面向?qū)ο蟮腟VM分類技術(shù)在遙感影像分類上的應(yīng)用研究
——以威海市為例

張學(xué)明，林清瑩，于忠海，段龍妹

(濟(jì)南市勘察測(cè)繪研究院，山東 濟(jì)南 250101)

1 引 言

20世紀(jì)以來(lái)，人口急劇增長(zhǎng)，可利用的土地資源相對(duì)越來(lái)越少，因此土地利用問(wèn)題逐漸引起世界各國(guó)的重視。土地利用是人類發(fā)展必不可少的環(huán)節(jié)，是人與自然等各種復(fù)雜因子相互作用的結(jié)果，是全球變化的主要決定因素之一[1，2]。進(jìn)行土地長(zhǎng)時(shí)間的利用變化研究有助于人們合理評(píng)估和預(yù)測(cè)土地利用情況，對(duì)于實(shí)現(xiàn)土地的可持續(xù)利用具有重要的意義[3，4]。

Landsat衛(wèi)星對(duì)地觀測(cè)有快速、實(shí)時(shí)、覆蓋范圍廣、周期短等特點(diǎn)，使得遙感技術(shù)已經(jīng)成為土地變化檢測(cè)最主要的技術(shù)手段。面向?qū)ο蟮姆诸惙椒ê椭С窒蛄繖C(jī)(Support Vector Machine，SVM)的分類方法是目前在遙感分類中比較常用的方法。面向?qū)ο蟮姆诸惙椒ㄓ捎诮Y(jié)合了形狀、紋理、拓?fù)涞忍卣?，從而分類結(jié)果可以達(dá)到更高的精度[5，6]。SVM分類方法與其他方法相比，所需先驗(yàn)干預(yù)較少，分類結(jié)果更為客觀，且具有較好的穩(wěn)定性和高效性[7～9]。目前國(guó)內(nèi)外對(duì)于面向?qū)ο蠓诸惡蚐VM用于土地利用分類研究得較多，但是將兩者結(jié)合起來(lái)即面向?qū)ο蟮腟VM用于遙感影像處理的研究相對(duì)較少。

威海位于我國(guó)山東半島，處于渤海和東海的交界處，是我國(guó)重要的海上交通樞紐和北方對(duì)外經(jīng)貿(mào)的出口通道。近年來(lái)，隨著經(jīng)濟(jì)發(fā)展越來(lái)越快，土地利用越來(lái)越多樣化，其能否被合理利用越來(lái)越成為人們關(guān)注的焦點(diǎn)，同時(shí)也決定著城市能否持續(xù)健康發(fā)展。賈文臣等[10](2009)、楊繼超等[11](2012)、賽莉莉等[12](2016)分別對(duì)威海的土地利用分形的動(dòng)態(tài)變化、沙灘的地貌特征、土地利用預(yù)測(cè)進(jìn)行了研究，但這些研究是利用監(jiān)督分類等常規(guī)的分類方法研究了土地的變化。

本文利用基于面向?qū)ο蟮腟VM分類方法對(duì)威海市的Landsat MSS、TM和OLI遙感影像進(jìn)行處理，提取了1985年～2015年的土地利用類型，計(jì)算了分類結(jié)果的準(zhǔn)確度，驗(yàn)證了面向?qū)ο蟮腟VM分類方法在遙感分類上的應(yīng)用可能性，為土地利用、城市景觀變化等研究提供了數(shù)據(jù)獲取的技術(shù)支持。

2 研究區(qū)以及數(shù)據(jù)源

2.1 研究區(qū)概況

威海(121°11′～122°42′E，36°41′～37°35′N)是山東半島藍(lán)色經(jīng)濟(jì)區(qū)城市建設(shè)中的典型代表，如圖1所示，威海市土地利用類型主要為耕地、林地、水域用地、建筑用地、水產(chǎn)養(yǎng)殖用地等類型。自1987年成為地級(jí)市以來(lái)，由于地理位置優(yōu)越，政策條件好，吸引投資多，威海市的經(jīng)濟(jì)迅速發(fā)展，越來(lái)越多的人前來(lái)旅游和居住。目前威海市常住人口280萬(wàn)，每年的區(qū)域生產(chǎn)總值接近3000億元，城鎮(zhèn)化率達(dá)到60%以上，是我國(guó)著名的濱海旅游城市。

2.2 數(shù)據(jù)源

本文用到的數(shù)據(jù)從美國(guó)地質(zhì)調(diào)查局網(wǎng)站(http：//glovis.usgs.gov/)下載，以5年為間隔，將1985年～2015年共分為7個(gè)時(shí)期。1985年使用的為MSS(Multi Spectral System，MSS)數(shù)據(jù)，1990年、1995年、2000年、

圖1 研究區(qū)域的位置

2005年、2010年使用的為T(mén)M(Thematic Mapper，TM)數(shù)據(jù)，2015年使用的是OLI(Operational Land Imager，OLI)數(shù)據(jù)，數(shù)據(jù)使用情況如表1所示。

本文使用的遙感影像數(shù)據(jù) 表1

3 數(shù)據(jù)處理方法

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)處理的流程如圖2所示，數(shù)據(jù)處理前首先進(jìn)行數(shù)據(jù)預(yù)處理，由于本文選用的是無(wú)云的遙感影像數(shù)據(jù)，因此沒(méi)有進(jìn)行大氣校正[13]。幾何校正采用的投影方式為通用橫軸墨卡托(Universal Transverse Mercator，UTM)投影，坐標(biāo)系為WGS-84，重采樣使用的是雙線性方法，分辨率為 30 m，校正的精度在一個(gè)像元以內(nèi)。

為了突出各類地物的特征，不同的植被指數(shù)被廣泛地應(yīng)用[14，15]。在本文的研究中，我們計(jì)算了歸一化差異植被指數(shù)[16](Normalized Difference Vegetation Index，NDVI)、土壤調(diào)整植被指數(shù)[17](Soil-adjusted Vegetation Index，SAVI)，歸一化差分水體指數(shù)[18](Normalized Difference Water Index，NDWI)，各類植被指數(shù)的計(jì)算方法如下：

(1)

(2)

(3)

式中：Nir為近紅外波段，Red為紅波段，Green為綠波段。

圖2 數(shù)據(jù)處理流程

3.2 影像分割

多尺度分割是面向?qū)ο蠓诸愖铌P(guān)鍵步驟。本文利用eCognition軟件[19]采用分型格網(wǎng)演化算法[20]對(duì)遙感影像進(jìn)行多尺度分割。在分割過(guò)程中，主要是對(duì)各波段的權(quán)重、分割尺度的大小、形狀因子和緊密度因子等參數(shù)進(jìn)行設(shè)置。為了充分利用波段的信息，在分割中將各個(gè)波段的權(quán)重均設(shè)置為1。分割尺度是指加權(quán)影像層均一性準(zhǔn)則的最大標(biāo)準(zhǔn)差，選擇尺度參數(shù)的時(shí)候應(yīng)該盡量保證每個(gè)影像對(duì)象只包含一種地物，力求分割出的影像對(duì)象大小合適，既不籠統(tǒng)、也不破碎。經(jīng)過(guò)多次試驗(yàn)，MSS和TM影像的尺度因子為10～15，OLI的尺度因子為35。形狀因子與色彩因子(光譜)有著密切的關(guān)系[21]，這兩個(gè)參數(shù)值之和為1，因此在進(jìn)行分割時(shí)為了充分利用光譜信息，給予形狀因子較小的權(quán)重。緊密度因子和平滑度因子同屬于形狀因子，平滑度是主要考慮了邊緣的平滑性；緊密度是主要考慮總體的緊致性。經(jīng)過(guò)多次試驗(yàn)，形狀因子的范圍為0.1～0.3，緊密度因子的范圍為0.5～0.7。

3.3 基于面向?qū)ο蟮腟VM分類

支持向量機(jī)(Support Vector Machines，SVM)是Vapnik等人在1995提出的一種機(jī)器學(xué)習(xí)方法(Vapnik等，1995)，后來(lái)被廣泛應(yīng)用在圖像分類領(lǐng)域，其基本思想是：將數(shù)據(jù)投影到高維空間，在高維空間中構(gòu)建最優(yōu)超平面，利用最優(yōu)平面對(duì)不同的數(shù)據(jù)進(jìn)行分類[22，23]。

面向?qū)ο蟮腟VM(Objected-based SVM)分類的基本思想是以對(duì)象為基本單元，結(jié)合光譜和空間信息，利用SVM對(duì)影像分類。本文中的分類利用的是中科院研發(fā)的基于面向?qū)ο蠛拖袼氐囊惑w化遙感影像分類系統(tǒng)(Object and Pixel Based Integration Remote Sensing Imagery Classification System，OPICS)，該系統(tǒng)使用高斯徑向基函數(shù)核構(gòu)建的SVM分類器，核函數(shù)中的懲罰系數(shù)C和核寬度γ是兩個(gè)必選的參數(shù)[24]，其取值好壞直接影響到分類精度。利用Landsat遙感影像進(jìn)行分類時(shí)，當(dāng)C取100、γ取波段數(shù)目的倒數(shù)分類的結(jié)果較好[25]，本研究用于分類的波段有可見(jiàn)光、近紅外、短波紅外波段和NDVI、SAVI、NDWI。MSS影像參與分類的波段數(shù)目為6，所以核寬度設(shè)為1/6，懲罰參數(shù)設(shè)為100；TM/OLI影像參與分類的波段數(shù)目是9，因而核寬度設(shè)為1/9，懲罰參數(shù)設(shè)為100。

3.4 分類后處理

由于Landsat衛(wèi)星影像屬于中分辨率的影像，特別是MSS衛(wèi)星的分辨率只有 80 m，在分類中往往會(huì)有少量的不可控因素，因此在分類完成之后，往往會(huì)對(duì)分類結(jié)果進(jìn)行合理的調(diào)整工作。分類后處理包括手動(dòng)修改和邏輯分析兩個(gè)部分，后處理工作主要在ArcGIS 10.2軟件中進(jìn)行，手動(dòng)修改主要是參考遙感影像和Google-Earth影像對(duì)分類中有明顯錯(cuò)誤的部分進(jìn)行修改，邏輯運(yùn)算主要是針對(duì)建筑用地。隨著經(jīng)濟(jì)的不斷發(fā)展，人口的不斷增加，建筑用地在理論上是不斷增加的。在本文中邏輯運(yùn)算思想為：若某區(qū)域的遙感影像前一年為建筑用地，則該處后一年依然為建筑用地；若后一年某處的土地類型為非建筑用地，則前一年的亦為非建筑用地。

4 結(jié)果及分析

根據(jù)威海市的土地利用情況和V-I-S模型[26]，將威海市的土地利用分為了耕地、建筑用地、林地、水域用地以及水產(chǎn)養(yǎng)殖用地等五類。依據(jù)圖2的流程對(duì)Landsat MSS/TM/OLI影像進(jìn)行處理，分類結(jié)果如圖3所示。

圖3不同時(shí)期的土地利用分類結(jié)果

在每一期的每一類別的分類結(jié)果中隨機(jī)選取200個(gè)驗(yàn)證點(diǎn)，即每一期的總驗(yàn)證點(diǎn)數(shù)為 1 000個(gè)，以Google-Earth影像和原始影像為基準(zhǔn)進(jìn)行驗(yàn)證，采用Kappa系數(shù)[27]和總體精度[28](Overall Accuracy，OA)兩個(gè)指標(biāo)進(jìn)行分析，其計(jì)算方式如式(4)和式(5)所示：

(4)

(5)

式中：N為總的驗(yàn)證點(diǎn)數(shù)；xii為i類被正確分類的數(shù)目；R為總的分類類別數(shù)；Xi為i類的樣本點(diǎn)數(shù)；Yi為被分為i類的數(shù)目。

由圖4可以看出，Kappa系數(shù)都在0.83以上，總體的分類精度都在85%以上，說(shuō)明基于面向?qū)ο蟮腟VM分類方法的分類精度較高，可以用于遙感影像的分類。

圖4 不同時(shí)期的分類結(jié)果精度

5 結(jié)論與展望

本文利用威海市1985年～2015年的Landsat MSS/TM/OLI影像，通過(guò)面向?qū)ο蟮腟VM技術(shù)對(duì)影像進(jìn)行分類，提取威海市不同時(shí)期的土地利用情況，利用面向?qū)ο蟮腟VM方法對(duì)威海市7個(gè)不同時(shí)期的遙感影像進(jìn)行分類，結(jié)果總體精度都在85%以上，Kappa系數(shù)都大于0.83，說(shuō)明面向?qū)ο蟮腟VM分類技術(shù)可以用于遙感影像的分類。面向?qū)ο蟮腟VM影像的分類結(jié)果不僅可以應(yīng)用于土地利用分析和景觀格局分析，也為城市發(fā)展和規(guī)劃提供了較好的數(shù)據(jù)基礎(chǔ)。