城市不透水面估算方法分析范文

本站小編為你精心準備了城市不透水面估算方法分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《地質學刊》2017年第2期

摘要:城市不透水面遙感提取方法一直是城市遙感的重要研究領域。以南京市為例，采用LandsatTM(ETM+)數據，結合IKONOS影像，闡述了多源特征的提取與選擇方法及其對不透水面估算精度的影響，并采用遺傳算法優化最小二乘支持向量機參數，構建GA－LS－SVM模型。應用該模型估算南京市不透水面，與神經網絡模型和像元分解線性模型進行比較。結果表明:采用多源特征提取城市不透水面，可以明顯提高估算精度;GA－LS－SVM模型2000年與2006年估算誤差RMSE分別為0．106和0．158，SE均為－0．001，明顯優于其他2種模型。

關鍵詞:不透水面;LandsatTM;多源特征;像元分解;GA－LS－SVM;江蘇南京

0引言

不透水面分布被認為是表征流域、水質以及整個生態系統是否健康最為重要的環境指標之一?？焖贉蚀_地掌握城市不透水面面積數據、了解城市空間擴展過程，可以為城市管理、規劃和生態環境研究提供科學依據(陳本清等，2005;秦莉俐等，2005)。Ridd等(1995)提出經典的植被－不透水面－土壤模型(V－I－S模型)，來解釋城市生態環境的組成。國外很多學者利用該模型進行不透水面提取研究，取得了豐碩的成果。Ji等(1999)利用亞像元分析和分層分類法估算不透水率;Phinn等(2002)利用混合像元線性分解模型進行不透水面測算;Flanagan等(2001)利用亞像元分類結合人工神經網絡方法提取流域不透水面;Wu(2004)分析了同種城市地物景觀光譜存在很大差異，在此基礎上提出改進的歸一化混合像元線性分解模型，成功地提取了俄亥俄州哥倫布市不透水面;Powell等(2007)提出一種多端元像元分解模型，采用ETM+進行試驗研究，取得較好的效果;Pu等(2008)以日本橫濱為例，分別運用混合像元分解模型和神經網絡模型對ASTER影像進行像元分解，制作城市地表要素組成圖。大多數研究進行混合像元分解時，僅使用遙感影像的光譜特征，對多源特征的使用較少。

然而多源特征能夠更加豐富地物特征，增加地物之間的可分性，如紋理能夠很好地描述地物的空間特征(舒寧，1998;宋翠玉等，2006)，在基于像元的分類中利用多源特征進行信息提取能夠取得令人滿意的效果(張錦水等，2006;牟鳳云等，2007)，因此開展多源特征對提取不透水面的研究，對提高估算精度具有重要意義。此外，在支持向量機建立在統計學習理論的VC維及結構風險最小化原理的基礎上，根據有限樣本信息在模型的復雜性和學習能力之間尋求最佳折中，彌補了神經網絡不能全局尋優的缺陷，具有泛化能力強、不過分依賴樣本數量和質量、收斂至全局最優等優點。而最小二乘支持向量機是在支持向量機的基礎上發展而來的，能快速得到模型參數的解析解。以南京市為例，采用LandsatTM(ETM+)數據，結合IKONOS影像，分析多源特征對不透水面提取精度的影響，探討基于遺傳算法和最小二乘支持向量機模型(GA－LS－SVM)的不透水面提取方法。

1研究區數據

1．1研究區與數據

南京市總面積為6597km2。主城區以商業區和高密度住宅區為主，不透水率最高;城鄉結合部以工業區、低密度住宅區為主，不透水率較高;農田和公園植被覆蓋好，不透水率較低，接近于0。不透水面提取選取的遙感影像為2000年9月16日的LandsatETM+、2006年4月2日的LandsatTM影像。采用2000年3月26的IKONOS影像獲取訓練和驗證樣本數據。研究還采用了90m分辨率的DEM數據、南京市統計年鑒、南京市城市規劃資料以及南京市行政區劃圖。

1．2數據預處理

數據預處理主要包括幾何校正和輻射校正。經檢驗，控制點最大均方差(RMS)為0．38個像元，總體RMS為0．19個像元，RMS被嚴格控制在0．5個像元以內。最后采用鄰近點插值法進行重采樣，將2006年影像配準到2000年影像上。

1．3樣本選取利用高分辨

IKONOS影像獲取訓練和驗證數據。IKONOS影像經與2000年遙感影像配準、全色波段與多光譜數據融合生成1m分辨率的圖像處理后，在與IKONOS影像相同大小的TM(ETM+)影像上生成規則格網，取格網的交叉點共512個樣本點，并對每個樣本點進行檢查，排除2000—2006年發生變化的12個點，得到500個樣本點;最后根據目視解譯結合實地調查，勾畫出TM(ETM+)上每個像元樣本點對應的IKONOS影像30×30像元窗口大小內不透水面面積百分比。

2研究方法

2．1特征提取與選擇

2．1．1基于K－L變換的多尺度紋理特征提取

由灰度共生矩陣計算得到的多尺度紋理量之間存在很大的相關性，其相關性都在0．80以上。相鄰窗口大小的紋理量相關性都在0．92以上，且隨著紋理窗口的增大，相關性增強。將相關性強的多尺度紋理直接應用到信息提取中，一方面會增加冗余信息，影響信息提取精度;另一方面，隨著特征數量增加，增加了特征選擇以及信息提取的時間。對各紋理量的多尺度紋理特征分別進行主成分變換，變換后第一主成分的信息量達到95%以上，因此選用各紋理量多尺度紋理主成分變換后的第一主成分進行特征選擇。

2．1．2順序后向特征選擇

順序后向特征選擇算法(SBS)是一種基于啟發式搜索策略的特征選擇算法。該算法是一種自上而下的方法，運行之初假定整個特征集就是所需要的優化特征集，而后在算法的每一步運行過程中刪除1個對準則函數無貢獻的特征，直到剩余特征個數符合要求為止。具體步驟:(1)令特征集T包含所有特征;(2)利用訓練樣本(僅含特征集T中的特征)訓練LS－SVM，得到估算誤差;(3)計算剔除特征集T每個特征后的估算誤差;(4)從特征集T中刪除精度提高最大的特征;(5)重復第2步至第4步，直到估算誤差不再減小為止。

2．2基于遺傳算法的最小二乘支持向量機

最小二乘支持向量機是在支持向量機基礎上提出的一種改進學習算法，它將誤差的二次平方項作為損失函數，并利用等式約束代替傳統SVM的不等式約束，使原來復雜的二次規劃問題轉化為一次線性方程組的求解，大大降低了估算復雜度并提高了運算速度。

3結果與分析

3．1特征選擇結果及分析

將從IKONOS影像獲取的樣本集按7∶3比例分成兩部分，分別作為訓練樣本和驗證樣本。利用訓練樣本進行特征選擇和模型參數優化，利用驗證樣本測試模型估算精度。特征選擇時，選取LS－SVM的核參數δ=100，懲罰參數γ=7。為了分析比較多源特征以及特征選擇和特征提取的效果，經過順序后向特征選擇得到2000年的以下幾個特征集:①光譜特征(B1—B6);②除紋理特征外的其他特征組成的特征子集(B1—B11);③經特征提取后的所有特征(B1—B19);④對8個紋理量多尺度紋理的40個紋理特征和B1—B11組成的特征集經SBS特征選擇后的最優特征子集［SBS(B1—B51)］;⑤SBS對B1—B19特征選擇后的最優特征子集［SBS(B1—B19)］。對上述特征集構建GA－LS－SVM模型，并進行模型參數優化，獲得各特征集的不透水面估算精度。

3．2不透水面估算結果及分析

利用遺傳算法對最優特征子集進行LS－SVM模型參數優化。遺傳算法控制參數設置為:初始種群大小40、最大代數50、交叉率0．4、變異率0．1等。由遺傳算法優化得到2000年和2006年LS－SVM參數(δ、γ)分別為:30和2．95、100和5．50。利用優化參數對2000年和2006年最優特征子集進行不透水面提取。采用均方根誤差(RMSE)和系統誤差(SE)2個指標進行精度評價。將GA－LS－SVM模型估算結果分別與采用基于RBF函數的神經網絡(RBFNN)和像元分解線性模型(LMM)進行比較。

4結論

以南京市為例，應用TM影像，研究了多源特征對城市不透水面提取精度的影響以及基于多源特征的不透水面非線性估算模型，得到結論如下。(1)多源特征能夠從不同角度刻畫不透水面特征，特別是紋理特征，從空間上刻畫不透水面特征，削弱“同物異譜”和“異物同譜”帶來的估算誤差，提高估算精度。利用主成分分析特征提取技術，結合順序后向特征選擇方法，能夠在集中特征主要信息的同時有效去除冗余信息，提高分類精度。(2)城市是一個人類活動高度集中的多元復雜的系統，土地覆蓋類型之間存在多次散射現象，因此混合像元分解是一個非線性問題。采用基于遺傳算法的最小二乘支持向量機(GA－LS－SVM)提取不透水面，該模型能夠很好地結合GA和LS－SVM的優點:①利用GA為LS－SVM選擇合適的模型參數，得到優化模型;②LS－SVM可以發揮小樣本、泛化能力強、解決非線性問題等優點，從而實現模型的有機結合，有效提高不透水面估算精度。

作者：陳晨1，陳亮2，陳靜欣3，王金龍4，蘇一鳴1 單位：1．江蘇省地質調查研究院，2．黃河水利委員會信息中心，3．江蘇省測繪產品質量監督檢驗站，4．河海大學地球科學與工程學院