基于支持向量機(jī)分類的耕地變化檢測

李智宇 張莉

利用2015年、2017年的Landsat-8影像和2018年航空影像，融合光譜和紋理特征，先使用支持向量機(jī)法對不同時相的數(shù)據(jù)分類，再對分類結(jié)果進(jìn)行比較，獲取變化信息。對廣西壯族自治區(qū)旺甫鎮(zhèn)部分地區(qū)耕地進(jìn)行了變化檢測并分析。結(jié)果證明，兩年期間區(qū)內(nèi)耕地減少了約0.9km2，約占耕地面積的21%，耕地主要轉(zhuǎn)化為了道路、建筑物和經(jīng)濟(jì)作物。

耕地是人類賴以生存的基礎(chǔ)和保障，也關(guān)系著我國經(jīng)濟(jì)和社會的可持續(xù)發(fā)展。利用遙感手段進(jìn)行耕地變化檢測具有宏觀性和便捷性，可以持續(xù)獲取耕地的變化情況，尤其是在交通不便、地勢復(fù)雜的地區(qū)具有明顯的技術(shù)和經(jīng)濟(jì)優(yōu)勢。

遙感變化檢測常用的方法可分為兩大類：分類前比較法和分類后比較法。

分類前比較法又稱為直接法，可進(jìn)一步分為：差值法、比值法、指數(shù)法、主成分分析法、影像回歸法、假彩色合成法、交叉相關(guān)分析法和變化矢量分析法等。周曉光等利用灰度差值、NDVI差值、灰度比值、主成分分析法等四種方法對TM影像進(jìn)行了變化檢測，發(fā)現(xiàn)就單一方法而言，精度都不夠理想，需要對四種方法進(jìn)行有效組合才能提高精度。分類后比較法先對影像先進(jìn)行分類，再對分類結(jié)果進(jìn)行比較，提取變化信息。這種方法可以回避不同時相不同傳感器帶來的歸一化問題，變化檢測的結(jié)果依賴于分類的精度。滿衛(wèi)東等利用面向?qū)ο蠛湍恳暯庾g相結(jié)合的方法對東北地區(qū)的耕地進(jìn)行了分類后變化檢測，總體精度較高。目前還發(fā)展出一些新的基于機(jī)器學(xué)習(xí)的分類算法，如支持向量機(jī)（Support Vector Machine， SVM）分類、神經(jīng)網(wǎng)絡(luò)分類、決策樹分類等。閆琰等對同一TM圖像比較了ENVI軟件中最小距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)法和SVM方法這四種監(jiān)督分類方法，結(jié)論是SVM方法的精度最高?；菸娜A利用TM影像比較了僅利用光譜特征的最大似然法、SVM方法以及影像紋理和光譜特征相結(jié)合的SVM方法，結(jié)論是后者的精度最高。

一、原理與處理流程

（一）原理

變化檢測是比較分析同一區(qū)域不同時相的遙感數(shù)據(jù)，以得到地表變化的程度、過程和特點(diǎn)等信息。分類前比較法為對兩幅影像的某一特征值如灰度值、紋理、特征指數(shù)等進(jìn)行差值或比值等數(shù)學(xué)運(yùn)算，當(dāng)運(yùn)算的結(jié)果大于某一設(shè)定閾值時，則認(rèn)為像元對應(yīng)的地表發(fā)生了變化。以差值法為例，其數(shù)學(xué)模型為：

Rij 為比值結(jié)果，其越接近1，則代表發(fā)生變化的可能性越小，反之則越大，當(dāng)大于閾值時，則判定該像元發(fā)生了變化。

分類后比較法則是先根據(jù)特征對影像進(jìn)行分類，再對不同時相的分類結(jié)果進(jìn)行比較，提取變化區(qū)域，并獲得地物的前后轉(zhuǎn)化類別。

（二）處理流程

本文采用結(jié)合影像光譜和紋理特征的SVM分類方法，對影像先分類后比較，提取耕地變化信息，并進(jìn)行結(jié)果分析。

具體的技術(shù)路線見圖1。首先將影像的多光譜波段和全色波段進(jìn)行融合，并在研究區(qū)域內(nèi)根據(jù)光譜特征選擇監(jiān)督分類的樣本。再生成紋理影像，通過樣本在紋理影像上的特征曲線選擇合適的紋理特征，將光譜波段和紋理特征進(jìn)行合成。然后利用支持向量機(jī)的方法對影像進(jìn)行監(jiān)督分類，并對分類結(jié)果進(jìn)行精度驗(yàn)證。接著將兩個年份的影像進(jìn)行變化檢測，得到耕地的變化信息，最終對耕地的變化進(jìn)行一系列的分析。

二、實(shí)驗(yàn)

（一）實(shí)驗(yàn)區(qū)

旺甫鎮(zhèn)（圖2）地處蒼梧縣南部，位于梧州市北郊。旺甫鎮(zhèn)地處丘陵地區(qū)，而居民地多處于地勢平坦地帶，耕地多分布于居民地周圍，少部分分布于丘陵之上。耕地面積狹小，分布零散，特征不明顯，人眼難以識別，因此在提取耕地之前有必要將影像的多光譜波段與全色波段進(jìn)行融合。本文選取位于旺甫鎮(zhèn)西南的大新村和旺甫村部分區(qū)域（圖2左白色框內(nèi)）作為研究對象，該區(qū)域建筑物、道路和耕地等分布相對集中，為近年來旺甫鎮(zhèn)推進(jìn)工業(yè)小鎮(zhèn)建設(shè)的重點(diǎn)區(qū)域，耕地變化較大。

影像數(shù)據(jù)包括兩幅Landsat-8影像，拍攝時間分別為2017年10月30日和2015年10月16日，同時還有2018年該區(qū)域的航空影像（圖2右）。

（二）數(shù)據(jù)預(yù)處理

由于研究區(qū)耕地面積狹小而破碎，在Landsat-8原始的30m分辨率影像上難以人眼識別，需要對影像7個多光譜波段和全色波段進(jìn)行融合，本研究使用Gram-Schmidt Pan Sharpening方法融合，該方法可以很好地同時保留影像的光譜和紋理特征[9]。對融合后的影像和航空影像進(jìn)行裁剪和掩膜，獲取研究區(qū)域的影像。再將研究區(qū)域遙感影像與航空影像進(jìn)行配準(zhǔn)，以便于后續(xù)的樣本點(diǎn)選擇及精度驗(yàn)證。

（三）紋理特征選擇

本研究將地物分為耕地、植被、建筑物、裸地、道路和水體共6類，通過遙感影像的光譜特征并結(jié)合航空影像選擇出各類別的樣本。對融合影像的7個多光譜波段進(jìn)行主成分分析，計(jì)算第一主成分的灰度共生矩陣，提取均值（Mean）、方差（Variance）、 協(xié)同性（Homogeneity）、 對比度（Contrast）、 相異性（Dissimilarity）、熵值（Entropy）、二階矩（Second Moment）、相關(guān)性（Correlation）共8個紋理特征。從訓(xùn)練樣本的紋理特征曲線（圖3）可以看出，紋理特征的第1、2、4波段，可以較好地區(qū)分這幾類地物。將這三個紋理特征和多光譜影像的7個波段進(jìn)行合成，生成新的10波段影像。