摘要：以提取烏倫古湖濕地信息為目的，采用該地區(qū)2010年Landsat5/TM影像，使用支持向量機(jī)SVM的多項(xiàng)式函數(shù)對(duì)濕地信息進(jìn)行分類(lèi)。使用精度評(píng)估法（混淆矩陣）對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)并與傳統(tǒng)的最大似然法（MLC）、非監(jiān)督分類(lèi)（ISODATA）法分類(lèi)結(jié)果進(jìn)行對(duì)比。結(jié)果表明，SVM分類(lèi)法不僅能夠很好地提取河流信息并且能夠區(qū)分湖泊濕地與坑塘濕地，分類(lèi)總精度達(dá)到94.000%，Kappa系數(shù)為0.932，明顯高于MLC、ISODATA兩種方法，同時(shí)各類(lèi)別的用戶(hù)精度和制圖精度都在不同程度上高于傳統(tǒng)分類(lèi)方法。SVM是一種有效的提取濕地的方法，非常適用于干旱區(qū)濕地信息提取與監(jiān)測(cè)。

關(guān)鍵詞：SVM；遙感；干旱區(qū)；濕地

中圖分類(lèi)號(hào)：P237 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2016）16-4145-05

DOI：10.14088/j.cnki.issn0439-8114.2016.16.018

濕地是由水陸相互作用形成的具有特殊功能的生態(tài)系統(tǒng)，具有較完備的生物多樣性和生態(tài)系統(tǒng)功能，為人類(lèi)的生產(chǎn)、生活提供了多種資源，被譽(yù)為自然之腎、生物基因庫(kù)和人類(lèi)搖籃[1，2]。干旱區(qū)內(nèi)陸濕地是中國(guó)重要的濕地類(lèi)型之一，但是相對(duì)于其他區(qū)域的濕地分布研究，中國(guó)西北地區(qū)的荒漠地帶、干旱區(qū)濕地特別平原荒漠區(qū)濕地的研究還不夠充分。

定量地提取與分析濕地信息是進(jìn)行濕地研究的基礎(chǔ)，RS與GIS技術(shù)的發(fā)展為濕地研究提供了新的思路。針對(duì)不同的濕地類(lèi)型，基于遙感的濕地提取方法，有單波段閾值法，如牛明香[2]等在單紅外波段閾值法基礎(chǔ)上提出了分區(qū)分層濕地信息提取技術(shù)；多波段閾值法，如徐涵秋[3]提出用改進(jìn)的歸一化差異水體指數(shù)提取水體信息，肖艷芳等[4]提出的利用TM影像波段1與波段7提取水體信息等。常見(jiàn)的濕地信息提取模式識(shí)別技術(shù)有監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)以及以此為基礎(chǔ)提出的各種形式的混合分類(lèi)法。上述方法都是基于數(shù)理統(tǒng)計(jì)理論，常規(guī)算法一般樣本數(shù)目趨于無(wú)窮大才能獲得良好的分類(lèi)精度[5]，故以上方法在樣本數(shù)量少、特征維度低時(shí)效果欠佳。本研究采用支持向量機(jī)分類(lèi)方法，在提取遙感影像NDVI、MNDWI、亮度、綠度、濕度等光譜特征的同時(shí)用較少的訓(xùn)練樣本對(duì)烏倫古湖濕地進(jìn)行了分類(lèi)提取，并與最大似然分類(lèi)方法MLC和非監(jiān)督分類(lèi)ISODATA法進(jìn)行對(duì)比，為干旱區(qū)濕地自動(dòng)分類(lèi)和智能提取提供新的技術(shù)支持。

2 研究方法

2.1 研究區(qū)概況

烏倫古湖是中國(guó)新疆維吾爾自治區(qū)準(zhǔn)格爾盆地北部的一個(gè)斷陷湖，位于阿勒泰地區(qū)福海縣城西約20 km處，夾于額爾齊斯河與烏倫古河之間，屬中溫帶大陸性干旱氣候。烏倫古湖面積約1 001 000 hm2，海拔約470 m，擁有二個(gè)大型淡水湖，北面為烏倫古湖，面積約82 500 hm2，南面為吉力湖，面積約 1 600 hm2，以及大片毗鄰的淡水沼澤草地和沿烏倫古河的沼澤地，兩湖串通，水源來(lái)自由阿爾泰山東部的青格里河與布爾根河匯集而成的烏倫古河。該區(qū)域內(nèi)濕地資源豐富，濕地類(lèi)型多樣，是干旱區(qū)綠洲濕地研究的理想?yún)^(qū)域。

2.2 數(shù)據(jù)來(lái)源及預(yù)處理

9月烏倫古湖區(qū)域少云晴朗云量低于10%的比率較高，影像易于獲取。本研究采用2010年9月21日Landsat5/TM 影像作為研究數(shù)據(jù)。利用ENVI軟件對(duì)Landsat5/TM影像進(jìn)行輻射校正，為保證數(shù)據(jù)的可靠性，將2010年Landsat5/TM與經(jīng)過(guò)幾何精校正的影像配準(zhǔn)，誤差控制在1個(gè)像元內(nèi)，RMS=0.222 941，最后，裁切出研究區(qū)影像。

2.3 濕地分類(lèi)體系

確立濕地的分類(lèi)體系是進(jìn)行濕地提取和研究的前提，然而中國(guó)濕地類(lèi)型復(fù)雜多樣，學(xué)者對(duì)濕地的界定不盡相同，研究者對(duì)濕地研究的出發(fā)點(diǎn)和分類(lèi)目的也各不相同，要制定統(tǒng)一的定量分類(lèi)體系比較困難。本研究根據(jù)《濕地公約》，綜合考慮烏倫古湖流域特殊的干旱區(qū)地理特征，結(jié)合國(guó)內(nèi)濕地調(diào)查采用的分類(lèi)方法[9，10]，提出了該區(qū)域內(nèi)濕地分類(lèi)體系（表1）。

2.4 特征提取

通過(guò)分析影像的波段相關(guān)矩陣和IOF指數(shù)，本研究選取453波段為RGB的波段組合[11，12]。光譜特征對(duì)于輔助遙感有效識(shí)別地物和準(zhǔn)確分類(lèi)起到了積極作用，為了更精確地提取水體和植被，本研究通過(guò)波段運(yùn)算提取以下幾種特征變量：

1）改進(jìn)的歸一化差異水體指數(shù)

MNDWI=（Green-MIR）/（Green+MIR）

Green為綠光波段，MIR為第五波段中紅外波段。

2）歸一化差值植被指數(shù)NDVI=（NIR-IR）/（NIR+IR）

NIR為近紅外波段，IR為紅光波段。

3）K-T變換的亮度指數(shù)、綠度指數(shù)和濕度指數(shù)

U=RTx+r

R是纓帽變換系數(shù)，x代表不同波段的灰度值，r 表示常數(shù)偏移量，U表示纓帽變換后不同的波段。

將提取的特征變量同原始影像RGB波段相疊加，構(gòu)建出高于原始影像的維度特征空間。

2.5 樣本選擇與參數(shù)設(shè)置

通過(guò)目視解譯和實(shí)地考察，研究區(qū)的農(nóng)作物在9月底基本已經(jīng)收割，沼澤主要分布在湖泊、坑塘周?chē)?。本研究在選擇訓(xùn)練樣本時(shí)將研究區(qū)地物分為河流、湖泊、坑塘、草本沼澤、已收割耕地、未收割耕地、裸地、森林沼澤、其他9類(lèi)（表2）。根據(jù)研究區(qū)范圍和影像的地物特征，每類(lèi)選擇150～200個(gè)訓(xùn)練樣本和相同數(shù)量的檢驗(yàn)樣本，統(tǒng)計(jì)樣本間的可分離度。

采用SVM分類(lèi)法，核函數(shù)的參數(shù)和懲罰因子是影響SVM性能的主要因素[13]。目前針對(duì)SVM核函數(shù)參數(shù)和懲罰因子的設(shè)置有試湊法[14]和基于統(tǒng)計(jì)學(xué)理論的方法，如臧淑英等[15]提出的基于遺傳算法的支持向量機(jī)濕地遙感分類(lèi)。本研究采用多項(xiàng)式函數(shù)通過(guò)試湊法來(lái)確定最佳參數(shù)。對(duì)干旱區(qū)濕地的先驗(yàn)知識(shí)結(jié)合反復(fù)試驗(yàn)，發(fā)現(xiàn)在多項(xiàng)式階數(shù)d=6時(shí)分類(lèi)結(jié)果最優(yōu)；將核參數(shù)設(shè)置為特征空間波段數(shù)的倒數(shù)，令其固定為？酌=0.125；不斷調(diào)試懲罰因子，令C=15時(shí)分類(lèi)結(jié)果最優(yōu)。

3 結(jié)果與分析

基于上述SVM分類(lèi)法，對(duì)烏倫古湖流域濕地信息提取的結(jié)果如圖1（a）所示。MLC與ISODATA分類(lèi)結(jié)果分別如圖1（b）和圖1（c）。

3.1 分類(lèi)效果評(píng)價(jià)

為了更清晰地顯示3種分類(lèi)的差異，選取局部區(qū)域加以分析，如圖2所示。對(duì)比顯示ISODATA法分類(lèi)可以完成濕地信息的粗提取，但是難以通過(guò)光譜信息區(qū)分出湖泊濕地與坑塘濕地，同時(shí)，河流濕地與裸地信息混淆，造成河流斑塊破碎，信息不連續(xù)。此外，河流濕地與草本沼澤信息混淆情況嚴(yán)重。然而MLC法與SVM法通過(guò)訓(xùn)練樣本都可以有效提取出各種類(lèi)型的濕地，能夠區(qū)分出湖泊濕地與坑塘濕地，尤其在河道較窄的情況下能夠較為完整地提取河流信息。

3.2 分類(lèi)精度評(píng)價(jià)

建立混淆矩陣進(jìn)行精度評(píng)價(jià)評(píng)定是目前普遍采用的遙感影像分類(lèi)精度定量評(píng)價(jià)方法[16]。統(tǒng)計(jì)本研究涉及的3種分類(lèi)結(jié)果得到相應(yīng)的混淆矩陣（表3、4、5）。通過(guò)分類(lèi)結(jié)果判斷和混淆矩陣顯示狀況，可以看出3種方法都出現(xiàn)了錯(cuò)分漏分現(xiàn)象，但利用SVM多項(xiàng)式的分類(lèi)總精度高達(dá)94.000%，比ISODATA法提高了8.692%，比MLC法提高了2.467%；Kappa系數(shù)為0.932 3，比ISODATA法提高了0.1，比MLC法提高了0.028?；煜仃囷@示：

1）使用SVM分類(lèi)法時(shí)各地物正確分類(lèi)率較高且水平均衡，未出現(xiàn)較為嚴(yán)重的錯(cuò)分現(xiàn)象。

2）SVM分類(lèi)法相對(duì)于ISODATA法而言，不僅區(qū)分出了坑塘信息，其正確分類(lèi)樣本高達(dá)99%，甚至比MLC還高8%。

3）MLC分類(lèi)將其他地物錯(cuò)分為河流的樣本達(dá)到24%，而SVM分類(lèi)結(jié)果中只有7.33%，很好地改善了這一混淆狀況。

通過(guò)觀察各濕地類(lèi)型3種分類(lèi)方法的用戶(hù)精度和制圖精度統(tǒng)計(jì)圖（圖3、圖4）可以得出，ISODATA法在濕地分類(lèi)中用戶(hù)精度和制圖精度相對(duì)偏低，并且該分類(lèi)法未區(qū)分出坑塘信息，不具有參考價(jià)值。SVM法在針對(duì)濕地的分類(lèi)中，制圖精度普遍高于MLC法，平均制圖精度達(dá)到97.14%。SVM分類(lèi)結(jié)果的用戶(hù)精度與MLC接近，除草本沼澤外，均保持在90%以上。雖然在河流和草本沼澤中精度略低于MLC法，但能夠滿(mǎn)足分類(lèi)需求，并且在坑塘的用戶(hù)精度上體現(xiàn)了優(yōu)越性。

4 結(jié)論

本研究以新疆烏倫古湖為研究區(qū)，利用TM影像，在提取影像NDVI、MNDWI、濕度、綠度、亮度等特征的基礎(chǔ)上，選取少量樣本利用SVM多項(xiàng)式函數(shù)提取濕地信息，結(jié)果證明SVM能有效地區(qū)分各濕地類(lèi)型，清晰顯示濕地的分布情況。雖然SVM分類(lèi)法也存在漏分、錯(cuò)分現(xiàn)象，但經(jīng)有限的檢驗(yàn)樣本驗(yàn)證顯示，SVM分類(lèi)總精度、Kappa系數(shù)、平均用戶(hù)精度、平均制圖精度都高于傳統(tǒng)的最大似然法和非監(jiān)督分類(lèi)。SVM在小樣本、高維度情況下體現(xiàn)出了精度高、效果好等特點(diǎn)，是一種值得推廣的分類(lèi)方法。

參考文獻(xiàn)：

[1] 孫廣友.中國(guó)濕地科學(xué)的進(jìn)展與展望[J].地球科學(xué)進(jìn)展，2000， 15（6）：666-670.

[2] 牛明香，趙庚星，李尊英.南四湖濕地遙感信息分區(qū)分層提取研究[J].地理與地理信息科學(xué)，2004，20（2）：45-52.

[3] 徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J].遙感學(xué)報(bào)，2005，9（5）：589-595.

[4] 肖艷芳，趙文吉，朱 琳.利用TM影像Band1與Band7提取水體信息[J].測(cè)繪科學(xué)，2010，35（5）：226-227.

[5] 田 源，塔西甫拉提·特依拜，丁建麗，等.基于支持向量機(jī)的土地覆被遙感分類(lèi)[J].資源科學(xué)，2008，30（8）：1268-1274.

[6] 張 睿，馬建文.支持向量機(jī)在遙感數(shù)據(jù)分類(lèi)中的應(yīng)用新進(jìn)展[J].地球科學(xué)進(jìn)展，2009，24（5）：555-562.

[7] HUGHES G. On the mean accuracy of statistical pattern recognizers[J].IEEE Transactions on Information Theory，1968， 14（1）：55-63.

[8] CRISTIANINI N，SHAWE-TAYLOR J. An Introduction to Support Vector Machines and Other Kerne-l based Learning Methods（English Edition）[M].BinJing：China Machine Press，2005.

[9] 唐小平，黃桂林.中國(guó)濕地分類(lèi)系統(tǒng)的研究[J].林業(yè)科學(xué)研究，2003，16（5）：531-539.

[10] 朱長(zhǎng)明，李均力，常 存.新疆干旱區(qū)濕地景觀格局遙感動(dòng)態(tài)監(jiān)測(cè)與時(shí)空變異[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（15）：229-238.

[11] 金寶石，周葆華.TM影像在湖泊濕地信息提取中的最佳波段組合[J].光譜實(shí)驗(yàn)室，2012，29（6）：3771-3774.

[12] 姜小光.成像光譜數(shù)據(jù)的光譜信息特點(diǎn)及最佳波段選擇[J].干旱區(qū)地理，2010，23（3）：215-220.

[13] 林升梁，劉 志.基于RBF核函數(shù)的支持向量機(jī)參數(shù)選擇[J].浙江工業(yè)大學(xué)報(bào)，2007，35（2）：163.

[14] 周 奇.對(duì)支持向量機(jī)幾種常用核函數(shù)和參數(shù)選擇的比較研究[J].福建電腦，2009（6）：42-43.

[15] 臧淑英.遺傳算法優(yōu)化的支持向量機(jī)濕地遙感分類(lèi)——以洪河國(guó)家級(jí)自然保護(hù)區(qū)為例[J].地理科學(xué)，2012，32（4）：434-441.

[16] 李振源，許捍衛(wèi)，王金龍.基于QUEST決策樹(shù)的大豐濕地信息提取[J].地理空間信息，2014，12（5）：35-37.