王國重，李中原，張繼宇，程煥玲，李佳紅

（1.黃河水文水資源科學研究院，鄭州 450004；2.河南省水文水資源局，鄭州 450003；3.河南黃河河務局，鄭州 450003；4.河南省水土保持監(jiān)測總站，鄭州 450008；5.河南省焦作水文水資源勘測局，河南 焦作 454002）

區(qū)域土地利用/覆蓋變化與其環(huán)境生態(tài)和經濟社會可持續(xù)發(fā)展息息相關，自然過程與人類活動是導致土地利用改變的主要因素。近年來，隨著科技和經濟的快速發(fā)展，尤其是第三產業(yè)的異軍突起，土地利用類型也在發(fā)生顯著變化，表現(xiàn)為建筑用地、工礦用地增加迅速，耕地、林地、草地等面積被擠占，使得土地資源開發(fā)利用問題突出，嚴重制約著糧食安全、人與自然的和諧相處［1-3］。

利用遙感技術獲取土地利用/覆蓋信息首先需要對地物進行分類，隨著計算機技術的不斷革新、眾多學者的潛心鉆研，各種影像分類方法不斷涌現(xiàn)，如隨機森林（RF）、K近鄰（KNN）、支持向量機（SVM）、最大似然法（ML）、決策樹（DT）、稀疏表達分類器（SRC）、人工神經網絡（ANN）等，國內外學者基于不同遙感數(shù)據(jù)嘗試相應的分類方法取得了許多有價值的成果［4-8］，但對這些分類方法的時效性與精度比較研究的報道還不多。上述分類方法中，SVM和最大似然法是最為常用的2種分類方法。SVM通過學習算法，能夠自動搜尋對分類有較好辨識能力的支持向量，因準確率較高，在模式識別、故障檢測、分類和回歸分析等方面應用廣泛［9-11］；最大似然法是將多波段遙感數(shù)據(jù)視作多維正態(tài)分布來構造分類函數(shù)，再據(jù)此函數(shù)與最大值原則判斷類別的歸屬，因參數(shù)解釋能力較強、易于與先驗知識融合、算法簡單易于實施，得到許多研究者的青睞［12-15］。

采用支持向量機和最大似然法，并借助Landsat8影像對偃師市耕地、林地、草地、水域、建設用地5種用地類型進行分類和精度評估，為后續(xù)進一步研究、開發(fā)新的評估方法提供依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

偃師市位于河南省中西部地區(qū)，屬洛陽市管轄，地處東經112°26′15″—113°00′00″、北緯34°27′30″—34°50′00″。南屏嵩岳、北臨黃河，地勢自西向東傾斜，南北高，中間低，地貌景觀略呈槽形，地表形態(tài)復雜多樣，大體可分為山地、丘陵、坡地、平原4種類型［16］。屬暖溫帶大陸性季風氣候，年均氣溫14.2℃，無霜期211 d，年均降水量500～600 mm，全年日照時數(shù)2 248.3 h。

1.2 數(shù)據(jù)來源與處理

遙感影像采用的是Landsat8衛(wèi)星數(shù)據(jù)，該衛(wèi)星2013年2月11日由美國航空航天局（NASA）成功發(fā)射，共11個波段，波段1～7、9～11的空間分辨率為30 m，波段8為15 m分辨率的全色波段，衛(wèi)星每16 d可以實現(xiàn)一次全球覆蓋。由于所研究的區(qū)域屬于陸地，故選取Landsat8影像的前7個波段進行研究。

以偃師市2016年9月云量為2.36%的影像數(shù)據(jù)為主，采用90 m分辨率的SRTM數(shù)字高程數(shù)據(jù)，用以裁剪遙感影像。通過ENVI軟件對Landsat8影像進行輻射定標、大氣校正，再根據(jù)研究區(qū)矢量數(shù)據(jù)裁剪經此處理后的遙感影像，以便后續(xù)的處理與分析。

1.3 研究方法

1.3.1 支持向量機 支持向量機（Support vector machine，SVM）是基于統(tǒng)計學習理論發(fā)展起來的新的機器學習方法，與傳統(tǒng)學習方法相比，該方法以結構風險最小化為準則，實現(xiàn)樣本誤差最小化、縮小模型泛化誤差，具有較高的精度、泛化能力強、運算速度較快的優(yōu)點。SVM的關鍵在于核函數(shù)，采用不同的核函數(shù)將導致不同的SVM算法［17］。其常見的核函數(shù)主要有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)、字符串核函數(shù)、傅立葉核函數(shù)、樣條核函數(shù)等。作為一種局部性較強的核函數(shù)，徑向基函數(shù)（又稱高斯核函數(shù)）能夠將一個樣本映射到一個更高維度的空間內，不論樣本多少均有較好的性能，且參數(shù)較多項式核函數(shù)少，因此大多數(shù)情況下優(yōu)先使用高斯核函數(shù)［18］。

1.3.2 最大似然法 最大似然法是一種應用最為廣泛的監(jiān)督分類方法，它以統(tǒng)計學理論和貝葉斯準則為基礎，假定訓練區(qū)地物的光譜特征近似服從正態(tài)分布，可求出各類別的均值、方差以及協(xié)方差等特征參數(shù)，從而求出總體的條件概率密度函數(shù)，再根據(jù)貝葉斯函數(shù)和最大值規(guī)則確定類別的歸屬。具體做法如下［19］：

1）根據(jù)訓練區(qū)得到各類別的均值、方差等特征參數(shù)，假設各類別服從多維正態(tài)分布，其條件概率密度為：

式中，n為波段數(shù)；μi表示wi類的均值向量；Σi是wi類的協(xié)方差矩陣。

式中，p(wi)為wi類的先驗概率；p(x)表示與類別無關的公共項。

3）由判別規(guī)則確定類別的歸屬。

實際過程中，主要通過改變概率閾值來生成分類影像。

2 結果與分析

對經過預處理的Landsat8影像分別采用SVM方法、最大似然法進行分類。選取相同的訓練樣本以便分類結果的精度比較。樣本間的可分離度是評價樣本質量的最直接標準，所選各類訓練樣本間的可分離度詳見表1。由表1可知，各類樣本之間的可分離度均大于1.90，表明所選訓練樣本質量很好，屬于合格樣本。

表1 各樣本間的分離度

根據(jù)2種方法對偃師市遙感影像進行分類，結果如圖1所示。通過Google earth軟件選取100個樣點對2種分類結果進行精度評價，結果如表2所示。由表2可知，ML法的平均分類精度比SVM法高1.15個百分點，總精度高0.24個百分點、Kappa系數(shù)也略高0.003 8。

表2 2種方法的分類精度比較

圖1 偃師市2016年土地利用分類

3 小結與討論

王明偉等［20］認為，SVM和最大似然法對Landsat5的分類精度相當；對于Landsat7，則SVM的分類精度高于最大似然法。楊艷青等［21］認為SVM的分類精度優(yōu)于最大似然法。高鑫等［12］指出，最大似然法對居民地、水田、天然草地有較高的劃分精度。奉國和［22］、劉大寧等［23］的研究表明，SVM的分類精度受核函數(shù)及參數(shù)的影響較大。趙慧等［24］認為，訓練樣本量、輔助數(shù)據(jù)和分類法是影響土地利用/覆蓋分類精度的3個主要因素?？赡苁怯捎谒x取的樣本區(qū)域與數(shù)量、核函數(shù)及其參數(shù)的影響導致SVM法的分類精度和Kappa系數(shù)略低于最大似然法，需要進一步深入研究。

本研究以Landsat8影像為信息源，采用SVM與ML法，以系統(tǒng)默認的參數(shù)對偃師市進行土地利用分類，結果顯示，2種方法都具有很高的分類精度，但ML法的精度略高于SVM法，這可能與所選參數(shù)、核函數(shù)及訓練樣本的影響有關。