張學(xué)明，林清瑩，于忠海，段龍妹

(濟南市勘察測繪研究院，山東 濟南 250101)

1 引 言

20世紀(jì)以來，人口急劇增長，可利用的土地資源相對越來越少，因此土地利用問題逐漸引起世界各國的重視。土地利用是人類發(fā)展必不可少的環(huán)節(jié)，是人與自然等各種復(fù)雜因子相互作用的結(jié)果，是全球變化的主要決定因素之一[1，2]。進行土地長時間的利用變化研究有助于人們合理評估和預(yù)測土地利用情況，對于實現(xiàn)土地的可持續(xù)利用具有重要的意義[3，4]。

Landsat衛(wèi)星對地觀測有快速、實時、覆蓋范圍廣、周期短等特點，使得遙感技術(shù)已經(jīng)成為土地變化檢測最主要的技術(shù)手段。面向?qū)ο蟮姆诸惙椒ê椭С窒蛄繖C(Support Vector Machine，SVM)的分類方法是目前在遙感分類中比較常用的方法。面向?qū)ο蟮姆诸惙椒ㄓ捎诮Y(jié)合了形狀、紋理、拓撲等特征，從而分類結(jié)果可以達到更高的精度[5，6]。SVM分類方法與其他方法相比，所需先驗干預(yù)較少，分類結(jié)果更為客觀，且具有較好的穩(wěn)定性和高效性[7～9]。目前國內(nèi)外對于面向?qū)ο蠓诸惡蚐VM用于土地利用分類研究得較多，但是將兩者結(jié)合起來即面向?qū)ο蟮腟VM用于遙感影像處理的研究相對較少。

威海位于我國山東半島，處于渤海和東海的交界處，是我國重要的海上交通樞紐和北方對外經(jīng)貿(mào)的出口通道。近年來，隨著經(jīng)濟發(fā)展越來越快，土地利用越來越多樣化，其能否被合理利用越來越成為人們關(guān)注的焦點，同時也決定著城市能否持續(xù)健康發(fā)展。賈文臣等[10](2009)、楊繼超等[11](2012)、賽莉莉等[12](2016)分別對威海的土地利用分形的動態(tài)變化、沙灘的地貌特征、土地利用預(yù)測進行了研究，但這些研究是利用監(jiān)督分類等常規(guī)的分類方法研究了土地的變化。

本文利用基于面向?qū)ο蟮腟VM分類方法對威海市的Landsat MSS、TM和OLI遙感影像進行處理，提取了1985年～2015年的土地利用類型，計算了分類結(jié)果的準(zhǔn)確度，驗證了面向?qū)ο蟮腟VM分類方法在遙感分類上的應(yīng)用可能性，為土地利用、城市景觀變化等研究提供了數(shù)據(jù)獲取的技術(shù)支持。

2 研究區(qū)以及數(shù)據(jù)源

2.1 研究區(qū)概況

威海(121°11′～122°42′E，36°41′～37°35′N)是山東半島藍色經(jīng)濟區(qū)城市建設(shè)中的典型代表，如圖1所示，威海市土地利用類型主要為耕地、林地、水域用地、建筑用地、水產(chǎn)養(yǎng)殖用地等類型。自1987年成為地級市以來，由于地理位置優(yōu)越，政策條件好，吸引投資多，威海市的經(jīng)濟迅速發(fā)展，越來越多的人前來旅游和居住。目前威海市常住人口280萬，每年的區(qū)域生產(chǎn)總值接近3000億元，城鎮(zhèn)化率達到60%以上，是我國著名的濱海旅游城市。

2.2 數(shù)據(jù)源

本文用到的數(shù)據(jù)從美國地質(zhì)調(diào)查局網(wǎng)站(http：//glovis.usgs.gov/)下載，以5年為間隔，將1985年～2015年共分為7個時期。1985年使用的為MSS(Multi Spectral System，MSS)數(shù)據(jù)，1990年、1995年、2000年、

圖1 研究區(qū)域的位置

2005年、2010年使用的為TM(Thematic Mapper，TM)數(shù)據(jù)，2015年使用的是OLI(Operational Land Imager，OLI)數(shù)據(jù)，數(shù)據(jù)使用情況如表1所示。

本文使用的遙感影像數(shù)據(jù) 表1

3 數(shù)據(jù)處理方法

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)處理的流程如圖2所示，數(shù)據(jù)處理前首先進行數(shù)據(jù)預(yù)處理，由于本文選用的是無云的遙感影像數(shù)據(jù)，因此沒有進行大氣校正[13]。幾何校正采用的投影方式為通用橫軸墨卡托(Universal Transverse Mercator，UTM)投影，坐標(biāo)系為WGS-84，重采樣使用的是雙線性方法，分辨率為 30 m，校正的精度在一個像元以內(nèi)。

為了突出各類地物的特征，不同的植被指數(shù)被廣泛地應(yīng)用[14，15]。在本文的研究中，我們計算了歸一化差異植被指數(shù)[16](Normalized Difference Vegetation Index，NDVI)、土壤調(diào)整植被指數(shù)[17](Soil-adjusted Vegetation Index，SAVI)，歸一化差分水體指數(shù)[18](Normalized Difference Water Index，NDWI)，各類植被指數(shù)的計算方法如下：

(1)

(2)

(3)

式中：Nir為近紅外波段，Red為紅波段，Green為綠波段。

圖2 數(shù)據(jù)處理流程

3.2 影像分割

多尺度分割是面向?qū)ο蠓诸愖铌P(guān)鍵步驟。本文利用eCognition軟件[19]采用分型格網(wǎng)演化算法[20]對遙感影像進行多尺度分割。在分割過程中，主要是對各波段的權(quán)重、分割尺度的大小、形狀因子和緊密度因子等參數(shù)進行設(shè)置。為了充分利用波段的信息，在分割中將各個波段的權(quán)重均設(shè)置為1。分割尺度是指加權(quán)影像層均一性準(zhǔn)則的最大標(biāo)準(zhǔn)差，選擇尺度參數(shù)的時候應(yīng)該盡量保證每個影像對象只包含一種地物，力求分割出的影像對象大小合適，既不籠統(tǒng)、也不破碎。經(jīng)過多次試驗，MSS和TM影像的尺度因子為10～15，OLI的尺度因子為35。形狀因子與色彩因子(光譜)有著密切的關(guān)系[21]，這兩個參數(shù)值之和為1，因此在進行分割時為了充分利用光譜信息，給予形狀因子較小的權(quán)重。緊密度因子和平滑度因子同屬于形狀因子，平滑度是主要考慮了邊緣的平滑性；緊密度是主要考慮總體的緊致性。經(jīng)過多次試驗，形狀因子的范圍為0.1～0.3，緊密度因子的范圍為0.5～0.7。

3.3 基于面向?qū)ο蟮腟VM分類

支持向量機(Support Vector Machines，SVM)是Vapnik等人在1995提出的一種機器學(xué)習(xí)方法(Vapnik等，1995)，后來被廣泛應(yīng)用在圖像分類領(lǐng)域，其基本思想是：將數(shù)據(jù)投影到高維空間，在高維空間中構(gòu)建最優(yōu)超平面，利用最優(yōu)平面對不同的數(shù)據(jù)進行分類[22，23]。

面向?qū)ο蟮腟VM(Objected-based SVM)分類的基本思想是以對象為基本單元，結(jié)合光譜和空間信息，利用SVM對影像分類。本文中的分類利用的是中科院研發(fā)的基于面向?qū)ο蠛拖袼氐囊惑w化遙感影像分類系統(tǒng)(Object and Pixel Based Integration Remote Sensing Imagery Classification System，OPICS)，該系統(tǒng)使用高斯徑向基函數(shù)核構(gòu)建的SVM分類器，核函數(shù)中的懲罰系數(shù)C和核寬度γ是兩個必選的參數(shù)[24]，其取值好壞直接影響到分類精度。利用Landsat遙感影像進行分類時，當(dāng)C取100、γ取波段數(shù)目的倒數(shù)分類的結(jié)果較好[25]，本研究用于分類的波段有可見光、近紅外、短波紅外波段和NDVI、SAVI、NDWI。MSS影像參與分類的波段數(shù)目為6，所以核寬度設(shè)為1/6，懲罰參數(shù)設(shè)為100；TM/OLI影像參與分類的波段數(shù)目是9，因而核寬度設(shè)為1/9，懲罰參數(shù)設(shè)為100。

3.4 分類后處理

由于Landsat衛(wèi)星影像屬于中分辨率的影像，特別是MSS衛(wèi)星的分辨率只有 80 m，在分類中往往會有少量的不可控因素，因此在分類完成之后，往往會對分類結(jié)果進行合理的調(diào)整工作。分類后處理包括手動修改和邏輯分析兩個部分，后處理工作主要在ArcGIS 10.2軟件中進行，手動修改主要是參考遙感影像和Google-Earth影像對分類中有明顯錯誤的部分進行修改，邏輯運算主要是針對建筑用地。隨著經(jīng)濟的不斷發(fā)展，人口的不斷增加，建筑用地在理論上是不斷增加的。在本文中邏輯運算思想為：若某區(qū)域的遙感影像前一年為建筑用地，則該處后一年依然為建筑用地；若后一年某處的土地類型為非建筑用地，則前一年的亦為非建筑用地。

4 結(jié)果及分析

根據(jù)威海市的土地利用情況和V-I-S模型[26]，將威海市的土地利用分為了耕地、建筑用地、林地、水域用地以及水產(chǎn)養(yǎng)殖用地等五類。依據(jù)圖2的流程對Landsat MSS/TM/OLI影像進行處理，分類結(jié)果如圖3所示。

圖3不同時期的土地利用分類結(jié)果

在每一期的每一類別的分類結(jié)果中隨機選取200個驗證點，即每一期的總驗證點數(shù)為 1 000個，以Google-Earth影像和原始影像為基準(zhǔn)進行驗證，采用Kappa系數(shù)[27]和總體精度[28](Overall Accuracy，OA)兩個指標(biāo)進行分析，其計算方式如式(4)和式(5)所示：

(4)

(5)

式中：N為總的驗證點數(shù)；xii為i類被正確分類的數(shù)目；R為總的分類類別數(shù)；Xi為i類的樣本點數(shù)；Yi為被分為i類的數(shù)目。

由圖4可以看出，Kappa系數(shù)都在0.83以上，總體的分類精度都在85%以上，說明基于面向?qū)ο蟮腟VM分類方法的分類精度較高，可以用于遙感影像的分類。

圖4 不同時期的分類結(jié)果精度

5 結(jié)論與展望

本文利用威海市1985年～2015年的Landsat MSS/TM/OLI影像，通過面向?qū)ο蟮腟VM技術(shù)對影像進行分類，提取威海市不同時期的土地利用情況，利用面向?qū)ο蟮腟VM方法對威海市7個不同時期的遙感影像進行分類，結(jié)果總體精度都在85%以上，Kappa系數(shù)都大于0.83，說明面向?qū)ο蟮腟VM分類技術(shù)可以用于遙感影像的分類。面向?qū)ο蟮腟VM影像的分類結(jié)果不僅可以應(yīng)用于土地利用分析和景觀格局分析，也為城市發(fā)展和規(guī)劃提供了較好的數(shù)據(jù)基礎(chǔ)。