基于支持向量机分类的耕地变化检测

李智宇 张莉

利用2015年、2017年的Landsat-8影像和2018年航空影像，融合光谱和纹理特征，先使用支持向量机法对不同时相的数据分类，再对分类结果进行比较，获取变化信息。对广西壮族自治区旺甫镇部分地区耕地进行了变化检测并分析。结果证明，两年期间区内耕地减少了约0.9km2，约占耕地面积的21%，耕地主要转化为了道路、建筑物和经济作物。

耕地是人类赖以生存的基础和保障，也关系着我国经济和社会的可持续发展。利用遥感手段进行耕地变化检测具有宏观性和便捷性，可以持续获取耕地的变化情况，尤其是在交通不便、地势复杂的地区具有明显的技术和经济优势。

遥感变化检测常用的方法可分为两大类：分类前比较法和分类后比较法。

分类前比较法又称为直接法，可进一步分为：差值法、比值法、指数法、主成分分析法、影像回归法、假彩色合成法、交叉相关分析法和变化矢量分析法等。周晓光等利用灰度差值、NDVI差值、灰度比值、主成分分析法等四种方法对TM影像进行了变化检测，发现就单一方法而言，精度都不够理想，需要对四种方法进行有效组合才能提高精度。分类后比较法先对影像先进行分类，再对分类结果进行比较，提取变化信息。这种方法可以回避不同时相不同传感器带来的归一化问题，变化检测的结果依赖于分类的精度。满卫东等利用面向对象和目视解译相结合的方法对东北地区的耕地进行了分类后变化检测，总体精度较高。目前还发展出一些新的基于机器学习的分类算法，如支持向量机（Support Vector Machine， SVM）分类、神经网络分类、决策树分类等。闫琰等对同一TM图像比较了ENVI软件中最小距离法、最大似然法、神经网络法和SVM方法这四种监督分类方法，结论是SVM方法的精度最高。惠文华利用TM影像比较了仅利用光谱特征的最大似然法、SVM方法以及影像纹理和光谱特征相结合的SVM方法，结论是后者的精度最高。

一、原理与处理流程

（一）原理

变化检测是比较分析同一区域不同时相的遥感数据，以得到地表变化的程度、过程和特点等信息。分类前比较法为对两幅影像的某一特征值如灰度值、纹理、特征指数等进行差值或比值等数学运算，当运算的结果大于某一设定阈值时，则认为像元对应的地表发生了变化。以差值法为例，其数学模型为：

Rij 为比值结果，其越接近1，则代表发生变化的可能性越小，反之则越大，当大于阈值时，则判定该像元发生了变化。

分类后比较法则是先根据特征对影像进行分类，再对不同时相的分类结果进行比较，提取变化区域，并获得地物的前后转化类别。

（二）处理流程

本文采用结合影像光谱和纹理特征的SVM分类方法，对影像先分类后比较，提取耕地变化信息，并进行结果分析。

具体的技术路线见图1。首先将影像的多光谱波段和全色波段进行融合，并在研究区域内根据光谱特征选择监督分类的样本。再生成纹理影像，通过样本在纹理影像上的特征曲线选择合适的纹理特征，将光谱波段和纹理特征进行合成。然后利用支持向量机的方法对影像进行监督分类，并对分类结果进行精度验证。接着将两个年份的影像进行变化检测，得到耕地的变化信息，最终对耕地的变化进行一系列的分析。

二、实验

（一）实验区

旺甫镇（图2）地处苍梧县南部，位于梧州市北郊。旺甫镇地处丘陵地区，而居民地多处于地势平坦地带，耕地多分布于居民地周围，少部分分布于丘陵之上。耕地面积狭小，分布零散，特征不明显，人眼难以识别，因此在提取耕地之前有必要将影像的多光谱波段与全色波段进行融合。本文选取位于旺甫镇西南的大新村和旺甫村部分区域（图2左白色框内）作为研究对象，该区域建筑物、道路和耕地等分布相对集中，为近年来旺甫镇推进工业小镇建设的重点区域，耕地变化较大。

影像数据包括两幅Landsat-8影像，拍摄时间分别为2017年10月30日和2015年10月16日，同时还有2018年该区域的航空影像（图2右）。

（二）数据预处理

由于研究区耕地面积狭小而破碎，在Landsat-8原始的30m分辨率影像上难以人眼识别，需要对影像7个多光谱波段和全色波段进行融合，本研究使用Gram-Schmidt Pan Sharpening方法融合，该方法可以很好地同时保留影像的光谱和纹理特征[9]。对融合后的影像和航空影像进行裁剪和掩膜，获取研究区域的影像。再将研究区域遥感影像与航空影像进行配准，以便于后续的样本点选择及精度验证。

（三）纹理特征选择

本研究将地物分为耕地、植被、建筑物、裸地、道路和水体共6类，通过遥感影像的光谱特征并结合航空影像选择出各类别的样本。对融合影像的7个多光谱波段进行主成分分析，计算第一主成分的灰度共生矩阵，提取均值（Mean）、方差（Variance）、 协同性（Homogeneity）、 对比度（Contrast）、 相异性（Dissimilarity）、熵值（Entropy）、二阶矩（Second Moment）、相关性（Correlation）共8個纹理特征。从训练样本的纹理特征曲线（图3）可以看出，纹理特征的第1、2、4波段，可以较好地区分这几类地物。将这三个纹理特征和多光谱影像的7个波段进行合成，生成新的10波段影像。