基于SVM的大屯矿区遥感影像变化检测

发布时间：2021-08-15 15:40

　　矿区土地覆盖变化信息的高精度提取,是区域资源环境保护和地质灾害防治领域的关键问题。以SPOT-5高分辨率卫星影像为数据源,以分类后比较法为变化信息提取方法,利用分类性能良好的支持向量机（SVM）为分类算法,分别设置不同SVM核函数及参数对实验样区进行分类,并评价分析不同核函数及参数对分类效果的影响。实验发现在4种核函数中高斯核函数分类精度最高,为87.1%; Sigmoid和多项式核函数分类精度适中,线性核函数分类精度最低,为78.7%。因此,利用高斯核函数分别对3个时相的大屯矿区影像进行分类,提取出变化信息空间分布并定量统计分析其变化特征。结果表明:矿区植被覆盖面积在近十年内持续减少18.539 km2,塌陷面积共扩大4.379 km2,而矿区厂矿增加、煤矿开采规模扩大、采煤塌陷区面积扩大以及耕地占用面积增大等人为因素,是威胁大屯矿区生态环境的主要因素。 

【文章来源】：测绘与空间地理信息. 2020,43(12)

【文章页数】：5 页

【部分图文】：

不同核函数分类结果图

比较4种SVM核函数和两类参数条件下的分类结果，发现参数1的惩罚因子(C)和金字塔重分类阈值分别为100和0.9，参数2的惩罚因子(C)和金字塔重分类阈值分别为80和0.7，比较这两种参数设置在4种核函数下分类结果。与参数1相比，参数2设置下分类结果中的碎图斑数量减少，并被重新归类，因此，参数2条件下的分类更符合变化信息专题图制作要求。另外，高斯核函数(RBF)在，4种核函数中分类精度最高，分类时间居中，线性核函数分类精度最低，分类时间最短。综合以上分析，采用参数2条件下的高斯核函数SVM分类法效果最佳。因此，本研究选定高斯核函数条件下的SVM为分类算法，分别对3个时相的大屯矿区影像进行分类处理，以2011年为例的分类结果如图2所示。本文采用SVM高斯核函数分类法进行矿区影像分类。通过设置高斯核函数各个参数，能够获取各类较复杂地物的空间分布，通过选取足量的训练样本使分类更精细，从而可以更准确地区分各种土地类型，总体分类精度达到89%。同时也能准确提取地物信息边缘，判别建筑物和水草。

2003—2007年变化检测图

【参考文献】：
期刊论文
[1]KCCA与SVM算法支撑下的遥感影像变化检测[J]. 董岳,王飞.  遥感信息. 2019(01)
[2]基于支持向量机的遥感图像变化检测[J]. 储艳丽.  信息技术. 2016(10)
[3]基于支持向量机的遥感图像分类研究综述[J]. 王振武,孙佳骏,于忠义,卜异亚.  计算机科学. 2016(09)
[4]基于支持向量机的矿区土地覆盖变化检测[J]. 杜培军,柳思聪,郑辉.  中国矿业大学学报. 2012(02)
[5]遥感影像分类方法研究进展[J]. 贾坤,李强子,田亦陈,吴炳方.  光谱学与光谱分析. 2011(10)
[6]遥感影像变化检测方法综述及展望[J]. 孙晓霞,张继贤,燕琴,高井祥.  遥感信息. 2011(01)
[7]SVM分类核函数及参数选择比较[J]. 奉国和.  计算机工程与应用. 2011(03)
[8]支持向量机在遥感数据分类中的应用新进展[J]. 张睿,马建文.  地球科学进展. 2009(05)
[9]支持向量机及核函数研究[J]. 郭丽娟,孙世宇,段修生.  科学技术与工程. 2008(02)
[10]基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]. 张锦水,何春阳,潘耀忠,李京.  遥感学报. 2006(01)

博士论文
[1]高分辨率遥感图像分类技术研究[D]. 陈忠.中国科学院研究生院（遥感应用研究所） 2006



本文编号：3344828