遗传算法优化的支持向量机湿地遥感分类.PDF

第32卷第4期 地 理 科 学 Vol. 32 No. 4 2 0 12 年04 月 SCIENTIA GEOGRAPHICA SINICA Apr ., 2 0 1 2 遗传算法优化的支持向量机湿地遥感分类 ——以洪河国家级自然保护区为例 臧淑英，张 策，张丽娟，张玉红 (哈尔滨师范大学地理科学学院, 黑龙江哈尔滨150025) 摘要摘要：湿地遥感分类作为湿地管理、监测与评价的重要手段，受到了广泛的关注。遗传算法(GA)借鉴了生物进化 规律进行启发式搜索寻优，支持向量机(SVM)是一种新型的空间数据挖掘方法，二者相结合可以发挥各自的优 势，寻找到支持向量机的全局最优参数，从而较准确地对湿地进行遥感分类。以洪河自然保护区为例，采用遗传 算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然 监督分类对比，结果表明，遗传算法优化较格网搜索方式总精度提高了7.29% ，较最大似然监督分类提高了 12.06%，方法改善了沼泽、草地与裸地三种地物间的区分，是湿地遥感分类的有效手段。 关关 键键 词词: 湿地；遥感分类；遗传算法；支持向量机；洪河自然保护区 中图分类号中图分类号：TP751.1 文献标识码文献标识码：A 文章编号文章编号:1000-0690(2012)04-0434-08 湿地是生态系统的重要组成部分，在调蓄洪 空间数据挖掘技术是从空间数据中寻找内在 水、调节河川径流、补给地下水和维持区域水平衡 的客观规律，而遥感数据自动分类识别是空间数 [9] 及维持野生动植物种群存续等方面具有重要的意 据挖掘的重要任务之一 。支持向量机（Support [1，2] 义 。然而，湿地面临着自然与人类高强度干扰， vector machine ，简称SVM）作为一种新型的机器 有必要对湿地植被及其周围的土地利用类型进行 学习方法，以其坚实的理论基础和理想的实验性 [3，4] [10] 适时、动态的监测与模拟 。 能，近年来广泛应用于遥感分类中 ，在解决小样 卫星遥感作为对地观测的综合性技术，在湿 本、非线性及高维模式识别中，支持向量机表现出 [5] 地精确记录和监测中展现了诸多优势 。作为复 许多特有的优势。然而，在实际使用中往往存在着 杂生态系统，湿地景观存在着高度的异质性，在遥 模型参数的选择问题。传统的格网搜索方式很难 感影像上的光谱特征和空间特征对环境背景的依 精确找到合适的参数，以达到高精度识别的目的。 赖性较大，而且往往存在“同物异谱”和“同谱异 遗传算法 (Genetic Algorithm, 简称GA) 是一 物”的现象，仅仅依靠遥感光谱差异，对于水陆交 类借鉴生物界自然选择和自然遗传机制的启发式 汇复杂生态系统的分类识别难以取得较高的分类 搜索算法，较以往传统的搜索算法具有使用方便、 [6，7] 精度 。充分利用湿地的光谱、纹理、地形等多源 鲁棒性强、便于并行处理等特点，广泛应用于各种 [8] [11] 数据，可