基于遥感和GIS的土地利用分类方法研究.pdf

山西师范大学学报 (自然科学版) 第 29卷第 4期 JournalofShanxiNormalUniversity VoI．29 No．4 2015年 12月 NaturalScienceEdition DCC．2015 文章编号 ：1009-4490(2015)04-0069-06 基于遥感和 GIS的土地利用分类方法研究 杨艳青 ，柴旭荣 (山西师范大学地理科学学院，山西 临汾041004) 摘 要：本文基于遥感卫星数据，在遥感软件 ENVI5．1和地理信息系统软件ArcGIS10．0的支持下，通 过最大似然法(MLC)、支持向量机 (SVM)、人工神经网络 (ANN)三种方法，对研究区土地利用／覆盖 (LUCC)分类进行信息提取，并对不同分类方法的结果进行比较分析和精度检验．研究表明：使用支持向 量机进行遥感图像分类，精度优于最大似然法和人T神经网络，且学 习速度也较快，可更好地区分土地 利用类型 ，提高土地利用信息的精度，适用于不同地貌单元 ，能够作 小尺度范围内遥感影像 LUCC分 类研究的有效_T具． 关键词 ：土地利用／覆盖；最大似然法；支持向量机；人_厂神经网络 中图分类号：S159；FP75 文献标识码：A 土地利用／覆被变化 (LUCC)是全球环境变化和可持续发展的重要 内容 ，随着近代工业化和城市化 进程的加快 ，土地利用、土地覆被发生快速变化，LUCC已对生态环境、土地资源和粮食安全等构成威 胁 ，引起了国内外的广泛关注与研究． 近年来，随着卫星遥感技术的发展，遥感在全球土地利用／覆被变化研究中发挥着越来越重要的作用． 目前，利用遥感图像分类获得土地利用／覆盖信息已经成为LUCC研究必不可少的一步，随着遥感技术在 遥感影像信息提取方法上不断的改进 ，国内外对遥感影像 LUCC分类方法的研究逐渐从基于统计的分类 向基于非线性并行处理的分类技术发展 ．研究取得 了很多成果，但较少对最大似然法 (MLC)、支持向 量机(SVM)、人T神经网络 (ANN)这三种分类方法进行 比较研究，且较少从不同地貌单元的角度对研究 分类精度进行验证． 本文在对遥感卫星数据分析的基础上，选用 MLC、SVM、ANN ≥种分类方法 ，对研究区LUCC遥感影 像进行分类 ，并对分类结果进行精度评价．在此基础上从不同地貌单元的角度对评价结果进行验证，进一 步探讨研究区利用遥感数据为信息源快速获取 LUCC的有效方法，为研究区LUCC研究提供更高精度的 数据． 1 数据与方法 l1 研究区概况 本文选择两种地貌类型的研究样Ⅸ．以i．IJ西省洪涧县甘亭镇作为平原样区；以山西省洪洞县左木乡作 为山地丘陵样区(见图1)． 收稿 日期 ：2015-06—30 基金项 目：LIJ西师范大学 自然科学基金项 目(ZR1202)． 作者简介：杨艳青 (1989一)，女，f_IlJ西蒲县人II_I西师范大学地理科学学院自然地理硕士研究生 ，主要从事土地利用信息技 术方面 的研究． 通讯作者 ：柴旭荣 (1975～)，男，山西曲沃人，山西师范：k学地理科学学院副教授 ，博士，主要从事 ￡地利用信息技术方面 的研究． 第4期 杨艳青 柴旭荣：基于遥感和GIS的土地利用分类方法研究 ．73- 均满足分类精度的要求 (表 1～表 3)，其中SVM分类总体精度较MLC和ANN法均高．三种方法中SVM 和ANN的Kappa系数都大于0．80，分类总体精度也都在 80％以上．根据 kappa系数与分类结果质量的对 应关系 ，SVM和ANN这两种分类结果均 比较令人满意 ，其中SVM分类法的kappa系数达到 了0．9280，一 致性程度最高，与实际数据最接近 ，结果更能反映出研究区的实际情况．而MLC的Kappa系数是 0．7743， 则与实际数据相差较大，相对不能更好地反映研究区的实际情况． (3)由表 1～表 3和图5得出，使用方法不同，各地类制图精度和用户精度也不同．MLC和SVM法各 地