青藏高原深切割区GF-1土地利用分类精度研究

2017-11-01孙小飞

地理空间信息 2017年10期

关键词：土地利用向量神经网络

孙小飞，刘智，范敏，韩磊

（1.成都理工大学地学空间信息技术国土资源部重点实验室，四川成都610059；2.四川省地质调查院，四川成都 610081）

青藏高原深切割区GF-1土地利用分类精度研究

孙小飞1，刘智2，范敏2，韩磊2

（1.成都理工大学地学空间信息技术国土资源部重点实验室，四川成都610059；2.四川省地质调查院，四川成都 610081）

以青藏高原深切割地区为例，研究高分一号影像在深切割地区的分类方法。分别采用最大似然法、神经网络法和支持向量机分类法对影像进行分类，并对分类精度进行评价和分析。结果表明： 1）高分一号区分地物的精度较高，可满足土地利用的遥感监测； 2）支持向量机分类方法其总体精度为91．67%，Kappa系数为89．54%，均高于最大似然法和神经网络分类法。因此，支持向量机分类方法更适合于高分一号影像在深切割地区的分类。

深切割区；高分一号；分类；精度

青藏高原处于低纬度高海拔地区，其南部地区位于喜马拉雅山北麓，地质构造发育，属典型的深切割地貌。在气候变化和人类活动的共同作用下，该地区土地利用的空间分布发生巨大的变化[1]。为及时准确地了解和掌握该地区的土地利用现状，应用国外高分辨率影像进行遥感监测，其价格高昂经济性差，不利于大范围的遥感监测。

我国于2013-04-26发射了首颗高分辨率对地观测卫星“高分一号”。高分一号卫星共配置两台全色（2 m）/多光谱（8 m）高分辨率相机和四台多光谱（16 m）中分辨率宽幅相机[2]。高分一号数据为自然条件恶劣、人车通达性差的深切割地区土地利用现状监测提供了更为经济的数据支撑。但目前关于高分一号数据在青藏高原深切割区土地利用分类精度的研究还不多见。

本文基于高分一号卫星影像，以西藏自治区亚东县作为研究实例区，对基于目标分解的方法以及面向对象的分类方法展开研究，并对分类结果的精度进行对比分析，为基于高分一号数据的青藏高原深切割区土地利用信息提取提供技术支持。

1 研究实例区选择及数据处理

1.1 研究实例区选择

本文研究区域位于西藏自治区亚东县境内，面积1 256 km2，范围为 88°52'00"～89°09'00"E、27°12'00"～27°35'00"N。该区主要包括亚东县城、下亚东乡等，地形复杂，以深切割高山地貌为主，植被覆盖率较高，林地、草地、建设用地、水域、积雪等都有明显分布。该区域属于典型的青藏高原深切割区，具有研究的典型性和代表性。

根据对研究区的卫星影像分析和2015-08的实地考察，本文采用2007年颁布的《土地利用分类》标准将研究区的土地利用分为6类[3]，分别为林地、草地、水域、建设用地、裸地以及冰川积雪。

1.2 数据处理

本研究所采用的数据为高分一号卫星的2 m全色影像和8 m多光谱影像，成像时间为2014-01-27。影像纹理结构清晰，光谱信息丰富，能够较好地反映研究区的土地利用类别。

1）正射校正。本研究针对所获取的高分一号影像数据，采用有理函数模型进行正射校正，在影像上均匀分布25个控制点，导入对应的RPC和30 m的DEM文件，生成正射影像。

2）几何精校正。基于研究区的正射影像数据，对全色影像和多光谱影像分别进行几何校正。在影像中选取18个控制点，控制点均匀分布在影像中的道路交叉口、拐弯处以及河流转折处，其均方根误差为1．61。本次几何校正采用的是二次多项式模型、重采样方法为双线性内插法。对校正后的影像选取了9个点进行精度验证，其验证点的均方根误差为1．43，满足本研究要求。

3）影像融合。对校正后全色影像和多光谱影像进行融合。本文在已有研究基础上[4]选取SFIM融合方法，该方法光谱保真度最高，适用于环境变化监测等对多光谱数据保真度要求较高的工作。重采样方法为双线性内插法。

2 影像分类

本文主要采用3种分类方法，即基于图像数据统计特性的最大似然法、基于目标分解的神经网络法以及面向对象的SVM分类方法[5-9]。

1）最大似然法分类。最大似然法分类方法是建立在贝叶斯准则基础上的，其分类错误概率最小，是风险最小的判决分析，也是典型的、应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布[10]。

最大似然法分类分为3步：首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数，最后逐点扫描影像各像元，将像元特征向量代入判别函数求出其属于各类的概率，将待判断像元归属于判别函数概率最大的一组。该分类法错误最小精度高，是较好的一种分类方法。

在进行最大似然法分类时，选取训练样本时加入高分一号图像的自定义特征函数NDVI、地形信息和纹理信息，以提高图像分类精度。

2）神经网络分类。神经网络算法是利用计算机模拟人类的学习过程，是建立输入数据和输出数据之间关系的方法，被大量应用于遥感分类领域。目前，国内外研究者研究出多种形式的神经网络法分类模型，如模糊神经网络模型、多层感知网络模型、反向传播网络模型、Hybrid学习向量分层网络模型等。神经网络模型的输入和输出节点之间通过模型中的隐含层相连和权重链接，因此可将纹理、植被和地形等信息方便有效地融合到图像分类中，提高了图像的分类精度。本研究选取利用反向传播算法（BP算法）训练权值的多层前馈神经网络模型进行分类[11]。

进行神经网络分类时，在选取训练样本时加入高分一号图像的自定义特征函数NDVI、地形信息和纹理信息，以提高图像分类精度。

3）支持向量机（SVM）分类。支持向量机是由Vapnik于1995年提出的一种监督学习方法。支持向量机（SVM）算法是一种基于统计学习理论的学习方法，其目的是通过计算最优化问题，在高维特征空间中构建最优分类平面，从而使学习器得到全局最优化。只针对线性可分问题进行分析，对于线性不可分的情况，可利用非线性映射算法将空间线性不可分的样本投影为高维特征空间中使其线性可分，从而将线性不可分问题转化为线性可分问题并应用于支持向量机（SVM）[12]。

进行支持向量机（SVM）分类时，在选取训练样本时加入高分一号图像的自定义特征函数NDVI、地形信息和纹理信息，以提高图像分类精度，且将核函数设置为二次多项式。

3 结果分析

分类结果如图1所示。利用ENVI5．1软件，分别统计了3种分类结果的地物面积所占比例，如图2所示。

图1 研究区遥感影像及分类结果图

图2 研究区土地利用分类面积比例统计图

从图中可以看出，研究区的土地利用类型以草地和林地为主。从分类方法来看，草地的分类面积比从大到小依次为支持向量机分类、神经网络分类和最大似然法分类；林地的分类面积比从大到小依次为最大似然法分类、神经网络分类和支持向量机分类；其他土地利用类型的面积比均有一定的差异。

本文主要采用混淆矩阵法[13]对研究区图像分类的精度进行评价分析。混淆矩阵是通过实测点位置的类别与分类结果中相应位置的类别进行比较，列表示分类结果的类别，行表示数据的真实归属类别。在ENVI5．1软件中随机选取了120个样点，结合野外考察数据和分类数据，分别建立上述3种分类结果的混淆矩阵，结果见表1～3。

通过上述公式，计算得到3种分类结果的总体精度和系数结果如表4所示。

表1 基于支持向量机分类的混淆矩阵

表2 基于神经网络分类的混淆矩阵

表3 基于最大似然法分类的混淆矩阵

表4 评价精度

从表中可以得到，基于面向对象的SVM分类方法总体精度为91．67%，Kappa系数为89．54%，均高于神经网络分类和最大似然法分类结果。由此可见，基于面向对象的SVM分类方法得到的结果其精度更高，更适用于高分一号图像的分类。

从分类结果和分类类型的面积比统计可以得到：1）对研究区中的林地分类时，3种方法对河谷地区的林地分类结果都较好，但在草地和林地混交地区SVM分类方法明显好于另外两种；2）草地的分类结果中，最大似然法的分类结果最差，主要是将大部分草地归为了裸地，而神经网络法在研究区的西南方向，将部分裸地误分为草地；3）在山体阴影和冰川积雪的影响下，水域的分类精度较低，但对于河宽在20 m以上的河流和面积在400 m2以上的水域分类精度较高；4）由于研究区的建设用地面积较小，且主要分布于河谷，易与河流混淆，通过比较3种方法对建设用地的分类结果，得到SVM分类结果略好于另外两种；5）3种分类方法对裸地的分类结果都比较好，研究区的裸地主要分布在海拔4 000 m以上的高山上；6）3种分类方法对冰川积雪的分类结果均是最高的，但仍将面积较小且有少量结冰的湖泊误分为冰川积雪，导致冰川积雪的整体面积偏大。