王愛芳 王妮

摘要 以三江源地區(qū)地形地貌特征、草場分布較為典型的班瑪縣為例，以HJ環(huán)境星多光譜影像為主要數(shù)據(jù)，基于支持向量機(jī)SVM超平面理論，結(jié)合灰度共生矩陣尋找最適宜的分類核函數(shù)，選取了三江源地區(qū)草地信息提取的最適宜SVM分類模型，并與傳統(tǒng)的監(jiān)督分類方法最大似然法和SVM分類方法進(jìn)行比較，進(jìn)行三江源草地分類方法的優(yōu)化。結(jié)果表明，與傳統(tǒng)監(jiān)督分類方法相比，除Sigmoid核函數(shù)外，其余結(jié)合方法的分類精度均有所提高，其中結(jié)合紋理和高斯核函數(shù)的SVM分類模型有著較理想的識別效果，精度達(dá)到91%，Kappa系數(shù)為0.856 0，能為三江源地區(qū)草地可持續(xù)利用以及生態(tài)系統(tǒng)恢復(fù)提供基礎(chǔ)數(shù)據(jù)。

關(guān)鍵詞 三江源；草地信息提??；遙感；支持向量機(jī)；灰度紋理

中圖分類號 S127 文獻(xiàn)標(biāo)識碼 A 文章編號 0517-6611（2017）13-0210-04

Information Extraction of Sanjiang Source Grassland Based on Gray Level Texture and Support Vector Machine Classification

WANG Ai-fang1，WANG Ni1，2*

（1.School of Geographic Information and Tourism，Chuzhou University，Chuzhou，Anhui 239000；2.Anhui Center for Collaborative Innovation in Geographical Information Integration and Application， Chuzhou， Anhui 239000）

Abstract Taking Banma County with typical landform characteristics and distribution of grassland in Sanjiang Source as an example，HJ environmental satellite multispectral images were used as main data. Based on the SVM super plane theory， combined with gray level co-occurrence matrix，the most suitable classification kernel function was discussed. The optimum SVM classification model of grassland information extraction in the source region of Sanjiang was selected and compared with the traditional supervised classification methods（maximum likelihood method and SVM classification method）. The classification method of grassland in Sanjiang source was optimized. The results showed that the classification accuracy of other methods was improved compared with the traditional supervised classification method， in addition to Sigmoid kernel function. SVM classification model combined with texture and Gauss kernel function had ideal recognition effects， the accuracy was 91%， Kappa coefficient was 0.856 0. The research results can provide basic data for the sustainable utilization of grassland and the restoration of ecosystem in the source region of Sanjiang.

Key words Sanjiang Source；Extraction of grassland information；Remote sensing；Support vector machine；Gray level texture

三江源位于青海省南部，是長江、黃河、瀾滄江的發(fā)源地，生態(tài)區(qū)位顯著。由于獨特的地理位置和氣候條件，這里的生態(tài)異常敏感和脆弱，受到世界各界的關(guān)注。尤其是近十年草原生態(tài)的破壞，致使草地生產(chǎn)力明顯下降，生態(tài)功能弱化，嚴(yán)重制約了當(dāng)?shù)鼐用竦慕?jīng)濟(jì)發(fā)展。草原生態(tài)系統(tǒng)是三江源地區(qū)的主體生態(tài)系統(tǒng)類型，草地畜牧業(yè)是三江源地區(qū)的主導(dǎo)產(chǎn)業(yè)。因此，研究三江源地區(qū)草地的現(xiàn)狀和動態(tài)對于不斷更新三江源地區(qū)草地的基本科學(xué)數(shù)據(jù)和地區(qū)草地可持續(xù)利用以及生態(tài)系統(tǒng)的恢復(fù)具有重要作用。

目前，現(xiàn)代空間信息技術(shù)特別是遙感和地理信息系統(tǒng)技術(shù)的發(fā)展為土地利用空間結(jié)構(gòu)研究提供了新的技術(shù)手段和方法。遙感對地觀測是人類獲取地面信息的重要手段。隨著遙感技術(shù)的發(fā)展，其不受自然和社會條件限制的優(yōu)勢越來越突出?；谶b感數(shù)據(jù)可定量、定性、定時、定位的對草原植被進(jìn)行分析。近些年結(jié)合遙感影像對于土地覆蓋分類中草地信息研究的技術(shù)不計其數(shù)，其中結(jié)合支持向量機(jī)（Support vector machine， SVM）的地物分類方法更成為研究熱點。王明偉等[1]利用最大似然分類以及SVM實現(xiàn)對土地利用和地表覆蓋問題中地物類型的提取和識別，結(jié)果發(fā)現(xiàn)SVM分類精度更高；顏梅春等[2]通過IKONOS影像完成基于植被指數(shù)和灰度共生矩陣提取的紋理量兩種分類方法對城市草地進(jìn)行了提取，發(fā)現(xiàn)結(jié)合紋理量的分類法精度相對理想；劉冰等[3]針對濕地空間信息的復(fù)雜性和SVM的分類性能，設(shè)計了一種基于混合核函數(shù)的特征加權(quán)SVM分類模型，該分類模型在總體精度和Kappa系數(shù)上都有所提高。以上研究表明，SVM分類模型對于遙感影像信息研究具有重要意義。但是，針對SVM分類模型的不同核函數(shù)選擇以及相應(yīng)的改進(jìn)研究欠缺，對三江源地區(qū)豐富的草場資源而言，有效利用SVM改進(jìn)算法實現(xiàn)草地信息提取的研究罕見報道?？紤]到三江源區(qū)海拔極高、采樣困難、樣點缺乏不均勻、實地監(jiān)測條件不足等問題，筆者以方便、快速地進(jìn)行遙感圖像分類為指導(dǎo)思想，有效利用了基于小樣本的SVM不同核的參與算法分類模型，結(jié)合紋理特征，實現(xiàn)多種分類方法分類精度的比較，以MATLAB為平臺，結(jié)合實用的程序接口，實現(xiàn)了對中分辨率影像分類“同物異譜，異物同譜”，地類識別度低等問題的改進(jìn)，對三江源地區(qū)草地信息進(jìn)行提取。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

班瑪縣（圖1）位于青海省東南部，隸屬果洛藏族自治州，位于99°45′～101°14′ E，32°27′～33°18′ N。全縣以草牧業(yè)為主，實行半農(nóng)半牧的二元種植制度，生態(tài)區(qū)位顯著，是三江源的核心區(qū)。全縣總面積為6 138 km2，約占全州總面積的8.03%。草場面積396.72 hm2，可利用面積335.30 hm2。境內(nèi)山脈縱橫，山峰重疊，海拔為4 000～5 000 m，地勢起伏大，屬于高原大陸性氣候，隨海拔高度增加而氣溫遞減。草場主要分為高山草甸類和山地草甸類2類，5個亞類，7個組，30余個類型。放牧草場廣泛分布在海拔3 700～4 700 m的溝谷河谷灘地，山地陽坡、半陽坡、陰坡、半陰坡及高山山頂?shù)母吆貐^(qū)。

1.2 數(shù)據(jù)來源

1.2.1 試驗數(shù)據(jù)。該試驗所使用數(shù)據(jù)包括遙感影像資料、班瑪縣基礎(chǔ)地理信息圖件及輔助數(shù)據(jù)。遙感影像資料使用的是我國在2008年9月6日發(fā)射的環(huán)境與災(zāi)害監(jiān)測小衛(wèi)星星座A星的CCD數(shù)據(jù)?？臻g分辨率30 m。為實現(xiàn)良好的遙

感影像讀取，以2015年8月的環(huán)境星影像為主，并輔助以同期MODIS數(shù)據(jù)。MODIS數(shù)據(jù)主要有美國航空航天局NASA提供的土地利用/覆蓋產(chǎn)品（MCD12Q1）以及歸一化植被指數(shù)數(shù)據(jù)（MOD13Q1）[4]，其他基礎(chǔ)地理信息圖件及輔助數(shù)據(jù)包括班瑪縣行政區(qū)劃圖、邊界矢量文件等。

1.2.2 數(shù)據(jù)預(yù)處理。首先，基于HJ-1A/B Tools對遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)。通過FLAASH大氣校正還原地物真實反射率。其次，對環(huán)境星影像進(jìn)行圖像增強(qiáng)，突出地物顯示并通過PCA主成分分析，得到最佳組合波段為321，圖像色彩飽滿，內(nèi)容豐富。除去第四波段，避免了大量的噪聲影響。

最后，對于增強(qiáng)后的影像做關(guān)于研究區(qū)的裁剪，利用三江源矢量文件，對影像進(jìn)行裁剪得到班瑪縣影像，由于筆者僅對研究方法進(jìn)行討論，所以在班瑪縣影像上另外選擇一個矩形區(qū)域進(jìn)行局部范圍裁剪[5]。從裁剪后的影像上選取一處清晰地物點，以該點為起點，劃定長度為400像元，寬度為400像元的矩形區(qū)域（圖2）。將該矩形區(qū)域作為方法研究區(qū)，并裁剪下來。結(jié)合相同地區(qū)的Google Earth數(shù)據(jù)進(jìn)行輔助的目視解譯，避免大量噪聲影響。最終所選取的研究區(qū)內(nèi)，包括的地物類型主要有耕地、草地、水域和其他。

2 研究方法

2.1 紋理特征提取

在目前圖像紋理特征提取算法中，應(yīng)用最廣泛的是1973年Haralick從純數(shù)學(xué)角度提出的灰度共生矩陣的紋理描述方法，其實質(zhì)是通過計算灰度圖像得到其條件概率P（i，j，d，θ），然后透過部分特征值，來分別代表圖像的某些紋理特征。灰度共生矩陣能反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，在利用影像的紋理特征改善影像的地學(xué)目標(biāo)分類效果上具有明顯優(yōu)勢[6]。

Haralick提出的用于分析灰度共生矩陣的共14個特征中，筆者選擇4個識別能力強(qiáng)、不相關(guān)的紋理測度（表1）作為主要指標(biāo)[7]。針對第一主成分影像，實現(xiàn)灰度特征提取。

2.2 SVM分類模型

SVM是基于結(jié)構(gòu)風(fēng)險最小原理的統(tǒng)計學(xué)習(xí)方法，由線性可分情況下的最優(yōu)分類超平面發(fā)展而來。對于非線性情況，SVM將核函數(shù)引入非線性映射，將輸入向量映射到高維空間，并求解最優(yōu)分類面。

在這里引入的2個參數(shù)C和δ，其中C是懲罰系數(shù)，它的作用是控制對錯分樣本的懲罰程度；δ是松馳變量，如果是將要錯分的樣本點可以允許它不是精確的大于等于1。其對偶問題為：min（12aTQa-eTa），限制條件為：yTa=0（0≤a≤C，i=1，2，3…N）），e是一個向量。k（xi，xj）就是通常說的核函數(shù)，Mercer定理保證了內(nèi)積核函數(shù)的存在[8]。

常見核函數(shù)有以下幾種：

通過MATLAB編程實現(xiàn)對樣本灰度特征的提取，再結(jié)合不同核參與的SVM算法，對其進(jìn)行學(xué)習(xí)和訓(xùn)練，形成不同的預(yù)測模型。研究表明，是否結(jié)合選用不同的核函數(shù)和核參數(shù)將會直接影響分類精度。

首先基于ENVI環(huán)境從研究區(qū)上均勻選取耕地、草地、水域及其他3類地物各一定數(shù)量的樣本。樣本選取時注意保證單個樣本單元內(nèi)光譜值均一化。并且由于研究區(qū)內(nèi)大部分是草地，所以根據(jù)訓(xùn)練樣本數(shù)量選擇和總體分類精度關(guān)系的研究[9]選取各地類大小為40×40像素的矩形樣本中草地樣本40個，耕地樣本30個，水域及其他樣本30個。

對于紋理，首先基于計算得到樣本的4維紋理特征值。經(jīng)前人研究分析和試驗比較得知草的對比度CON紋理量值最穩(wěn)定，且與滑動窗口關(guān)系不大[5]，所以著重對草地的對比度紋理量進(jìn)行分析。在MATLAB中輸入樣本的4維特征向量并進(jìn)行歸一化處理，再對其進(jìn)行訓(xùn)練，分別使用線性、高斯、多項式、Sigmoid核函數(shù)來構(gòu)造4種結(jié)合紋理的分類模型。再分別對測試集進(jìn)行分類預(yù)測。分類準(zhǔn)確率計算公式如下：

分類準(zhǔn)確率=測試集中標(biāo)簽預(yù)測正確的樣本數(shù)量總測試集的樣本數(shù)量（5）

3 結(jié)果與分析

采用面向?qū)ο髨D像分割方法，由于近紅外影像植被區(qū)影像亮度大，植被在該波段目視效果達(dá)到最佳，所以采用近紅外波段影像進(jìn)行分割操作。結(jié)合ENVI和ArcGIS軟件實現(xiàn)人機(jī)交互式提取圖像邊界。在試驗過程中選取合適的分割值以及合并閾值，得到草地初始分類數(shù)據(jù)。

基于選取的樣本，先使用傳統(tǒng)SVM分類和最大似然分類進(jìn)行試驗，將得到的結(jié)果與基于紋理的SVM不同核的分類結(jié)果進(jìn)行比較。分類結(jié)果和分類精度比較結(jié)果如表2所示。

SVM不同核中，線性核函數(shù)分類能力有限，于線性可分情況下，分類效果和速度達(dá)到最優(yōu)；多項式核函數(shù)主要受參數(shù)d限制；Sigmoid核函數(shù)分類能力強(qiáng)，但是同樣受2個參數(shù)的限制，適應(yīng)性不高；高斯核函數(shù)是一種比較常用的分類核函數(shù)，它具有較好的自適應(yīng)性，只有一個核參數(shù)，分類能力相對較高，線性核函數(shù)是它的特殊情況。

試驗結(jié)果表明，在相同的試驗環(huán)境下，采用相同的樣本集，使用MATLAB中LIBSVM提供的交叉驗證和網(wǎng)格搜索方法選擇核參數(shù)為0.25，懲罰系數(shù)為32的高斯核函數(shù)結(jié)合紋理的分類模型識別速度以及識別率都高于其他核參數(shù)結(jié)合紋理參與下的分類模型，實現(xiàn)了最佳的分類結(jié)果，總精度達(dá)91.01%，Kappa系數(shù)為0.856 0。從圖3和圖4可以看出，

傳統(tǒng)分類方法中，SVM分類模型的分類效果比最大似然分類方法更好。從圖4可以看出，最大似然法對于草地和耕地的錯分、漏分誤差嚴(yán)重，對于水域分類效果較好[10]。結(jié)合紋理的高斯核函數(shù)SVM分類法對草地和水域的識別度高，但同時也有耕地錯分的現(xiàn)象（表3）；

不同核函數(shù)的選擇對于分類精度有一定的影響。由于地類邊界的復(fù)雜性和不明確性，線性核函數(shù)的分類精度只有90.19%，但是結(jié)合紋理其分類精度要比傳統(tǒng)SVM分類提高0.31%。多項式核函數(shù)較大程度上與參數(shù)d相關(guān)，數(shù)值計算時間較長，該試驗的精度為9088%，是與高斯核函數(shù)相比較好的一種核函數(shù)模型。Sigmoid核函數(shù)結(jié)合紋理分類模型在此次試驗中分類效果最差，不到90%。這是由于Sigmoid核函數(shù)需要有滿足特定條件的核參數(shù)，但是當(dāng)參數(shù)r很小并且參數(shù)T趨于0的時候，Sigmoid核函數(shù)和高斯核函數(shù)具有相似的分類能力，只是在該研究中未提及。經(jīng)比較，結(jié)合紋理的高斯核函數(shù)分類模型分類效果最好。

紋理特征對于遙感影像的分類有很大作用，該研究中的灰度共生矩陣是通過研究灰度的空間相關(guān)特性來描述紋理。選用對比度紋理特征向量來分析草地的紋理特征，結(jié)果發(fā)現(xiàn)結(jié)合紋理進(jìn)行分類的圖像視覺效果更加清晰。

為了定性和定量的分析結(jié)合紋理的不同SVM尤其是高斯核函數(shù)參與下的SVM分類模型對于土地覆蓋草地信息提取的影響，這里輔助以同一時期同一區(qū)域的土地覆蓋/利用數(shù)據(jù)（MOD09Q1）進(jìn)行分類結(jié)果比較，總體分類精度良好。

4 研究區(qū)草地信息提取

基于上述方法得到的草地類別數(shù)據(jù)精度較高，證明研究方法對于該地區(qū)可實施程度較好，因此將該種方法應(yīng)用于研究區(qū)影像并提取草地范圍，計算草地植被蓋度。基于高清竹對藏北地區(qū)草地退化等級的劃分，將三江源草地植被覆蓋等級分為5級[11]。引入草地植被蓋度指數(shù)計算公式：

式中，GVCI 為草地植被覆蓋指數(shù)；Di 為草地，植被覆蓋等級i 的評分；Ai為草地植被覆蓋等級i的分布面積（km2）；A 為研究區(qū)草地總面積（km2）。最后，將結(jié)果繪制成草地分布圖。從圖5可以看出，研究區(qū)植被狀況良好，整體植被蓋度指數(shù)較高。該研究結(jié)果與劉曉東等[12]研究的三江源草地覆蓋結(jié)果一致性高，并符合統(tǒng)計年鑒中草地的基礎(chǔ)數(shù)據(jù)。水域及其他用地草地覆蓋度低，耕地部分草地覆蓋度良好。山體陽坡的草地覆蓋度要低于陰坡，除了溫帶干旱區(qū)草地的生長條件外，這很有可能和人類活動有著密切的聯(lián)系。據(jù)研究，近10年三江源地區(qū)的草地生態(tài)系統(tǒng)受到破壞，過度的人為因素使得三江源的草原生態(tài)備受關(guān)注。

5 結(jié)論

通過不同核函數(shù)并結(jié)合紋理建立SVM分類模型進(jìn)行分類對于草地分析有一定的效果，草地紋理細(xì)而無規(guī)則，所以基于共生矩陣的影像草地信息提取效果理想，尤其指出高斯核函數(shù)參與下的分類模型適用性較廣且有良好的類推能力，局部優(yōu)勢明顯，在此次試驗中獲得較理想的結(jié)果。SVM對高維特征有較強(qiáng)的包容性和自適應(yīng)力，該方法對于傳統(tǒng)的分類方法有著更高的自適應(yīng)學(xué)習(xí)性和推廣能力。

基于三江源特殊地區(qū)，不斷改進(jìn)研究方法有重要意義。由于環(huán)境星影像分辨率限制，草地信息提取存在一定的影響，但它反映了一種在采樣困難情況下相較于傳統(tǒng)監(jiān)督分類法更為精準(zhǔn)的影像地物提取方法，結(jié)合簡便的MATLAB語言，實現(xiàn)速度快，精度高。

該研究只選取了4種常見的紋理測度為分析的依據(jù)，適應(yīng)性不廣、概括性不高，還有其他的測度指標(biāo)尚未研究；

不同核函數(shù)參與下的SVM分類算法還有待進(jìn)一步改進(jìn)，紋理特征只是考慮相對于草地而言比較突出的，以便達(dá)到更高分類精度。

參考文獻(xiàn)

[1] 王明偉，王志平，趙春霞，等.基于最大似然和支持向量機(jī)方法的遙感影像地物分類精度評估與比較研究[J].山東科技大學(xué)學(xué)報（自然科學(xué)版），2016，35（3）：25-32.

[2] 顏梅春，張友靜，鮑艷松.基于IKONOS高分辨率影像的城市草地信息提取研究[J].草業(yè)學(xué)報，2004，13（6）：34-37.

[3] 劉冰，吳超，林怡.混合核特征加權(quán)SVM遙感濕地空間分類[J].測繪工程，2016，25（7）：13-17.

[4] 李亞剛，李文龍，劉尚儒，等.基于遙感技術(shù)的甘南牧區(qū)草地植被狀況多年動態(tài)[J].草業(yè)科學(xué)，2015，32（5）：675-685.

[5] 陳冠宇，李向，王嶺玲.基于大數(shù)據(jù)的遙感圖像植被識別方法[J].地質(zhì)科技情報，2016，35（3）：204-209.

[6] 黃祥，楊武年.結(jié)合灰度和基于動態(tài)窗口的紋理特征的遙感影像分類[J].測繪科學(xué)技術(shù)學(xué)報，2015，32（3）：279-281.

[7] 焦蓬蓬，郭依正，劉麗娟，等.灰度共生矩陣紋理特征提取的 Matlab實現(xiàn)[J].計算機(jī)技術(shù)與發(fā)展，2012，22（11）：169-171.

[8] 郭克友，郭曉麗，王藝偉.SVM參數(shù)優(yōu)化方法分析與決策[J].計算機(jī)測量與控制，2016，21（6）：255-258.

[9] 王春來，張森原，崔璐，等.訓(xùn)練樣本數(shù)量選擇和總體分類精度的關(guān)系研究[J].河南城建學(xué)院學(xué)報，2015，24（3）：52-55.

[10] 楊長坤，王崇倡，張鼎凱，等.基于SVM的高分一號衛(wèi)星影像分類[J].測繪與空間地理信息，2015，38（9）：142-145.

[11] 高清竹，李玉娥，林而達(dá)，等.藏北地區(qū)草地退化的時空分布特征[J].地理學(xué)報，2005，60（6）：965-973.

[12] 劉曉東，劉榮堂，劉愛軍，等.三江源區(qū)草地覆蓋遙感信息提取方法及動態(tài)研究[J].草地學(xué)報，2010，18（2）：155-157.