论文部分内容阅读
摘要：本文是以望城区GF-1遥感影像数据为基础，利用ENVI软件完成遥感数据预处理，以B432按RGB组合波段，作为湿地信息提取的最佳波段，分别采用最大似然法、决策树法、支持向量机法，对湿地资源信息进行提取工作，找到较优的分类识别方法，对其进行精度评定。本文主要研究结论：
1.最大似然法不适用于遥感影像的分类识别，遥感影像数据并非正态分布，且其计算量极大，因此选择最大似然法处理遥感影像是不明智的。
2.相比之下，决策树法和支持向量机法各有其优劣势。决策树法能够依据各种信息因子完成分类识别，如形状、纹理、光谱等特征信息，从而提高分类准确性，而支持向量机法也是分类识别的一种好方法，尤其结合基于面向对象之后，不仅算法比较简单，且分类精度较高。
关键词：湿地信息提取;最大似然法;决策树法;支持向量机法
1.绪论
1.1研究目的及意义
本文是在GF-1遥感影像数据的基础上，利用传统湿地资源提取方法，寻找最适合GF-1遥感影像的信息提取方法，快速且准确地对望城区湿地资源进行资源提取研究。本文利用ENVI软件处理GF-1遥感影像数据，计算机识别和人工判读相结合来实现对望城区湿地资源的有效提取。
1.2国内外研究现状
1.2.2 湿地信息提取研究现状
传统的湿地提取分类方法包括监督分类和非监督分类，它们各有其优缺点，因此，为了适应实际情况，这两种方法经常被结合起来使用。Aurélie Davranche等人在2009年分析对比了各种湿地资源提取方法后，决定使用决策树法提取法国南部Csmargue的湿地信息，并发现，决策树法在该地区的芦苇和大型潜水植物信息提取精度很高，甚至能达到98.7%和97.4%[1]。
我国对湿地资源提取技术和方法的研究起步较晚，且发展速度较慢，即便如此，在遥感技术的迅速发展加持下，我国还是取得了一定的成果。
张树清等建立了中国第一个湿地资源数据库，这都建立在多时段多平台遥感技术的基础上[2]。黄进良等人结合RS和GIS技术，运用非监督分类方法，对洞庭湖进行了多年不同季节的湿地类型面积分析，同时，采取最大似然法研究洞庭湖多年的湿地变化情况[3];谈继强利用SPOT-5遥感影像调查湿地资源的过程中，巧妙地引入了图像融合技术，得到了所研究区域的湿地分布情况。
1.3 本文研究内容
本文依据GF-1遥感影像数据，对湿地资源提取进行研究分析，主要研究以下几个方面的内容：
（1）介绍了一些常用的湿地资源信息提取方法，对其原理进行了说明。
（2）利用GF-1遥感影像数据进行实验，在ENVI软件的支持下，完成数据预处理及湿地资源信息的提取，采用人机交互判读的方法实现湿地信息的准确提取。
2.研究区域和遥感数据
2.1研究区域
望城区坐落于洞庭湖南部，是长沙市六区之一，位于长沙市北部和西北部，经纬度在E112°35′48″～113°02′30″和N27°58′28″～28°33′45″之间。
2.2GF-1遥感数据
本文采用的遥感数据来自于国产高分一号卫星的全色分辨率2米、多光谱分辨率8米的遥感影像数据，为了使湿地识别更加准确无误，数据收集了丰水期以及枯水期两个时期的遥感影像数据，以便湿地的分类识别和人工判读。
除了GF-1遥感影像数据外，由于湿地变化有些地区过于快速，因此还需要天地图和Goole earth图的辅助，才能保证湿地识别准确无误且與时俱进。
3. 湿地信息提取
3.1 湿地分类识别
3.1.1 最大似然法
最大似然法是监督分类方法中常用的一种，它是在贝叶斯理论的基础上，结合数据统计的特性，设想数据呈现正态分布特征，或在二维及三维空间中成椭圆或椭球分布，通过计算得到目标样本中各类统计参数的先验概率，再计算未知像元属于哪一类别的所有概率，然后分类为概率最大的类别。最大似然法的优点在于可以用样本的均值和方差了解像元同样本的一致程度。但是对于GF-1遥感影像的分类，因其计算量大，且不一定呈正态分布，使用最大似然法是不太合适的。
3.1.2 决策树法
本文研究的决策树法是面向对象的，不像以往的处理单个像元，而是以图斑为研究和处理的对象。这种方法如它的名字一样，如同有很多枝干的数，通过判断每个节点的属性，然后归于不同的分支，最后完成分类识别。这种方法可依据不同信息完成分类，如光谱特征、地理位置、形状大小、纹理等。通常采用这种方法有两个步骤：一是通过影像分割，得到本质相同的对象;二是通过不同的信息因子建立函数完成提取。
3.1.3 支持向量机法
支持向量机是在1995年由Vapnic等人提出的一种结合统计学理论，被应用于函数拟合及其他机器学习问题之中的新方法。本文采用的支持向量机法是基于面向对象的，首先对影像进行分割，再选择样本，最后应用支持向量机算法对影像进行湿地分类。
3.2 精度评价
本次实验通过目视解译框随机选择若干数量的样本，进行分类结果的精度评价，得到精度评价结果。由结果得出河流湿地生产者精度和用户精度均为最高，为100%和98.72%，人工湿地和沼泽湿地生产者精度都很高，达到97.57%和97.46%，但用户精度却不高，只有79.31%和80.05%。湿地分类总体精度为91.14%，Kappa系数是0.8883。从表中结果分析可知，用户精度在大部分在80%以上，因此，可以认为这种面向对象的支持向量机法对GF-1遥感数据的湿地类型提取具有较高的精度。
4.结论与展望
4.1 本文研究结论
（1）通过不断试验，最终找到了适合GF-1遥感影像数据的波段组合，综合考虑各方面的影响，决定使用B432按RGB组合。
（2）最大似然法不适用于遥感影像的分类识别，遥感影像数据并非正态分布，且其计算量极大，因此选择最大似然法处理遥感影像是不明智的。
（3）相比之下，决策树法和支持向量机法各有其优劣势。决策树法能够依据各种信息因子完成分类识别，如形状、纹理、光谱等特征信息，从而提高分类准确性，而支持向量机法也是分类识别的一种好方法，尤其结合基于面向对象之后，不仅算法比较简单，且分类精度较高。
4.2 未来展望
（1）对GF-1遥感数据的预处理和湿地的分类识别都需要人为操作，如果能借助不断发展的计算机技术实现数据全自动处理，减少人的参与的话，这将会大大提升工作效率。
（2）必须不断对湿地信息提取方法进行改进，以适应不断深入的研究，并不断测试新方法，使用新方法进行试验和进一步研究，以找到更优的算法。
（3）建立和完善湿地信息库，这不仅能够提供湿地资料，更能对湿地资源提供更好的管理和保护。
参考文献
[] H.W.Blodget， Aurélie Davranche and J.H.Roark. Shoreline changes along the Rosetta-Nile Promotory Monitoring with satellite observations， Marine Geology， 1991， 99（1-2）：67-77.
[2] 温州飞，张树清.三江源区湖泊和沼泽遥感影像分析研究[J]. 湿地科学，2010，06：62-65.
[3] 邓凡，黄进良. 1993-2010 年洞庭湖湿地动态变化[J].湖泊科学，2012，07：112-115.
成都理工大学610059
1.最大似然法不适用于遥感影像的分类识别，遥感影像数据并非正态分布，且其计算量极大，因此选择最大似然法处理遥感影像是不明智的。
2.相比之下，决策树法和支持向量机法各有其优劣势。决策树法能够依据各种信息因子完成分类识别，如形状、纹理、光谱等特征信息，从而提高分类准确性，而支持向量机法也是分类识别的一种好方法，尤其结合基于面向对象之后，不仅算法比较简单，且分类精度较高。
关键词：湿地信息提取;最大似然法;决策树法;支持向量机法
1.绪论
1.1研究目的及意义
本文是在GF-1遥感影像数据的基础上，利用传统湿地资源提取方法，寻找最适合GF-1遥感影像的信息提取方法，快速且准确地对望城区湿地资源进行资源提取研究。本文利用ENVI软件处理GF-1遥感影像数据，计算机识别和人工判读相结合来实现对望城区湿地资源的有效提取。
1.2国内外研究现状
1.2.2 湿地信息提取研究现状
传统的湿地提取分类方法包括监督分类和非监督分类，它们各有其优缺点，因此，为了适应实际情况，这两种方法经常被结合起来使用。Aurélie Davranche等人在2009年分析对比了各种湿地资源提取方法后，决定使用决策树法提取法国南部Csmargue的湿地信息，并发现，决策树法在该地区的芦苇和大型潜水植物信息提取精度很高，甚至能达到98.7%和97.4%[1]。
我国对湿地资源提取技术和方法的研究起步较晚，且发展速度较慢，即便如此，在遥感技术的迅速发展加持下，我国还是取得了一定的成果。
张树清等建立了中国第一个湿地资源数据库，这都建立在多时段多平台遥感技术的基础上[2]。黄进良等人结合RS和GIS技术，运用非监督分类方法，对洞庭湖进行了多年不同季节的湿地类型面积分析，同时，采取最大似然法研究洞庭湖多年的湿地变化情况[3];谈继强利用SPOT-5遥感影像调查湿地资源的过程中，巧妙地引入了图像融合技术，得到了所研究区域的湿地分布情况。
1.3 本文研究内容
本文依据GF-1遥感影像数据，对湿地资源提取进行研究分析，主要研究以下几个方面的内容：
（1）介绍了一些常用的湿地资源信息提取方法，对其原理进行了说明。
（2）利用GF-1遥感影像数据进行实验，在ENVI软件的支持下，完成数据预处理及湿地资源信息的提取，采用人机交互判读的方法实现湿地信息的准确提取。
2.研究区域和遥感数据
2.1研究区域
望城区坐落于洞庭湖南部，是长沙市六区之一，位于长沙市北部和西北部，经纬度在E112°35′48″～113°02′30″和N27°58′28″～28°33′45″之间。
2.2GF-1遥感数据
本文采用的遥感数据来自于国产高分一号卫星的全色分辨率2米、多光谱分辨率8米的遥感影像数据，为了使湿地识别更加准确无误，数据收集了丰水期以及枯水期两个时期的遥感影像数据，以便湿地的分类识别和人工判读。
除了GF-1遥感影像数据外，由于湿地变化有些地区过于快速，因此还需要天地图和Goole earth图的辅助，才能保证湿地识别准确无误且與时俱进。
3. 湿地信息提取
3.1 湿地分类识别
3.1.1 最大似然法
最大似然法是监督分类方法中常用的一种，它是在贝叶斯理论的基础上，结合数据统计的特性，设想数据呈现正态分布特征，或在二维及三维空间中成椭圆或椭球分布，通过计算得到目标样本中各类统计参数的先验概率，再计算未知像元属于哪一类别的所有概率，然后分类为概率最大的类别。最大似然法的优点在于可以用样本的均值和方差了解像元同样本的一致程度。但是对于GF-1遥感影像的分类，因其计算量大，且不一定呈正态分布，使用最大似然法是不太合适的。
3.1.2 决策树法
本文研究的决策树法是面向对象的，不像以往的处理单个像元，而是以图斑为研究和处理的对象。这种方法如它的名字一样，如同有很多枝干的数，通过判断每个节点的属性，然后归于不同的分支，最后完成分类识别。这种方法可依据不同信息完成分类，如光谱特征、地理位置、形状大小、纹理等。通常采用这种方法有两个步骤：一是通过影像分割，得到本质相同的对象;二是通过不同的信息因子建立函数完成提取。
3.1.3 支持向量机法
支持向量机是在1995年由Vapnic等人提出的一种结合统计学理论，被应用于函数拟合及其他机器学习问题之中的新方法。本文采用的支持向量机法是基于面向对象的，首先对影像进行分割，再选择样本，最后应用支持向量机算法对影像进行湿地分类。
3.2 精度评价
本次实验通过目视解译框随机选择若干数量的样本，进行分类结果的精度评价，得到精度评价结果。由结果得出河流湿地生产者精度和用户精度均为最高，为100%和98.72%，人工湿地和沼泽湿地生产者精度都很高，达到97.57%和97.46%，但用户精度却不高，只有79.31%和80.05%。湿地分类总体精度为91.14%，Kappa系数是0.8883。从表中结果分析可知，用户精度在大部分在80%以上，因此，可以认为这种面向对象的支持向量机法对GF-1遥感数据的湿地类型提取具有较高的精度。
4.结论与展望
4.1 本文研究结论
（1）通过不断试验，最终找到了适合GF-1遥感影像数据的波段组合，综合考虑各方面的影响，决定使用B432按RGB组合。
（2）最大似然法不适用于遥感影像的分类识别，遥感影像数据并非正态分布，且其计算量极大，因此选择最大似然法处理遥感影像是不明智的。
（3）相比之下，决策树法和支持向量机法各有其优劣势。决策树法能够依据各种信息因子完成分类识别，如形状、纹理、光谱等特征信息，从而提高分类准确性，而支持向量机法也是分类识别的一种好方法，尤其结合基于面向对象之后，不仅算法比较简单，且分类精度较高。
4.2 未来展望
（1）对GF-1遥感数据的预处理和湿地的分类识别都需要人为操作，如果能借助不断发展的计算机技术实现数据全自动处理，减少人的参与的话，这将会大大提升工作效率。
（2）必须不断对湿地信息提取方法进行改进，以适应不断深入的研究，并不断测试新方法，使用新方法进行试验和进一步研究，以找到更优的算法。
（3）建立和完善湿地信息库，这不仅能够提供湿地资料，更能对湿地资源提供更好的管理和保护。
参考文献
[] H.W.Blodget， Aurélie Davranche and J.H.Roark. Shoreline changes along the Rosetta-Nile Promotory Monitoring with satellite observations， Marine Geology， 1991， 99（1-2）：67-77.
[2] 温州飞，张树清.三江源区湖泊和沼泽遥感影像分析研究[J]. 湿地科学，2010，06：62-65.
[3] 邓凡，黄进良. 1993-2010 年洞庭湖湿地动态变化[J].湖泊科学，2012，07：112-115.
成都理工大学610059