呂嘉程，陳斐，仲尹文，譚竟

東華理工大學(xué) 測繪與空間信息工程學(xué)院，南昌 330013

1 引 言

地表覆蓋是地球表面各種物質(zhì)類型及其自然屬性與特征的綜合體（陳軍等，2011；段艷慧等，2023；梁錦濤等，2023）。對于研究全球變化、評價(jià)可持續(xù)發(fā)展及建立具有預(yù)測功能的模型來說，建立一個(gè)準(zhǔn)確的、長時(shí)間序列的全球地表覆蓋數(shù)據(jù)具有重大的現(xiàn)實(shí)意義（張肖，2020；王梓璇等，2021；Wang 等，2022）。數(shù)據(jù)不一致是數(shù)據(jù)對象之間存在矛盾或沖突（簡燦良等，2013）。時(shí)序地表覆蓋數(shù)據(jù)在生產(chǎn)過程中，因原始影像、分類方法、分類人員等方面的差異，同一地區(qū)在不同時(shí)期地表覆蓋數(shù)據(jù)產(chǎn)品上存在屬性分類不合理的情況，稱為時(shí)序地表覆蓋數(shù)據(jù)分類屬性不一致性（Liu 等，2018；張敬怡，2023）。時(shí)序地表覆蓋數(shù)據(jù)不一致探測是要找到這些不合理從而進(jìn)行產(chǎn)品修正、評價(jià)等以提高產(chǎn)品精度和應(yīng)用范圍（簡燦良，2013；孫群等，2022）。提供高品質(zhì)的時(shí)空信息，利于高水平的時(shí)空賦能（陳軍等，2023）。當(dāng)前存在的許多地表覆蓋產(chǎn)品精度普遍較低，一致性和連續(xù)性也不盡如人意（Giri 等，2005）。為保證數(shù)據(jù)質(zhì)量，土地覆蓋數(shù)據(jù)核對主要靠專家經(jīng)驗(yàn)判讀，費(fèi)時(shí)費(fèi)力，迫切需要自動(dòng)快速的方法（Kang 等，2019）。

目前，地表覆蓋數(shù)據(jù)不一致性探測方法主要有四類。一是結(jié)合類方法?；谕?fù)潢P(guān)系可信度的更新期錯(cuò)分目標(biāo)初判與多重約束后驗(yàn)判斷結(jié)合的地表覆蓋不一致性探測體系，以GlobeLand30 中耕地為例得到探測總體有效性達(dá)88.2%（康順，2019）；從變化圖斑中結(jié)合局部光譜特征證據(jù)、預(yù)期類別變化證據(jù)及D-S 證據(jù)設(shè)計(jì)證據(jù)決策分類規(guī)則提升產(chǎn)品一致性（衛(wèi)玄燁，2020）；耦合生態(tài)地理分區(qū)專家知識和馬爾可夫鏈來提高地表覆蓋分類產(chǎn)品精度，使GlobeLand30 數(shù)據(jù)精度提高10%以上（剌怡璇，2020）。此類方法主要以前一期數(shù)據(jù)為參考提升更新期或單期數(shù)據(jù)的一致性和精度，而沒有使用時(shí)間序列變化規(guī)則來提高時(shí)序數(shù)據(jù)的地類時(shí)序變化一致性。二是基于統(tǒng)計(jì)學(xué)的方法。根據(jù)數(shù)據(jù)集的分布特性選擇擬合的概率模型，然后根據(jù)模型的不一致性確定異常（Domański，2020）；指出可基于掃描統(tǒng)計(jì)的算法，用于時(shí)序數(shù)據(jù)的異常探測（鄧敏等，2016）；針對分類誤差和偏移，提出引入土地覆蓋轉(zhuǎn)移概率矩陣和空間因子的隱馬爾可夫模型，提高實(shí)驗(yàn)區(qū)產(chǎn)品總體精度（2%~4%）和時(shí)空一致性（張敬怡，2023）。此類方法主要用統(tǒng)計(jì)原理發(fā)現(xiàn)異常，或使用轉(zhuǎn)移概率矩陣來計(jì)算分類概率，缺少邏輯規(guī)則的定性判定。三是邏輯規(guī)則法。基于生態(tài)地理知識庫的方法識別不一致錯(cuò)分（陳旭，2017）；根據(jù)研究區(qū)的生態(tài)規(guī)律，引入土地覆蓋類型邏輯編碼，用改進(jìn)的分層制圖策略使研究區(qū)的地表覆蓋不合邏輯的像素?cái)?shù)量減少13%~35%（Yang 等，2016）；針對GlobeLand30 三期數(shù)據(jù)之間及GlobeLand30 數(shù)據(jù)與其他數(shù)據(jù)間的不一致性，對不同類型的不一致現(xiàn)象分別建立推理規(guī)則集進(jìn)行修正，使各期數(shù)據(jù)間類別不同像素比例下降4%左右（孟慶臻，2023）。此類知識規(guī)則能較好地發(fā)現(xiàn)與已知規(guī)則矛盾的數(shù)據(jù)，但不能判定未知的小概率錯(cuò)誤變化。四是特征指數(shù)法?；谛螤钪笖?shù)的地表覆蓋空間匹配不一致錯(cuò)分圖斑過濾方法，在實(shí)驗(yàn)區(qū)準(zhǔn)確性達(dá)到98.2%（周治武和鞏垠熙，2021）；針對地表受季節(jié)影響易變化區(qū)域，在融合的多時(shí)相遙感影像上選擇樣本提取特征進(jìn)行隨機(jī)森林分類來降低數(shù)據(jù)的偽變化（孟慶臻，2023）；利用光譜特征構(gòu)建多時(shí)相光譜庫，對遙感影像進(jìn)行地表覆蓋自動(dòng)隨機(jī)森林分類（王穎潔和郭詩韻，2022）；運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)提取影像特征，提高遙感影像的地表覆蓋分類精度（朱宏等，2020）。此類方法根據(jù)地物特征確定地物類型能較準(zhǔn)確地分類，但沒有考慮地物的變化規(guī)律和特征混淆問題。

綜上所述，目前的地表覆蓋數(shù)據(jù)不一致性研究多是針對單期或者更新期在空間方面的不一致性探測，在具有多期的時(shí)序地表覆蓋數(shù)據(jù)中進(jìn)行時(shí)間連續(xù)性不一致探測的研究較少，因此，本文提出一種基于時(shí)序數(shù)據(jù)屬性變化關(guān)系的改進(jìn)拉依達(dá)準(zhǔn)則與地類時(shí)序轉(zhuǎn)換邏輯規(guī)則相結(jié)合的改進(jìn)拉依達(dá)邏輯規(guī)則結(jié)合法（improved Pauta criterion logic rule combination method，IPCLRC），用于時(shí)序地表覆蓋數(shù)據(jù)不一致性探測。邏輯規(guī)則可以過濾出與常識矛盾的不一致目標(biāo)，改進(jìn)拉依達(dá)準(zhǔn)則可篩選出地表覆蓋數(shù)據(jù)中可信度低的變化。

2 研究技術(shù)路線

在生產(chǎn)過程中，因原始影像、分類方法、分類人員等方面的差異，同一地區(qū)在不同時(shí)期地表覆蓋數(shù)據(jù)產(chǎn)品上存在屬性分類不合理的情況。如圖 1 中淺藍(lán)色線為輪廓的圖斑在三期數(shù)據(jù)中是水體變耕地再變回水體，而對照遙感影像可發(fā)現(xiàn)該圖斑并無變化，類似的情況在時(shí)序地表覆蓋數(shù)據(jù)中普遍存在，這嚴(yán)重影響數(shù)據(jù)的質(zhì)量與使用，本文目的是找到這些地類屬性時(shí)序變化與現(xiàn)實(shí)情況不一致的錯(cuò)分?jǐn)?shù)據(jù)。

圖1 時(shí)序地表覆蓋數(shù)據(jù)不一致錯(cuò)分示例Fig.1 Examples of inconsistent classification of temporal surface cover data

本文提出的IPCLRC，是為了探測到時(shí)序地表覆蓋數(shù)據(jù)屬性變化存在的邏輯不一致和由各種不明原因?qū)е碌碾S機(jī)性錯(cuò)分。為驗(yàn)證可行性和合理性，以典型城市為研究區(qū)進(jìn)行實(shí)驗(yàn)，技術(shù)路線如圖 2 所示，主要包括四部分：①利用時(shí)序地表覆蓋數(shù)據(jù)統(tǒng)計(jì)各地類屬性時(shí)序變化頻數(shù)的特征，抽樣計(jì)算易推理的地物變化規(guī)律類型的錯(cuò)分率；②根據(jù)拉依達(dá)準(zhǔn)則和改進(jìn)拉依達(dá)準(zhǔn)則的置信區(qū)間提取約束規(guī)則，根據(jù)錯(cuò)分率確定邏輯規(guī)則；③將改進(jìn)拉依達(dá)準(zhǔn)則提取的規(guī)則與提取的邏輯規(guī)則結(jié)合，形成IPCLRC 約束規(guī)則；④將IPCLRC 和其各相關(guān)組分的規(guī)則用于探測與分析。

圖2 不一致探測技術(shù)路線Fig.2 Inconsistent detection of technical route

3 研究方法

3.1 邏輯規(guī)則

全球生態(tài)地理分區(qū)由于其全球性、分區(qū)地類穩(wěn)定性、地物變化規(guī)律性和信息量大等特點(diǎn)，可以用來構(gòu)建知識庫輔助變化檢測（陳旭，2017）。邏輯規(guī)則法是根據(jù)時(shí)序?qū)傩宰兓奶攸c(diǎn)，找出常見和罕見的地類變化類型作為規(guī)則進(jìn)行不一致性探測，常見的為允許類型，罕見的為限制類型。時(shí)序地表覆蓋中，邏輯罕見的連續(xù)變化有A—B—A 型（某地塊屬性由A 變?yōu)锽 后變回A）、A—B—C 型（某地塊屬性由A 變?yōu)锽 后變?yōu)镃）。另外，推理篩選易理解的地物變化規(guī)律，再通過抽樣驗(yàn)證，并用判定為錯(cuò)分的面積除以驗(yàn)證總面積作為錯(cuò)分率。從中發(fā)現(xiàn)非連續(xù)變化的水體變耕地、人造變水體、林地變耕地錯(cuò)分率高，因此納入限制類型；耕地變?nèi)嗽臁⒏刈儾莸?、林地變?nèi)嗽戾e(cuò)分率低，納入允許類型。本研究選用的邏輯規(guī)則定義，如表 1 所示。

表 1 邏輯規(guī)則表Tab.1 Logic rules table

3.2 改進(jìn)拉依達(dá)準(zhǔn)則

時(shí)序地表覆蓋變化復(fù)雜多樣，難以判斷哪種時(shí)序?qū)傩躁P(guān)系是合法關(guān)系或非法關(guān)系。本文基于Gadish（2001）提出的置信區(qū)間統(tǒng)計(jì)法構(gòu)建不一致性判斷規(guī)則，該方法可探測到邏輯常識之外未知的不一致性。通過時(shí)序地表覆蓋數(shù)據(jù)集的屬性變化關(guān)系發(fā)生頻數(shù)，設(shè)置置信區(qū)間獲取地表覆蓋目標(biāo)時(shí)序?qū)傩躁P(guān)系規(guī)則；計(jì)算每一種初始屬性下時(shí)序?qū)傩宰兓P(guān)系發(fā)生頻數(shù)，形成升序圖（圖 3）。通過關(guān)系發(fā)生頻數(shù)的加權(quán)均值、標(biāo)準(zhǔn)差，依據(jù)拉依達(dá)準(zhǔn)則kσ構(gòu)建置信區(qū)間，本文k根據(jù)最大頻數(shù)占比所對應(yīng)的正態(tài)分布概率表決定，σ為標(biāo)準(zhǔn)偏差。由某一屬性變化關(guān)系發(fā)生頻數(shù)與置信區(qū)間的集合代數(shù)判斷，構(gòu)建基于屬性變化關(guān)系約束的不一致性判斷規(guī)則。拉依達(dá)準(zhǔn)則是依據(jù)正態(tài)分布設(shè)立，以加權(quán)均值avg 為中心構(gòu)建置信區(qū)間，而屬性變化關(guān)系發(fā)生頻數(shù)分布更像是正態(tài)分布的一半或?qū)φ?，因此本文提出改進(jìn)拉依達(dá)準(zhǔn)則：以屬性變化關(guān)系發(fā)生頻數(shù)的最大值max 代替加權(quán)均值，在原來左右兩個(gè)方向上的延伸變?yōu)樽筮叿较蛏? 倍的kσ延伸。拉依達(dá)準(zhǔn)則置信區(qū)間：

改進(jìn)后變?yōu)?/p>

圖3 濕地時(shí)序?qū)傩宰兓l數(shù)升序圖Fig.3 Ascending order diagram of the wetland temporal attribute change frequency

3.3 IPCLRC

IPCLRC 結(jié)合邏輯規(guī)則和改進(jìn)拉依達(dá)準(zhǔn)則，是以邏輯規(guī)則為強(qiáng)規(guī)則，改進(jìn)拉依達(dá)準(zhǔn)則構(gòu)建置信區(qū)間提取的規(guī)則為弱規(guī)則，當(dāng)兩種規(guī)則發(fā)生沖突時(shí)，保留強(qiáng)規(guī)則，刪除弱規(guī)則。首先，如表 2 中在基于改進(jìn)拉依達(dá)準(zhǔn)則置信區(qū)間外的弱限制規(guī)則A、B 和C 上，添加強(qiáng)邏輯限制規(guī)則B 和D，得到限制規(guī)則A、B、C 和D；其次，去掉強(qiáng)邏輯允許規(guī)則A，得到IPCLRC 限制規(guī)則B、C 和D；最后，用IPCLRC規(guī)則進(jìn)行探測。

表 2 結(jié)合法原理Tab.2 Principle of the binding method

4 實(shí)驗(yàn)與分析

4.1 研究區(qū)域與數(shù)據(jù)源

合肥市是2000~2020 年我國GDP 增速最快的地級市（孫斌棟和鄭濤，2023）。雄安新區(qū)為國家級新區(qū)，隨著城市的擴(kuò)張與發(fā)展，地表覆蓋變化劇烈，適合用于時(shí)序地表覆蓋數(shù)據(jù)不一致性驗(yàn)證研究。研究數(shù)據(jù)為國家基礎(chǔ)地理信息中心研制的GlobeLand30 數(shù)據(jù)，該數(shù)據(jù)從2000 年開始，每隔10 年更新一期，因此，以2000 年的合肥市行政區(qū)劃為準(zhǔn)，雄安新區(qū)以最早劃分的行政區(qū)劃為準(zhǔn)。

所有數(shù)據(jù)在ArcMap 中以2010 年GlobeLand30數(shù)據(jù)為基準(zhǔn)進(jìn)行幾何校正、裁剪、鑲嵌。Landsat7 ETM SLC-on 產(chǎn)品在同年份中選擇時(shí)間錯(cuò)開的多景進(jìn)行真彩色合成，盡量消除季節(jié)和云層對地類判斷的影響。為了使地表覆蓋數(shù)據(jù)便于操作與統(tǒng)計(jì)時(shí)空屬性關(guān)系，基于像元將所有期GlobeLand30 數(shù)據(jù)的類別信息融合到一張地圖中得到時(shí)序地表覆蓋柵格圖：將原始GlobeLand30 數(shù)據(jù)中的10，20，…，90，100 重分類為1，2，…，9，0（1 耕地，2 林地，3 草地，4 灌木，5 濕地，6 水體，7 凍原，8人造覆蓋，9 裸地，0 永久冰雪），用柵格計(jì)算將單期代表類別信息的字段A（0，1，2，…）相加形成復(fù)合多期屬性的新字段ABC（如123，按位序代表對應(yīng)期的屬性）。將時(shí)序地表覆蓋柵格圖轉(zhuǎn)換成面數(shù)據(jù)，便于在ArcMap 中篩選定位、抽樣驗(yàn)證和統(tǒng)計(jì)。

4.2 驗(yàn)證方法與評價(jià)指標(biāo)

1）驗(yàn)證方法

驗(yàn)證方法以參照谷歌高清歷史影像為主，谷歌地圖可以較清晰地展現(xiàn)地表覆蓋情況（Tsai 等，2018）。以相同年份Landsat7 ETM SLC-on 真彩色合成影像和30 m 分辨率數(shù)字高程模型數(shù)據(jù)為輔的方式，在ArcMap 中對時(shí)序地表覆蓋數(shù)據(jù)圖斑進(jìn)行目視判讀。將屬性信息與各時(shí)期的遙感影像進(jìn)行比對：當(dāng)驗(yàn)證圖斑存在某一時(shí)期錯(cuò)誤的面積超過該圖斑面積的一半時(shí)，判定為錯(cuò)誤；否則為正確。

2）探測準(zhǔn)確率計(jì)算

由于數(shù)據(jù)量大難以全部進(jìn)行目視判斷，因此，本文在探測到的每一種的地類時(shí)序變化中，采用隨機(jī)抽樣的方式抽取10 個(gè)以上圖斑進(jìn)行驗(yàn)證，不足的以實(shí)際數(shù)量為準(zhǔn)。準(zhǔn)確率表示所有的預(yù)測樣本中，預(yù)測正確的比例，單個(gè)地類時(shí)序變化探測準(zhǔn)確率為dpi，某種方法的探測準(zhǔn)確率用P表示：

式中，S1為抽樣驗(yàn)證結(jié)果是正確的圖斑面積，m2；S為抽樣驗(yàn)證的圖斑面積，m2；ni為單個(gè)地類時(shí)序變化種類的柵格總數(shù)量；a為某種方法探測正確的柵格總數(shù)；A為某種方法探測的柵格總數(shù)。

3）探測率計(jì)算

探測率是探測到的不一致目標(biāo)面積與所有不一致目標(biāo)面積的比值，用來反應(yīng)探測方法的探測能力，用Q表示：

式中，N為研究區(qū)地表覆蓋數(shù)據(jù)的柵格總數(shù)；F為研究區(qū)的錯(cuò)分率；S2為單個(gè)樣本錯(cuò)分面積，m2；S3為樣本總面積，m2。

4）精度提升率計(jì)算

精度提升率是探測方法探測到的不一致目標(biāo)面積與探測范圍總面積的比值，用Ac 表示：

4.3 結(jié)果與分析

4.3.1 改進(jìn)拉依達(dá)準(zhǔn)則

為分析改進(jìn)拉依達(dá)準(zhǔn)則對地表覆蓋屬性數(shù)據(jù)擬合的合理性，分別用改進(jìn)前、后的準(zhǔn)則計(jì)算研究區(qū)地表覆蓋初始屬性下變化的置信區(qū)間，對比兩者差距。由表 3 可知，改進(jìn)后的置信區(qū)間更合理，且包括的時(shí)序?qū)傩宰兓N類更多，解決了原始置信區(qū)間覆蓋不到最大頻數(shù)的問題。

表 3 初始屬性的變化集置信區(qū)間Tab.3 Change-set confidence intervals for the initial attributes

4.3.2 準(zhǔn)確率分析

在研究區(qū)分別用拉依達(dá)準(zhǔn)則、改進(jìn)拉依達(dá)準(zhǔn)則、邏輯規(guī)則、IPCLRC 和兩種邏輯規(guī)則中的連續(xù)性規(guī)則進(jìn)行探測，進(jìn)行目視驗(yàn)證后計(jì)算得到準(zhǔn)確率。驗(yàn)證情況如表 4 所示，其中，沒有驗(yàn)證到的類型是因?yàn)槠鋱D斑面積太小達(dá)不到驗(yàn)證的最小面積。

表 4 探測驗(yàn)證情況表Tab.4 Table of the probe validation

探測到的各變化類型統(tǒng)計(jì)，如圖 4 所示。IPCLRC 探測到的大部分變化類型準(zhǔn)確率較高，其中，水體與耕地、耕地與林地占比較大。由探測結(jié)果（表 5）中準(zhǔn)確率P可知，基于改進(jìn)拉依達(dá)準(zhǔn)則的探測準(zhǔn)確率比改進(jìn)前的有所提高；邏輯規(guī)則中的連續(xù)變化規(guī)則A—B—A 和A—B—C 型探測準(zhǔn)確率高達(dá)99%，邏輯規(guī)則總體準(zhǔn)確率最高，達(dá)到95%左右；IPCLRC 的準(zhǔn)確率超過90%。

表 5 探測結(jié)果Tab.5 Detection results

圖4 IPCLRC 探測到的不一致性變化類型統(tǒng)計(jì)Fig.4 Statistics of inconsistent changes types detected by the IPCLRC

4.3.3 探測率分析

探測率反應(yīng)探測正確的結(jié)果在研究區(qū)所需探測目標(biāo)的占比情況。為計(jì)算探測率，首先，在研究區(qū)用五點(diǎn)法均勻布設(shè)采樣點(diǎn)，目視驗(yàn)證樣本后抽樣計(jì)算研究區(qū)的錯(cuò)分率，錯(cuò)分率計(jì)算采樣點(diǎn)如圖 5 所示。然后，計(jì)算拉依達(dá)準(zhǔn)則、改進(jìn)拉依達(dá)準(zhǔn)則、邏輯規(guī)則、IPCLRC 四種規(guī)則和兩種邏輯規(guī)則中連續(xù)性規(guī)則的探測率，如表5 所示。

由表 5 中探測率Q可知，在雄安新區(qū)拉依達(dá)準(zhǔn)則和改進(jìn)拉依達(dá)準(zhǔn)則的探測率接近且較低，邏輯規(guī)則的較高，IPCLRC 的最高；在合肥市拉依達(dá)準(zhǔn)則的探測率最高，IPCLRC 的和改進(jìn)拉依達(dá)準(zhǔn)則的次之，邏輯規(guī)則的最低。在雄安新區(qū)拉依達(dá)準(zhǔn)則和改進(jìn)拉依達(dá)準(zhǔn)則的探測率接近，是因?yàn)槠涞仡愖兓N類較合肥市少，且改進(jìn)前、后置信區(qū)間覆蓋的地類變化也相似。在雄安新區(qū)拉依達(dá)類準(zhǔn)則比邏輯規(guī)則的探測率低而在合肥市相反，是因?yàn)樾郯残聟^(qū)主要變化類型中耕地與人造交界處易錯(cuò)分的耕地變?nèi)嗽?，和季?jié)性洪旱導(dǎo)致易錯(cuò)分的水體變耕地兩者頻數(shù)高，在拉依達(dá)類準(zhǔn)則的置信區(qū)間內(nèi)，這說明拉依達(dá)類準(zhǔn)則易受主要時(shí)序地表覆蓋變化的類型和數(shù)量的影響。改進(jìn)拉依達(dá)準(zhǔn)則追求了更高的準(zhǔn)確率而舍棄了部分準(zhǔn)確率較低的時(shí)序變化類型，從而比改進(jìn)前的探測率略低。綜合來說，IPCLRC 在兩地均有較高的探測率。四種規(guī)則探測結(jié)果舉例對比，如表 6 所示。

表 6 探測結(jié)果對比Tab.6 Comparison of detection results

圖5 錯(cuò)分率計(jì)算采樣Fig.5 Sampling plots for misclassification

4.3.4 精度提升分析

將現(xiàn)有探測結(jié)果用于地表覆蓋數(shù)據(jù)的修正和改進(jìn)，在已有抽樣驗(yàn)證的基礎(chǔ)上計(jì)算對地表覆蓋數(shù)據(jù)精度的提升率，如表 5 中Ac 所示，對IPCLRC探測后的結(jié)果進(jìn)行修正，可使雄安新區(qū)和合肥市的地表覆蓋數(shù)據(jù)精度分別提高2.8%、4.55%。IPCLRC的提升率差距主要體現(xiàn)在改進(jìn)拉依達(dá)準(zhǔn)則部分，雄安新區(qū)為1.79%，較合肥市的4.35%低。這主要是因?yàn)樾郯残聟^(qū)的地表覆蓋類型較少，且主要為易因季節(jié)性洪澇而錯(cuò)分為水體的耕地。

5 結(jié) 論

本文針對時(shí)序?qū)傩躁P(guān)系，以GlobeLand30 時(shí)序數(shù)據(jù)集為例，選取雄安新區(qū)和合肥市為研究區(qū)，用IPCLRC 和相關(guān)規(guī)則（拉依達(dá)準(zhǔn)則、改進(jìn)拉依達(dá)準(zhǔn)則、邏輯規(guī)則）進(jìn)行了時(shí)序地表覆蓋數(shù)據(jù)不一致探測，并利用谷歌高清影像等參考數(shù)據(jù)對探測結(jié)果進(jìn)行了隨機(jī)抽樣驗(yàn)證。結(jié)果表明：①改進(jìn)拉依達(dá)準(zhǔn)則用于時(shí)序地表覆蓋屬性不一致探測，改進(jìn)后置信區(qū)間更合理，準(zhǔn)確率更高；②實(shí)驗(yàn)證明邏輯規(guī)則準(zhǔn)確率最高，其中，連續(xù)變化的A—B—C、A—B—A型兩種規(guī)則的準(zhǔn)確率接近100%；③提出的IPCLRC兼顧邏輯的確定性和隨機(jī)誤差的未知性，具有較高準(zhǔn)確率和探測率；④對IPCLRC 探測到的結(jié)果進(jìn)行修正，可使雄安新區(qū)和合肥市的地表覆蓋數(shù)據(jù)精度分別提高2.8%、4.55%。本研究對自動(dòng)快速提升時(shí)序地表覆蓋數(shù)據(jù)質(zhì)量領(lǐng)域具有一定的參考價(jià)值。

針對更長時(shí)間序列和其他版本的時(shí)序地表覆蓋數(shù)據(jù)可推廣使用IPCLRC，在推廣時(shí)需要重新確定適合的置信度和適合當(dāng)?shù)厣鷳B(tài)規(guī)律的邏輯規(guī)則。隨著時(shí)序的增長，本方法的探測效果可能會逐漸變差，該問題可通過將長序列拆分的方式解決。另外，在今后還可以嘗試將本方法與其他方法（拓?fù)洳灰恢绿綔y、多源地表覆蓋數(shù)據(jù)互驗(yàn)證等）組合來研究如何提高數(shù)據(jù)的一致性和精度。