何朝霞

摘要 [目的]尋找喀斯特地區(qū)土地最優(yōu)分類方法。[方法]選取覆蓋柳州市的美國陸地衛(wèi)星的Landsat-5TM數(shù)字影像（2011年），采用最大似然、神經(jīng)網(wǎng)絡和支持向量機（SVM）3種分類方法，對研究區(qū)域的土地進行分類，比較分類后的混淆矩陣，分別求出3種分類結果的總體正確率和Kappa系數(shù)。[結果] 3種分類方法的總體正確率都在90%以上，Kappa 系數(shù)也較高；SVM分類方法的總體分類正確率和 Kappa 系數(shù)最高，優(yōu)于神經(jīng)網(wǎng)絡、最大似然法分類。[結論]SVM分類方法可提高喀斯特地區(qū)土地利用信息遙感分類的精度，為后期有效地動態(tài)監(jiān)測喀斯特地區(qū)土地利用的變化奠定了基礎。

關鍵詞 最大似然；神經(jīng)網(wǎng)絡；支持向量機；土地分類；精度

中圖分類號 S127；P237 文獻標識碼 A 文章編號 0517-6611（2017）01-0004-04

Reseach on the Method of Land Classification in Karst Area

HE Zhaoxia

（College of Technology & Engineering， Yangtze University， Jingzhou， Hubei 434023）

Abstract [Objective] The aim was to find out the optimal method of land classification in Karst area.[Method] Based on American Landsat 5 （2011） digital images covering Liuzhou City，the maximum likelihood， neural network and support vector machine （SVM） classification methods were studied. Three methods were used to classify the land， the confusion matrix was compared after classification， overall accuracy and Kappa coefficient of classification results were calculated. [Result] The overall accuracy of three classification methods was over 90%， the Kappa coefficient was higher. The overall classification accuracy and the Kappa coefficient of SVM classification method were all the highest， better than the neural network and maximum likelihood. [Conclusion] The SVM method can improve the accuracy of land classification in Karst area， and it is effectively to dynamic ally monitor the change of land used in karst area.

Key words Maximum likelihood；Neural network；Support vector machine；Land classification；Accuracy

隨著人類社會的發(fā)展，特別是城市建設的加快，城市土地利用每年都在發(fā)生著明顯變化，所以土地利用變化仍是當前研究的熱門問題。楊瑞芳等[1]在遙感和GIS 技術支持下，選擇北京市順義區(qū)作為研究對象，采用分類后比較方法，對1999—2011年土地利用類型的動態(tài)變化進行定量分析以及空間分布制圖；肖楊等[2]基于RS和GIS技術，在ENVI 軟件支持下，利用監(jiān)督分類方法，提取了黃河三角洲地區(qū)各時相土地利用類型面積及分布信息；何順兵等[3]采用級聯(lián)方式綜合最鄰近分類算法和模糊分類算法實現(xiàn)了重慶市大學城城區(qū)土地覆蓋信息的面向?qū)ο筇崛?；陳西亮等[4]選取 2010 年9景TM 影像為遙感信息源，利用支持向量機（SVM）法對喀什地區(qū)的土地進行分類；陳書林等[5]利用粗集理論對2000年Landsat-5TM衛(wèi)星圖像數(shù)據(jù)進行分類，獲得2000年南京市土地利用分布專題圖；馬驪馳等[6]以香格里拉建塘鎮(zhèn)為研究區(qū)，以2000、2009年Landsat-TM影像為基礎數(shù)據(jù)，運用光譜特征和地學輔助知識相結合的改進型決策樹分類方法分別對研究區(qū) 2 個年份的基礎數(shù)據(jù)進行土地利用信息提取和變化分析。綜上所述，當前土地利用變化的研究區(qū)域大多集中在經(jīng)濟比較發(fā)達、人口較多的大城市或旅游城市，忽視了對喀斯特地貌特征地區(qū)的研究。目前，土地利用和土地覆蓋的分類尚缺乏統(tǒng)一標準，由于土地利用和土地覆蓋的分類應用于不同的目的，應有不同的分類體系，所以制定統(tǒng)一的分類體系難度很大。鑒于此，筆者采用最大似然法、SVM、神經(jīng)網(wǎng)絡3種方法對喀斯特地貌地區(qū)土地利用進行了分類，尋找最優(yōu)分類方法，以期為制定土地利用和土地覆蓋的統(tǒng)一分類標準提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

柳州市位于廣西壯族自治區(qū)的中北部，地處108°32′～110°28′ E，23°54′～26°03′ N。全市轄4區(qū)6縣，即柳南、柳北、城中、魚峰4個城區(qū)和柳江、柳城、鹿寨、融安、融水、三江6個縣。全市土地利用以農(nóng)用地為主，建設用地所占比例較小。柳州為典型的喀斯特地貌，屬于中亞熱帶季風氣候。夏天長，冬天短。春夏季多雨，秋冬季干燥?？傮w來說，水資源足夠豐富，但分布不均勻，用水來源主要是柳江水系干流。作為我國西南工業(yè)重鎮(zhèn)和廣西最大的工業(yè)經(jīng)濟中心，柳州地理位置優(yōu)越，交通便利，有多條國道和高速公路貫穿，是西南地區(qū)的陸路交通樞紐，也是我國西部區(qū)域性陸路交通樞紐；是溝通我國西南與中南、華東、華南地區(qū)的鐵路中樞，也是我國一類口岸，柳江航運可直達香港、澳門等地[7]。

1.2 遙感數(shù)據(jù)源與預處理

遙感數(shù)據(jù)來源于地理空間數(shù)據(jù)云發(fā)布的美國陸地衛(wèi)星的Landsat-5TM數(shù)字影像（2011年）。該影像的重復周期為16 d，共7個探測波段，除了熱紅外波段的分辨率是120 m外，其他波段的分辨率為30 m。該影像覆蓋108°27′～110°22′ E，23°36′～25°29′ N，包含柳州市的部分地區(qū)，為喀斯特地貌地區(qū)。為了便于確定最優(yōu)分類方法，在該遙感影像上選取1塊矩形區(qū)域進行研究（圖1），所選區(qū)域的數(shù)字影像如圖2所示，該矩形區(qū)域包含柳州市區(qū)和市郊的幾個鎮(zhèn)。

1.3 研究方法

1.3.1 最大似然分類[8]。

高斯最大似然分類法，首先假設同一類別的A訓練集中各點的整體分布屬于高斯分布（正態(tài)分布）。一般常見的光譜響應分布符合正態(tài)分布假設。利用訓練集可求出均值、方差、協(xié)方差等特征參數(shù)，從而求出總體的先驗概率密度函數(shù)。采用統(tǒng)計學方法建立起判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計算各待分像元的歸屬概率。歸屬概率是指：對于待分像元x，它從屬于分類類別k的（后驗）概率Lk。根據(jù)歸屬概率判定待分像元x最適當?shù)念悇e，如果概率值全在分析者確定的閾值之下，則可將該像元歸為“未知”。

1.3.2 神經(jīng)網(wǎng)絡分類[9]。

BP神經(jīng)網(wǎng)絡是一種具有1個輸入層、1個或多個隱層和1個輸出層的多層前饋型神經(jīng)網(wǎng)絡，是目前研究較多的網(wǎng)絡形式之一。這種人工神經(jīng)網(wǎng)絡模型的特點是各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接；各層神經(jīng)元之間無任何連接；各層神經(jīng)元之間無反饋連接。每層上

的神經(jīng)元稱為節(jié)點或單元，對于輸入信息，要先向前傳播到

隱含層的節(jié)點上，經(jīng)過激活函數(shù)運算后，把隱含層節(jié)點的輸

出信息傳遞到輸出節(jié)點，最后獲得輸出結果。網(wǎng)絡根據(jù)誤差反向傳播算法，采用梯度下降法迭代地實現(xiàn)網(wǎng)絡的訓練。因此在網(wǎng)絡中，信息的傳播是正向的，而誤差的傳播則是反向的。

1.3.3 SVM分類[10-11]。

SVM的基本思想是把訓練樣本映射到一個高維特征空間，再通過構造一個最佳平面使得各個類別的樣本之間距離都達到最大。映射方式可以是線性的或者非線性的，最佳平面可以是超曲線或者超平面，最終目的是要使分類誤差達到最小。分類函數(shù)為：

f（x）=sgn{ki=1a*iyiK（xi·x）+b*}

式中，a*和b*是確定最有超平面的參數(shù)；K（xi·x）是核函數(shù)，選擇不同的核函數(shù)會得到不同的分類算法。

1.3.4 分類后精度評價。

精度評價是通過比較實際數(shù)據(jù)與處理數(shù)據(jù)確定處理過程的準確度。分類結果評價是進行土地覆蓋、遙感動態(tài)監(jiān)測的重要環(huán)節(jié)。常用的評價方法有混淆矩陣法，從混淆矩陣計算各種精度統(tǒng)計值，如總體正確率、使用者正確率、生產(chǎn)正確率和Kappa 系數(shù)等[12]。該研究主要用總體正確率和Kappa 系數(shù)來衡量分類精度。

總體正確率：PC=mk=1Pkk/N

式中，PC為總體分類正確率；m為分類類別數(shù)；N為樣本總數(shù)；Pkk為第k類的判別樣本。

Kappa 系數(shù)：K=Nmi=1Pii-mi=1（Ppi×Pli）N2-mi=1（Ppi×Pli）

式中，K為Kappa 系數(shù)；N為樣本總數(shù)；Pii為混淆矩陣對角線元素；

Ppi為某一類所在列總數(shù)；Pli為某一類所在行總數(shù)。

2 結果與分析

最大似然、SVM、神經(jīng)網(wǎng)絡3種分類方法都需要對樣本進行訓練，樣本區(qū)也稱為“感興趣區(qū)域”，即Region of Interest（ROI）。根據(jù)目視解譯，研究區(qū)域TM影像中的地物類別可以分為5類：水體、林地、城鎮(zhèn)、裸地和其他植被。其中，各個樣本類型之間的統(tǒng)計距離可以確定樣本類型之間的差異程度，稱為可分離性?？煞蛛x性可以用基于Jeffries-Matusita距離和轉換分離度Transformed Divergence來衡量[13]。一般來說，這2個參數(shù)的值在0～2.0，大于1.8屬于合格樣本。表1為各樣本間的分離度。由表1可知，各個樣本間的分離度較高，樣本選擇合格。

3 結論

在對典型的喀斯特地區(qū)——柳州市的部分區(qū)域進行土地分類過程中，研究了最大似然法、SVM和神經(jīng)網(wǎng)絡3種分類方法，并利用上述3種方法對研究區(qū)域進行了分類，分析了分類的結果和精度，得出利用SVM 分類方法的精度最高，認為該方法可提高喀斯特地區(qū)土地利用信息遙感分類的精度，為后期有效地動態(tài)監(jiān)測喀斯特地區(qū)土地利用的變化奠定了基礎。

參考文獻

[1] 楊瑞芳，譚衢霖，秦曉春，等.基于遙感與GIS 的北京城鄉(xiāng)結合部土地利用時空變化分析[J].測繪與空間地理信息，2016，39（9）：19-22，26.

[2] 肖楊，趙庚星.黃河三角洲典型地區(qū)土地利用變化遙感監(jiān)測及驅(qū)動力分析[J].測繪與空間地理信息，2016，39（9）：43-46.

[3] 何順兵，牟鳳云.基于面向?qū)ο蟮亩喑叨壬降爻鞘型恋馗采w信息提?。阂灾貞c市大學城城區(qū)為例[J].重慶工商大學學報（自然科學版），2016，33（1）：83-88.

[4] 陳西亮，張佳華.基于TM 影像的喀什地區(qū)土地利用分類[J].湖北農(nóng)業(yè)科學，2016，55（15）：4001-4005.

[5] 陳書林，武桐.基于粗集理論的南京市土地利用類型分類研究[J].信息系統(tǒng)工程，2016（8）：16.

[6] 馬驪馳，王金亮，劉廣杰，等.基于改進型決策樹遙感分類的土地利用變化研究[J].地理空間信息，2016，14（7）：12-16.

[7] 柳州市人民政府.廣西壯族自治區(qū)柳州市土地利用總體規(guī)劃（2006-2020年）[EB/OL].（2015-11-20）[2016-09-05].http：//www.gxnyqh.gov.cn/show.aspx？id=1010&cid=7.

[8] 任廣波.基于半監(jiān)督學習的遙感影像分類技術研究[D].青島：中國海洋大學，2010：5-15.

[9] YANG G J，PU R L，HUANG W J，et al.A novel method to estimate subpixel temperature by fusing solarreflective and thermalinfrared remotesensing data with an artificial neural network[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48（4）：2170-2178.

[10] HEIKKINEN V，KORPELA I，TOKOLA T，et al.An SVM classification of tree species radiometric signatures based on the Leica ADS40 sensor[J].IEEE Trans Geosci Remote Sens，2011，49（11）：4539-4551.

[11] LONGEPE N，RAKWATIN P，ISOGUCHI O，et al.Assessment of ALOS PALSAR 50 m orthorectified FBD data for regional land cover classification by support vector machines[J].IEEE Trans Geosci Remote Sens，2011，49（6）：2135-2150.

[12] 杜培軍.遙感原理與應用[M].徐州：中國礦業(yè)大學出版社，2006.

[13] MALLET C，BRETAR F，ROUX M，et al.Relevance assessment of fullwaveform lidar data for urban area classification[J].ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：71-84.