喀斯特地区土地分类方法研究

何朝霞

摘要 [目的]寻找喀斯特地区土地最优分类方法。[方法]选取覆盖柳州市的美国陆地卫星的Landsat-5TM数字影像（2011年），采用最大似然、神经网络和支持向量机（SVM）3种分类方法，对研究区域的土地进行分类，比较分类后的混淆矩阵，分别求出3种分类结果的总体正确率和Kappa系数。[结果] 3种分类方法的总体正确率都在90%以上，Kappa 系数也较高；SVM分类方法的总体分类正确率和 Kappa 系数最高，优于神经网络、最大似然法分类。[结论]SVM分类方法可提高喀斯特地区土地利用信息遥感分类的精度，为后期有效地动态监测喀斯特地区土地利用的变化奠定了基础。

关键词 最大似然；神经网络；支持向量机；土地分类；精度

中图分类号 S127；P237 文献标识码 A 文章编号 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

随着人类社会的发展，特别是城市建设的加快，城市土地利用每年都在发生着明显变化，所以土地利用变化仍是当前研究的热门问题。杨瑞芳等[1]在遥感和GIS 技术支持下，选择北京市顺义区作为研究对象，采用分类后比较方法，对1999—2011年土地利用类型的动态变化进行定量分析以及空间分布制图；肖杨等[2]基于RS和GIS技术，在ENVI 软件支持下，利用监督分类方法，提取了黄河三角洲地区各时相土地利用类型面积及分布信息；何顺兵等[3]采用级联方式综合最邻近分类算法和模糊分类算法实现了重庆市大学城城区土地覆盖信息的面向对象提取；陈西亮等[4]选取 2010 年9景TM 影像为遥感信息源，利用支持向量机（SVM）法对喀什地区的土地进行分类；陈书林等[5]利用粗集理论对2000年Landsat-5TM卫星图像数据进行分类，获得2000年南京市土地利用分布专题图；马骊驰等[6]以香格里拉建塘镇为研究区，以2000、2009年Landsat-TM影像为基础数据，运用光谱特征和地学辅助知识相结合的改进型决策树分类方法分别对研究区 2 个年份的基础数据进行土地利用信息提取和变化分析。综上所述，当前土地利用变化的研究区域大多集中在经济比较发达、人口较多的大城市或旅游城市，忽视了对喀斯特地貌特征地区的研究。目前，土地利用和土地覆盖的分类尚缺乏统一标准，由于土地利用和土地覆盖的分类应用于不同的目的，应有不同的分类体系，所以制定统一的分类体系难度很大。鉴于此，笔者采用最大似然法、SVM、神经网络3种方法对喀斯特地貌地区土地利用进行了分类，寻找最优分类方法，以期为制定土地利用和土地覆盖的统一分类标准提供理论依据。

1 材料与方法

1.1 研究区概况

柳州市位于广西壮族自治区的中北部，地处108°32′～110°28′ E，23°54′～26°03′ N。全市辖4区6县，即柳南、柳北、城中、鱼峰4个城区和柳江、柳城、鹿寨、融安、融水、三江6个县。全市土地利用以农用地为主，建设用地所占比例较小。柳州为典型的喀斯特地貌，属于中亚热带季风气候。夏天长，冬天短。春夏季多雨，秋冬季干燥。总体来说，水资源足够丰富，但分布不均匀，用水来源主要是柳江水系干流。作为我國西南工业重镇和广西最大的工业经济中心，柳州地理位置优越，交通便利，有多条国道和高速公路贯穿，是西南地区的陆路交通枢纽，也是我国西部区域性陆路交通枢纽；是沟通我国西南与中南、华东、华南地区的铁路中枢，也是我国一类口岸，柳江航运可直达香港、澳门等地[7]。

1.2 遙感数据源与预处理

遥感数据来源于地理空间数据云发布的美国陆地卫星的Landsat-5TM数字影像（2011年）。该影像的重复周期为16 d，共7个探测波段，除了热红外波段的分辨率是120 m外，其他波段的分辨率为30 m。该影像覆盖108°27′～110°22′ E，23°36′～25°29′ N，包含柳州市的部分地区，为喀斯特地貌地区。为了便于确定最优分类方法，在该遥感影像上选取1块矩形区域进行研究（图1），所选区域的数字影像如图2所示，该矩形区域包含柳州市区和市郊的几个镇。

1.3 研究方法

1.3.1 最大似然分类[8]。

高斯最大似然分类法，首先假设同一类别的A训练集中各点的整体分布属于高斯分布（正态分布）。一般常见的光谱响应分布符合正态分布假设。利用训练集可求出均值、方差、协方差等特征参数，从而求出总体的先验概率密度函数。采用统计学方法建立起判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。归属概率是指：对于待分像元x，它从属于分类类别k的（后验）概率Lk。根据归属概率判定待分像元x最适当的类别，如果概率值全在分析者确定的阈值之下，则可将该像元归为“未知”。

1.3.2 神经网络分类[9]。

BP神经网络是一种具有1个输入层、1个或多个隐层和1个输出层的多层前馈型神经网络，是目前研究较多的网络形式之一。这种人工神经网络模型的特点是各层神经元仅与相邻层神经元之间有连接；各层神经元之间无任何连接；各层神经元之间无反馈连接。每层上

的神经元称为节点或单元，对于输入信息，要先向前传播到

隐含层的节点上，经过激活函数运算后，把隐含层节点的输

出信息传递到输出节点，最后获得输出结果。网络根据误差反向传播算法，采用梯度下降法迭代地实现网络的训练。因此在网络中，信息的传播是正向的，而误差的传播则是反向的。

1.3.3 SVM分类[10-11]。

SVM的基本思想是把训练样本映射到一个高维特征空间，再通过构造一个最佳平面使得各个类别的样本之间距离都达到最大。映射方式可以是线性的或者非线性的，最佳平面可以是超曲线或者超平面，最终目的是要使分类误差达到最小。分类函数为：

f（x）=sgn{ki=1a*iyiK（xi·x）+b*}

式中，a*和b*是确定最有超平面的参数；K（xi·x）是核函数，选择不同的核函数会得到不同的分类算法。

1.3.4 分类后精度评价。

精度评价是通过比较实际数据与处理数据确定处理过程的准确度。分类结果评价是进行土地覆盖、遥感动态监测的重要环节。常用的评价方法有混淆矩阵法，从混淆矩阵计算各种精度统计值，如总体正确率、使用者正确率、生产正确率和Kappa 系数等[12]。该研究主要用总体正确率和Kappa 系数来衡量分类精度。

总体正确率：PC=mk=1Pkk/N

式中，PC为总体分类正确率；m为分类类别数；N为样本总数；Pkk为第k类的判别样本。

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

式中，K为Kappa 系数；N为样本总数；Pii为混淆矩阵对角线元素；

Ppi为某一类所在列总数；Pli为某一类所在行总数。

2 结果与分析

最大似然、SVM、神经网络3种分类方法都需要对样本进行训练，样本区也称为“感兴趣区域”，即Region of Interest（ROI）。根据目视解译，研究区域TM影像中的地物类别可以分为5类：水体、林地、城镇、裸地和其他植被。其中，各个样本类型之间的统计距离可以确定样本类型之间的差异程度，称为可分离性。可分离性可以用基于Jeffries-Matusita距离和转换分离度Transformed Divergence来衡量[13]。一般来说，这2个参数的值在0～2.0，大于1.8属于合格样本。表1为各样本间的分离度。由表1可知，各个样本间的分离度较高，样本选择合格。

3 结论

在对典型的喀斯特地区——柳州市的部分区域进行土地分类过程中，研究了最大似然法、SVM和神经网络3种分类方法，并利用上述3种方法对研究区域进行了分类，分析了分类的结果和精度，得出利用SVM 分类方法的精度最高，认为该方法可提高喀斯特地区土地利用信息遥感分类的精度，为后期有效地动态监测喀斯特地区土地利用的变化奠定了基础。

参考文献

[1] 杨瑞芳，谭衢霖，秦晓春，等.基于遥感与GIS 的北京城乡结合部土地利用时空变化分析[J].测绘与空间地理信息，2016，39（9）：19-22，26.

[2] 肖杨，赵庚星.黄河三角洲典型地区土地利用变化遥感监测及驱动力分析[J].测绘与空间地理信息，2016，39（9）：43-46.

[3] 何顺兵，牟凤云.基于面向对象的多尺度山地城市土地覆盖信息提取：以重庆市大学城城区为例[J].重庆工商大学学报（自然科学版），2016，33（1）：83-88.

[4] 陈西亮，张佳华.基于TM 影像的喀什地区土地利用分类[J].湖北农业科学，2016，55（15）：4001-4005.

[5] 陈书林，武桐.基于粗集理论的南京市土地利用类型分类研究[J].信息系统工程，2016（8）：16.

[6] 马骊驰，王金亮，刘广杰，等.基于改进型决策树遥感分类的土地利用变化研究[J].地理空间信息，2016，14（7）：12-16.

[7] 柳州市人民政府.广西壮族自治区柳州市土地利用总体规划（2006-2020年）[EB/OL].（2015-11-20）[2016-09-05].http：//www.gxnyqh.gov.cn/show.aspx？id=1010&cid=7.

[8] 任广波.基于半监督学习的遥感影像分类技术研究[D].青岛：中国海洋大学，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] 杜培军.遥感原理与应用[M].徐州：中国矿业大学出版社，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.