其在粗尺度上的比例以及与其他类别在空间格局上的交互都有深远的影响。本试验中，为保持水体在尺度上推前后的空间连续性，设定水体优先级最高，具体优先级设定规则见表1。

表1　地物类别优先级规则

①I表示最高优先级。

表1中共有13个类别，分别设定了4个优先级，I表示优先级最高，依次递减，IV表示优先级最低。即在一个聚合窗口内，水体和其他类别出现相同次数时，优先保留水体作为目标尺度对应空间位置上的类别。这种处理方式会增大水体选择几率，导致水体面积明显增加。为削弱这种绝对优势，进一步考虑语义上相邻类别之间的相互作用，加入语义邻近规则，以便获得适宜的输出类别。

地表覆盖数据在地表空间上是无缝隙、无重叠、全覆盖的，在语义上具有类型的邻近关系和层次划分。语义邻近度规则能够使地物类别要素更好地保持空间连续性和景观格局[14-16]。在尺度综合的过程中，如果相同优先级的类别在聚合窗口内出现频次相同，那么加入语义邻近度规则可以辅助类别选择。对类别进行编号(表2)，本试验中语义邻近规则的设定如表3所示。

表2　地物类别编号对照表

表3　地物语义邻近度设置

表2中，每1种覆盖类别对应1个编号，如“苔原”类别对应编号N5。表3中，混淆矩阵中的数值(0~1之间)表示不同类别间语义邻近度，1代表最高的亲和力，0表示类别间无语义邻近关系，不同类别在语义上与自身最相近，设定值为1。例如，混叶林(N10)与阔叶林(N9)、针叶林(N8)、灌丛地(N7)之间的语义邻近度都很高，分别设为S(N10-N9)=0.7，S(N10-N8)=0.7，S(N10-N7)=0.5； 水体与湿地语义关系较为邻近，设为S(N13-N12)=0.3，而与其他类别语义邻近度都很低，大多设为0。

本实验中所设定的规则不具有唯一性，不同领域可根据需要自行设定类别优先级和语义邻近度的相关值，进而对初始数据的特性以实现泛化顺序的方式来定义类别选择规则。表1和表3中优先级和语义邻近度设定规则具体参见文献[13]。

2算法设计与实现

地表覆盖类别数据上推过程中主要遵循众数选择或类别比例占优的原则,本文设计的方法是基于类别优先级和语义邻近度的升尺度算法。其重点是在已有的众数聚合方法上，通过提高候选类别优先级，并考虑语义邻近度作为限制性条件，实现在尺度上推过程中目标尺度对应空间位置上类别的选择。

2.1处理规则

地表覆盖类别数据从高分辨率降到低分辨率，是地物类别聚合问题，关系到地物类别取舍，综合前后粗细尺度上的类别多样性尽可能保持不变[16]。在聚合窗口中，类别数据出现多个众数时，比较每个众数所具有的优先级，取优先级高的类别作为结果。如果优先级相同，则加入语义邻近度进行类别权重计算，即在聚合单元内其他像元对出现多个众数类别的影响值； 然后比较权值的大小，取最大值对应的类别作为输出结果。权重计算公式为

(1)

式中：ωi为i类别的综合权重；Ci为i类别在聚合窗口内出现的个数；Pi为i类别的优先级别；S(i,j)为i类别和j类别的语义邻近度；n为聚合窗口内类别总数；j为不同于i类别的其他类别。

例如，在一个3×3的聚合窗口内，出现3个森林类别、3个苔原类别、2个灌丛类别和1个草地类别单元(图1 (a) )。此时，由于森林和苔原具有相同的频次和优先级(参见表1)，因此需要考虑语义邻近度。根据式(1)及表1和表3设定的规则，对4个类别分别计算权重。

(a) 示例1 (b) 示例2

图1聚合单元示例

Fig.1Examples of aggregate unit

如图1(a)所示，对于森林，计算式为： 3×2+3×2×0.1+1×2×0.1+2×2×0.7=9.6； 对于苔原，计算式为： 3×2+3×2×0.1+1×2×0.1+2×2×0.1=7.2； 对于草地，计算式为： 1×2+3×2×0.1+3×2×0.1+2×2×0.1=3.6； 对于灌丛，计算式为： 2×2+3×0.7×2+3×0.1×2+0×2×0.1=8.8。因此，选择森林作为粗尺度对应空间位置上的类别。

又例如，在3×3的聚合窗口内，有3个水体类别、3个人造覆盖类别和3个森林类别单元(图1(b))，根据式(1)和表1、表3中的规则计算权重。对于水体，计算式为： 3×4+0=12； 对于人造覆盖类别，计算式为： 3×3+3×3×0.1=9.9； 对于森林，计算式为： 3×2+3×3×0.1=6.9。因此，最终聚合结果选择水体作为粗尺度对应空间位置上的类别。当然，如果聚合窗口内只有3个水体类别、3个人造覆盖(人造)类别和3个其他类别，根据表1所设规则，也都将选择水体作为输出结果。

适当的平滑处理能够有效地滤掉原始数据中的噪声(因数据生产引起的误差视为噪声)。因此，在实验设计中，同时采用了平滑后众数聚合方法及平滑后考虑类别优先级和语义邻近度方法，并且与普通聚合方法进行比较。

2.2实验流程

基于以上处理规则，以全球地表覆盖数据(GLC30)为对象，开展基于类别优先级和语义邻近规则的升尺度方法研究。实验主要采用4种策略： 无平滑的众数聚合方法(直接众数聚合)、众数平滑后直接众数聚合的方法(平滑后众数聚合)、无平滑只考虑类别优先级和语义邻近度的聚合方法(无平滑优先级)和众数平滑后考虑优先级和语义邻近度的方法(平滑后优先级)。图2为该策略的技术流程。

图2　升尺度计算流程

整个算法由C++语言结合Qt5.2.1，GDAL 1.10编写完成，编程平台为Visual Studio 2012，测试平台采用Dell T7300工作站，操作系统为Windows 7。

3实验与分析

3.1数据选取

本实验以GLC30数据为对象，此数据空间分辨率为30 m； 存储为GeoTiff无损格式； 数据覆盖全球(南极洲和格陵兰岛除外)； 分为2000年和2010年2期； 识别度较高，4个要素误判结果低于10%，数据一致性较好。本实验中选取的数据分布于全球五大洲，共20幅2010期GLC30数据，包含表2所列类别。初步实验选取江苏省某区域和安徽省某区域2幅场景，大小为2 132像元×1 786像元，后续验证选择20幅场景进行计算分析。

3.2初步实验结果

采用3×3聚合窗口，分别用4种方法进行实验，图3(a)为江苏省某区域，图4(a)为安徽省某区域，图3和图4的(b)—(e)为处理结果局部放大显示。

图3不同方法综合结果(例1)

Fig.3Aggregation results with four methods (Example 1)

图4　不同方法综合结果(例2)

从图3和图4 可以看出，平滑后众数聚合的结果与直接聚合方法得到的结果相近，但前者在部分细节上保持得更好，这是因为平滑过程会把过度分散的小斑块滤掉。实验发现，聚合窗口大小超过原分辨率大小的5倍时，众数平滑处理会对聚合结果造成不良影响； 因此，本研究中仅采用窗口大小为3倍和5倍大小的窗口。增加优先级处理会使水体保持很好的连续性，并且其他地物变形小，但水体面积明显增大。因此，下一步将在实验中进一步计算各类别面积误差和Fuzzy Kappa系数，以便分析该方法的适用性。

3.3对比分析

初步实验选取2块以水体和耕地为主、场景较为单一的区域。为研究在4种策略下不同类别数据的面积误差和空间格局的变化，实验进一步使用大范围数据，包含的地类主要有水体、湿地、草地、森林、灌丛地、耕地、苔原、人造覆盖、裸地等12类。对计算结果分别用类别面积误差和Fuzzy Kappa系数进行了比较分析。

3.3.1类别面积变化

为了清晰的反映各个类别的面积变化，根据计算结果和原图中各类别所占面积，得到不同算法下各类别所占面积比例(图5)。

图5　各类别在不同方法下的面积比例

由图5可以看出，在该区域的地表覆盖类型中，耕地类型和混叶林的面积比例均有所增加； 湿地、水体和人造覆盖面积比例在部分方法下有所减少； 阔叶林、针叶林和其他类别面积比例基本不变； 草地、灌木丛和裸地面积比例减少； 而本身所占比例较少的冰雪类型面积比例变化在图上无法体现。为描述和分析类别面积变化和类别间相互作用，进一步计算了各类别相对原图的面积误差(图6)。

图6　不同方法下类别面积误差

图6中，小于100%表示面积变少，大于100%表示面积增加。考虑优先级和语义邻近规则的算法导致水体和人造覆盖类别面积明显增多(主要从灌木丛和裸地转移而来)，这正与水体周围有大量零星分散的灌木丛和草地这一空间分布现象吻合。由于3种类别相互嵌套，在聚合过程中设置水体优先级较高，势必会凸显水体的主导优势； 但从另外一个方面来看，在粗尺度上进行图像分类时，相应空间位置也会划分为水体，这样可以保证类别的完整性和空间分布的合理性。经分析认为，若要地物面积变化浮动较小，选择不加优先级的算法效果较合理； 若要综合考虑粗尺度上地物空间分布的合理性，建议采用具有优先级和语义邻近度的算法，同时应注意原图中优势类别的优先级不易设置太高。平滑可以滤掉一些“噪声”，在小尺度范围内会抹掉细节，但对大尺度操作范围影响甚微。

3.3.2Fuzzy Kappa系数比较

Kappa系数用来评价分类图像的精度。如果2幅图像差异很大，则Kappa系数小，反之较大。Kappa系数仅适用于行数和列数相等的方表。在评估栅格类别数据地图相似性工作中，Hagen[17]提出结合模糊集的Kappa系数指标，称之为Fuzzy Kappa系数(记为Kfuzzy)。其基本思想是： 首先比较2幅地图对应位置上2个像元的相似性，进而根据Fuzzy Kappa 系数数学模型，计算所有像元对的平均相似度，得到2幅地图的总体相似度。这种比较方法更为合理。因此，本文采用Fuzzy Kappa系数来比较粗尺度和精细尺度上图像的相似程度。实验使用地图相似性评价软件MCK(Map Comparison Kit)进行计算,20幅图像计算结果如图7所示。

图7　不同综合方法下各图像Fuzzy Kappa系数

Fuzzy Kappa系数与普通Kappa系数具有统计性质上的相似性，其值通常落在0~1间，可分为5组来表示不同级别的一致性： 0.0~0.20表示极低的一致性、0.21~0.40表示一般的一致性、0.41~0.60表示中等的一致性、0.61~0.80表示高度的一致性、0.81~1表示几乎完全一致。从图7可以看出，同一幅地表覆盖栅格地图在不同方法下得到Fuzzy Kappa 系数差异明显； 不同图幅(不同场景)在相同升尺度方法下得到Fuzzy Kappa系数值具有差异，这说明升尺度方法和原图场景中地物空间格局是造成尺度上推结果信息失真的2个重要因素，而利用考虑类别优先级和语义邻近关系的算法得到的结果能使图像具有更好的整体相似性。

4结论

尺度转换是地理学家观察和认识地理自然现象的一种方式，用不同的尺度转换方法得到的结果数据不同，造成的信息量损失也不同。地表覆盖类别数据升尺度方法中大多以众数选择为原则，在多个众数情况下难以取舍，因此较难保证粗尺度上地物要素在空间上分布的合理性。

本文将地表覆盖类别优先级规则和类别语义邻近度规则引入到尺度上推方法中，在众数聚合原则上考虑这2种规则，建立了一种新的地表覆盖类别数据升尺度方法。该方法通过设定优先级参数和语义邻近度，加权求算得到粗尺度上对应空间位置的类别，从而完成地表覆盖类别数据的尺度综合。实验结果表明，如果要保持地表覆盖类别在粗尺度上面积误差较小，推荐使用平滑后众数聚合方法； 然而，考虑到地物在粗尺度上也应该具有良好的连续性和空间格局的合理性，故推荐采用平滑后优先级方法进行尺度上推。本实验中优先级参数和语义邻近度的设定不具有唯一性。在实际应用中，应该结合不同领域，考虑2种规则的取值，以便获得合适的尺度转换结果。

参考文献(References)：

[1]Raffy M.Change of scale theory:A capital challenge for space observation of earth[J].International Journal of Remote Sensing,1994,15(12):2353-2357.

[2]Robinson W S.Ecological correlations and the behavior of individuals[J].American Sociological Review,1950,15(3):351-357.

[3]俞乐,王杰,李雪草,等.基于多源数据集成的多分辨率全球地表覆盖制图[J].中国科学:地球科学,2014,44(8):1646-1660.

Yu L,Wang J,Li X C,et al.A multi-resolution global land cover dataset through multisource data aggregation[J].Science China Earth Sciences,2014,57(10):2317-2329.

[4]陈佑启,Verburg P H.中国土地利用/土地覆盖的多尺度空间分布特征分析[J].地理科学,2000,20(3):197-202.

Chen Y Q,Verburg P H.Multi-scale spatial characterization of land use/land cover in China[J].Scientia Geographica Sinica,2000,20(3):197-202.

[5]陈军,陈晋,宫鹏,等.全球地表覆盖高分辨率遥感制图[J].地理信息世界,2011,9(2):12-14.

Chen J,Chen J,Gong P,et al.Higher resolution global land cover mapping[J].Geomatics World,2011,9(2):12-14.

[6]杨叶涛,王迎迎,曾又枝.基于面向对象的高分遥感景观格局提取方法[J].国土资源遥感,2014,26(4):46-50.doi:10.6046/gtzyyg.2014.04.08.

Yang Y T,Wang Y Y,Zeng Y Z.Object-based high spatial resolution imagery analysis for landscape pattern extraction[J].Remote Sensing for Land and Resources,2014,26(4):46-50.doi:10.6046/gtzyyg.2014.04.08.

[7]Atkinson P M,Aplin P.Spatial variation in land cover and choice of spatial resolution for remote sensing[J].International Journal of Remote Sensing,2004,25(18):3687-3702.

[8]Zhu C Q,Shi W Z,Wan G.Reducing remote sensing image and simplifying DEM data by the multi-band wavelet[J].International Journal of Remote Sensing,2002,23(3):525-536.

[9]岳天祥,刘纪远.第四代地理信息系统研究中的尺度转换数字模型[J].中国图象图形学报,2001,6(9):907-911.

Yue T X,Liu J Y.The digital model for transforming information at various scales[J].Journal of Image and Graphics,2001,6(9):907-911.

[10]刘学军,王彦芳,晋蓓.利用点扩散函数进行DEM尺度转换[J].武汉大学学报:信息科学版,2009,34(12):1458-1462.

Liu X J,Wang Y F,Jin B.A upscaling method of digital elevation model with point spread function[J].Geomatics and Information Science of Wuhan University,2009,34(12):1458-1462.

[11]杨勤科,Jupp D,郭伟玲,等.基于滤波方法的DEM尺度变换方法研究[J].水土保持通报,2008,28(6):58-62.

Yang Q K,Jupp D,Guo W L,et al.Genaralizing the fine resolution DEMs with filtering method[J].Bulletin of Soil and Water Conservation,2008,28(6):58-62.

[12]McMaster R B,Monmonier M.A conceptual framework for quantitative and qualitative raster-mode generation[C]//Proceedings of GIS/LIS'89.Orlando,FL,1989:390-403.

[13]Nunes A,Caetano M R,Santos T G.Rule-based generalization of satellite-derived raster thematic maps[C]//Proc.SPIE 4886,Remote Sensing for Environmental Monitoring,GIS Applications and Geology II.Crete,Greece:SPIE,1999:289-297.

[14]艾廷华,杨帆,李精忠.第二次土地资源调查数据建库中的土地利用图综合缩编[J].武汉大学学报:信息科学版,2010,35(8):887-891.

Ai T H,Yang F,Li J Z.Land-use data generalization for the database construction of the second land resource survey[J].Geomatics and Information Science of Wuhan University,2010,35(8):887-891.

[15]刘耀林,李红梅,杨淳惠.基于本体的土地利用数据综合研究[J].武汉大学学报:信息科学版,2010,35(8):883-886.

Liu Y L,Li H M,Yang C H.Ontology based land use data generalization[J].Geomatics and Information Science of Wuhan University,2010,35(8):883-886.

[16]艾廷华,刘耀林.土地利用数据综合中的聚合与融合[J].武汉大学学报:信息科学版,2002,27(5):486-492.

Ai T H,Liu Y L.Aggregation and amalgamation in land-use data generalization[J].Geomatics and Information Science of Wuhan University,2002,27(5):486-492.

[17]Hagen A.Fuzzy set approach to assessing similarity of categorical maps[J].International Journal of Geographical Information Science,2003,17(3):235-249.

[18]Monmonier M S.Raster-mode area generalization for land use and land cover maps[J].Cartographica,1983,20(4):65-91.

(责任编辑： 李瑜)

中国宇航学会卫星应用专业委员会在北京大学召开专家会议

2015年12月25日，中国宇航学会卫星应用专业委员会在北京大学城市与环境学院召开遥感专家组会议。中国宇航学会卫星应用专业委员遥感专家组是中国宇航学会卫星应用专业委员会领导的专门从事国产遥感卫星推广应用的组织，是遥感卫星研制单位与应用单位间的桥梁。出席会议的有中国遥感应用协会专家委员会主任赵文津院士，中国宇航学会卫星应用专业委员会吴继云副主任、马海全秘书长，暗物质卫星总设计师兼中国宇航学会卫星应用专业委员会综合应用专家组组长艾长春研究员，北京大学城市与环境学院常务副院长贺灿飞教授等60多位专家参加。

会议由中国宇航学会卫星应用专业委员秘书长、中国航天科技集团五院503研究所副所长马海全研究员主持。会议举行了遥感专家组挂牌仪式，宣布中国宇航学会卫星应用专业委员遥感专家组正式挂靠北京大学城市与环境学院。吴继云副主任和贺灿飞副院长揭牌。吴继云副主任介绍了卫星应用专业委员会的背景、目的和成立以来的主要工作，他指出专业委员会遥感专家组挂靠在北京大学城市与环境学院符合遥感应用的目标和国家的重要需求，卫星应用专业委员会与北京大学城市与环境学院的合作是顺应时代发展的需要，是非常好的合作，期望产生好的合作成果。贺灿飞常务副院长向各位专家介绍了北京大学城市与环境学院的发展现状、师资队伍、学科设置等概况，遥感科学是学院教学和科研中的重要组成部分，遥感专家组的挂靠将对学院的遥感应用有重要的提升，学院也将对遥感专家组的活动提供支持。最后贺院长表示，相信通过本次合作，必将促进产、学、研结合，为人才培养和国家经济发展，为我国的遥感事业做出贡献。艾长春研究员对遥感专家组挂靠北京大学城市与环境学院，举行挂牌仪式表示祝贺，他说，遥感数据在资源环境、军事上应用，越来越广泛，因此遥感专家组挂靠在北大将推动遥感事业在我国的发展。

会议总结了遥感专家组2015年工作。中国宇航学会卫星应用专业委员遥感专家组组长胡如忠组长作《遥感专家组工作报告》，总结了2015年工作，对2016年工作提出了建议。会议对《遥感专家组工作报告》展开了充分讨论，提了许多修改补充意见。会议上还举办了《国产遥感卫星应用进展与应用案例》新书首发式。

(刘雪萍，胡如忠)

Upscaling approach to land cover based on priority and semantic proximity rules

TAN Shiteng1，2, WANG Jicheng1, XU Zhu1, GONG Xunqiang1, 2

(1.FacultyofGeosciencesandEnvironmentalEngineering,SouthwestJiaotongUniversity,Chengdu611756,China;2.JiangxiProvinceKeyLabforDigitalLand,EastChinaInstituteofTechnology,Nanchang330013,China)

Abstract:The upscaling methods for land cover classification data are still based on mode number selection or principle proportion choice; nevertheless, blocked at multiple modes, map information will be largely distorted under randomly choice. In order to maintain spatial information before and after generalization, this paper introduces land cover priority guidelines and semantic proximity norms to the upscaling method. A new upscaling method can be obtained by adding both rules to the aggregation processing. Firstly, through setting land cover priority guidelines and semantic proximity norms, the output category at the corresponding spatial location can be calculated on the coarse scale. The results show that, based on the majority aggregation method, and by adding the priority of the neighboring and semantic rules, the consistency of the spatial distribution of the feature can be better maintained after generalization, and the similarity of original maps is relatively high.

Keywords:land cover data; upscaling; priority; semantic proximity; Fuzzy kappa coefficient

作者简介：第一 谭诗腾(1990-)，男，博士研究生，主要从事遥感多尺度转换方法及尺度效应研究。Email： shitangis@sina.cn。

中图法分类号：TP 79

文献标志码：A

文章编号：1001-070X(2016)01-0050-07

基金项目：西南交通大学研究生创新实践项目“基于主体结构特征的异源遥感影像自动匹配研究”(编号： YC201414131)、2014年四川省科技创新苗子工程“基于高分光学遥感影像的高铁沿线隐患监测的关键技术研究”(编号： 2014-12)、教育部“新世纪优秀人才支持计划”(NCET-12-0942)以及东华理工大学江西省数字国土重点实验室开放研究基金“高分辨率光学遥感影像的高精度配准研究”(编号： DLLJ201505)共同资助。

收稿日期：2014-10-15；

修订日期：2014-12-03

doi:10.6046/gtzyyg.2016.01.08

引用格式： 谭诗腾,王继成，徐柱，等.基于优先级和语义邻近度的地表覆盖数据升尺度方法[J].国土资源遥感,2016，28(1)：50-56.(Tan S T,Wang J C,Xu Z,et al.Upscaling approach to land cover based on priority and semantic proximity rules[J].Remote sensing for Land and Resources,2016,28(1)：50-56.)