周霞　劉彥文　姜宇榕　劉建

摘要針對Landsat-8 OLI和GF-1 WFV傳感器參數(shù)的特點，選擇支持向量機（SVM）分類方法分別對咸寧市同一時段的Landsat-8遙感影像和GF-1遙感影像進(jìn)行土地利用分類研究。結(jié)果表明，Landsat-8在耕地與林地、水域與裸地可分離性方面高于GF-1，提取的林地面積占比和耕地面積占比更接近于真實值；Landsat-8和GF-1的分類總精度分別為85.76%和88.38%，Kappa系數(shù)分別為0.807 1和0.820 4，說明GF-1的分類效果好于Landsat-8；GF-1具有較高的分辨率優(yōu)勢，對分布零散的地物識別效果優(yōu)于Landsat-8。

關(guān)鍵詞遙感影像；監(jiān)督分類；可分離度；Kappa系數(shù)

中圖分類號S127文獻(xiàn)標(biāo)識碼

A文章編號0517-6611（2017）31-0213-03

AbstractAccording to the characteristics of Landsat8 OLI and GF1 WFV sensor parameters， the support vector machine （SVM） classification method was used to classify Landsat8 remote sensing images and GF1 remote sensing images at the same time in Xianning City. The results showed that the separation of water area Landsat8 in the cultivated land，forest land， and bare land was higher than that of GF1， and the proportion of extracted forest land and cultivated land was closer to the real value.The classification total accuracy of Landsat8 and GF1 were 85.76% and 88.38% respectively， and Kappa coefficients were 0.807 1 and 0.820 4 respectively. The classification effect of GF1 was better than that of Landsat8. GF1 had higher resolution advantages， and the classification effect of the fragmented landform type was better than that of Landsat8.

Key wordsRemote sensing images；Supervised classification；Separability；Kappa coefficient

鑒于土地利用變化是某一地區(qū)水文、氣候和旱情監(jiān)測重要的基礎(chǔ)數(shù)據(jù)，土地利用變化研究也愈發(fā)的重要。土地利用數(shù)據(jù)獲取的主要數(shù)據(jù)源是遙感數(shù)據(jù)，原因在于遙感數(shù)據(jù)具有范圍廣、時效性強以及成本相對較低。為了獲取較為全面精確的數(shù)據(jù)，自20世紀(jì)以來國內(nèi)外發(fā)射了很多搭載新型衛(wèi)星的傳感器，針對數(shù)據(jù)需求的不一樣，傳感器也呈現(xiàn)不同的參數(shù)特點[1]。Landsat系列衛(wèi)星作為使用最普遍的衛(wèi)星，也存在難以保證數(shù)據(jù)一致性的缺點；另外，對零碎物體分類精度低一直都是Landsat系列衛(wèi)星的軟肋，而高空間分辨率影像恰好擁有這些優(yōu)點，因此土地利用變化數(shù)據(jù)常用高空間分辨率影像作為數(shù)據(jù)來源。目前，已知的高空間分辨率衛(wèi)星（如SPOT、IKONOS等）在區(qū)域研究中應(yīng)用較多，但由于波段少、幅寬小等局限性，在研究中仍需要進(jìn)行不同時相數(shù)據(jù)的拼接操作，且價格昂貴[2]。高分一號（GF-1）衛(wèi)星雖然具有重訪周期短、多種分辨率與大幅寬結(jié)合等優(yōu)點，但也存在波段數(shù)少的問題[3]。因此，掌握中高等分辨率影像的特點，對各自提取的土地利用數(shù)據(jù)進(jìn)行比較研究具有實際意義。筆者選取Landsat-8 OLI和GF-1 WFV 2種傳感器，對咸寧市2種傳感器同一時段提取的土地利用數(shù)據(jù)進(jìn)行定性和定量分析。

1材料與方法

1.1研究區(qū)概況與數(shù)據(jù)來源

咸寧市位于湖北東南部，長江中游南岸，下轄一區(qū)一市四縣（咸安區(qū)、赤壁市、嘉魚縣、通山縣、崇陽縣、通城縣），總面積9 861 km2，處于幕阜山脈向江漢平原過渡地帶。咸寧市南部屬幕阜山系余脈，北部屬于江漢平原。咸寧市區(qū)的植被為常綠闊葉林，含有豐富的樹木資源種類，2012年全市的植被覆蓋率達(dá)到53.4%[4]。

研究所用的Landsat-8和GF-1數(shù)據(jù)分別來自地理空間數(shù)據(jù)云和遙感集市，其中Landsat-8數(shù)據(jù)4景，GF-1數(shù)據(jù)1景。成像時間選擇在植被生長較好的季節(jié)，原因是因為該時間段的植被覆蓋率比較好，解譯出來的結(jié)果可靠性更高。另外，在數(shù)據(jù)選取時還要考慮到云量的百分比，云量越低，云層對地物解譯的影響越小，越便于地物的正確解譯[5]。Landsat-8數(shù)據(jù)為研究區(qū)2016年的遙感影像，空間分辨率為30 m；GF-1數(shù)據(jù)為同期的數(shù)據(jù)，空間分辨率為16 m[6]。Landsat-8和GF-1數(shù)據(jù)特征見表1。

1.2研究方法

采用遙感影像土地利用數(shù)據(jù)提取對比及3S綜合分析法，以RS、GIS和GPS為理論基礎(chǔ)，以ENVI、ArcGIS分析處理軟件為核心，實現(xiàn)對2種傳感器影像土地利用數(shù)據(jù)提取的綜合比較分析。以RS技術(shù)為支撐，以咸寧市全市范圍的中分辨率的Landsat-8影像和高分辨率GF-1影像作為研究的數(shù)據(jù)源，以ENVI 5.1遙感軟件為主，以ArcGIS軟件為輔，對影像數(shù)據(jù)進(jìn)行相關(guān)分析處理，主要包括輻射定標(biāo)、大氣校正、數(shù)據(jù)融合、裁剪和拼接、影像解譯、結(jié)果定性定量對比分析等。遙感影像分類準(zhǔn)確性是后續(xù)分析的基礎(chǔ)，支持向量機（Support vector machine，SVM）分類可以利用徑向基函數(shù)將低維空間向量機映射到高維空間，從而在高維空間尋找線性分隔超平面使線性分隔最大。常用的徑向基函數(shù)公式為：

K（X，XC）=exp（-‖x-xc‖22σ2） （1）

式中， K（X，XC） 為空間中任一點 X 到某一中心 XC 之間歐氏距離的單調(diào)函數(shù)，XC 為核函數(shù)中心，σ為函數(shù)的寬度參數(shù)（徑向作用范圍）[7]。

SVM解決了小樣本情況下的機器學(xué)習(xí)問題，是一種有堅實理論基礎(chǔ)的新穎的小樣本學(xué)習(xí)方法。從本質(zhì)上看，它避開了從歸納到演繹的傳統(tǒng)過程，實現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報樣本的“轉(zhuǎn)導(dǎo)推理”，大大簡化了通常的分類和回歸等問題，提高泛化性能，解決高維和非線性問題，又可以避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點問題。利用SVM進(jìn)行遙感影像分類具有較高的分類精度，具有明顯的技術(shù)優(yōu)勢與應(yīng)用前景。該研究技術(shù)路線如圖1所示。

1.3土地利用數(shù)據(jù)提取

1.3.1分類系統(tǒng)制定。

分類體系建立參考國土資源部《土地利用現(xiàn)狀分類》一級分類系統(tǒng)，并考慮所用數(shù)據(jù)及研究區(qū)土地覆蓋類型的特點，最終確定將研究區(qū)的土地利用類型劃分為林地、草地、水域、耕地、建設(shè)用地以及裸地6類。

1.3.2土地利用分類。

該研究選用計算機自動分類法中的支持向量機（SVM）分類作為監(jiān)督分類方法，主要原因是因為該方法能夠自動尋找對分類有較大區(qū)分能力的支持向量，能最大化地拉開類與類之間的間隔，且具有較高的精確度[8]。由于原始影像數(shù)據(jù)及不同分類器自身的原因等，對計算機自

動分類的結(jié)果一般需要進(jìn)行分類后處理，如合并分類結(jié)果中的細(xì)小斑塊、孤立點去除后進(jìn)行篩選和聚類處理。再經(jīng)過上述支持向量機分類的方法將中高等遙感影像中各地類分離出來，同樣還會存在一部分像元偏離了徑向基函數(shù)中σ的徑向作用范圍，從而在分類時可能出現(xiàn)一些錯分或者漏分的現(xiàn)象，導(dǎo)致精度要求難以達(dá)到要求，因而需要對分類后的結(jié)果進(jìn)行分類后處理，后處理結(jié)果如圖2所示。

2結(jié)果與分析

利用上述支持向量機的分類方法對2幅遙感影像進(jìn)行分類，直觀地對比了2幅分類結(jié)果圖，發(fā)現(xiàn)林地的面積最大，分布在咸寧市各個區(qū)域，且以中西部、北部和東南部為主，建設(shè)用地分布的大致范圍也都在6個城區(qū)的位置，Landsat-8和GF-1影像的分類結(jié)果較為一致，分類結(jié)果見圖3。

2.1樣本可分離性比較

光譜可分離性（Spectral separability）是衡量各類別可分離性，確定各類別間差異程度的重要指標(biāo)，這也在一定程度上反映后續(xù)監(jiān)督分類的精度。由光譜可分離度的計算結(jié)果可知，Landsat-8和GF-1農(nóng)田和林地分離度分別1.949 02和1.916 03，水域和裸土的類別可分離度為1.999 23和1.999 08，這說明在藍(lán)光波段、綠光波段和紅光波段Landsat-8各地物的反射率略大于GF-1，Landsat-8在光譜可分離性方面優(yōu)于GF-1。

2.2分類面積比較

能夠最直觀地反映2種影像監(jiān)督分類后主要地類差異的就是各地類的面積。在對分類結(jié)果分析后提取了在2個傳感器上各地類的面積，再經(jīng)過分類統(tǒng)計后分別獲得了Landsat-8和GF-1各個影像ROIs地類面積和所占百分比的對比數(shù)據(jù)，由于分類面積統(tǒng)計中包含未分類的面積（背景面積），因此真實的地類面積百分比=地類百分比/（1-未分類百分比）×100%，可以根據(jù)此公式計算出各地類占總面積的百分比，主要地類面積百分比如表2所示。

從表2可以看出，Landsat-8分辨出的林地面積百分比（55.69%）高于GF-1（48.34%），據(jù)統(tǒng)計咸寧市林地覆蓋率在53%左右，因此基于Landsat-8圖像上分類出的林地更接近于真實值。

Landsat-8耕地面積百分比為18.49%，GF-1耕地面積百分比為12.39%，從分類后的結(jié)果來看，耕地大多分布在咸寧市的北部，根據(jù)實地考察目視解譯的結(jié)果可知，嘉魚縣（咸寧市北部）北部基本為種植基地和少部分的水產(chǎn)養(yǎng)殖基地，再對比地類分布圖可看出GF-1錯將少部分耕地分為林地，因此Landsat-8在林地與耕地的分類能力上要好于GF-1，主要是因為傳感器的不同，使得紅光與近紅外波段的光譜響應(yīng)函數(shù)不同，造成GF-1在林地上的接收信號弱于Landsat-8。建設(shè)用地和草地在GF-1影像上的面積百分比均比Landsat-8影像更接近于真實值（5.92%和1312%），說明在零碎分布地物類型方面GF-1的分類效果要好于Landsat-8。

2.3分類精度評價

為了檢驗分類樣本的精度和準(zhǔn)確性，需要對樣本分類圖進(jìn)行校驗和檢測，像監(jiān)督分類一樣選取訓(xùn)練樣本，但這些樣本需要選擇純凈像元，所謂純凈像元就是一個或者多個相同灰度值的像元，且每個地類需要的樣本數(shù)不宜過多，然后采用支持向量機方法進(jìn)行分類，并對分類結(jié)果進(jìn)行精度評價。

Landsat-8的分類總精度為85.76%，比GF-1的分類總精度（88.38%）低，分類結(jié)果較為理想。二者的Kappa系數(shù)分別為0.807 1 和0.820 4，均大于0.8，數(shù)據(jù)可靠性很高，且GF-1的Kappa系數(shù)大于Landsat-8，說明GF-1分類效果較好。對比Ground Truth中耕地的數(shù)據(jù)發(fā)現(xiàn)，Landsat-8對耕地的真實性（80.03%）高于GF-1（77.04%），其主要原因是波譜響應(yīng)函數(shù)的差異造成GF-1將有些耕地誤分為林地，Landsat-8在耕地方面的分類精度要高于GF-1。

GF-1對建設(shè)用地的分類精度明顯高于Landsat-8，因為在研究區(qū)分布較多水域、細(xì)小河流、村莊和城鎮(zhèn)的區(qū)域地物類型較為復(fù)雜，在具有更高分辨率的GF-1影像上混合像元少，細(xì)節(jié)信息和紋理較Landsat-8更明顯，從而分類效果更好。GF-1將部分未使用耕地或者部分收割農(nóng)田劃分為裸地，是造成裸地分類精度低于Landsat-8的主要原因。

3結(jié)論

不同傳感器參數(shù)的數(shù)據(jù)對土地利用分類結(jié)果有不同的影響，Landsat-8在耕地與林地、水域與裸地的地物可分離性方面高于GF-1，而且對提取出的林地面積百分比和耕地面積百分比更接近于真實值，原因是波譜響應(yīng)函數(shù)造成的差異使得Landsat-8對林地類型的接受信號好于GF-1。另外，Landsat-8藍(lán)光波段、綠光波段和紅光波段的光譜可分離性方面優(yōu)于GF-1，因此在林地方面Landsat-8的分類精度高于GF-1。GF-1的混淆矩陣中，建設(shè)用地的真實性明顯比Landsat-8的要高，而且GF-1具有較高的分辨率優(yōu)勢，這也可以說明GF-1對零碎分布地物類型的分類效果要好于Landsat-8。

總體來看，GF-1的分類效果要好于Landsat-8。Landsat-8和GF-1的分類精度分別為85.76%和88.38%，其Kappa系數(shù)分別為0.807 1和0.820 4。Landsat-8數(shù)據(jù)幅寬相對窄、重訪周期長、分辨率低等局限性限制了該系列衛(wèi)星只適合中低尺度的研究，而GF-1的高空間分辨率影像數(shù)據(jù)的大幅寬與重訪周期短等優(yōu)點使其在土地利用數(shù)據(jù)提取方面效果顯著，精度較高，因此在土地覆蓋分類研究中具有更廣闊的應(yīng)用前景。

參考文獻(xiàn)

[1]

董墨，王樹力.基于中分辨率遙感影像土地利用類型信息提取及動態(tài)[J].東北林業(yè)大學(xué)學(xué)報，2016（3）：95-100.

[2] 李芬.資源三號衛(wèi)星數(shù)據(jù)在土地利用遙感監(jiān)測中的應(yīng)用研究[D].長春：吉林大學(xué)，2013.

[3] 宋軍偉，張友靜，李鑫川，等.基于GF1與Landsat8影像的土地覆蓋分類比較[J].地理科學(xué)進(jìn)展，2016，35（2）：255-263.

[4] 方世明，鄭斌.區(qū)域城市化與經(jīng)濟(jì)協(xié)調(diào)發(fā)展測度研究：以咸寧市為例[J].中國地質(zhì)大學(xué)學(xué)報（社會科學(xué)版）， 2010，10（5）：112-118.

[5] 桂玲，孫華，陳利.基于中等分辨率遙感影像的桃源縣竹林信息提取研究[J].中國農(nóng)學(xué)通報， 2012，28（1）：85-91.

[6] 孫家波，曲杰卿，張超，等.基于高分辨率遙感影像的土地利用信息提取系統(tǒng)的設(shè)計與實現(xiàn)[J].測繪與空間地理信息，2012，35（11）：12-15.

[7] 劉世英，李宗仁，皮英楠.基于Landsat8與GF1衛(wèi)星數(shù)據(jù)的青海省濕地遙感調(diào)查及成果[J].青海國土經(jīng)略，2016（1）：55-59.

[8] 盧偉，文鴻雁，李淑.基于SVM的遙感影像空間特征提取和分類研究[J].山西建筑，2009，35（5）：10-12.