黃林

摘要：本文是以望城區(qū)GF-1遙感影像數(shù)據(jù)為基礎(chǔ)，利用ENVI軟件完成遙感數(shù)據(jù)預(yù)處理，以B432按RGB組合波段，作為濕地信息提取的最佳波段，分別采用最大似然法、決策樹法、支持向量機法，對濕地資源信息進(jìn)行提取工作，找到較優(yōu)的分類識別方法，對其進(jìn)行精度評定。本文主要研究結(jié)論：

1.最大似然法不適用于遙感影像的分類識別，遙感影像數(shù)據(jù)并非正態(tài)分布，且其計算量極大，因此選擇最大似然法處理遙感影像是不明智的。

2.相比之下，決策樹法和支持向量機法各有其優(yōu)劣勢。決策樹法能夠依據(jù)各種信息因子完成分類識別，如形狀、紋理、光譜等特征信息，從而提高分類準(zhǔn)確性，而支持向量機法也是分類識別的一種好方法，尤其結(jié)合基于面向?qū)ο笾?，不僅算法比較簡單，且分類精度較高。

關(guān)鍵詞：濕地信息提取;最大似然法;決策樹法;支持向量機法

1.緒論

1.1研究目的及意義

本文是在GF-1遙感影像數(shù)據(jù)的基礎(chǔ)上，利用傳統(tǒng)濕地資源提取方法，尋找最適合GF-1遙感影像的信息提取方法，快速且準(zhǔn)確地對望城區(qū)濕地資源進(jìn)行資源提取研究。本文利用ENVI軟件處理GF-1遙感影像數(shù)據(jù)，計算機識別和人工判讀相結(jié)合來實現(xiàn)對望城區(qū)濕地資源的有效提取。

1.2國內(nèi)外研究現(xiàn)狀

1.2.2 濕地信息提取研究現(xiàn)狀

傳統(tǒng)的濕地提取分類方法包括監(jiān)督分類和非監(jiān)督分類，它們各有其優(yōu)缺點，因此，為了適應(yīng)實際情況，這兩種方法經(jīng)常被結(jié)合起來使用。Aurélie Davranche等人在2009年分析對比了各種濕地資源提取方法后，決定使用決策樹法提取法國南部Csmargue的濕地信息，并發(fā)現(xiàn)，決策樹法在該地區(qū)的蘆葦和大型潛水植物信息提取精度很高，甚至能達(dá)到98.7%和97.4%[1]。

我國對濕地資源提取技術(shù)和方法的研究起步較晚，且發(fā)展速度較慢，即便如此，在遙感技術(shù)的迅速發(fā)展加持下，我國還是取得了一定的成果。

張樹清等建立了中國第一個濕地資源數(shù)據(jù)庫，這都建立在多時段多平臺遙感技術(shù)的基礎(chǔ)上[2]。黃進(jìn)良等人結(jié)合RS和GIS技術(shù)，運用非監(jiān)督分類方法，對洞庭湖進(jìn)行了多年不同季節(jié)的濕地類型面積分析，同時，采取最大似然法研究洞庭湖多年的濕地變化情況[3];談繼強利用SPOT-5遙感影像調(diào)查濕地資源的過程中，巧妙地引入了圖像融合技術(shù)，得到了所研究區(qū)域的濕地分布情況。

1.3 本文研究內(nèi)容

本文依據(jù)GF-1遙感影像數(shù)據(jù)，對濕地資源提取進(jìn)行研究分析，主要研究以下幾個方面的內(nèi)容：

（1）介紹了一些常用的濕地資源信息提取方法，對其原理進(jìn)行了說明。

（2）利用GF-1遙感影像數(shù)據(jù)進(jìn)行實驗，在ENVI軟件的支持下，完成數(shù)據(jù)預(yù)處理及濕地資源信息的提取，采用人機交互判讀的方法實現(xiàn)濕地信息的準(zhǔn)確提取。

2.研究區(qū)域和遙感數(shù)據(jù)

2.1研究區(qū)域

望城區(qū)坐落于洞庭湖南部，是長沙市六區(qū)之一，位于長沙市北部和西北部，經(jīng)緯度在E112°35′48″～113°02′30″和N27°58′28″～28°33′45″之間。

2.2GF-1遙感數(shù)據(jù)

本文采用的遙感數(shù)據(jù)來自于國產(chǎn)高分一號衛(wèi)星的全色分辨率2米、多光譜分辨率8米的遙感影像數(shù)據(jù)，為了使?jié)竦刈R別更加準(zhǔn)確無誤，數(shù)據(jù)收集了豐水期以及枯水期兩個時期的遙感影像數(shù)據(jù)，以便濕地的分類識別和人工判讀。

除了GF-1遙感影像數(shù)據(jù)外，由于濕地變化有些地區(qū)過于快速，因此還需要天地圖和Goole earth圖的輔助，才能保證濕地識別準(zhǔn)確無誤且與時俱進(jìn)。

3. 濕地信息提取

3.1 濕地分類識別

3.1.1 最大似然法

最大似然法是監(jiān)督分類方法中常用的一種，它是在貝葉斯理論的基礎(chǔ)上，結(jié)合數(shù)據(jù)統(tǒng)計的特性，設(shè)想數(shù)據(jù)呈現(xiàn)正態(tài)分布特征，或在二維及三維空間中成橢圓或橢球分布，通過計算得到目標(biāo)樣本中各類統(tǒng)計參數(shù)的先驗概率，再計算未知像元屬于哪一類別的所有概率，然后分類為概率最大的類別。最大似然法的優(yōu)點在于可以用樣本的均值和方差了解像元同樣本的一致程度。但是對于GF-1遙感影像的分類，因其計算量大，且不一定呈正態(tài)分布，使用最大似然法是不太合適的。

3.1.2 決策樹法

本文研究的決策樹法是面向?qū)ο蟮?，不像以往的處理單個像元，而是以圖斑為研究和處理的對象。這種方法如它的名字一樣，如同有很多枝干的數(shù)，通過判斷每個節(jié)點的屬性，然后歸于不同的分支，最后完成分類識別。這種方法可依據(jù)不同信息完成分類，如光譜特征、地理位置、形狀大小、紋理等。通常采用這種方法有兩個步驟：一是通過影像分割，得到本質(zhì)相同的對象;二是通過不同的信息因子建立函數(shù)完成提取。

3.1.3 支持向量機法

支持向量機是在1995年由Vapnic等人提出的一種結(jié)合統(tǒng)計學(xué)理論，被應(yīng)用于函數(shù)擬合及其他機器學(xué)習(xí)問題之中的新方法。本文采用的支持向量機法是基于面向?qū)ο蟮?，首先對影像進(jìn)行分割，再選擇樣本，最后應(yīng)用支持向量機算法對影像進(jìn)行濕地分類。

3.2 精度評價

本次實驗通過目視解譯框隨機選擇若干數(shù)量的樣本，進(jìn)行分類結(jié)果的精度評價，得到精度評價結(jié)果。由結(jié)果得出河流濕地生產(chǎn)者精度和用戶精度均為最高，為100%和98.72%，人工濕地和沼澤濕地生產(chǎn)者精度都很高，達(dá)到97.57%和97.46%，但用戶精度卻不高，只有79.31%和80.05%。濕地分類總體精度為91.14%，Kappa系數(shù)是0.8883。從表中結(jié)果分析可知，用戶精度在大部分在80%以上，因此，可以認(rèn)為這種面向?qū)ο蟮闹С窒蛄繖C法對GF-1遙感數(shù)據(jù)的濕地類型提取具有較高的精度。

4.結(jié)論與展望

4.1 本文研究結(jié)論

（1）通過不斷試驗，最終找到了適合GF-1遙感影像數(shù)據(jù)的波段組合，綜合考慮各方面的影響，決定使用B432按RGB組合。

（2）最大似然法不適用于遙感影像的分類識別，遙感影像數(shù)據(jù)并非正態(tài)分布，且其計算量極大，因此選擇最大似然法處理遙感影像是不明智的。

（3）相比之下，決策樹法和支持向量機法各有其優(yōu)劣勢。決策樹法能夠依據(jù)各種信息因子完成分類識別，如形狀、紋理、光譜等特征信息，從而提高分類準(zhǔn)確性，而支持向量機法也是分類識別的一種好方法，尤其結(jié)合基于面向?qū)ο笾?，不僅算法比較簡單，且分類精度較高。

4.2 未來展望

（1）對GF-1遙感數(shù)據(jù)的預(yù)處理和濕地的分類識別都需要人為操作，如果能借助不斷發(fā)展的計算機技術(shù)實現(xiàn)數(shù)據(jù)全自動處理，減少人的參與的話，這將會大大提升工作效率。

（2）必須不斷對濕地信息提取方法進(jìn)行改進(jìn)，以適應(yīng)不斷深入的研究，并不斷測試新方法，使用新方法進(jìn)行試驗和進(jìn)一步研究，以找到更優(yōu)的算法。

（3）建立和完善濕地信息庫，這不僅能夠提供濕地資料，更能對濕地資源提供更好的管理和保護。

參考文獻(xiàn)

[] H.W.Blodget， Aurélie Davranche and J.H.Roark. Shoreline changes along the Rosetta-Nile Promotory Monitoring with satellite observations， Marine Geology， 1991， 99（1-2）：67-77.

[2] 溫州飛，張樹清.三江源區(qū)湖泊和沼澤遙感影像分析研究[J]. 濕地科學(xué)，2010，06：62-65.

[3] 鄧凡，黃進(jìn)良. 1993-2010 年洞庭湖濕地動態(tài)變化[J].湖泊科學(xué)，2012，07：112-115.

成都理工大學(xué)610059