模糊支持向量機和變化矢量分析相結合的礦區土地覆蓋變化檢測

林 卉，朱 慶，胡召玲

(1.江蘇師范大學測繪學院，江蘇 徐州 221116；2.江蘇師范大學城市與環境學院，江蘇 徐州 221116)

模糊支持向量機和變化矢量分析相結合的礦區土地覆蓋變化檢測

林 卉1，朱 慶1，胡召玲2

(1.江蘇師范大學測繪學院，江蘇 徐州 221116；2.江蘇師范大學城市與環境學院，江蘇 徐州 221116)

針對目前土地覆蓋變化檢測常用的方法存在不同程度的誤差累積，夸大了變化區域，提出模糊支持向量機(FSVM)和變化矢量分析(CVA)相結合的土地覆蓋檢測方法。以某礦區2004年和2008年兩期的CBERS遙感影像進行了試驗。結果表明，植被大幅減少，其他地類都有不同程度的增加，主要是由于開采規模和產量提升所致。通過與常規的其他兩類方法比較發現，本文方法的總體精度、Kappa系數、漏檢誤差和虛檢誤差分別為92.67%、0.892 7%、5.79%、7.31%，比其他兩種方法有較大提高，能夠提供較全面的變化類別和準確信息，可以有效地應用于礦區土地覆蓋動態監測。

土地覆蓋變化檢測；模糊支持向量機(FSVM)；變化矢量分析(CVA)；漏檢誤差；虛檢誤差

一、引 言

國際上利用遙感信息測量土地利用變化主要采用的方法有兩類：地物光譜直接比較法和分類結果比較法[1]。前者采用直接光譜信息進行差值比較判斷變化區域，避免了分類誤差的累積，提高了變化像元位置的檢測精度，但不能直接確定變化類型。同時，選擇合適的閾值算法也是直接比較變化檢測法中的決定因素，影響著最終檢測精度。分類后比較變化檢測法，是針對影像的全部范圍，不管是否已經發生變化，都要進行分類計算，這樣大大增加了變化信息檢測的計算量，且最終變化檢測精度積累了兩次分類的誤差，存在著虛檢誤差等精度方面的不足[2]。針對分類后比較法與光譜信息比較法的優缺點，以福建紫荊山金銅礦礦區為研究對象，提出了一種綜合兩類方法的優點，即模糊支持向量機(FSVM)與變化矢量分析(CVA)相結合的檢測法進行礦區土地覆蓋變化檢測。試驗表明，它兼具兩者的優點，提高了土地覆蓋變化信息檢測精度。

二、研究區概況及數據資料

本文以某金銅礦礦區作為研究對象，該礦區位于福建上杭縣城北的紫金山。1993年該礦開始實施地下開采工作，1997年由地下開采轉向露天開采，2000年以后全轉為露天開采，為銅金共生礦床，呈“上金下銅”的垂直分布特點。本次試驗采用了CBERS-02/02B衛星遙感多光譜數據，其獲取時間分別為2004年10月16日、2008年11月20日，還有2008年礦區的1∶10 000地形圖和2007年礦區土地利用現狀圖。經過相對輻射校正與幾何校正等預處理后，裁剪同一研究區范圍，大小為400像素×400像素，該區域內有一主礦區，位于影像中部偏東，汀河自北向南流經此礦區。研究區兩個時期假彩色合成影像如圖1所示，方框為變化主要區域。

圖1 研究區CBERS假彩色合成遙感影像(R-4、G-3、B-2)

三、數據處理

基本思路是分別利用FSVM法進行各時相的分類處理，得到2004年和2008年的土地分類圖；然后對2004年與2008年的多光譜影像采用CVA提取2004—2008年的變化像元，并進行分類，得到變化像元分類圖；接著與2004年的分類圖進行疊加，得到2008年的土地分類圖；最后對兩期分類圖通過GIS進行疊加分析，提取土地變化信息。

1.模糊支持向量機

2002年，文獻[3]提出了Fuzzy SVM(FSVM)算法。

設有一個n個數據的訓練集{xi，yi}，(i＝1，2，…，n)，其中xi為訓練數據集，yi為訓練目標，xi∈Rn，yi∈{－1，1}，常規支持向量機訓練算法通常沒有考慮訓練樣本對分類的貢獻，本文引入一個模糊因子si，表示訓練樣本對類中心的隸屬程度，定義為式中，表示某類聚類中心；σ2為常數，按實際需求取值。由公式可以看出，0＜si≤1，xi偏離聚類中心x越遠時，si越小，即xi隸屬于該類可能性越小。

該方法就是為訓練數據集增加一個屬性si，即(xi，yi，si)。將線性可分與線性不可分歸并到一種情況考慮，引入松弛因子ξi，如果分類超平面為ω· xi＋b＝0，滿足約束

式中，ξi≥0，i＝1，2，…，l，其中ξi＝0表示線性可分。

最后該FSVM方法可由如下二次規劃過程實現

與普通SVM訓練算法不同的是，該類模糊支持向量機在訓練二次規劃過程的約束條件中加入可變的si(0≤si≤1)參數，強調樣本對分類的不同貢獻，從而得到模糊訓練的目標。實踐證明模糊支持向量機在遙感影像分類中可取得很好的精度。

2.變化矢量分析

變化矢量分析(CVA)是用多波段遙感影像數據構建一個向量空間，向量空間的維數就是波段數，描述從一個時相到另一個時相間光譜向量空間變化的大小和方向的變化檢測方法。其原理公式

式中，G、H為時相t1、t2圖像的像元灰級矢量；ΔG為兩個不同時相圖像存在的變化信息，其變化強度由決定，值越大則表明兩個時相圖像的差異性越大，發生變化的可能性也越大[4]。

3.變化檢測閾值確定

本文采用雙窗口變步長閾值搜索法應用于CVA方法中來確定變化檢測的閾值[5]。首先通過人機交互選擇若干典型變化區為訓練樣區。在這些典型變化區外部通過緩沖區分析設置外邊界，構成“雙窗口”，以步長p1＝(b－a)/n，(n為可任意設定的正整數，[a，b]為整景圖像的變化強度范圍)，在[a，b]范圍內設定閾值分別為b－p1、b－2p1、b－3p1、…，以各閾值為標準從訓練樣區變化強度圖像中判定出變化像元和非變化像元；計算某一閾值k下的檢驗成功率Lk。如果搜尋出的檢測成功率最大時對應的閾值為k，則在[k－p1，k＋p1]范圍內，減小步長(n增大)開始下一次搜尋；當搜尋范圍內的各閾值所對應的最大成功率與最小成功率之差小于某一給定常數δ時，即可得到變化檢測的最佳閾值[6-7]。

4.試驗結果與分析

按照上述方法對2004年和2008年兩期遙感數據進行土地變化檢測處理，相關結果如圖2所示。圖2(a)、圖2(c)為兩期的土地分類圖，圖2 (b)為變化像元區域圖。各土地類型統計數據見表1。為了定量比較CVA和FSVM方法結果的差異，在輔助資料和野外資料的基礎上，采用點隨機抽樣、在輔助資料幫助下目視判讀的方法，共安排400個檢驗點，得到土地分類圖(如圖2(d)、圖2 (e)所示)，并進行精度檢驗，分別計算了總體精度、Kappa系數、漏檢誤差和虛檢誤差，表2顯示了3種方法的精度對比。

圖2 FSVM和CVA相結合的土地變化檢測分類圖

表1 各時期土地覆蓋類型面積統計(像元個數)

表2 2004—2008年不同變化檢測方法精度對比

由圖2可知，從目視解譯來看，變化的區域主要集中在主礦區附近，并向四周擴展，如圖2(a)、圖2 (c)中的白色框所示。從中可以明顯看出，未利用地(含礦石處理區)、建筑用地、排土場和水體都有不同程度的增加，植被面積在減少。從變化像元區域圖2(b)也可以看出，變化的區域集中在主礦井，與圖2(a)、圖2(c)所示基本吻合。同時通過與地形圖和土地利用現狀圖相比，圖2(c)比圖2(d)、圖2 (e)更接近實際，可靠性更高。雖然2004—2008年間礦區內地類變化較為明顯，但由于礦石不同狀態下被劃分為不同地物類別，因此造成分類后變化檢測的結果存在與目視判別結果有所差別，如在圖2(b)中小框里檢測出汀河流域變化就是虛檢誤差(commission error，指未發生變化的地類檢測為變化的地類)所致。

從表1中可知，由于開采規模的擴大和時間的積累，研究區內植被地類面積在減少，從2004年的76.83%下降到2008年的60.79%，變化率達16.04%，通過與地形圖和土地利用現狀圖對比，基本被礦石、露天采出的表土所覆蓋，嚴重損壞了植被覆蓋，導致礦區生態環境日益惡化。隨著產量的增加，開采出大量的廢棄礦石被堆積起來，未利用地(礦石處理區)區域面積在不斷擴大，從2004年的1.68%上升至9.24%，礦石的堆放受到自然因素影響，造成土壤破壞和侵蝕，也污染水質。水體面積也在增加，這主要由于一些采礦區沒有及時回填和復墾，形成天然的洼地，長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，房屋建設、各種基礎設施和配套設施所需，逐步形成了一個現代化的城鎮。排土場在露天開采中占用面積很大，由于該礦為露天開采，剝離出大量的表土堆積在礦區四周，隨著開采規模的不斷擴大，排土量越來越大，導致用來堆放這些土塊的排土場面積在擴大。通過對比地形圖和土地利用圖，發現早期的一些排土場被慢慢改造形成了良田和莊稼地，由于影像所示時間為10月份，農作物已經收割，因此都被劃分為排土場(裸土)，但這部分面積不多，零星分布，從Google Earth地圖來看，這片區域地形復雜，山地多，且為礦區范圍，因此排土場的開發和復墾難度較大。總之，幾年間，隨著礦區的開采規模擴大和速度升級，植被覆蓋遭到破壞，面積在大幅減少，而未利用地、水體、排土場和建筑用地面積逐漸增加，在獲得高額的經濟效益的同時，生態環境效益受到一定程度的破壞[8]。

漏檢誤差和虛檢誤差是衡量變化檢測方法優劣的重要指標。表2數據顯示，CVA檢測法漏檢誤差(15.69%)比虛檢誤差(8.81%)要大很多；相反，FSVM分類檢測法虛檢誤差(7.44%)比漏檢誤差(18.33%)要大，從圖2(d)、圖2(e)目視解譯可以看出這個特點。同時FSVM結合CVA檢測法在總體精度、Kappa系數、漏檢誤差和虛檢誤差方面都要好于前兩種方法，分別達到了92.67%、0.892 7%、5.79%、7.31%。可以看出第3種方法綜合了前兩者的優點，大大提高了檢測精度與準確性。

四、結束語

1)試驗數據表明，FSVM結合CVA檢測法精度指標優于其他兩種方法，它綜合了分類后變化檢測與光譜直接檢測的優點，避免了分類前、后變化檢測方法的缺點，避免了相同地類重復分類工作，提高了土地覆蓋變化信息檢測精度[9]。

2)在2004—2008年間，該礦區的土地利用覆蓋類型發生了很大變化，表現為植被面積大幅減少，變化率達到16.04%，其他地類趨于增加，尤以未利用地(含礦石處理區)增加最大，占有率、變化率達9.24%和7.56%，主要是開采規模和產量提高所致。這對生態環境造成一定不利影響，需要相關部門綜合考慮。

3)FSVM結合CVA檢測法涉及檢測變化與未變化的信息，如何合理確定閾值是關鍵問題，也是需要繼續探討的問題。同時，變化檢測是一個非常復雜的問題，任何一種方法都無法完成各種變化檢測的需要，如何整合各種方法的優勢，在不同尺度范疇下來檢測變化是其研究熱點之一[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，楊華，劉春霞，等.土地覆蓋變化遙感檢測方法[J].水土保持研究，2006，13(1)：209-216.

[3] 許磊.支持向量機和模糊理論在遙感圖像分類中的應用[D].無錫：江南大學，2006.

[4] 何春陽，陳晉，陳云浩，等.土地利用/覆蓋變化動態監測方法研究[J].自然資源學報，2001，16(3)：255-262.

[5] 馮德俊，李永樹，蘭燕.基于主成分變換的動態監測變化信息自動發現[J].計算機工程與應用，2004，40 (36)：199-202.

[6] 王萍，張繼賢，林宗堅，等.基于多源遙感數據融合的土地利用/土地覆蓋變化信息提取試驗[J].測繪通報，2003(4)：14-17.

[7] 杜培軍，林卉，孫敦新.基于支持向量機的高光譜遙感分類進展[J].測繪通報，2006(12)：37-40.

[8] 潘耀忠，陳志軍，聶娟，等.基于多源遙感的土地利用動態變化信息綜合監測方法研究[J].地球科學進展，2002，17(2)：182-187.

[9] 朱運海，張百，曹銀璇，等.土地利用/覆被變化遙感檢測方法與應用分析[J].地球信息科學，2007，9(3)：116-122.

[10] 李平，吳曼喬，曾聯明.支持向量機技術在土地利用監測的應用研究[J].測繪通報，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

國家科技支撐計劃(2012BAH31B00)；國家自然科學基金(41171351；411101428)；現代工程測量國家測繪地理信息局重點實驗室經費(TJES1204)；地理空間信息工程國家測繪地理信息局重點實驗室經費(201310)；江蘇省高校自然科學研究面上項目(12KJB420001)

林 卉(1973—)，男，湖南武岡人，博士生，副教授，主要研究方向為遙感圖像處理。

林卉，朱慶，胡召玲.模糊支持向量機和變化矢量分析相結合的礦區土地覆蓋變化檢測[J].測繪通報，2014(11)：25-27.

10. 13474/j.cnki.11-2246.2014.0355