基于SVM的土地利用/覆蓋分類
——以老哈河流域?yàn)槔?/h1>
2015-03-16 09:18:28李碩
西北水電 2015年3期
李 碩
(中國(guó)水利水電建設(shè)工程咨詢西北有限公司,西安 710065)
文章編號(hào)：1006—2610(2015)03—0012—03
基于SVM的土地利用/覆蓋分類
——以老哈河流域?yàn)槔?/p>
李 碩
(中國(guó)水利水電建設(shè)工程咨詢西北有限公司,西安 710065)
選取老哈河流域?yàn)檠芯繀^(qū)域，以2007年的兩景Landsat5的TM影像為數(shù)據(jù)源，對(duì)該地區(qū)進(jìn)行土地利用/覆蓋分類。由于該區(qū)域土地覆蓋類型復(fù)雜，影像較難區(qū)分且容易造成錯(cuò)分類。該研究中采用支持向量機(jī)(Support Vector Machine,SVM)分類法，通過引入徑向基核函數(shù)進(jìn)行非線性變換映射至高維空間，提取它們的非線性特征，增強(qiáng)不同類型之間的可分性，減少錯(cuò)分現(xiàn)象，提高遙感圖像分類的精度。通過試驗(yàn)，提取出了2007年的老哈河流域的土地利用/覆蓋現(xiàn)狀圖，以校驗(yàn)該方法的可行性。
老哈河流域；土地利用/覆蓋；支持向量機(jī)(SVM)；遙感圖像分類
1 研究區(qū)域概況
老哈河為西遼河南源，是西遼河流域主流。其地貌特征復(fù)雜，黃土廣布，覆蓋層深厚，沖溝發(fā)育，溝壑縱橫，土地覆蓋類型比較復(fù)雜多樣。 在本研究中所取的興隆坡控制站以上的老哈河流域，面積約為1.9萬km2，位于北緯41°～43°，東經(jīng) 117°～120°，流域形狀為不對(duì)稱扇形，全流域水系共有大小165條。
2 研究區(qū)數(shù)據(jù)及預(yù)處理
2.1 研究區(qū)數(shù)據(jù)
根據(jù)研究區(qū)的覆蓋范圍及生物、氣候特征，本文中將選用成像于無云的晴朗天氣下的2007年9月3日和2007年10月3日的兩景Landsat5的TM影像進(jìn)行鑲嵌，作為遙感制圖數(shù)據(jù)源。
將地面高程信息引入遙感圖像分類是提高遙感分類精度的有效措施之一，而老哈河流域相當(dāng)一部分面積在山區(qū)，因而地形信息成為遙感精確分類必不可少的數(shù)據(jù)。因此，本研究選用SRTM的“3”數(shù)據(jù)作為DEM數(shù)據(jù)源。
2.2 數(shù)據(jù)預(yù)處理
由于遙感系統(tǒng)空間、波譜、時(shí)間以及輻射分辨率的限制，很難精確地記錄復(fù)雜地表的信息，遙感數(shù)據(jù)在獲取過程中會(huì)產(chǎn)生輻射畸變、幾何畸變，從而降低了遙感數(shù)據(jù)的質(zhì)量，影響圖像分析的精度。遙感圖像數(shù)據(jù)預(yù)處理即經(jīng)過幾何校正、輻射校正，以及噪聲抑制等處理，使遙感圖像能最好地接近原始景物[1]。
本研究的遙感影像數(shù)據(jù)經(jīng)過了輻射校正、大氣校正、幾何校正和影像鑲嵌，其中輻射校正所使用的影像的增益(Gain)和偏差(Bias)值如表1所示(由于Landsat TM傳感器運(yùn)行時(shí)間較長(zhǎng)，其增益和偏差值較最初改變較大)，大氣校正使用ENVI遙感軟件的Flaash模塊實(shí)現(xiàn)，幾何校正使用最鄰近象元法采用二次多項(xiàng)式實(shí)現(xiàn)，精度在0.5個(gè)象元之內(nèi)。
表1 研究所用TM影像的增益和偏差值表
3 選擇樣本，進(jìn)行信息提取
本次試驗(yàn)基于SVM方法對(duì)老哈河流域的高分辨率遙感影像進(jìn)行特征提取和分類，在此基礎(chǔ)上進(jìn)行土地利用覆蓋分類。在分類時(shí)，主要步驟為：首先，選擇合適的訓(xùn)練區(qū)和檢驗(yàn)區(qū)；其次，進(jìn)行參數(shù)率定，尋求合適的參數(shù)，使得分類精度最高；最后，得出分類結(jié)果及對(duì)結(jié)果進(jìn)行評(píng)價(jià)。
3.1 訓(xùn)練區(qū)和檢驗(yàn)區(qū)的選擇
根據(jù)本研究區(qū)的土地覆蓋特征，將土地覆蓋分為水體、城鄉(xiāng)用地、林地、耕地、草地和未利用地6個(gè)類別，針對(duì)每個(gè)類別分別選取感興趣區(qū)，每個(gè)類別的感興趣區(qū)不少于300個(gè)樣本。
3.2 SVM參數(shù)率定
在多光譜遙感影像的SVM分類中，RBF核函數(shù)模型被證明是最有效的核函數(shù)，因此本文在SVM分類中選用RBF核函數(shù)。
采用交叉驗(yàn)證的方法來確定RBF必備的2個(gè)關(guān)鍵參數(shù)懲罰系數(shù)C和間隔γ，通過不斷改變C和γ的取值可以改變樣本分類結(jié)果的精度，最后選取可得到最高的樣本分類結(jié)果精度(即樣本精度)的C、γ取值，作為SVM分類的參數(shù)值。本文使用libsvm-2.89軟件[2]提供的參數(shù)選擇模型Grid.py來搜索C和γ的取值。最佳SVM模型參數(shù)為：懲罰因子C=8，核參數(shù)γ=8，交叉驗(yàn)證的精度為95.5631%。
3.3 SVM分類及分類結(jié)果評(píng)價(jià)
在ENVI軟件的支持下，將經(jīng)過交叉驗(yàn)證得出的C和γ值帶入其中，對(duì)影像進(jìn)行分類處理，在分類結(jié)果的基礎(chǔ)上進(jìn)行分類精度的評(píng)價(jià)。
通過基于誤差矩陣(或稱混淆矩陣)的遙感影像分類精度的評(píng)價(jià)方法，最終算出對(duì)于總體的和基于各種地面類型的分類精度值。在基于混淆矩陣的統(tǒng)計(jì)量中，總體精度、用戶精度、制圖精度和KKappa系數(shù)是最常用的指標(biāo)。
在進(jìn)行精度評(píng)價(jià)時(shí)，每類至少有30～50個(gè)樣本點(diǎn)，本文根據(jù)類別面積大小隨機(jī)選取樣本點(diǎn)進(jìn)行精度評(píng)價(jià)，每個(gè)類別的精度評(píng)價(jià)樣本大于200個(gè)。樣本選取的依據(jù)是原始影像的目視判讀和參考2000年的老哈河流域土地利用現(xiàn)狀圖，以及2006年8月份和2008年8月份對(duì)老哈河流域進(jìn)行的土地利用現(xiàn)狀調(diào)查數(shù)據(jù)。最后構(gòu)建土地利用變化分類混淆矩陣，見表2所示。
表2 SVM分類混淆矩陣及KKappa系數(shù)表
由表2可以看出，各地物類別的提取精度較高。其中城鄉(xiāng)用地、耕地、林地等面積較小類別的精度均比較高，取得了較好地分類效果。
從混淆矩陣也可以看出，最大的變化分類誤差來自未利用地類，原因主要是可能當(dāng)時(shí)存在部分新種的農(nóng)田，由于其光譜特征與未利用地光譜特征較為相近，容易發(fā)生混淆，導(dǎo)致出現(xiàn)部分耕地被錯(cuò)分成未利用地[3-4]?；蛘咦兓`差來源于耕地轉(zhuǎn)化為城鄉(xiāng)用地類，此類耕地與城鄉(xiāng)用地交錯(cuò)分布，一部分耕地被收割后，與未利用地的光譜發(fā)生混淆，部分面積較小的單元就會(huì)構(gòu)成混合像元，以導(dǎo)致影像上的一部分耕地被錯(cuò)誤地分為未利用地[3-4]。耕地的分類精度最高，主要是由于耕地的光譜特征跟其他地物的光譜特征差異較大，且耕地區(qū)域內(nèi)的地形起伏不大，幾乎沒有陰影，不易與其他地物產(chǎn)生混淆，所以分類精度最高。
從總體精度和KKappa系數(shù)上來看，SVM分類方法精度較高，比較適用于本研究取的土地利用/土地覆蓋分類，研究區(qū)最后的分類結(jié)果為：在2007年的老哈河流域，水體、城鄉(xiāng)用地、林地、耕地、草地和未利用地所占流域面積分別為0.31%、2.53%、32.04%、41.75%、22.43%和0.94%。從上述統(tǒng)計(jì)數(shù)據(jù)可以看出，流域內(nèi)城鄉(xiāng)用地不多，城市化程度不高，流域內(nèi)農(nóng)林牧用地占流域的96.22%，為流域的主體。
4 結(jié)果分析與評(píng)價(jià)
本文采用徑向基函數(shù)支持向量機(jī)，通過實(shí)驗(yàn)，可以看出SVM分類精度較高，分類結(jié)果比較理想，總體精度高達(dá)91.14%。
通過本次實(shí)驗(yàn)，亦可以得出，C值可以控制學(xué)習(xí)過程的邊界誤差與支持向量的數(shù)目[5]，但是C值過大，也不能提高分類精度。在本次試驗(yàn)中，當(dāng)C=8，γ=8時(shí)，其土地利用/土地覆蓋分類精度達(dá)到最高；C值過小時(shí)，其分類精度降低，直到為0。γ值決定了特征空間內(nèi)決策平面的收縮程度[5]，當(dāng)γ在8附近時(shí)，分類效果達(dá)到最好，當(dāng)γ進(jìn)一步增加或者減小時(shí)，其分類精度均有所降低。
該流域土地類型復(fù)雜，有些地區(qū)草地和林地間雜分布，而使圖像難以區(qū)分，同時(shí)由于分類是用光譜信息，對(duì)影像逐個(gè)像元進(jìn)行比較、分析，在地類交界處的像元中包括有多類別，其混合像元造成錯(cuò)分類。而基于SVM分類方法對(duì)這些類型的分類精度較高，SVM通過引入和函數(shù)進(jìn)行非線性變換映射至高維空間，提取它們的非線性特征，增強(qiáng)不同類型之間的可分性，大大地減少了錯(cuò)分現(xiàn)象，在一定程度上提高了分類精度。
[1] 李祖鋒,賀麗娟,張成增,周濤. 高角度信號(hào)遮擋區(qū)域GPS測(cè)量控制網(wǎng)精度控制[J].西北水電，2014，(01)：27-31.
[2] Chang Chih-Chung,Chih-Jen Lin.LIBSVM : a library for support vector machines[M].2001.
[3] 曹雪.基于TM影像的南京市土地利用遙感動(dòng)態(tài)監(jiān)測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006,(11):958-961.
[4] 劉啟壽,魏蘭花. 坐標(biāo)轉(zhuǎn)換在懸高測(cè)量中的應(yīng)用[J].西北水電，2012，(01)：24-25，33.
[5] 居紅云.基于K-means與SVM結(jié)合的遙感圖像全自動(dòng)分類方法[J].計(jì)算機(jī)應(yīng)用與研究,2007,(11):318-320.
Classification of Land Utilization and Covering Based on Support Vector Machine——with case of Laoha River catachment
LI Shuo
(China Hydro Consulting Engineering Corporation, Northwest Branch, Xi'an 710065,China)
The Laoha River catchment is selected as the study catchment. Based on the data source of TM image of Landsat 5 in 2007, classification of the land utilization and covering in the catchment is studied. As the land covering of this catchment is complicated in classification, the images are difficult to separate and easy to classify. In this study, classification method of support vector machine (SVM) is applied. By utilization of radial basis function, the non-linear conversion is conducted to the high-dimensional space, abstracting their non-linear characteristics, strengthening the separation between different types, reducing mistaken classification and improving accuracy of the remote-sense image classification. Through tests, the land utilization and covering status images of the Laoha River catchment in 2007 are abstracted to verify the feasibility of this method.
Laoha River catchment; land utilization and covering; support vector machine; remote-sense image classification
2014-12-15
李碩(1986- )，男，陜西省渭南市大荔縣人，助理級(jí)工程師，主要從事工程測(cè)繪工作.
TP79
A
10.3969/j.issn.1006-2610.2015.03.004
猜你喜歡
自然資源部：加強(qiáng)黑土耕地保護(hù)中國(guó)化肥信息(2022年8期)2022-12-05 20:01:27 我國(guó)將加快制定耕地保護(hù)法今日農(nóng)業(yè)(2022年13期)2022-11-10 01:05:49 保護(hù)耕地北京測(cè)繪(2021年12期)2022-01-22 03:33:36 新增200億元列入耕地地力保護(hù)補(bǔ)貼支出今日農(nóng)業(yè)(2021年14期)2021-11-25 23:57:29 劉光第《南旋記》校正國(guó)學(xué)(2020年1期)2020-06-29 15:15:30 一類具有校正隔離率隨機(jī)SIQS模型的絕滅性與分布數(shù)學(xué)物理學(xué)報(bào)(2017年6期)2018-01-22 02:26:53 土地利用生態(tài)系統(tǒng)服務(wù)研究進(jìn)展及啟示自然資源情報(bào)(2017年4期)2017-11-26 07:51:42 機(jī)內(nèi)校正攝影之友(影像視覺)(2017年1期)2017-07-18 11:12:16 濱?？h土地利用挖潛方向在哪里中國(guó)老區(qū)建設(shè)(2016年8期)2016-02-28 09:33:49 一種基于eNode B的主動(dòng)式頻偏校正算法電子設(shè)計(jì)工程(2014年18期)2014-02-27 12:00:26
李 碩
(中國(guó)水利水電建設(shè)工程咨詢西北有限公司,西安 710065)
文章編號(hào)：1006—2610(2015)03—0012—03
基于SVM的土地利用/覆蓋分類
——以老哈河流域?yàn)槔?/p>
李 碩
(中國(guó)水利水電建設(shè)工程咨詢西北有限公司,西安 710065)
選取老哈河流域?yàn)檠芯繀^(qū)域，以2007年的兩景Landsat5的TM影像為數(shù)據(jù)源，對(duì)該地區(qū)進(jìn)行土地利用/覆蓋分類。由于該區(qū)域土地覆蓋類型復(fù)雜，影像較難區(qū)分且容易造成錯(cuò)分類。該研究中采用支持向量機(jī)(Support Vector Machine,SVM)分類法，通過引入徑向基核函數(shù)進(jìn)行非線性變換映射至高維空間，提取它們的非線性特征，增強(qiáng)不同類型之間的可分性，減少錯(cuò)分現(xiàn)象，提高遙感圖像分類的精度。通過試驗(yàn)，提取出了2007年的老哈河流域的土地利用/覆蓋現(xiàn)狀圖，以校驗(yàn)該方法的可行性。
老哈河流域；土地利用/覆蓋；支持向量機(jī)(SVM)；遙感圖像分類
1 研究區(qū)域概況
老哈河為西遼河南源，是西遼河流域主流。其地貌特征復(fù)雜，黃土廣布，覆蓋層深厚，沖溝發(fā)育，溝壑縱橫，土地覆蓋類型比較復(fù)雜多樣。 在本研究中所取的興隆坡控制站以上的老哈河流域，面積約為1.9萬km2，位于北緯41°～43°，東經(jīng) 117°～120°，流域形狀為不對(duì)稱扇形，全流域水系共有大小165條。
2 研究區(qū)數(shù)據(jù)及預(yù)處理
2.1 研究區(qū)數(shù)據(jù)
根據(jù)研究區(qū)的覆蓋范圍及生物、氣候特征，本文中將選用成像于無云的晴朗天氣下的2007年9月3日和2007年10月3日的兩景Landsat5的TM影像進(jìn)行鑲嵌，作為遙感制圖數(shù)據(jù)源。
將地面高程信息引入遙感圖像分類是提高遙感分類精度的有效措施之一，而老哈河流域相當(dāng)一部分面積在山區(qū)，因而地形信息成為遙感精確分類必不可少的數(shù)據(jù)。因此，本研究選用SRTM的“3”數(shù)據(jù)作為DEM數(shù)據(jù)源。
2.2 數(shù)據(jù)預(yù)處理
由于遙感系統(tǒng)空間、波譜、時(shí)間以及輻射分辨率的限制，很難精確地記錄復(fù)雜地表的信息，遙感數(shù)據(jù)在獲取過程中會(huì)產(chǎn)生輻射畸變、幾何畸變，從而降低了遙感數(shù)據(jù)的質(zhì)量，影響圖像分析的精度。遙感圖像數(shù)據(jù)預(yù)處理即經(jīng)過幾何校正、輻射校正，以及噪聲抑制等處理，使遙感圖像能最好地接近原始景物[1]。
本研究的遙感影像數(shù)據(jù)經(jīng)過了輻射校正、大氣校正、幾何校正和影像鑲嵌，其中輻射校正所使用的影像的增益(Gain)和偏差(Bias)值如表1所示(由于Landsat TM傳感器運(yùn)行時(shí)間較長(zhǎng)，其增益和偏差值較最初改變較大)，大氣校正使用ENVI遙感軟件的Flaash模塊實(shí)現(xiàn)，幾何校正使用最鄰近象元法采用二次多項(xiàng)式實(shí)現(xiàn)，精度在0.5個(gè)象元之內(nèi)。
表1 研究所用TM影像的增益和偏差值表
3 選擇樣本，進(jìn)行信息提取
本次試驗(yàn)基于SVM方法對(duì)老哈河流域的高分辨率遙感影像進(jìn)行特征提取和分類，在此基礎(chǔ)上進(jìn)行土地利用覆蓋分類。在分類時(shí)，主要步驟為：首先，選擇合適的訓(xùn)練區(qū)和檢驗(yàn)區(qū)；其次，進(jìn)行參數(shù)率定，尋求合適的參數(shù)，使得分類精度最高；最后，得出分類結(jié)果及對(duì)結(jié)果進(jìn)行評(píng)價(jià)。
3.1 訓(xùn)練區(qū)和檢驗(yàn)區(qū)的選擇
根據(jù)本研究區(qū)的土地覆蓋特征，將土地覆蓋分為水體、城鄉(xiāng)用地、林地、耕地、草地和未利用地6個(gè)類別，針對(duì)每個(gè)類別分別選取感興趣區(qū)，每個(gè)類別的感興趣區(qū)不少于300個(gè)樣本。
3.2 SVM參數(shù)率定
在多光譜遙感影像的SVM分類中，RBF核函數(shù)模型被證明是最有效的核函數(shù)，因此本文在SVM分類中選用RBF核函數(shù)。
采用交叉驗(yàn)證的方法來確定RBF必備的2個(gè)關(guān)鍵參數(shù)懲罰系數(shù)C和間隔γ，通過不斷改變C和γ的取值可以改變樣本分類結(jié)果的精度，最后選取可得到最高的樣本分類結(jié)果精度(即樣本精度)的C、γ取值，作為SVM分類的參數(shù)值。本文使用libsvm-2.89軟件[2]提供的參數(shù)選擇模型Grid.py來搜索C和γ的取值。最佳SVM模型參數(shù)為：懲罰因子C=8，核參數(shù)γ=8，交叉驗(yàn)證的精度為95.5631%。
3.3 SVM分類及分類結(jié)果評(píng)價(jià)
在ENVI軟件的支持下，將經(jīng)過交叉驗(yàn)證得出的C和γ值帶入其中，對(duì)影像進(jìn)行分類處理，在分類結(jié)果的基礎(chǔ)上進(jìn)行分類精度的評(píng)價(jià)。
通過基于誤差矩陣(或稱混淆矩陣)的遙感影像分類精度的評(píng)價(jià)方法，最終算出對(duì)于總體的和基于各種地面類型的分類精度值。在基于混淆矩陣的統(tǒng)計(jì)量中，總體精度、用戶精度、制圖精度和KKappa系數(shù)是最常用的指標(biāo)。
在進(jìn)行精度評(píng)價(jià)時(shí)，每類至少有30～50個(gè)樣本點(diǎn)，本文根據(jù)類別面積大小隨機(jī)選取樣本點(diǎn)進(jìn)行精度評(píng)價(jià)，每個(gè)類別的精度評(píng)價(jià)樣本大于200個(gè)。樣本選取的依據(jù)是原始影像的目視判讀和參考2000年的老哈河流域土地利用現(xiàn)狀圖，以及2006年8月份和2008年8月份對(duì)老哈河流域進(jìn)行的土地利用現(xiàn)狀調(diào)查數(shù)據(jù)。最后構(gòu)建土地利用變化分類混淆矩陣，見表2所示。
表2 SVM分類混淆矩陣及KKappa系數(shù)表
由表2可以看出，各地物類別的提取精度較高。其中城鄉(xiāng)用地、耕地、林地等面積較小類別的精度均比較高，取得了較好地分類效果。
從混淆矩陣也可以看出，最大的變化分類誤差來自未利用地類，原因主要是可能當(dāng)時(shí)存在部分新種的農(nóng)田，由于其光譜特征與未利用地光譜特征較為相近，容易發(fā)生混淆，導(dǎo)致出現(xiàn)部分耕地被錯(cuò)分成未利用地[3-4]?；蛘咦兓`差來源于耕地轉(zhuǎn)化為城鄉(xiāng)用地類，此類耕地與城鄉(xiāng)用地交錯(cuò)分布，一部分耕地被收割后，與未利用地的光譜發(fā)生混淆，部分面積較小的單元就會(huì)構(gòu)成混合像元，以導(dǎo)致影像上的一部分耕地被錯(cuò)誤地分為未利用地[3-4]。耕地的分類精度最高，主要是由于耕地的光譜特征跟其他地物的光譜特征差異較大，且耕地區(qū)域內(nèi)的地形起伏不大，幾乎沒有陰影，不易與其他地物產(chǎn)生混淆，所以分類精度最高。
從總體精度和KKappa系數(shù)上來看，SVM分類方法精度較高，比較適用于本研究取的土地利用/土地覆蓋分類，研究區(qū)最后的分類結(jié)果為：在2007年的老哈河流域，水體、城鄉(xiāng)用地、林地、耕地、草地和未利用地所占流域面積分別為0.31%、2.53%、32.04%、41.75%、22.43%和0.94%。從上述統(tǒng)計(jì)數(shù)據(jù)可以看出，流域內(nèi)城鄉(xiāng)用地不多，城市化程度不高，流域內(nèi)農(nóng)林牧用地占流域的96.22%，為流域的主體。
4 結(jié)果分析與評(píng)價(jià)
本文采用徑向基函數(shù)支持向量機(jī)，通過實(shí)驗(yàn)，可以看出SVM分類精度較高，分類結(jié)果比較理想，總體精度高達(dá)91.14%。
通過本次實(shí)驗(yàn)，亦可以得出，C值可以控制學(xué)習(xí)過程的邊界誤差與支持向量的數(shù)目[5]，但是C值過大，也不能提高分類精度。在本次試驗(yàn)中，當(dāng)C=8，γ=8時(shí)，其土地利用/土地覆蓋分類精度達(dá)到最高；C值過小時(shí)，其分類精度降低，直到為0。γ值決定了特征空間內(nèi)決策平面的收縮程度[5]，當(dāng)γ在8附近時(shí)，分類效果達(dá)到最好，當(dāng)γ進(jìn)一步增加或者減小時(shí)，其分類精度均有所降低。
該流域土地類型復(fù)雜，有些地區(qū)草地和林地間雜分布，而使圖像難以區(qū)分，同時(shí)由于分類是用光譜信息，對(duì)影像逐個(gè)像元進(jìn)行比較、分析，在地類交界處的像元中包括有多類別，其混合像元造成錯(cuò)分類。而基于SVM分類方法對(duì)這些類型的分類精度較高，SVM通過引入和函數(shù)進(jìn)行非線性變換映射至高維空間，提取它們的非線性特征，增強(qiáng)不同類型之間的可分性，大大地減少了錯(cuò)分現(xiàn)象，在一定程度上提高了分類精度。
[1] 李祖鋒,賀麗娟,張成增,周濤. 高角度信號(hào)遮擋區(qū)域GPS測(cè)量控制網(wǎng)精度控制[J].西北水電，2014，(01)：27-31.
[2] Chang Chih-Chung,Chih-Jen Lin.LIBSVM : a library for support vector machines[M].2001.
[3] 曹雪.基于TM影像的南京市土地利用遙感動(dòng)態(tài)監(jiān)測(cè)[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2006,(11):958-961.
[4] 劉啟壽,魏蘭花. 坐標(biāo)轉(zhuǎn)換在懸高測(cè)量中的應(yīng)用[J].西北水電，2012，(01)：24-25，33.
[5] 居紅云.基于K-means與SVM結(jié)合的遙感圖像全自動(dòng)分類方法[J].計(jì)算機(jī)應(yīng)用與研究,2007,(11):318-320.
Classification of Land Utilization and Covering Based on Support Vector Machine——with case of Laoha River catachment
LI Shuo
(China Hydro Consulting Engineering Corporation, Northwest Branch, Xi'an 710065,China)
The Laoha River catchment is selected as the study catchment. Based on the data source of TM image of Landsat 5 in 2007, classification of the land utilization and covering in the catchment is studied. As the land covering of this catchment is complicated in classification, the images are difficult to separate and easy to classify. In this study, classification method of support vector machine (SVM) is applied. By utilization of radial basis function, the non-linear conversion is conducted to the high-dimensional space, abstracting their non-linear characteristics, strengthening the separation between different types, reducing mistaken classification and improving accuracy of the remote-sense image classification. Through tests, the land utilization and covering status images of the Laoha River catchment in 2007 are abstracted to verify the feasibility of this method.
Laoha River catchment; land utilization and covering; support vector machine; remote-sense image classification
2014-12-15
李碩(1986- )，男，陜西省渭南市大荔縣人，助理級(jí)工程師，主要從事工程測(cè)繪工作.
TP79
A
10.3969/j.issn.1006-2610.2015.03.004
猜你喜歡
中國(guó)化肥信息(2022年8期)2022-12-05 20:01:27
今日農(nóng)業(yè)(2022年13期)2022-11-10 01:05:49
北京測(cè)繪(2021年12期)2022-01-22 03:33:36
今日農(nóng)業(yè)(2021年14期)2021-11-25 23:57:29
國(guó)學(xué)(2020年1期)2020-06-29 15:15:30
數(shù)學(xué)物理學(xué)報(bào)(2017年6期)2018-01-22 02:26:53
自然資源情報(bào)(2017年4期)2017-11-26 07:51:42
攝影之友(影像視覺)(2017年1期)2017-07-18 11:12:16
中國(guó)老區(qū)建設(shè)(2016年8期)2016-02-28 09:33:49
電子設(shè)計(jì)工程(2014年18期)2014-02-27 12:00:26
