基于對象分析的土地覆被提取方法對比

鐘蕭俊，秦夢謠

（蘭州大學，甘肅 蘭州 730000）

遙感傳感器的空間分辨率和光譜分辨率不斷提高，尤其是高光譜分辨率的提高，使高光譜遙感成為遙感最重要的研究方向之一[1]。杜培軍等認為高光譜遙感影像分類要繼續引入模式識別與機器學習領域的新理論、新模型，發展更先進、更有效的高光譜影像分類方法[2]。劉大偉等針對高分辨率影像應用DBN 對高分辨率影像進行了基于光譜-紋理特征的分類，并與其他算法做了對比[3]。李朝奎等應用不同算法基于面向對象和規則進行了分類研究[4]。張寅丹等基于實驗得出了監督方法更適合分析高分辨率遙感影像的特定目標地物提取的結論[5]。因此，本文基于對象針對監督分類算法，對比數據挖掘中的KNN、J48、SMO 三種方法，建立了靖遠縣地區的土地覆被。

1 研究方法

1.1 最鄰近方法

KNN 分類算法是一種簡單有效的高光譜影像的分類方法，是數據挖掘領域的經典算法。其思路是找到距離樣本特征空間最近樣本，如果這K 個樣本大多數都屬于同一個類別，則該樣本也屬于這個類別。該方法在面對高空間分辨率和高光譜分辨率時會面臨維度災難、運算時間長的問題。因此，陸海霞等做了基于對象的KNN 算法的研究，認為基于對象的KNN 算法能顯著降低運算時間[6]。王小美等基于測定距離對KNN 算法進行改進，得到適用于高光譜遙感數據的分類方法[7]。王佃來等基于BP改進的KNN 算法進行了土地覆蓋分類的研究，提高了KNN 算法的精度[8]。趙理君等認為KNN 算法受參數的影像程度更弱[9]。

1.2 J48 方法

J48 算法是決策樹算法的一種，是C4.5 算法的一個版本，ID3 算法是其核心，ID3 算法的核心是“信息熵”[10]。J48算法在同類算法中不僅分類準確率高，而且速度快[11]。楊雪峰等針對多種決策樹算法進行研究，得出了近紅外數據集的分類效果優于紅光數據[12]，本文也選取了近紅外波段。孫宇翼等對比了J48 決策樹、最大似然法和基于試錯性規則集的面向對象方法，認為J48 算法分類精度明顯優于兩者[13]。

1.3 SVM 方法

支持向量機最初用來對數據進行二值分類，原理是尋找一個滿足分類要求的最優分割超平面，即不僅能分開兩者，并且使兩者的分類空隙最大。其區別于傳統的降維方法，SVM 通過提升數據維度將非線性分類問題轉變成了線性分類問題，解決了傳統算法中訓練集誤差最小而測試集誤差仍較大的問題[14]。即SVM 本身是解決二分類問題的，針對遙感影像的多分類特點，有兩種解決方法：一種是集成許多二分類問題，另一種是將多個分類面的參數求解合并到一個優化問題中[15]。SMO 算法由John C.Platt 于1998 年提出，其優點在于將求解子問題的耗費轉移到迭代上，然后在迭代上尋求快速算法[16]。張艷等提出了SDBSMO 算法[17]。張召針對SMO 算法只用一個閾值參數引起的問題進行了實驗[18]。黎超等提出了P-SMO 算法，以冗余維的去除提高了SMO 算法的性能[19]。胡懋智等做了不同類型支持向量機算法的對比，認為SMO 算法在線性核的表現優于非線性核[20]。胡自申等通過逐步減少訓練數據，證明了SVM 算法具有很好的泛化性能[21]。段秋亞等基于高分一號數據水體信息提取，對比了多種方法，得出了SVM 算法提取精度最高的結論[22]。張友靜等對比了多種傳統方法與SVM 決策支持樹對城市植被的分類研究，證明了SVM 的優越性能[23]。薛夢姣等基于資源三號衛星對比了基于對象的多種機器學習方法的分類結果，得出了面向對象的SVM 分類方法遠高于面向對象的KNN 算法[24]。

2 研究區概況及數據源

靖遠縣，隸屬甘肅省白銀市，位于黃河上游，甘肅省中東部，白銀市腹地，白銀市平川區從中析置。靖遠縣土地類型復雜多樣，農、林、牧、副、漁潛力較大；水資源低于國內平均水平；為溫帶大陸性氣候，降水集中在6-8 月份，雨熱同期，光能充足，溫差較大，地形復雜，可滿足農作物生長條件。在6 月份，農作物長勢良好。靖遠縣下轄13 個鎮、5 個鄉。2017 年，靖遠縣常住人口為46.18 萬人，實現地區生產總值（GDP）70.68 億元。其中：第一產業增加值24.41 億元，第二產業增加值17.43 億元，第三產業增加值28.84 億元，三次產業結構比例為34.5：24.7：40.8，人均生產總值達到15 356 元。研究區的典型地物有農田、城鎮居民地、鄉村居民地、水系、道路、裸露山地等，如圖1 所示。

圖1 矯正后研究區圖像

本報告選用的傳感器為Landsat-8 衛星OLI 數據，條代號是130，行編號是035，傳感器一共9 個波段，分別是：海岸氣溶膠波段、藍波段、綠波段、紅波段、近紅外波段、2 個短波紅外波段、全色波段、卷云波段、2 個熱紅外波段。除全色波段空間分辨率為15 m、2 個熱紅外波段空間分辨率為100 m 外，其余波段空間分辨率都為30 m；數據產品為L1T，記錄格式為BSQ，用TIF 格式存儲。影像獲取時間為2019 年1 月22 日，其中心時間為03：37：46；中心經度為104.536 6°，中心緯度為36.054 7°；坐標系為WGS_1984_UTM_Zone_48N；太陽方位角為112.721 146°，太陽高度角為64.210 290°。利用Landsat-8 OLI 數據，經過校正后，將多光譜30 m 空間分辨率和全色波段15 m 空間分辨率的波段，進行影像融合。融合后的影像波段信息如表1 所示。

表1 傳感器參數與波段介紹

3 結果

3.1 分割結果

在易康中，利用多尺度分割算法，以9.0 的分割版本；圖層權重為1，1，1，1，2，1，1；尺度參數為50；形狀因子為0.1，緊致性因子為0.5。分割結果如圖2 所示。

圖2 分割結果圖

選擇特征，并導出。特征表如表2 所示。

表2 幾何信息的分類特征

根據區域特點，將該地區分為7 種土地覆被，分別是：塑料大棚、山地、農田、綠地、裸地、居民地、河流。

3.2 分類結果

基于WEKA 平臺選擇監督分類中的J48 分類算法、IBK 算法、SMO 算法，進行模型訓練、分類和驗證。結果如圖3 所示。

圖3 分類結果圖

3.3 精度評價

精度評價如表3、表4 所示。

表3 精度評價表

表4 混淆矩陣

4 結論

從實驗結果可以看出，在30 m 分辨率下，分類效果一般。一方面是研究區的情況比較復雜，樣本點的選取數量偏少；另一方面是在樣本的選取過程中，有些區域很難辨認，導致樣本選取不夠精確。同時，裸地、山地、無植被覆蓋的耕地很難區分，植被和有作物覆蓋的耕地很難區分，導致可分性不高。從統計結果看，SMO 分類算法的正確率和Kappa 系數高于KNN 分類算法，KNN 分類算法高于J48 分類算法。

從山地的分類結果看，J48 的分類結果更符合實際，而KNN 和SMO 將小的破碎點（綠地和裸地）都分為了山地。從居民地的分類結果看，KNN 的分類效果最差，J48分類效果最好。從塑料大棚的分類效果來看，KNN 的算法最優，J48 最差。

從統計結果來看，針對本區域SMO 的分類精度最高，效果最好，KNN 次之，J48 最差。