模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测

林 卉，朱 庆，胡召玲

(1.江苏师范大学测绘学院，江苏 徐州 221116；2.江苏师范大学城市与环境学院，江苏 徐州 221116)

模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测

林 卉1，朱 庆1，胡召玲2

(1.江苏师范大学测绘学院，江苏 徐州 221116；2.江苏师范大学城市与环境学院，江苏 徐州 221116)

针对目前土地覆盖变化检测常用的方法存在不同程度的误差累积，夸大了变化区域，提出模糊支持向量机(FSVM)和变化矢量分析(CVA)相结合的土地覆盖检测方法。以某矿区2004年和2008年两期的CBERS遥感影像进行了试验。结果表明，植被大幅减少，其他地类都有不同程度的增加，主要是由于开采规模和产量提升所致。通过与常规的其他两类方法比较发现，本文方法的总体精度、Kappa系数、漏检误差和虚检误差分别为92.67%、0.892 7%、5.79%、7.31%，比其他两种方法有较大提高，能够提供较全面的变化类别和准确信息，可以有效地应用于矿区土地覆盖动态监测。

土地覆盖变化检测；模糊支持向量机(FSVM)；变化矢量分析(CVA)；漏检误差；虚检误差

一、引 言

国际上利用遥感信息测量土地利用变化主要采用的方法有两类：地物光谱直接比较法和分类结果比较法[1]。前者采用直接光谱信息进行差值比较判断变化区域，避免了分类误差的累积，提高了变化像元位置的检测精度，但不能直接确定变化类型。同时，选择合适的阈值算法也是直接比较变化检测法中的决定因素，影响着最终检测精度。分类后比较变化检测法，是针对影像的全部范围，不管是否已经发生变化，都要进行分类计算，这样大大增加了变化信息检测的计算量，且最终变化检测精度积累了两次分类的误差，存在着虚检误差等精度方面的不足[2]。针对分类后比较法与光谱信息比较法的优缺点，以福建紫荆山金铜矿矿区为研究对象，提出了一种综合两类方法的优点，即模糊支持向量机(FSVM)与变化矢量分析(CVA)相结合的检测法进行矿区土地覆盖变化检测。试验表明，它兼具两者的优点，提高了土地覆盖变化信息检测精度。

二、研究区概况及数据资料

本文以某金铜矿矿区作为研究对象，该矿区位于福建上杭县城北的紫金山。1993年该矿开始实施地下开采工作，1997年由地下开采转向露天开采，2000年以后全转为露天开采，为铜金共生矿床，呈“上金下铜”的垂直分布特点。本次试验采用了CBERS-02/02B卫星遥感多光谱数据，其获取时间分别为2004年10月16日、2008年11月20日，还有2008年矿区的1∶10 000地形图和2007年矿区土地利用现状图。经过相对辐射校正与几何校正等预处理后，裁剪同一研究区范围，大小为400像素×400像素，该区域内有一主矿区，位于影像中部偏东，汀河自北向南流经此矿区。研究区两个时期假彩色合成影像如图1所示，方框为变化主要区域。

图1 研究区CBERS假彩色合成遥感影像(R-4、G-3、B-2)

三、数据处理

基本思路是分别利用FSVM法进行各时相的分类处理，得到2004年和2008年的土地分类图；然后对2004年与2008年的多光谱影像采用CVA提取2004—2008年的变化像元，并进行分类，得到变化像元分类图；接着与2004年的分类图进行叠加，得到2008年的土地分类图；最后对两期分类图通过GIS进行叠加分析，提取土地变化信息。

1.模糊支持向量机

2002年，文献[3]提出了Fuzzy SVM(FSVM)算法。

设有一个n个数据的训练集{xi，yi}，(i＝1，2，…，n)，其中xi为训练数据集，yi为训练目标，xi∈Rn，yi∈{－1，1}，常规支持向量机训练算法通常没有考虑训练样本对分类的贡献，本文引入一个模糊因子si，表示训练样本对类中心的隶属程度，定义为式中，表示某类聚类中心；σ2为常数，按实际需求取值。由公式可以看出，0＜si≤1，xi偏离聚类中心x越远时，si越小，即xi隶属于该类可能性越小。

该方法就是为训练数据集增加一个属性si，即(xi，yi，si)。将线性可分与线性不可分归并到一种情况考虑，引入松弛因子ξi，如果分类超平面为ω· xi＋b＝0，满足约束

式中，ξi≥0，i＝1，2，…，l，其中ξi＝0表示线性可分。

最后该FSVM方法可由如下二次规划过程实现

与普通SVM训练算法不同的是，该类模糊支持向量机在训练二次规划过程的约束条件中加入可变的si(0≤si≤1)参数，强调样本对分类的不同贡献，从而得到模糊训练的目标。实践证明模糊支持向量机在遥感影像分类中可取得很好的精度。

2.变化矢量分析

变化矢量分析(CVA)是用多波段遥感影像数据构建一个向量空间，向量空间的维数就是波段数，描述从一个时相到另一个时相间光谱向量空间变化的大小和方向的变化检测方法。其原理公式

式中，G、H为时相t1、t2图像的像元灰级矢量；ΔG为两个不同时相图像存在的变化信息，其变化强度由决定，值越大则表明两个时相图像的差异性越大，发生变化的可能性也越大[4]。

3.变化检测阈值确定

本文采用双窗口变步长阈值搜索法应用于CVA方法中来确定变化检测的阈值[5]。首先通过人机交互选择若干典型变化区为训练样区。在这些典型变化区外部通过缓冲区分析设置外边界，构成“双窗口”，以步长p1＝(b－a)/n，(n为可任意设定的正整数，[a，b]为整景图像的变化强度范围)，在[a，b]范围内设定阈值分别为b－p1、b－2p1、b－3p1、…，以各阈值为标准从训练样区变化强度图像中判定出变化像元和非变化像元；计算某一阈值k下的检验成功率Lk。如果搜寻出的检测成功率最大时对应的阈值为k，则在[k－p1，k＋p1]范围内，减小步长(n增大)开始下一次搜寻；当搜寻范围内的各阈值所对应的最大成功率与最小成功率之差小于某一给定常数δ时，即可得到变化检测的最佳阈值[6-7]。

4.试验结果与分析

按照上述方法对2004年和2008年两期遥感数据进行土地变化检测处理，相关结果如图2所示。图2(a)、图2(c)为两期的土地分类图，图2 (b)为变化像元区域图。各土地类型统计数据见表1。为了定量比较CVA和FSVM方法结果的差异，在辅助资料和野外资料的基础上，采用点随机抽样、在辅助资料帮助下目视判读的方法，共安排400个检验点，得到土地分类图(如图2(d)、图2 (e)所示)，并进行精度检验，分别计算了总体精度、Kappa系数、漏检误差和虚检误差，表2显示了3种方法的精度对比。

图2 FSVM和CVA相结合的土地变化检测分类图

表1 各时期土地覆盖类型面积统计(像元个数)

表2 2004—2008年不同变化检测方法精度对比

由图2可知，从目视解译来看，变化的区域主要集中在主矿区附近，并向四周扩展，如图2(a)、图2 (c)中的白色框所示。从中可以明显看出，未利用地(含矿石处理区)、建筑用地、排土场和水体都有不同程度的增加，植被面积在减少。从变化像元区域图2(b)也可以看出，变化的区域集中在主矿井，与图2(a)、图2(c)所示基本吻合。同时通过与地形图和土地利用现状图相比，图2(c)比图2(d)、图2 (e)更接近实际，可靠性更高。虽然2004—2008年间矿区内地类变化较为明显，但由于矿石不同状态下被划分为不同地物类别，因此造成分类后变化检测的结果存在与目视判别结果有所差别，如在图2(b)中小框里检测出汀河流域变化就是虚检误差(commission error，指未发生变化的地类检测为变化的地类)所致。

从表1中可知，由于开采规模的扩大和时间的积累，研究区内植被地类面积在减少，从2004年的76.83%下降到2008年的60.79%，变化率达16.04%，通过与地形图和土地利用现状图对比，基本被矿石、露天采出的表土所覆盖，严重损坏了植被覆盖，导致矿区生态环境日益恶化。随着产量的增加，开采出大量的废弃矿石被堆积起来，未利用地(矿石处理区)区域面积在不断扩大，从2004年的1.68%上升至9.24%，矿石的堆放受到自然因素影响，造成土壤破坏和侵蚀，也污染水质。水体面积也在增加，这主要由于一些采矿区没有及时回填和复垦，形成天然的洼地，长年累月形成了池塘或水池。建筑用地增加是由于居民的增加，房屋建设、各种基础设施和配套设施所需，逐步形成了一个现代化的城镇。排土场在露天开采中占用面积很大，由于该矿为露天开采，剥离出大量的表土堆积在矿区四周，随着开采规模的不断扩大，排土量越来越大，导致用来堆放这些土块的排土场面积在扩大。通过对比地形图和土地利用图，发现早期的一些排土场被慢慢改造形成了良田和庄稼地，由于影像所示时间为10月份，农作物已经收割，因此都被划分为排土场(裸土)，但这部分面积不多，零星分布，从Google Earth地图来看，这片区域地形复杂，山地多，且为矿区范围，因此排土场的开发和复垦难度较大。总之，几年间，随着矿区的开采规模扩大和速度升级，植被覆盖遭到破坏，面积在大幅减少，而未利用地、水体、排土场和建筑用地面积逐渐增加，在获得高额的经济效益的同时，生态环境效益受到一定程度的破坏[8]。

漏检误差和虚检误差是衡量变化检测方法优劣的重要指标。表2数据显示，CVA检测法漏检误差(15.69%)比虚检误差(8.81%)要大很多；相反，FSVM分类检测法虚检误差(7.44%)比漏检误差(18.33%)要大，从图2(d)、图2(e)目视解译可以看出这个特点。同时FSVM结合CVA检测法在总体精度、Kappa系数、漏检误差和虚检误差方面都要好于前两种方法，分别达到了92.67%、0.892 7%、5.79%、7.31%。可以看出第3种方法综合了前两者的优点，大大提高了检测精度与准确性。

四、结束语

1)试验数据表明，FSVM结合CVA检测法精度指标优于其他两种方法，它综合了分类后变化检测与光谱直接检测的优点，避免了分类前、后变化检测方法的缺点，避免了相同地类重复分类工作，提高了土地覆盖变化信息检测精度[9]。

2)在2004—2008年间，该矿区的土地利用覆盖类型发生了很大变化，表现为植被面积大幅减少，变化率达到16.04%，其他地类趋于增加，尤以未利用地(含矿石处理区)增加最大，占有率、变化率达9.24%和7.56%，主要是开采规模和产量提高所致。这对生态环境造成一定不利影响，需要相关部门综合考虑。

3)FSVM结合CVA检测法涉及检测变化与未变化的信息，如何合理确定阈值是关键问题，也是需要继续探讨的问题。同时，变化检测是一个非常复杂的问题，任何一种方法都无法完成各种变化检测的需要，如何整合各种方法的优势，在不同尺度范畴下来检测变化是其研究热点之一[10]。

[1] MAS J F.Monitor Land Cover Changes：A Comparison of Change Detection Techniques[J].Remote Sensing，1999，20(1)：130-154.

[2] 李月臣，杨华，刘春霞，等.土地覆盖变化遥感检测方法[J].水土保持研究，2006，13(1)：209-216.

[3] 许磊.支持向量机和模糊理论在遥感图像分类中的应用[D].无锡：江南大学，2006.

[4] 何春阳，陈晋，陈云浩，等.土地利用/覆盖变化动态监测方法研究[J].自然资源学报，2001，16(3)：255-262.

[5] 冯德俊，李永树，兰燕.基于主成分变换的动态监测变化信息自动发现[J].计算机工程与应用，2004，40 (36)：199-202.

[6] 王萍，张继贤，林宗坚，等.基于多源遥感数据融合的土地利用/土地覆盖变化信息提取试验[J].测绘通报，2003(4)：14-17.

[7] 杜培军，林卉，孙敦新.基于支持向量机的高光谱遥感分类进展[J].测绘通报，2006(12)：37-40.

[8] 潘耀忠，陈志军，聂娟，等.基于多源遥感的土地利用动态变化信息综合监测方法研究[J].地球科学进展，2002，17(2)：182-187.

[9] 朱运海，张百，曹银璇，等.土地利用/覆被变化遥感检测方法与应用分析[J].地球信息科学，2007，9(3)：116-122.

[10] 李平，吴曼乔，曾联明.支持向量机技术在土地利用监测的应用研究[J].测绘通报，2010(8)：28-32.

Land Cover Change Detection Based on Mixed Dynamic Monitoring Method in Mining Area

LIN Hui，ZHU Qing，HU Zhaoling

P237

B

0494-0911(2014)11-0025-03

2014-04-25

国家科技支撑计划(2012BAH31B00)；国家自然科学基金(41171351；411101428)；现代工程测量国家测绘地理信息局重点实验室经费(TJES1204)；地理空间信息工程国家测绘地理信息局重点实验室经费(201310)；江苏省高校自然科学研究面上项目(12KJB420001)

林 卉(1973—)，男，湖南武冈人，博士生，副教授，主要研究方向为遥感图像处理。

林卉，朱庆，胡召玲.模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测[J].测绘通报，2014(11)：25-27.

10. 13474/j.cnki.11-2246.2014.0355