礦區(qū)土地覆蓋變化信息的高精度提取,是區(qū)域資源環(huán)境保護和地質(zhì)災害防治領(lǐng)域的關(guān)鍵問題。以SPOT-5高分辨率衛(wèi)星影像為數(shù)據(jù)源,以分類后比較法為變化信息提取方法,利用分類性能良好的支持向量機（SVM）為分類算法,分別設置不同SVM核函數(shù)及參數(shù)對實驗樣區(qū)進行分類,并評價分析不同核函數(shù)及參數(shù)對分類效果的影響。實驗發(fā)現(xiàn)在4種核函數(shù)中高斯核函數(shù)分類精度最高,為87.1%; Sigmoid和多項式核函數(shù)分類精度適中,線性核函數(shù)分類精度最低,為78.7%。因此,利用高斯核函數(shù)分別對3個時相的大屯礦區(qū)影像進行分類,提取出變化信息空間分布并定量統(tǒng)計分析其變化特征。結(jié)果表明:礦區(qū)植被覆蓋面積在近十年內(nèi)持續(xù)減少18.539 km2,塌陷面積共擴大4.379 km2,而礦區(qū)廠礦增加、煤礦開采規(guī)模擴大、采煤塌陷區(qū)面積擴大以及耕地占用面積增大等人為因素,是威脅大屯礦區(qū)生態(tài)環(huán)境的主要因素。 

【文章來源】：測繪與空間地理信息. 2020,43(12)

【文章頁數(shù)】：5 頁

【部分圖文】：

不同核函數(shù)分類結(jié)果圖

比較4種SVM核函數(shù)和兩類參數(shù)條件下的分類結(jié)果，發(fā)現(xiàn)參數(shù)1的懲罰因子(C)和金字塔重分類閾值分別為100和0.9，參數(shù)2的懲罰因子(C)和金字塔重分類閾值分別為80和0.7，比較這兩種參數(shù)設置在4種核函數(shù)下分類結(jié)果。與參數(shù)1相比，參數(shù)2設置下分類結(jié)果中的碎圖斑數(shù)量減少，并被重新歸類，因此，參數(shù)2條件下的分類更符合變化信息專題圖制作要求。另外，高斯核函數(shù)(RBF)在，4種核函數(shù)中分類精度最高，分類時間居中，線性核函數(shù)分類精度最低，分類時間最短。綜合以上分析，采用參數(shù)2條件下的高斯核函數(shù)SVM分類法效果最佳。因此，本研究選定高斯核函數(shù)條件下的SVM為分類算法，分別對3個時相的大屯礦區(qū)影像進行分類處理，以2011年為例的分類結(jié)果如圖2所示。本文采用SVM高斯核函數(shù)分類法進行礦區(qū)影像分類。通過設置高斯核函數(shù)各個參數(shù)，能夠獲取各類較復雜地物的空間分布，通過選取足量的訓練樣本使分類更精細，從而可以更準確地區(qū)分各種土地類型，總體分類精度達到89%。同時也能準確提取地物信息邊緣，判別建筑物和水草。

2003—2007年變化檢測圖

【參考文獻】：
期刊論文
[1]KCCA與SVM算法支撐下的遙感影像變化檢測[J]. 董岳,王飛.  遙感信息. 2019(01)
[2]基于支持向量機的遙感圖像變化檢測[J]. 儲艷麗.  信息技術(shù). 2016(10)
[3]基于支持向量機的遙感圖像分類研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計算機科學. 2016(09)
[4]基于支持向量機的礦區(qū)土地覆蓋變化檢測[J]. 杜培軍,柳思聰,鄭輝.  中國礦業(yè)大學學報. 2012(02)
[5]遙感影像分類方法研究進展[J]. 賈坤,李強子,田亦陳,吳炳方.  光譜學與光譜分析. 2011(10)
[6]遙感影像變化檢測方法綜述及展望[J]. 孫曉霞,張繼賢,燕琴,高井祥.  遙感信息. 2011(01)
[7]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和.  計算機工程與應用. 2011(03)
[8]支持向量機在遙感數(shù)據(jù)分類中的應用新進展[J]. 張睿,馬建文.  地球科學進展. 2009(05)
[9]支持向量機及核函數(shù)研究[J]. 郭麗娟,孫世宇,段修生.  科學技術(shù)與工程. 2008(02)
[10]基于SVM的多源信息復合的高空間分辨率遙感數(shù)據(jù)分類研究[J]. 張錦水,何春陽,潘耀忠,李京.  遙感學報. 2006(01)

博士論文
[1]高分辨率遙感圖像分類技術(shù)研究[D]. 陳忠.中國科學院研究生院（遙感應用研究所） 2006



本文編號：3344828