偃師市土地利用遙感分類研究

王國重，李中原，張繼宇，程煥玲，李佳紅

（1.黃河水文水資源科學研究院，鄭州 450004；2.河南省水文水資源局，鄭州 450003；3.河南黃河河務局，鄭州 450003；4.河南省水土保持監測總站，鄭州 450008；5.河南省焦作水文水資源勘測局，河南 焦作 454002）

區域土地利用/覆蓋變化與其環境生態和經濟社會可持續發展息息相關，自然過程與人類活動是導致土地利用改變的主要因素。近年來，隨著科技和經濟的快速發展，尤其是第三產業的異軍突起，土地利用類型也在發生顯著變化，表現為建筑用地、工礦用地增加迅速，耕地、林地、草地等面積被擠占，使得土地資源開發利用問題突出，嚴重制約著糧食安全、人與自然的和諧相處［1-3］。

利用遙感技術獲取土地利用/覆蓋信息首先需要對地物進行分類，隨著計算機技術的不斷革新、眾多學者的潛心鉆研，各種影像分類方法不斷涌現，如隨機森林（RF）、K近鄰（KNN）、支持向量機（SVM）、最大似然法（ML）、決策樹（DT）、稀疏表達分類器（SRC）、人工神經網絡（ANN）等，國內外學者基于不同遙感數據嘗試相應的分類方法取得了許多有價值的成果［4-8］，但對這些分類方法的時效性與精度比較研究的報道還不多。上述分類方法中，SVM和最大似然法是最為常用的2種分類方法。SVM通過學習算法，能夠自動搜尋對分類有較好辨識能力的支持向量，因準確率較高，在模式識別、故障檢測、分類和回歸分析等方面應用廣泛［9-11］；最大似然法是將多波段遙感數據視作多維正態分布來構造分類函數，再據此函數與最大值原則判斷類別的歸屬，因參數解釋能力較強、易于與先驗知識融合、算法簡單易于實施，得到許多研究者的青睞［12-15］。

采用支持向量機和最大似然法，并借助Landsat8影像對偃師市耕地、林地、草地、水域、建設用地5種用地類型進行分類和精度評估，為后續進一步研究、開發新的評估方法提供依據。

1 數據與方法

1.1 研究區概況

偃師市位于河南省中西部地區，屬洛陽市管轄，地處東經112°26′15″—113°00′00″、北緯34°27′30″—34°50′00″。南屏嵩岳、北臨黃河，地勢自西向東傾斜，南北高，中間低，地貌景觀略呈槽形，地表形態復雜多樣，大體可分為山地、丘陵、坡地、平原4種類型［16］。屬暖溫帶大陸性季風氣候，年均氣溫14.2℃，無霜期211 d，年均降水量500～600 mm，全年日照時數2 248.3 h。

1.2 數據來源與處理

遙感影像采用的是Landsat8衛星數據，該衛星2013年2月11日由美國航空航天局（NASA）成功發射，共11個波段，波段1～7、9～11的空間分辨率為30 m，波段8為15 m分辨率的全色波段，衛星每16 d可以實現一次全球覆蓋。由于所研究的區域屬于陸地，故選取Landsat8影像的前7個波段進行研究。

以偃師市2016年9月云量為2.36%的影像數據為主，采用90 m分辨率的SRTM數字高程數據，用以裁剪遙感影像。通過ENVI軟件對Landsat8影像進行輻射定標、大氣校正，再根據研究區矢量數據裁剪經此處理后的遙感影像，以便后續的處理與分析。

1.3 研究方法

1.3.1 支持向量機 支持向量機（Support vector machine，SVM）是基于統計學習理論發展起來的新的機器學習方法，與傳統學習方法相比，該方法以結構風險最小化為準則，實現樣本誤差最小化、縮小模型泛化誤差，具有較高的精度、泛化能力強、運算速度較快的優點。SVM的關鍵在于核函數，采用不同的核函數將導致不同的SVM算法［17］。其常見的核函數主要有線性核函數、多項式核函數、徑向基核函數、Sigmoid核函數、字符串核函數、傅立葉核函數、樣條核函數等。作為一種局部性較強的核函數，徑向基函數（又稱高斯核函數）能夠將一個樣本映射到一個更高維度的空間內，不論樣本多少均有較好的性能，且參數較多項式核函數少，因此大多數情況下優先使用高斯核函數［18］。

1.3.2 最大似然法 最大似然法是一種應用最為廣泛的監督分類方法，它以統計學理論和貝葉斯準則為基礎，假定訓練區地物的光譜特征近似服從正態分布，可求出各類別的均值、方差以及協方差等特征參數，從而求出總體的條件概率密度函數，再根據貝葉斯函數和最大值規則確定類別的歸屬。具體做法如下［19］：

1）根據訓練區得到各類別的均值、方差等特征參數，假設各類別服從多維正態分布，其條件概率密度為：

式中，n為波段數；μi表示wi類的均值向量；Σi是wi類的協方差矩陣。

式中，p(wi)為wi類的先驗概率；p(x)表示與類別無關的公共項。

3）由判別規則確定類別的歸屬。

實際過程中，主要通過改變概率閾值來生成分類影像。

2 結果與分析

對經過預處理的Landsat8影像分別采用SVM方法、最大似然法進行分類。選取相同的訓練樣本以便分類結果的精度比較。樣本間的可分離度是評價樣本質量的最直接標準，所選各類訓練樣本間的可分離度詳見表1。由表1可知，各類樣本之間的可分離度均大于1.90，表明所選訓練樣本質量很好，屬于合格樣本。

表1 各樣本間的分離度

根據2種方法對偃師市遙感影像進行分類，結果如圖1所示。通過Google earth軟件選取100個樣點對2種分類結果進行精度評價，結果如表2所示。由表2可知，ML法的平均分類精度比SVM法高1.15個百分點，總精度高0.24個百分點、Kappa系數也略高0.003 8。

表2 2種方法的分類精度比較

圖1 偃師市2016年土地利用分類

3 小結與討論

王明偉等［20］認為，SVM和最大似然法對Landsat5的分類精度相當；對于Landsat7，則SVM的分類精度高于最大似然法。楊艷青等［21］認為SVM的分類精度優于最大似然法。高鑫等［12］指出，最大似然法對居民地、水田、天然草地有較高的劃分精度。奉國和［22］、劉大寧等［23］的研究表明，SVM的分類精度受核函數及參數的影響較大。趙慧等［24］認為，訓練樣本量、輔助數據和分類法是影響土地利用/覆蓋分類精度的3個主要因素。可能是由于所選取的樣本區域與數量、核函數及其參數的影響導致SVM法的分類精度和Kappa系數略低于最大似然法，需要進一步深入研究。

本研究以Landsat8影像為信息源，采用SVM與ML法，以系統默認的參數對偃師市進行土地利用分類，結果顯示，2種方法都具有很高的分類精度，但ML法的精度略高于SVM法，這可能與所選參數、核函數及訓練樣本的影響有關。