遥感数据中的空间效应研究现状探讨

杨家鑫

（广州市城市规划勘测设计研究院，广东广州 510060）

摘要：在利用遥感数据进行数据挖掘和分析过程中，数据中显著的空间效应通常会被忽视。本文从遥感图像空间效应的度量、利用遥感数据建模预测、遥感反演制图等领域，梳理总结了地学领域中对遥感数据空间效应的研究现状，探讨当前研究的不足并分析需要解决的问题。

关键词：遥感数据；空间效应；空间数据挖掘

遥感数据具有空间连续的观测，具有明显的空间效应，几乎在所有的遥感数据中均体现出很强的正空间自相关，并通过方差膨胀和冗余信息影响了统计特征的不确定性（Griffith et al.，2016）。在遥感数据中，地理属性或变量都是通过栅格像素的数值来表示，通常来说，相邻像素值的相似性要高于空间距离更远的像素。遥感图像中的空间自相关也会受到尺寸、间距和形状的影响，此外传感器的空间分辨率也会对遥感图像中整体的空间自相关产生影响。在应用经典的统计方法对遥感数据建模分析时，遥感数据中空间效应的存在违背了这些统计方法要求独立同分布的前提假设，得到的结果不确定性增加。在遥感数据的建模和分析中，应该考虑空间自相关，并且使用能够揭示数据内在空间本质关联的方法。

遥感图像中的空间自相关也提供了有用的信息。Wulder et al.（1998）利用Getis统计量评估了遥感影像的局部空间自相关，并提出可以度量每个像素空间依赖性的方法，该方法还可以表示像素附近数字的相对大小，同时利用Gi*统计量计算了森林地区Landsat TM影像的局部空间自相关性，发现不同Landsat波段和不同覆盖类型下的Gi*统计量之间存在相关性，此外，利用森林地区空间依赖信息能够发现森林区域中遥感光谱异质性或光谱同质性的存在。江振蓝等（2016）基于Landsat热红外数据、利用局部空间自相关指标界定城市热岛范围，分析了福州市1996-2016年间城市热岛时空变化趋势的规律。

在利用遥感数据建模和预测时，忽略训练集和测试集的空间自相关容易导致过拟合和泛化能力不足。遥感分类问题中，通常将数据划分为两个子集，训练集用于训练模型，测试集用来测试模型并评估预测误差。大多数情况下这两个子集的数据划分是基于简单的分层采样或随机采样，没有考虑空间自相关，测试集数据不参与模型构建，从而确保了训练集和测试集之间的独立性，并且能够评估模型的泛化能力。所有遥感图像分类研究的共同之处是使用地理参考输入数据，其中包含由与空间参考系相连的坐标指定的对应位置的栅格单元。尽管如此，大多数研究中使用的模型输入参数中并不包括空间因素。遥感数据中的空间自相关不仅存在于预测变量的光谱特征中，也存在于响应变量的光谱特征中，忽略训练集和测试集之间的空间依赖性违背了数据独立性的假设，从而产生错误的高精度指标并可能导致泛化能力被高估。

在遥感分析与反演制图领域，研究者采用多种方式将空间效应考虑进来。向先全等（2015）利用空间自相关指标识别了赤潮爆发前后遥感叶绿素的变化情况，分析遥感数据空间自相关指标的变化特征和异常情况，为赤潮预报提供了新的思路。黄恺等（2016）针对遥感数据中空间效应的特征，基于时空自相关指数提高植被变化检测的精度，也在适应性、自动化等方面有了突破。Sergeev et al.（2019）提出了一种应用克里金模型将空间自相关包含到人工神经网络中的方法，并模拟了土壤表层中多种重金属的空间分布。该方法的思想是使用人工神经网络模拟非线性大尺度趋势，然后通过地统计方法对残差进行建模。结果表明，与基于ANN的其他模型相比，针对每个元素提出的混合方法具有最好的预测精度。刘峰等（2020）利用土地利用的栅格数据计算空间自相关指标，分析土地利用时空演变格局变化趋势。

对于遥感数据建模中空间效应的影响，一种可行的解决思路是在数据拆分过程中在空间上分离训练集和测试集，可以通过空间分层采样的方式来实现，也可以区分对象、分块、聚类等方式实现。分块方式可以按照相似性特征定义的格网空间进行划分，聚类方式可以是规则或不规则的形状，可以是连续的或不相交的，具有规则或不规则的间距。另一种解决思路是在样本周围定义基于距离的缓冲区，从而确保建模数据是空间独立的，距离的定义方式可以是基于响应变量或预测变量的相关图，也可以利用半变异函数。定义缓冲区方法的优点是空间自相关被明确量化，而其他方法中假设训练集和测试集之间的空间相关性已被消除，但由于尚未对其进行检验，可能导致残差中仍然存在空间自相关。

以上研究表明，在遥感估算制图及遥感分类中通过代数定量形式加入空间自相关的影响能够有效提高预测精度。但大多模型都较为复杂，需要对原有模型进行复杂的修改，同时在利用观测点数据进行空间建模并制图领域，没有建立建模数据位置与预测数据的空间关系转换推广的范式。同时，因此针对数据量大的栅格数据如何进行有效、高效的空间建模和估算也是亟待解决的重要问题。

参考文献

1. GRIFFITH D A，CHUN Y W. 2016. Spatial Autocorrelation and Uncertainty Associated with Remotely-Sensed Data[J]. Remote Sensing，8(7)：535.
2. WULDER M，BOOTS B. 1998. Local spatial autocorrelation characteristics of remotely sensed imagery assessed with the Getis statistic[J]. International Journal of Remote Sensing，19(11)：2223-2231.
3. 江振蓝,潘辉,张宝玉等.基于空间自相关的城市热岛时空格局变化[J].安徽农业科学,2016,44(30):41-45+135.
4. 向先全,路文海,许艳等.基于空间自相关分析方法的渤海湾赤潮遥感叶绿素浓度研究[J].海洋通报,2015,34(03):344-352.
5. 黄恺,毛政元.利用时空自相关指数的植被变化检测[J].遥感信息,2016,31(03):37-44.
6. SERGEEV A P，BUEVICH A G，BAGLAEVA E M，SHICHKIN A V. 2019. Combining spatial autocorrelation with machine learning increases prediction accuracy of soil heavy metals[J]. Catena，174：425-435.
7. 刘峰,杨光,韩雪莹等.科尔沁沙地土地利用时空演变及空间自相关分析——以奈曼旗为例[J].西北林学院学报,2020,35(04):148-157.