毛學(xué)剛，鄭 淼，郭文茜，馬巖巖，胡俊凱，楊天野

(東北林業(yè)大學(xué)林學(xué)院，黑龍江哈爾濱150040)

1 研究區(qū)域概況

塔河縣是我國(guó)最北部的兩個(gè)縣份之一，大興安嶺地區(qū)轄縣，位于黑龍江省西北部，地處123°～125°E，52°～53°N，與俄羅斯接壤，黑龍江上游右岸，西與漠河縣相鄰，南與新林區(qū)、呼中區(qū)接壤，東與呼瑪縣毗鄰，北隔黑龍江與俄羅斯相望，地理位置如圖1所示。邊境線長(zhǎng)173 km，總面積為14 420 km2。塔河縣境內(nèi)地勢(shì)呈中間高、兩側(cè)低，西高東低的地勢(shì)。境內(nèi)地形復(fù)雜，植被類型多，分布著不同的土壤，以森林和草甸土為主，樹(shù)種豐富，森林覆蓋率為81%;蓄積量5 340萬(wàn)m3，其中成過(guò)熟林蓄積為488萬(wàn)m3，主要樹(shù)種有樟子松、落葉松、白樺、楊樹(shù)等10余種。

圖1 塔河地區(qū)位置及Hyperion數(shù)據(jù)分布

2 數(shù)據(jù)及研究方法

2.1 遙感數(shù)據(jù) Hyperion傳感器是美國(guó)國(guó)家宇航局(NASA)于2000年11月21日發(fā)射的地球觀測(cè)衛(wèi)星(EO-1)上搭載的3個(gè)儀器之一，它提供了242個(gè)波段高光譜數(shù)據(jù)，平均光譜分辨率為10 nm，空間分辨率為30 m。該研究使用的是Hyperion Level 1R(L1R)級(jí)產(chǎn)品，L1R產(chǎn)品有242個(gè)波段，1～70為可見(jiàn)光近紅外波段(VNIR)，71～242為短波紅外波段(SWIR)，其中198個(gè)波段經(jīng)過(guò)輻射定標(biāo)處理，定標(biāo)的波段分別為VNIR 8～57和SWIR 77～224由于VNIR 56～57與SWIR 77～78的重疊，實(shí)際上只有196個(gè)獨(dú)立波段。

2.2 遙感數(shù)據(jù)處理 Hyperion L1級(jí)產(chǎn)品的預(yù)處理主要包括水汽吸收波段和非定標(biāo)波段的剔除壞線的修復(fù)垂直條紋的去除、Smile效應(yīng)的校正、大氣校正、幾何校正等。Hyperion數(shù)據(jù)存在Smile效應(yīng)。該研究主要是應(yīng)用MNF空間列均值調(diào)節(jié)法(Column Mean Adjusted in MNF Space)，通過(guò)對(duì)Hyperion圖像進(jìn)行MNF處理，得到最小噪聲分離圖像，觀察變換結(jié)果，選擇MNF變換后的前20個(gè)波段進(jìn)行MNF逆變換，變換結(jié)果可以很好地去除Smile現(xiàn)象。由于高光譜圖像受大氣影響顯著，為減少大氣影響，降低噪聲，提高圖像數(shù)據(jù)質(zhì)量，必須進(jìn)行大氣校正。該研究中采用FLAASH(fast line-ofsight atmospheric analysis of spectral hyper-cubes)模塊［5-6］進(jìn)行大氣校正。FLAASH是基于MODTRAN-4的大氣糾正模塊，可以從高光譜遙感圖像中復(fù)原地物的地表反射率。FLAASH模塊結(jié)合了MODTRAN-4的大氣輻射傳輸編碼，任何有關(guān)圖像的標(biāo)準(zhǔn)MODTRANMODTRAN大氣模型和氣溶膠類型都可以直接被選用，進(jìn)行地表反射率的計(jì)算。FLAASH被廣泛應(yīng)用于高光譜和多光譜數(shù)據(jù)的大氣校正［7］。該研究采用多項(xiàng)式校正方法，在Hyperion L1圖像中采集16個(gè)控制點(diǎn)，運(yùn)用二次多項(xiàng)式，對(duì)大氣校正后圖像進(jìn)行幾何校正。

2.3 研究方法 支持向量機(jī)(Support VectorMachines，SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)準(zhǔn)則，在最小化樣本誤差的同時(shí)縮小模型泛化誤差的上界，從而提高模型的泛化能力。不同于一些機(jī)器學(xué)習(xí)算法通常采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(Empirical Risk Minimization，ERM)準(zhǔn)則，統(tǒng)計(jì)學(xué)習(xí)理論提出了一種新的策略:將函數(shù)集構(gòu)造為一個(gè)函數(shù)子集序列，使各個(gè)子集按照VC維的大小排列;在每個(gè)子集中尋找較小經(jīng)驗(yàn)風(fēng)險(xiǎn)，在子集間折衷考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，取得實(shí)際風(fēng)險(xiǎn)的最小化，這種思想稱作結(jié)構(gòu)風(fēng)險(xiǎn)最小化［8］。支持向量機(jī)的基本數(shù)學(xué)形式是:

約束條件:

引入拉格朗日乘子ai上式求解方程為:

約束條件:

高粱整地工作主要是為了施肥而打基礎(chǔ)，因此高粱種植人員需要做好前期準(zhǔn)備。例如，耕地、除草等方法，以上操作環(huán)節(jié)主要是為了高粱種植提供良好的基礎(chǔ)。具體方法需要結(jié)合各地區(qū)的實(shí)際情況而定，要遵循因地制宜的原則，具體根據(jù)種植地區(qū)的當(dāng)期自然環(huán)境而定。

對(duì)w、b求偏導(dǎo)，得到:

將式(5)代入式(3)得到:

對(duì)于高維空間，如果用內(nèi)積K(x;x')代替最優(yōu)分類面積中的點(diǎn)積，就相當(dāng)于把原特征空間變換到了某一新的特征空間，此時(shí)的優(yōu)化函數(shù)為:

約束條件:

ai為與式(3)中每個(gè)樣本對(duì)應(yīng)的Lagrange乘子。這是一個(gè)不等式約束下二次函數(shù)尋優(yōu)的問(wèn)題，存在唯一解，而且解中將只有一部分(通常是少部分)ai不為0，對(duì)應(yīng)的樣本就是支持向量。

求解上述問(wèn)題后得到的最優(yōu)分類函數(shù)是:

式中的求和實(shí)際上只對(duì)支持向量進(jìn)行b*是分類閾值，可以用任一個(gè)支持向量求得，或通過(guò)兩類中任一對(duì)支持向量取中值求得。其中核函數(shù)K(xi;x)可以有多種形式。

(1)線性核:

(2)多項(xiàng)式核:

式中，d是自然數(shù)。

(3)RBF核(Gaussian徑向基核):

(4)Sigmoid核:

式中，S是Sigmoid函數(shù);a、t是某些常數(shù)，一般根據(jù)不同分類體系進(jìn)行確定。

SVM的實(shí)質(zhì)在于:首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)高維空間中進(jìn)行線性回歸，求取最優(yōu)線性分類面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。

3 結(jié)果與分析

3.1 分類結(jié)果 該研究在155個(gè)波段中根據(jù)地物光譜特點(diǎn)選取具有代表性的21個(gè)波段進(jìn)行分類;選取樣本時(shí)充分地考慮了各種地物的光譜結(jié)構(gòu)和紋理特征，在該研究中樣本種類分別為河流、草地、水田、旱田、道路及建筑區(qū)、白樺為主的闊葉林、樟子松為主的針葉林、針闊混交林8種類型。不同的核函數(shù)對(duì)應(yīng)不同的特征映射，從而所學(xué)習(xí)得到的SVM分類超平面也具有不同的特點(diǎn)和能力。核函數(shù)選擇在SVM應(yīng)用中非常重要，但到目前為止，還沒(méi)有一個(gè)公認(rèn)比較好的選擇標(biāo)準(zhǔn)。為了比較不同核函數(shù)的識(shí)別效果，選擇了SVM中的4種核函數(shù)(線性核、多項(xiàng)式核、徑向基核、徑向基核)對(duì)處理好的高光譜圖像進(jìn)行分類。分類結(jié)果如圖2～5所示。

圖2 線性核分類結(jié)果

圖3 多項(xiàng)式核分類結(jié)果

圖4 徑向基核分類結(jié)果

圖5 Sigmoid核分類結(jié)果

表1 不同核函數(shù)分類精度

3.2 精度驗(yàn)證 支持向量機(jī)分類方法中采用線性核、多項(xiàng)式核、徑向基核、Sigmoid核不同的核函數(shù)的精度如表1所示。從表1可以看出，線性核函數(shù)分類精度最高，分類精度達(dá)到了90.75%，徑向基核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)精度依次降低，最低的分類精度是88.87%，但4種核函數(shù)的分類精度相差不是很大，最大與最小之間相差只有1.88個(gè)百分點(diǎn)。

該研究將研究區(qū)域的EO-1 Hyperion遙感圖像劃分為河流、草地、水田、旱田、道路及建筑區(qū)、白樺為主的闊葉林、樟子松為主的針葉林、針闊混交林8種類型。總體來(lái)看，對(duì)森林和水體的識(shí)別精度比較高，4種核函數(shù)的分類精度基本都超過(guò)了90%，4種核函數(shù)對(duì)農(nóng)田、草地和道路及建筑區(qū)的分類精度不高，基本在80%左右。

表2 不同地物類別分類精度%

4 討論

該研究采用基于支持向量機(jī)方法對(duì)大興安嶺塔河地區(qū)的EO-1 Hyperion遙感圖像進(jìn)行分類研究，并采用了不同的支持向量機(jī)分類核函數(shù)進(jìn)行分類，對(duì)分類結(jié)果進(jìn)行了精度對(duì)比，結(jié)果表明，4種核函數(shù)的分類精度相差不大，對(duì)于該研究線性核函數(shù)相對(duì)較好，分類精度達(dá)到了90.75%%，線性核、徑向基核、Sigmoid核分類精度依次降低。但由于數(shù)據(jù)比較單一，環(huán)境局限，不能說(shuō)明哪種核函數(shù)更適合什么地區(qū)，還需要繼續(xù)進(jìn)行相關(guān)研究才能掌握相關(guān)規(guī)律。

該研究只是對(duì)EO-1 Hyperion高光譜數(shù)據(jù)做了常規(guī)的預(yù)處理，并沒(méi)有什么突破，在壞點(diǎn)、壞線和Smile現(xiàn)象處理中仍需要不斷嘗試新的方法，更好地恢復(fù)該數(shù)據(jù)。選取合適的紋理特征和其他形狀領(lǐng)域等特征集成起來(lái)進(jìn)行分類，有利于分類精度提高和速度提升。

［1］童慶禧.我國(guó)高光譜遙感的發(fā)展［N］.中國(guó)測(cè)繪報(bào)，2008-04-18.

［2］GOODENOUGH D G，DYK A，NIERNNN K O J，et al.Proeessing Hyperion and ALI for forest classification［J］.IEEE Transaetions on Geo-Science and Remote Sensing，2003，41(6):1321-1331.

［3］張輝.Hyperion高光譜數(shù)據(jù)條帶噪聲消除方法研究［J］廈門(mén)理工學(xué)院學(xué)報(bào)，2010，18(3):170-178.

［4］陳爾學(xué)，李增元，譚炳香，等.高光譜數(shù)據(jù)森林類型統(tǒng)計(jì)模式識(shí)別方法比較評(píng)價(jià)［J］.林業(yè)科學(xué)，2007，43(1):84-89.

［5］MATTHEW M W，ADLER-GOLDEN S M，BERK A，et al.Status of atmospheric correction using a MODTRAN4-based algorithm［J］.Proc SPIE，2000，4049:199-207.

［6］MATTHEW M W，ADLER-GOLDEN S M，BERK A，et al.Atmospheric correction of spectral imagery:Evaluation of the FLAASH algorithm with AVIRIS data［J］.Proc SPIE，2003，5093:474-482.

［7］ADLER-GOLDEN S M，ACHARYA P K，BERK A，et al.Remote bathymetry of the littoral zone from AVIRIS，LASH，and quickbird imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43(2):337-347.

［8］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)［J］.自動(dòng)化學(xué)報(bào)，2000，26(1):32-42.

［9］VAPNIK V N.Statistical learning theory［M］.New York:Wiley，1998.