肖 歡，孫小飛，吳開杰，邵懷勇

（1.成都理工大學 地學空間信息技術國土資源部重點實驗室，四川 成都 610059）

四川省典型地貌類型區(qū)土地利用信息提取研究

肖 歡1，孫小飛1，吳開杰1，邵懷勇1

（1.成都理工大學 地學空間信息技術國土資源部重點實驗室，四川 成都 610059）

以Landsat8影像作為遙感數(shù)據(jù)源，采用面向?qū)ο骃VM和面向像元最大似然分類算法，分別對四川省3種不同地形的典型地區(qū)，進行土地利用遙感信息提取，對提取結果進行對比分析，并探討了這兩種方法的適用性。研究結果表明，在中山地區(qū)和川西平原地區(qū)，SVM的分類精度更好。川中丘陵地區(qū)，最大似然分類能更好地處理邊界問題，精度略高。

RS；地形；SVM；最大似然；影像分割

近年來由于社會快速發(fā)展和產(chǎn)業(yè)結構優(yōu)化調(diào)整，以及全球氣候變化和人類對自然資源的開發(fā)利用，土地利用類型結構和比例隨之發(fā)生了變化。一方面，為了滿足人類生產(chǎn)和生活需求，部分良田轉(zhuǎn)變?yōu)榻ㄖ玫兀值睾筒莸亻_墾為耕地；另一方面，國家通過生態(tài)建設工程，又將一部分耕地變?yōu)榱值睾筒莸?。梁偉[1]等對黃土高原地形復雜區(qū)土地利用信息提取方法進行了研究。Sun Zhongping[2]等采用面向?qū)ο笞钹徑诸惼骱湍：诸惼鲗ι虾Ｊ蠬J-1影像進行信息提取。潘倩[3]等研究了川西高原土地利用分類方法。包春紅[4]等利用TM影像對南北方土地利用信息提取情況進行了對比。

利用RS與GIS技術研究同一地區(qū)土地利用信息提取已有較多成功案例，但探討同一分類技術在不同地貌類型分類效果的文章鮮有報道。本文選取了以中山地貌為主的涼山州德昌縣、以丘陵地貌為主的綿陽市鹽亭縣和以平原地貌為主的成都市郫縣為研究區(qū)，嘗試用兩種分類方法作對比研究，為在不同地貌類型區(qū)域選擇合適的分類方法進行有益的探索。

1 研究區(qū)概況

四川省地跨青藏高原、橫斷山脈、云貴高原、秦巴山地、四川盆地等幾大地貌單元，地勢西高東低，由西北向東南傾斜，地形復雜多樣?；谒拇ǘ鄻踊牡孛差愋?，選取了在海拔、氣候、人類活動上有顯著差異的3個縣城進行土地利用信息提取。

德昌縣位于四川西南部，涼山州中部。地處安寧河谷地帶，橫斷山區(qū)康藏高原東緣，總面積2 284 km2。地形復雜多樣，以中山地貌為主，安寧河北入南出貫穿全境，受新構造運動影響和物理崩解及流水作用，山勢較陡峭。海拔1 115～4 359 m，屬亞熱帶高原季風氣候，年均氣溫17．7 ℃，年均降水1 049 mm。該區(qū)土地利用圖斑尺度較大，可對比性強，易實現(xiàn)信息提取。

鹽亭縣位于四川盆地中部偏北，綿陽市東南部，總面積1 648 km2。屬盆中丘陵區(qū)，地勢北高南低，山丘起伏，溝壑縱橫，水土流失嚴重，極易遭受侵蝕和風化，海拔350～650 m。屬亞熱帶溫潤季風氣候，年均氣溫17 ℃，年均降水量907 mm。該區(qū)土地利用類型圖斑小、類型相互夾雜，是土地利用計算機自動分類的難點。

郫縣位于成都市西北近郊，地處成都平原中部，總面積437．5 km2。屬四川盆地西平原區(qū)，由西北向東南傾斜，是岷江沖洪積扇狀平原，相對高差為121．8 m。屬亞熱帶季風性濕潤氣候，年均氣溫16 ℃，雨量充沛。該區(qū)土地利用類型少，土地利用大小圖斑夾雜分布，耕地、居民用地圖斑較大，林地、水域圖斑較小。

2 數(shù)據(jù)源與分類方法

2.1 數(shù)據(jù)源

采用覆蓋研究區(qū)的Landsat8影像，考慮到分類效果的可比性，數(shù)據(jù)均為2013或2014年冬季影像。德昌縣選擇2013-01-06軌道號為130-04的一景，鹽亭縣利用2013-03-05軌道號為129-38的一景，郫縣選取2013-02-29軌道號為130-03的一景。還有覆蓋各研究區(qū)分辨率為90 m的DEM數(shù)據(jù)。運用ArcGIS10．0和ENVI5．1對影像進行波段組合、融合、拼接、裁剪等預處理。

2.2 分類體系

參考中國《土地利用現(xiàn)狀分類》國家標準[5]二級分類體系，再根據(jù)地區(qū)實際情況，將德昌縣分為林地、水域、耕地、草地、裸土地、居民用地6類。鹽亭縣分為林地、水域、水田、旱地、裸土地、居民用地6類。郫縣分為林地、耕地、水域、居民用地4類。

2.3 面向?qū)ο骃VM和面向像元最大似然分類

面向?qū)ο蠓治龇椒ㄒ詫ο笞鳛榉诸悊卧?，有效避免了影像中因同物異譜引起的“分類椒鹽”現(xiàn)象[6]。影像分割好壞是解決遙感分類問題的關鍵[7,8]。SVM是基于統(tǒng)計學理論，利用現(xiàn)有樣本信息在模型和學習能力間尋求最佳折中，以期獲得最佳泛化能力[9]；在解決非線性、小樣本以及高維模式識別問題中展示出許多優(yōu)勢[10]。在ENVI中，分割算法的分割閾值設置越大，分割越細。用Full Lambda-Schedule算法合并分塊時，合并閾值越大，歸并對象越少，內(nèi)部同質(zhì)性越低[11]。德昌縣、鹽亭縣、郫縣選取的最佳分割閾值和合并閾值分別為49%、49．2%，60．7%、58．7%，50．6%、50．6%。德昌縣尺度較大，分割閾值設置應相對較??；3個地區(qū)中鹽亭尺度最小，相對分割也越細；郫縣耕地、居民用地尺度大，林地、水域地類尺度小，考慮到整體效果，不作過粗或過細的分割。選擇合適的參數(shù)計算對象的特征空間，作為識別其他未知對象的依據(jù)[11]。根據(jù)研究區(qū)圖文資料，結合人工判讀，每類地物選取30～103個不等的訓練樣本，然后在Google Earth高分辨率影像上隨機采集71、163、49個樣本點對分類結果進行驗證。

面向像元最大似然分類算法是根據(jù)最大似然比貝葉斯判決準則建立的非線性判別函數(shù)集，要求數(shù)據(jù)服從正態(tài)分布，是計算各待分類樣區(qū)歸屬概率的一種監(jiān)督分類方法。

3 研究結果對比分析

德昌縣土地利用分類結果如圖1。從表1可以看出，SVM分類總體精度比最大似然分類提高了11．27%。Kappa系數(shù)是衡量參考影像與分類結果之間一致性的參數(shù)，計算結果在-1～1之間。在德昌縣，SVM分類結果具有高度的一致性，而最大似然分類結果僅有中等的一致性。就不同土地利用類型分類效果而言，兩種分類方法對草地錯分現(xiàn)象均比較突出，SVM法易將草地錯分為林地和裸地，最大似然法易將草地錯分為林地，且后者不能較好地區(qū)分居民用地和植被覆蓋度低的地區(qū)。SVM分類方法在大中尺度的中山地區(qū)分割效果良好，地類邊界規(guī)整清晰。從訓練模型上看，SVM法只要少量特征樣本點就能滿足分類需要。

圖1 德昌縣土地利用類型分布

表1 德昌縣分類精度/%

鹽亭縣土地利用信息提取結果如圖2。表2中SVM分類總體精度比最大似然分類略高，兩種分類結果均有較高的一致性。從分類效果上看，林地、居民用地、水域的分類效果都較好，水田和旱地的錯分概率都較高，最大似然分類中，裸土地的分類精度明顯低于SVM分類。在土地利用類型夾雜的丘陵地區(qū)，SVM分類分割效果不太理想，邊界不太準確。最大似然分類結果中較窄的水域、不規(guī)則居民用地邊界明顯，但整體分類效果“椒鹽現(xiàn)象”嚴重。

圖2 鹽亭縣土地利用類型分布

表2 鹽亭縣分類精度/%

郫縣土地利用信息提取結果如圖3。對比表3，SVM分類總體精度比最大似然分類提高了10．20%，SVM分類結果具有高度的一致性，最大似然分類結果僅有中等的一致性。從影像上看，林地與耕地的光譜特征相似，異物同譜現(xiàn)象比較明顯，本地區(qū)林地面積小，分布零散。兩種分類方法中林地與耕地的分類精度均偏低，居民用地、水域的分類效果較好。

圖3 郫縣土地利用類型分布

表3 郫縣分類精度/%

4 結 語

1）通過對四川3個不同地形區(qū)域進行分類表明，在大中尺度的中山地區(qū)和川西平原地區(qū)，SVM比最大似然有更好的分類效果，而在地類分布零碎的川中丘陵地區(qū)，SVM分類效果略低于最大似然分類。其原因是單一尺度的SVM分類常采用“過分割”方法獲取包括小尺度地物在內(nèi)的所有可能對象，大尺度地物也會被分割成小塊，使地物分得過于破碎。在ENVI的FX模塊中，基于邊緣檢測的分割算法在對土地覆蓋圖斑小、類型相互夾雜地區(qū)，達不到預期的分割效果。

2）總體上，最大似然分類結果存在“椒鹽現(xiàn)象”，面向?qū)ο骃VM分類能更好地消除這一影響。同時，最大似然法采集的訓練樣本數(shù)量多于SVM分類方法，這也體現(xiàn)了SVM在“小樣本”特征空間中優(yōu)良的識別特性。

3）3個地區(qū)影像都存在不同程度的同物異譜和同譜異物現(xiàn)象。基于SVM的分類方法能更好地解決這類問題，與最大似然法相比，同等條件下，SVM可更好地利用多源信息，有較高的分類精度與適應能力。

[1] 梁偉,楊勤科,劉詠梅． 黃土高原地形復雜區(qū)土地利用信息提取方法研究[J]． 國土資源遙感,2006,69(3)：56-60

[2] Sun Zhongping, Shen Wenming, Wei Bin, et al． Objiectoriented Land Cover Classification Using HJ-1 Remote Sensing Imagery [J]． Science China Earth Sciences, 2010(增刊)：34-44

[3] 潘倩,楊武年,邵懷勇,等．川西高原土地利用/土地覆蓋分類方法[J]．地理空間信息,2009,7(4)：82-84

[4] 包春紅,黃國滿,王杰,等．TM影像在南北方土地利用信息提取中的對比[J]．地理空間信息,2012,10(2)：139-141

[5] GB/T21010-2007．土地利用現(xiàn)狀分類[S]．

[6] 蘇偉,李京,陳云浩,等．基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市中心區(qū)為例[J]．遙感學報,2007,11(4)：521-530

[7] 陳春雷,武剛．面向?qū)ο蟮倪b感影像最優(yōu)分割尺度評價[J]．遙感技術與應用,2011,26(1)：96-102

[8] 于歡,張樹清,孔博,等．面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J]．中國圖像圖形學報,2010,15(2) ：354-360

[9] 鄧乃揚．支持向量機[M]．北京：科學出版社,2009

[10] 丁勝鋒,孫勁光,陳東莉,等．一種改進的SVM決策樹及在遙感分類中的應用[J]．計算機應用研究,2012,29(3) ：1 146-1 151

[11] 于明洋,劉志紅,戴睿,等．面向?qū)ο蟮耐恋乩眠b感分類——以邛海流域為例[J]．高原山地氣象研究,2013,33(4) ：74-78

P237

B

1672-4623（2016）04-0081-03

10.3969/j.issn.1672-4623.2016.04.026

肖歡，碩士，主要從事地理信息系統(tǒng)方面的研究。

2015-3-31。

項目來源：國家自然科學基金資助項目（41302282）；四川省教育廳重點基礎研究基金資助項目（13ZA0059）。