基于高分辨率遥感影像的河套灌区耕地信息提取研究

王海霞 丁春莲 韩奋

摘  要：利用libsvm软件包的交叉验证方法选择了支持向量机的最优参数，利用ENVI5.1软件将支持向量机作为分类器，对覆盖整个河套灌域的2014年5-9月的高分一号和资源三号卫星遥感影像进行监督分类，提取出灌区耕地信息，经过人工修改，最终得到河套灌区耕地面积为634804.81ha，几何精度为91.23%，属性精度为93%。

关键词：遥感技术;支持向量机（SVM）;耕地提取

中图分类号：P237 文献标志码：A 文章编号：2095-2945（2019）22-0050-03

Abstract： The optimal parameters of support vector machine are selected using the cross-verification method of LIBSVM software package， and the support vector machine is used as the classifier to supervise and classify the satellite remote sensing images of Gaofen No.1 and Resource No.3， which cover the whole Hetao irrigation area from May to September 2014. The cultivated land information is extracted. After manual modification， the cultivated land area of Hetao irrigation area is 634804.81ha， the geometric accuracy is 91.23% and the attribute accuracy is 93%.

Keywords： remote sensing technology; support vector machine （SVM）; cultivated land extraction

引言

耕地是宝贵的物质资源，也是工、农业持续发展的重要基础[1]。随着人口的不断增长，人类对居住环境、住房面积的需求也随着增加，对耕地的私用、滥用及非法开发事件屡见不鲜，因此，科学、实时、准确地获取耕地数据为保护耕地提供准确的依据。利用高分辨率卫星遥感影像来获取丰富而详尽的耕地信息是目前最有效的手段。本研究利用高分一号和资源三号卫星遥感影像对河套灌区耕地信息提取，具体研究如下。

1 技术路线

整个耕地提取过程分为三大部分内容，依次是遥感影像预处理、耕地提取、精度验证，具体操作如图1。

2 耕地信息提取

2.1 卫星影像预处理

本研究选用了高分一号（全色波段2m，多光谱波段8m）和资源三号（全色波段2.1m，多光谱波段5.8m）卫星遥感影像，为获得更加准确的耕地信息，结合河套灌区水文、气候特点及农作物的生长特点选择了2015年5-10月的卫片。

利用ENVI5.1遥感处理软件完成覆盖整个灌区卫星影像的预处理，主要处理有全色影像和多光譜影像的正射校正、图像融合、图像镶嵌等处理。利用ArcMap10.2对灌区的行政规划图进行配准，并对其进行矢量化得到灌区内乌兰布和、解放闸、 永济、 义长、 乌拉特五大灌区界线，使用这五大灌区界线的矢量数据，对处理好的灌区影像进行掩膜裁剪处理、增强处理。

2.2 耕地提取

2.2.1 定义分类样本

根据整个灌区地表覆盖的地域特点，将该区的土地利用分为耕地、道路、水体、居民地、林地、裸地六大类。利用实地GPS定位踏查的六大类多地区的数据作为分类样本，采用ENVI5.1中的ROI Tool确定样本对应的遥感影像像元，并确定分类样本及检测样本，使用Computer ROI Separability工具计算分类样本的可分离性几乎在1.78-2.0之间[2]（如图2）。

2.2.2 监督分类

该研究选择监督分类，分类器选择的是支持向量机（SVM），SVM是一种建立在统计学理论基础上的模式识别的自学习方法，通过自动寻找对分类有较好区分度的支持向量，建立某个超平面，该方法构建的分类器可以最大化类间距离，将训练集中的数据分离开，获得较优的分类结果[3]。

充分利用高分辨率遥感图像维数高、数据不确定性及地物波谱曲线连续、纹理复杂、数据量大的特点。SVM算法利用核函数将非线性变换映射到高维的特征空间，在高维空间中构造线性判别函数来获取原空间中的非线性判别函数，巧妙地解决了维数数据不确定性的问题[4]。通过分析已有的遥感影像分类实验表明SVM较神经网络、最大似然、平行六面体、最小距离等方法的稳定性与精度更高[5]。

选择灌区内1024*1024像素大小作为研究区域，依次采用四种常用核函数线性函数、多项式核函数、径向基核函数、间隔松弛向量函数进行基于支持向量机的监督分类。主要参数设置如下：多项式核函数的级数（Degree of Polynomial Kernel），用来衡量不同类别边界的准确度，输入范围是（1，6），理论上取值增大准确度就越高，但是实际上如果选值太大会使分类变成噪声的可能性增加，这里根据实验设置为3;核参数？酌（Gamma in kernel Function）设置为输入影像波段数的倒数0.25;惩罚参数（Penalty Parameter）体现对误差的容忍度，该值设置越高，反映对出现误差的现象越不能容忍，更为严重的后果是会造成严重的“椒盐”现象，根据实验该值设置为100[6]。

将上诉四类核函数SVM监督分类的结果与GPS取样数据计算得到分类误差混淆矩阵，获得SVM分类不同核函数的错分误差、漏分误差、制图精度、用户精度、总精度、Kappa系数，以径向基SVM的分类误差混淆矩阵为例如表1，水体的错分误差为0，漏分误差为10.3、制图精度89.71、用户精度100，表明在六大类中水体的可分离度最高，与样本可分离性统计表的结果一致。四种核函数SVM监督分类的精度如表2，其中径向基SVM监督分类的精度最高，总精度达到87.8587%，Kappa系数为0.81333，间隔松弛向量函数SVM的精度最低，总精度达到76.4240%，Kappa系数为0.6355。本研究采用径向基SVM进行土地利用监督分类。

    2.2.3 分类后处理

基于SVM的灌区耕地信息监督分类，产生“椒盐”现象是无法避免地，因此需要对“椒盐”噪点进行剔除或者再次进行分类。一般采用的分类后处理方法有Majority/Minority分析、聚类处理和过滤处理三种，通过实验对比Majority/Minority分析进行分类后处理的效果最好[7]，同时采用变换核为7×7的像元类别代替中心像元。

3 精度评价

精度评估分为两部分几何精度评估与属性精度评估。

3.1 几何精度评估

几何精度评估主要指图斑的大小、形状与位置误差等量算精度的评估。

（1）采样方法

通过实地抽样调查法、高精度影像检验两种方法相结合，将精提后的耕地按图斑面积进行分层，根据情况将精提后的耕地按乌兰布和、解放闸、永济、义长、乌拉特五大灌区进行分层，由于实际情况限制，实地面积量算较少，共抽取80个面，在每个灌区内分别随机抽取16个面，多利用Google Earth的高分辨率影像进行对比精度检验。

（2）精度评估

对比耕地的提取面积和实际测量面积，耕地提取的形状、位置与实际吻合。另外，通过统计得到乌兰布和灌域耕地面积提取的几何精度为91.51%，解放闸灌域的几何精度为88.81%，永济灌域的几何精度为90.03%，义长灌域的几何精度为95.05%，乌拉特灌域的几何精度为90.73%，河套灌区耕地面积提取的几何精度为91.23%。

3.2 属性精度评估

属性精度评估包括类别误差与遗漏误差。

（1）采样方法

通过实地抽样调查法和高精度影像检验两种方法相结合，将精提后的耕地按乌兰布和、解放闸、永济、义长、乌拉特五大灌区进行分层，在每个灌区内，分别随机抽取20个点共100个点，此过程利用Google Earth的高分辨率影像進行对比精度检验。

（2）精度评估

随机选择的100个点中有7个为误分或遗漏，所以得到河套灌区耕地面积提取的属性精度为93%。

最终得到河套灌区耕地面积为634804.81ha，几何精度为91.23%，属性精度为93%。

4 结束语

本文使用基于SVM的监督分类方式提取了河套灌区的耕地信息，由于光学遥感本身不可避免的“同物异谱”和“同谱异物”现象，使分类结果必然存在一定误差，为了更加准确的反映该区域的实际耕地信息，本研究对提取结果进行了人工修改，最终获得了精度较高的结果。由于农作物在不同时期具有显著的生长特点，今后可考虑依据NDVI进行耕地信息提取。另外，在研究方法上仅使用了单窗口纹理的SVM分类，后期人工修改的工作量较为庞大，适当研究使用多窗口纹理的SVM分类能有效减少人工修改的工作量，进而提高耕地提取的效率。

参考文献：

[1]邓际洪.基于PSR模型的四川省耕地可持续利用评价[D].四川农业大学，2015.

[2]许广军，吴玉炜，周智明.应用遥感影像分类方法的土地利用情况分析[J].科技资讯，2016，4：12-13.

[3]罗建华.基于粗糙集与神经网络的数据分类研究及应用[D].大连理工大学，2008.

[4]刘伟.车牌识别系统中字符识别技术的研究[D].东华大学，2012.

[5]邵振峰，潘银，等.基于Landsat年际序列影像的武汉市不透水面遥感监测[J].地理空间信息，2018，1：1-5+7.

[6]王海霞，韩奋，吴玲敏.基于支持向量机的河套灌区耕地信息提取[J].产业与科技论坛，2016，24（1）：84-86.

[7]陈利.基于混合像元分解方法的MODIS森林类型识别研究[D].中南林业科技大学，2014.