基于支持向量機(jī)的Landsat-8影像森林類型識別研究

李夢穎 ，邢艷秋 ，劉美爽 ，王 錚 ，姚松濤 ，曾旭婧，謝 杰

（1.東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040；2.吉林省基礎(chǔ)地理信息中心，吉林 長春 130062）

基于支持向量機(jī)的Landsat-8影像森林類型識別研究

李夢穎1，邢艷秋1，劉美爽1，王 錚2，姚松濤1，曾旭婧1，謝 杰1

（1.東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱 150040；2.吉林省基礎(chǔ)地理信息中心，吉林 長春 130062）

以吉林省汪清林業(yè)局天然林區(qū)為研究區(qū)，利用Landsat-8 OLI_TIRS多光譜遙感影像，結(jié)合森林資源野外調(diào)查數(shù)據(jù)，提取森林類型紋理、光譜特征參數(shù)，作為支持向量機(jī)的輸入量，利用K-折交叉驗證法確定最優(yōu)核函數(shù)，識別森林類型，確定最優(yōu)分類結(jié)果，評價分類精度，并與僅利用波段光譜特征的SVM分類結(jié)果進(jìn)行精度對比。結(jié)果表明：利用紋理和光譜特征進(jìn)行分類，構(gòu)造SVM進(jìn)行森林識別是可行的。懲罰系數(shù)C=100.0、核函數(shù)半徑σ=1.000時的徑向基核函數(shù)構(gòu)造的支持向量機(jī)分類精度最好，總體分類精度可達(dá)89.58%，Kappa系數(shù)為0.87，單一分類精度中，闊葉林＞針葉林＞針闊混交林。只利用光譜特征的分類結(jié)果精度為81.26%，結(jié)合光譜和紋理特征的規(guī)律，能夠提高分類精度。

Landsat-8；紋理和光譜；支持向量機(jī)；森林分類

森林是陸地生態(tài)系統(tǒng)的重要組成部分，也是人類財富累積的重要來源，因此，森林資源的監(jiān)測成為森林研究的一項重要內(nèi)容。反映林區(qū)森林資源狀況的一個基礎(chǔ)要素是森林類型，這個要素關(guān)系著林區(qū)森林的蓄積量、生物量的預(yù)測，以及林區(qū)景觀結(jié)構(gòu)的設(shè)計，因而對森林類型進(jìn)行分類研究是森林資源監(jiān)測中的研究熱點。傳統(tǒng)的森林資源監(jiān)測方式耗費人力物力，且缺乏空間分布性，更新不及時，無法實現(xiàn)實時監(jiān)測。與傳統(tǒng)監(jiān)測方式相比，林業(yè)遙感技術(shù)從依靠航空目視、航片到依托陸地衛(wèi)星，逐步實現(xiàn)了快捷精確地進(jìn)行森林大區(qū)域動態(tài)監(jiān)測，并且有效節(jié)約了監(jiān)測成本[1-2]。近年來，由于分辨率較高且光譜信息全面，Landsat衛(wèi)星系列數(shù)據(jù)是研究不可或缺的數(shù)據(jù)源，其中以Landsat-5 TM、Landsat-7 ETM數(shù)據(jù)更為常見，而 Landsat-8 OLI_TIRS衛(wèi)星，由于發(fā)射時間最近，其數(shù)據(jù)在森林資源監(jiān)測研究中的運用相對較少。

不同森林類型因紋理特征和光譜特征存在差異，這使得它們的區(qū)分成為可能。近年來，提高森林類型的分類精度成為了研究領(lǐng)域的熱門專題，最大似然法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、決策樹分類、貓群算法等分類方法不斷應(yīng)用于森林分類[3-5]。支持向量機(jī)（Support Vector Machine/SVM）分類是基于統(tǒng)計學(xué)和結(jié)構(gòu)風(fēng)險最小化原理，能夠在樣本有限的條件下進(jìn)行最優(yōu)學(xué)習(xí)。研究表明，該方法在進(jìn)行小樣本分類時，樣本訓(xùn)練速度、收斂性與精度等優(yōu)于神經(jīng)網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)算法[6-7]，在純林與混交林型混合的有限樣本分類中更為適用。目前為止，SVM用于森林類型識別的研究中，紋理和光譜特征應(yīng)用不夠全面，同源影像不同SVM分類效果也不盡相同。

利用2015年Landsat-8 OLI_TIRS的遙感數(shù)據(jù)，將汪清林區(qū)作為研究區(qū)，結(jié)合森林資源野外調(diào)查實際數(shù)據(jù)，提取不同林型的紋理、光譜等特征，組建森林分類的多特征向量，通過SVM進(jìn)行訓(xùn)練，完成森林類型識別并分析不同核函數(shù)的選擇對森林分類精度的影響，確定最優(yōu)分類結(jié)果，評價分類精度，并與僅利用波段光譜特征的SVM分類結(jié)果進(jìn)行對比。

1 材料與數(shù)據(jù)

1.1 研究區(qū)概況

本研究選用的研究區(qū)域是吉林省汪清林業(yè)局經(jīng)營管理區(qū)。研究區(qū)位于長白山東北部中低山區(qū)（43 °05 ′～ 43 °40 ′ N，129 °56 ′～ 131 °04 ′ E），其東西地理長度約為85 km，南北地理長度約為60 km，林區(qū)總面積為3 041.73 km2，其中林地面積約為2 892.09 km2，地理高程為360～1 477 m。汪清林區(qū)地面坡度變化范圍為 0～45 °之間，平均海拔806 m，氣候為溫帶大陸性多風(fēng)氣候，冬季過渡期較夏季長，季節(jié)性差異明顯，不同海拔溫度差異較大。汪清林區(qū)森林生長繁茂，物種豐富，林木和植被歸屬為長白山系，主要為天然次生林。次生林中以闊葉林為主，呈帶狀分布的針葉林和針闊混交林為輔。研究區(qū)植被覆蓋率達(dá)95%。林區(qū)生長的針葉林主要有紅松Pinus koraiensis，紅皮云杉Picea koraiensis Nakai、紫杉Taxus chinensis Rehd.等，闊葉林以柞樹Xylosma racemosum、樺木Betula、椴樹Tilia tuan Szyszyl.等為主。汪清林區(qū)豐富的森林資源，是該區(qū)巨大的生態(tài)效益和經(jīng)濟(jì)效益的創(chuàng)造源。

1.2 數(shù)據(jù)源與處理

1.2.1 遙感數(shù)據(jù)

本研究選用了覆蓋研究區(qū)的Landsat-8 OLI_TIRS一景數(shù)據(jù)，成像時間為2015年9月15日，平均云量為6.8%，云層基本集中在非研究區(qū)域。Landsat-8衛(wèi)星在2013年2月發(fā)射，該衛(wèi)星上攜帶了兩個主要載荷，運營性陸地成像儀（OLI）以及熱紅外傳感器（TIRS），其中OLI傳感器增至9個光譜波段，增加了海岸帶檢測和云檢測，同時能避免大氣吸收特征。相較于其他Landsat系列衛(wèi)星，Landsat-8衛(wèi)星監(jiān)測更精密、更靈敏，全色15 m和多光譜30 m的空間分辨率保證了遙感圖像能夠區(qū)分植被和無植被特征[8]。

1.2.2 野外數(shù)據(jù)

野外數(shù)據(jù)通過在研究區(qū)設(shè)定樣方和現(xiàn)場勘探實測于2010、2014年9月份2次調(diào)查獲取。為了綜合反映研究區(qū)植被的分布及生長情況，隨機(jī)布設(shè)250個20 m×20 m的正方形樣地，通過GPS定位儀對樣地中心點進(jìn)行定位，并用鐵牌為樣地內(nèi)樹木編號。對樣地內(nèi)的林木結(jié)構(gòu)參數(shù)進(jìn)行數(shù)據(jù)采集，包括樹種、樹高、胸徑、冠幅、郁閉度等，并描述植被及地表覆蓋情況。參考《地理國情普查內(nèi)容與指標(biāo)》及《林業(yè)資源分類與代碼》[9]，統(tǒng)計并分析采集數(shù)據(jù)，確定各樣地森林類型及地理坐標(biāo),其中闊葉樹占比65%以上的喬木林歸類為闊葉林，針葉樹占比65%以上的喬木林樣地歸類為針葉林；針闊兩類喬木混生，但林冠覆蓋面積都不超過65%（含）的樹林歸類為針闊混交林。隨機(jī)選取170個樣地數(shù)據(jù)作為訓(xùn)練集（闊葉林95個，針葉林45個，針闊混交林30個），80個樣地數(shù)據(jù)作為驗證集（闊葉林40個、針葉林25個、針闊混交林15個），野外調(diào)查樣地分布情況如圖1所示。

1.2.3 數(shù)據(jù)預(yù)處理

由于Landsat-8數(shù)據(jù)都經(jīng)過了地形數(shù)據(jù)參與的幾何校正，可以直接使用，本研究不重復(fù)進(jìn)行幾何校正，只對數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、全色波段融合及裁剪數(shù)理。結(jié)合研究區(qū)25 m DEM數(shù)據(jù)，對影像分別進(jìn)行輻射定標(biāo)和FLAASH大氣校正處理。輻射定標(biāo)通過線性模型將數(shù)字量化值轉(zhuǎn)換為絕對輻射亮度值；FLAASH大氣校正采用MODRTRAN5輻射傳輸模型，平滑波譜噪聲的同時，有效地去除了水蒸氣/氣溶膠散射效應(yīng)，使多光譜圖像中林地邊界分割更為明顯。采用Gram-schmidt（GS）融合方法將15 m全色波段與30 m多光譜波段進(jìn)行融合，此方法獲得的融合影像不受波段限制，能較好地保持空間紋理信息，尤其能高保真保持光譜特征。利用研究區(qū)域邊界矢量數(shù)據(jù)，通過構(gòu)建掩膜對影像進(jìn)行裁剪，輸出準(zhǔn)確的研究區(qū)域影像。

圖1 汪清林區(qū)野外調(diào)查樣地Fig.1 Location of fi eld plots on Wangqing forest area

2 研究方法

2.1 紋理特征提取

不同森林類型的紋理特征存在差異，闊葉林紋理尺度較大，而針葉林紋理尺度較小。紋理特征是圖像色調(diào)作為等級函數(shù)在空間上的變化，在局部窗口計算中獲得，具有旋轉(zhuǎn)不變性，通常不會受限于局部偏差并且能抵抗噪聲，但受影像分辨率、光照和反射情況的影響[10]。本研究利用全色波段，通過灰度共生矩陣法，計算影像灰度級之間聯(lián)合條件概率密度P(i,j|d,θ)來表示紋理。即在限定范圍中，方向為θ、相距為d時，灰度i為始點，出現(xiàn)灰度級為j的概率，其中θ方向通常為：0°，45°，90°，135°。紋理分析時，受子窗口大小影響，窗口過小易導(dǎo)致信息提取不全，窗口過大則會出現(xiàn)過多噪音，根據(jù)半變異函數(shù)確定研究最佳窗口大小[11]。本研究選取了二階矩（Second Monent）、對比度（Contrast）、相關(guān)性（Correlation）和信息熵（Entropy）4種常用紋理濾波。二階矩反應(yīng)了圖像灰度的均勻度和紋理粗細(xì)程度，該值越大，紋理越粗；對比度反應(yīng)圖像清晰度，對比度越大，溝紋越深，圖像更清晰；相關(guān)性反應(yīng)了紋理的方向性，值越大表明紋理指向該方向；熵值反應(yīng)紋理信息量，紋理信息越復(fù)雜，熵值也就越大[12]。紋理濾波經(jīng)計算獲得后，置于可用波段列表。

2.2 光譜特征提取

2.2.1 植被指數(shù)計算

植被對太陽輻射的吸收和反射受多因素影響，不同波長范圍的反射率可以增強(qiáng)植被特征。不同森林類型的葉片和冠層對太陽輻射的吸收率存在差異，葉片中葉綠素、葉黃素和花青素吸收大部分可見光的太陽輻射，大部分近紅外波段的輻射由葉肉組織反射掉，可見光紅波段與近紅外波段對植被輻射造成的差異值使植被出現(xiàn)紅邊現(xiàn)象[13-14]。研究區(qū)植被茂密，影像成像時間為9月份，根據(jù)不同林型的生長規(guī)律，該時段的針葉林冠層較厚，郁閉度大，而闊葉林冠層稀疏，郁閉度較小。寬帶綠度植被指數(shù)對植被葉綠素、葉片表面冠層和冠層結(jié)構(gòu)都比較敏感，因而可以作為分類特征向量。在植被茂密區(qū)域，歸一化植被指數(shù)NDVI與比值植被指數(shù)RVI靈敏度會降低，但增強(qiáng)植被指數(shù)EVI能矯正土壤背景和氣溶膠散射影響。本研究選擇NDVI、RVI和EVI作為分類特征向量。

式（1）、（2）、（3）中ρ為波段反射率，NDVI∈（-1,1），植被區(qū)NDVI∈（0.2,0.8）；RVI∈（0,30），植被區(qū)RVI∈（2,8）；EVI∈（-1,1），植被區(qū)EVI∈（0.2,0.8）。

2.2.2 主成分分析與波段合成

主成分分析（PCA）是將多波段信息壓縮在少量波段上，壓縮數(shù)據(jù)量，增強(qiáng)影像信息，達(dá)到去除波段間多余信息和數(shù)據(jù)降維的作用。通常情況下，所有波段80%的方差信息會集中在第一主成分（PC1）中，95%以上的方差信息集中在前3個主成分中，主成分波段間的不相關(guān)性，使得主成分波段能合成飽和度更好的彩色圖像。

考慮到研究區(qū)森林類型的光譜特征具有相似性，并且Landsat-8遙感影像波段之間具有相關(guān)性，利用最佳指數(shù)法（OIF）即通過標(biāo)準(zhǔn)差與相關(guān)系數(shù)，分析影像波段特征，確定最優(yōu)的光譜組合波段，利于構(gòu)建分類光譜特征[15]：

式（4）中σi為波段i標(biāo)準(zhǔn)差，CCj為兩個波段的相關(guān)系數(shù)。通常OIF值越大，則波段標(biāo)準(zhǔn)差越大，而波段間的相關(guān)系數(shù)越小，包含信息越豐富，波段組合效果越好。

2.3 支持向量機(jī)分類

采用監(jiān)督分類中的支持向量機(jī)分類法對遙感影像進(jìn)行分類。SVM是基于結(jié)構(gòu)風(fēng)險最小化原理，運用統(tǒng)計學(xué)理論的機(jī)器學(xué)習(xí)算法。SVM的基本思想是構(gòu)造最佳分類線（線性可分）或最佳超平面（線性不可分），保證該分類線或超平面能正確分開兩類樣本且距離分類樣本的間隔最大。SVM具體算法如下：

（1）給定訓(xùn)練樣本集。

（2）選擇內(nèi)積函數(shù)即核函數(shù)K(x|xi)，保證其滿足Mercer條件[16]，選擇合適的懲罰系數(shù)C，構(gòu)造并求解最優(yōu)解。

目標(biāo)函數(shù)：

約束條件：

當(dāng)Y取最小值時，獲得最優(yōu)解a*=(a1*,…,an*)。

對SVM而言，核函數(shù)能夠平滑（低通濾波）、相似性度量[17]，不同核函數(shù)將會構(gòu)造出不同超平面，因而核函數(shù)的選擇非常重要。核函數(shù)有齊次/非齊次多項式核函數(shù)、Sigmoid核函數(shù)、薄板核函數(shù)和徑向基核函數(shù)等多種選擇，其中常用的為多項式、Sigmoid和徑向基核函數(shù)。研究表明，多項式和徑向基核函數(shù)始終能滿足Mercer條件，但Sigmoid核函數(shù)作為內(nèi)積核時具有不確定性[18-19]，考慮研究區(qū)森林結(jié)構(gòu)的復(fù)雜性，本研究選用非齊次多項式與徑向基核函數(shù)構(gòu)造支持向量機(jī)，具體見公式（7）～（8）。

非齊次多項式核函數(shù)：

徑向基核函數(shù)：

式（7）、式（8）中q為階數(shù)，σ為核函數(shù)半徑，且σ＞0。懲罰系數(shù)C和核函數(shù)半徑σ的選擇關(guān)系著SVM性能。核半徑σ的選擇實質(zhì)是泛化性能指標(biāo)的確定，懲罰系數(shù)C是折中參數(shù)，決定著樣本錯分率和SVM訓(xùn)練量。C值大于等于某個特定值時，樣本錯分率和支持向量的個數(shù)都會保持穩(wěn)定，此時樣本訓(xùn)練的收斂性以達(dá)到最佳，C值的再增加只會增加額外訓(xùn)練時間，且分類精度降低。K重交叉驗證是推廣誤計算的常用方法，是將訓(xùn)練集K等分，訓(xùn)練K-1份獲得決策函數(shù)對剩余集合進(jìn)行樣本測試，重復(fù)K次，最終獲得K-折交叉確認(rèn)誤差[20]。實際應(yīng)用中，K值取10，即10-折交叉驗證法獲取算法精度，選擇最終懲罰系數(shù)C和核函數(shù)半徑σ。

考慮到研究區(qū)現(xiàn)狀和遙感影像分辨率，擬將該區(qū)分類出林地和非林地。林地分出針葉林、闊葉林、針闊混交林，非林地分為水域、耕地、居民用地這幾類型。通過野外數(shù)據(jù)樣本及目視解譯相結(jié)合，在遙感影像上對每一地類采樣，不同地類的紋理和光譜特征作為輸入量，選擇不同懲罰系數(shù)C（0.01、0.10、1.00、10.00、100.00、1 000.00），利用非齊次多項式和徑向基核函數(shù)構(gòu)造SVM，對訓(xùn)練樣本進(jìn)行分類訓(xùn)練，并結(jié)合10-折交叉驗證和混淆矩陣法評價分類精度。

3 結(jié)果與分析

3.1 特征參數(shù)分析

經(jīng)試驗對比，紋理特征提取最佳窗口大小為5×5，設(shè)置灰度量化級別為64，變換值為1×1，獲取紋理圖像。經(jīng)主成分變換后，Landsat-8原有波段信息集中在前3個主成分波段，PCA1特征值最大，見表1。由于波段之間的相關(guān)性小，并不一定對植被信息提取有益，Landsat-8中的1、7和9波段光譜范圍相差很遠(yuǎn)，幾乎沒有相關(guān)性，但該3波段對植被信息提取幾乎無作用，因而只計算Landsat-8其余多光譜波段的OIF因子，候選波段組合排名前五的分別是3-5-6、4-5-6、2-5-6、3-4-5、2-3-5，綜合目視解譯效果，確定有利于植被分類的最佳波段組合為5、4、3波段。最終作為分類輸入量的光譜特征為：Band3、Band4、Band5、PC1、NDVI、RVI、和EVI。

使用全色波段提取紋理特征，利用波段合成法，與光譜特征合成待分類影像，結(jié)合野外數(shù)據(jù)，通過目視解譯，建立各地類的解譯標(biāo)志（如圖2所示），進(jìn)而確定分類的訓(xùn)練樣本和驗證樣本。通過空間分析計算樣本灰度均值，最后獲得各森林類型樣本對應(yīng)的光譜紋理特征均值，見表2。綜合來說，不同地類對應(yīng)的光譜和紋理特征存在較大差異，樣本分離性較好，特征值作為SVM輸入量時，有利于提高分類精度。

表1 Landsat-8 數(shù)據(jù)主成分變換Table 1 Principal component transform of Landsat-8 data

3.2 分類結(jié)果評價

利用各地類樣本對應(yīng)的紋理特征與光譜特征作為輸入量，通過上述兩種核函數(shù)及不同懲罰系數(shù)C構(gòu)造SVM，對訓(xùn)練樣本進(jìn)行森林類型識別訓(xùn)練，并用10-折交叉驗證法評價分類精度，見表3。

圖2 汪清林區(qū)樣本解譯標(biāo)志Fig.2 Sample interpreting marks of Wangqing forest area

表2 不同地類樣本紋理光譜特征均值統(tǒng)計Table 2 Texture spectral characteristics mean statistics of various land types

表3 不同懲罰系數(shù)C和核函數(shù)對應(yīng)的交叉驗證分類精度Table 3 Cross-validation classification accuracy of different penalty coefficient C and the kernel function %

由表3可得，徑向基核函數(shù)比多項式核函數(shù)的分類的效果要好，分類精度可達(dá)到85.64%，而多項式核函數(shù)分類精度只有81.06%，因而選擇徑向基核函數(shù)構(gòu)建SVM對研究區(qū)進(jìn)行森林類型識別，并利用交叉驗證法確定最優(yōu)懲罰系數(shù)C和核函數(shù)半徑σ（見表4）。由表4可知，當(dāng)C=100.00、σ=1.000時，徑向基核函數(shù)構(gòu)造的SVM分類效果最好，此時交叉驗證分類精度可達(dá)87.45%。利用此徑向基核函數(shù)構(gòu)造的SVM，結(jié)合紋理、光譜特征進(jìn)行森林類型識別，獲取影像分類結(jié)果，如圖3所示，同時僅選擇Band3、Band4、Band5波段光譜特征作為輸入量進(jìn)行森林類型識別，獲取分類結(jié)果進(jìn)行精度對比。

表4 不同懲罰系數(shù)C和核函數(shù)半徑σ對應(yīng)的交叉驗證分類精度Table 4 Cross-validation classification accuracy of different penalty coefficient C and the kernel radius σ %

圖3 2015年汪清林區(qū)森林類型分類圖Fig.3 Classi fi cation of forest of Wangqing forest area on 2015

利用驗證樣本，通過計算混淆矩陣，對C=100.00、σ=1.000時徑向基核函數(shù)構(gòu)造的SVM分類結(jié)果進(jìn)行精度評價。2015年Landsat-8影像SVM分類結(jié)果的總體分類精度為89.58% ，Kappa系數(shù)為0.87，其中針葉林分類精度89.85%，闊葉林分類精度為90.86% ，針闊混交林分類精度為86.32%。而只利用波段光譜特征經(jīng)同一SVM分類，得到的分類結(jié)果總體分類精度為81.26%，Kappa系數(shù)為0.79，針葉林分類精度為82.12%，闊葉林分類精度為83.24%，針闊混交林分類精度為79.89%，這一結(jié)果表明，選定的光譜特征和紋理特征對不同森林類型反應(yīng)敏感，有利于提高森林類型的分類精度。不同林型分類精度中，闊葉林分類精度最高，其次是針葉林，針闊混交林分類精度最低，造成這一結(jié)果的可能原因有二：其一，樣本選擇數(shù)量不同，分類樣本數(shù)量中闊葉林＞針葉林＞針闊混交林，進(jìn)行林地特征信息提取時，相對闊葉林來說，針葉林和針闊混交林的信息不全面，分類規(guī)律不夠客觀，如增加樣本數(shù)量可能會提高分類精度；其二，研究區(qū)闊葉林通常沒有參雜針葉樹種，而針葉林中會存在小比例闊葉樹種，針闊混交林由于針葉樹和闊葉樹比例分配不同，影響了光譜和紋理特征，因而精確識別針葉林和針闊混交林有一定困難。

4 結(jié)論與討論

以汪清林業(yè)局2015年Lansat-8影像為數(shù)據(jù)源，在提取紋理特征和光譜特征的基礎(chǔ)上，通過構(gòu)造不同核函數(shù)SVM，利用10-折交叉驗證法評價精度確定最優(yōu)SVM分類器，進(jìn)行森林類型識別研究，評價分類精度并與僅利用波段光譜特征的分類結(jié)果進(jìn)行比對。主要結(jié)論如下：

（1）各森林類型在提取的紋理特征和光譜特征上差異較為明顯，類別間區(qū)分度提高，為SVM分類提供了識別依據(jù)。

（2）徑向基核函數(shù)比多項式核函數(shù)構(gòu)造的SVM分類的效果要更好，并且當(dāng)懲罰系數(shù)C=100.00、核函數(shù)半徑σ=1.000時的徑向基核函數(shù)構(gòu)造的SVM分類精度最好，此時總體分類精度可達(dá)89.58%，Kappa系數(shù)為0.87，單一分類精度中，闊葉林＞針葉林＞針闊混交林。

（3）用相同核函數(shù)構(gòu)造的SVM進(jìn)行分類時，與僅利用波段光譜特征的分類結(jié)果相比，紋理與光譜特征結(jié)合的分類精度提高顯著，這也說明利用光譜特征和紋理特征的規(guī)律，通過構(gòu)造SVM進(jìn)行森林識別是可行的，能提高分類精度。

由于影像分辨率有限，加上樣本數(shù)量不夠多，樣本空間分布較為集中，紋理和光譜特征信息局限于森林水平參數(shù)，本研究分類精度仍有提高空間。近年來，資源三號、高分系列等高分辨率影像數(shù)據(jù)在林業(yè)上的應(yīng)用，及激光雷達(dá)數(shù)據(jù)估測提取森林垂直參數(shù)研究均獲得良好進(jìn)展，在森林識別研究上分類算法優(yōu)化也逐步成為熱點，因此，建議在今后選擇高分辨率遙感影像，增加樣本數(shù)量，并加入森林垂直參數(shù)信息，通過不同分類方法對森林識別進(jìn)行更深入的研究。

[1]Franklin S E.Remote sensing for sustainable forest management[M].CRC Press,2001.

[2]Nazeer M, Nichol J E, Yung Y K.Evaluation of atmospheric correction models and Landsat surface re fl ectance product in an urban coastal environment[J].International Journal of Remote Sensing,2014,35(16):6271-6291.

[3]Lu D,Weng Q.A survey of image classification methods and techniques for improving classification performance[J].International journal of Remote sensing,2007,28(5):823-870.

[4]Liaw A, Wiener M.Classification and regression by randomForest[J].R news,2002,2(3):18-22.

[5]張淑芬,邢艷秋,艾合買提江·阿不都艾尼,等.基于TM遙感影像的森林類型分類方法比較[J].森林工程,2014,30(1):18-21.

[6]Chang C,XiaoyangY,YameiB.The Image Multi Feature Retrieval based on SVM Semantic Classification[J].International Journal of Hybrid Information Technology,2016,9(3):291-300.

[7]Tarabalka Y,Fauvel M,Chanussot J, et al.SVM-and MRF-based method for accurate classification of hyperspectral images[J].Geoscience and Remote Sensing Letters,IEEE, 2010,7(4):736-740.

[8]Roy D P, Wulder M A, Loveland T R, et al.Landsat-8: Science and product vision for terrestrial global change research[J].Remote Sensing ofEnvironment,2014(145):154-172.

[9]GB/T 14721-2010,林業(yè)資源分類與代碼[S].森林類型,2010.

[10]陳 玲,郝文乾,高德亮.光學(xué)影像紋理信息在林業(yè)領(lǐng)域的最新應(yīng)用進(jìn)展[J].北京林業(yè)大學(xué)學(xué)報,2015,37(3):1-12.

[11]Coburn C A, Roberts A C B.A multiscale texture analysis procedure for improved forest stand classi fi cation[J].International journal of remote sensing,2004,25(20):4287-4308.

[12]Ponti M, Nazaré T S, Thumé G S.Image quantization as a dimensionality reduction procedure in color and texture feature extraction[J].Neurocomputing,2016(173):385-396.

[13]Poona N K, van Niekerk A, Nadel R L, et al.Random Forest(RF) Wrappers for Waveband Selection and Classification of Hyperspectral Data[J].Applied spectroscopy,2016,70(2):322-333.

[14]Zhao W, Du S.Learning multiscale and deep representations for classifying remotely sensed imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing,2016(113):155-165.

[15]嚴(yán)恩萍,林 輝,莫登奎,等.基于光譜特征的森林類型識別研究[J].中南林業(yè)科技大學(xué)學(xué)報,2011,31(11):23-29.

[16]Yang X.Parameterizing support vector machines for land cover classification[J].Photogrammetric Engineering & Remote Sensing,2011,77(1):27-37.

[17]劉美爽,邢艷秋,李立存,等.基于星載激光雷達(dá)數(shù)據(jù)和支持向量分類機(jī)方法的森林類型識別[J].東北林業(yè)大學(xué)學(xué)報,2014, 42(2): 124-128.

[18]Sun N, Chen Q X, Luo J C, et al.Coupling GA with SVM for feature selection in high-resolution remote sensing target recognition[J].Journal of Remote Sensing,2010,14(5):928-943.

[19]Aghabalaei A, Maghsoudi Y, Ebadi H.Forest classi fi cation using extracted PolSAR features from Compact Polarimetrydata[J].Advances in Space Research,2016,57(9):1939-1950.

[20]Huang X, Zhang L.An SVM ensemble approach combining spectral, structural, and semantic features for the classification of high-resolution remotely sensed imagery[J].Geoscience and Remote Sensing, IEEE Transactions on,2013,51(1):257-272.

Identi fi cation of forest type with Landsat-8 image based on SVM

LI Mengying1, XING Yanqiu1, LIU Meishuang1, WANG Zheng2, YAO Songtao1, ZENG Xujing1, XIE Jie1
(1.College of Technology and Engineering, Northeast Forestry University, Harbin 150040, Heilongjiang, China;2.Jilin Provincial Geomatics Center, Changchun 130062, Jilin, China)

In Wangqing natural forest area of Jilin Province, usingLandsat-8 OLI_TIRS data,combined with the actual data of forest resources, took texture and spectral characteristic parameters as input element of support vector machine, chose kernel function through k-fold cross-validation, identified forest types and determined the optimal classification, and compared with spectral characteristic classi fi cation accuracy.As the results showed: it is feasiblethat forest classi fi cation accuracy with texture and spectral characteristic based on SVM.Penalty coef fi cient C=100.0, kernel radius σ=1.000,radial basis kernel function of SVM classi fi cation accuracy was the highest,overall classi fi cation accuracy was 89.58%, Kappa coef fi cient was 0.87, classi fi cation accuracy of broad-leaved forest was better than coniferous and coniferous forest ,classi fi cation accuracy of the coniferous forest was the lowest.The accuracy of classi fi cation which only use the spectral characteristics was 81.26%.Forest classi fi cation accuracy with texture and spectral characteristic was better.

Landsat-8; texture and spectral characteristic; support vector classi fi cation; forest classi fi cation

S758

A

1673-923X(2017)04-0052-07

10.14067/j.cnki.1673-923x.2017.04.009

2016-05-01

國家林業(yè)局林業(yè)公益性行業(yè)科技專項（201504319）

李夢穎，碩士研究生 通訊作者：邢艷秋，教授，博士生導(dǎo)師；E-mail：yanqiuxing@nefu.edu.cn

李夢穎，邢艷秋，劉美爽，等.基于支持向量機(jī)的Landsat-8影像森林類型識別研究[J].中南林業(yè)科技大學(xué)學(xué)報，2017,37(4): 52-58.

[本文編校：文鳳鳴]