[发明专利]基于特征优选和支持向量机的不透水面覆盖度估算方法

说明书

本发明公开了一种基于特征优选和支持向量机的不透水面覆盖度估算方法，该方法包括如下步骤：步骤1)对样本区域GF‑1影像进行面向对象分类并重采样获得训练样本和验证样本的不透水面覆盖度参考值；步骤2)构建特征变量提取体系，提取研究区域Landsat 8影像的71个特征变量；步骤3)利用ReliefF算法对特征变量进行优选，构建适用于不透水面覆盖度估算的特征集合；4)向支持向量机中输入不同特征集合的训练样本，构建不透水面覆盖度参考值与特征变量的回归模型，得出不透水面覆盖度估算结果；5)评价并比较模型估算不透水面覆盖度的精度，并完成研究区域不透水面覆盖度制图。

技术领域

本发明涉及基于特征优选和支持向量机的不透水面覆盖度估算方法，针对研究区域的陆表环境情况，提取多个特征变量，结合ReliefF特征优选算法和支持向量机回归的模型，对大区域的不透水面覆盖度进行估算，并取得了良好的效果。

背景技术

改革开放以来，我国城市化水平不断提高，导致了原本以植被为主的自然景观逐渐被不透水面所取代。不透水面(impervious surface)是指由各种不透水建筑材料所覆盖的表面，如由瓦片、沥青、水泥混凝土等材料构成的屋顶、道路和广场。单位地表面积中不透水面的面积所占的百分比定义为不透水面覆盖度(impervious surface percentage,ISP)。作为地表覆被重要组成成分，不透水面的增加将影响区域生态环境，导致流域水文循环异常、非点源污染增加、城市热岛和雨岛效应增强以及生物多样性减少等生态问题，不透水面的变化也能直接反应城市的发展与扩张。因此，准确估算不透水面覆盖度对城市环境和资源管理、城市规划、城市可持续发展等具有重要意义。

在城市尺度的不透水面提取上，Landsat等中等分辨率遥感影像因成本低廉且易获取等优点被广泛应用，但混合像元问题影响了中低分辨率遥感影像的分类精度，制约了影像应用的可靠性。利用计算机图像处理技术进行混合光谱分解是解决这一问题的主要途径，但混合像元分解模型的精度受端元的影响很大，由于阴影、沙地、岩石等地物与不透水面光谱相似，不透水面覆盖度往往在低值区被高估，在高值区被低估。GF-1等自主高分辨率遥感卫星影像空间分辨率高，能刻画地物的细节，但光谱分辨率低，光谱信息弱，且数据量大，成本高且处理工作量大，不适合大范围的不透水面反演。结合多空间分辨率的数据，从亚像元的角度估算不透水面覆盖度逐渐在不透水面大区域提取上成为趋势。

近年来，基于统计模型和机器学习的不透水面覆盖度亚像元遥感估算方法相继出现，如多元回归法、人工神经网络方法、决策树方法、支持向量机模型、光谱混合分解模型等。其中，支持向量机(Support Vector Machine，SVM)在解决小样本、非线性和高维识别问题中具有独特的优势，且实现简单，运算效率高，成为机器学习领域的研究热点。但支持向量机的训练精度受输入特征质量的影响较大，因此需要对图像内容进行准确描述，包括图像特征提取和特征优选。Sun(2011)等比较了多层感知器神经网络和支持向量机两种算法在提取不透水面上的有效性，结果显示利用支持向量机进行不透水面提取效果优于神经网络，尤其在处理混合像元和不透水面分类上表现更好。Gao(2014)等使用Worldview-2影像数据，利用基于面向对象的支持向量机分类方法提取北京市不透水面，取得了良好的效果，但未对输入特征进行筛选。程熙(2011)等利用了遥感图像的光谱特征，并增加了TC变换后的“绿度”分量和混合光谱分解的“高反照分量”2个特征变量，输入到支持向量机模型中训练出研究区域的不透水面覆盖度，估算结果优于线性光谱混合分解的结果，但未考虑影像的纹理和空间统计特征。以上文献在利用支持向量机估算不透水面覆盖度时提取的图像特征较少，且未涉及到图像特征的优选问题。

针对以上情况，结合GF-1和Landsat 8两种空间分辨率数据，提出了基于特征优选和支持向量机的不透水面覆盖度估算方法。利用GF-1影像获得不透水面覆盖度的参考值，对Landsat 8影像提取特征变量以挖掘影像隐含信息，通过ReliefF特征优选算法构建适合于不透水面覆盖度估算的特征子集，探讨特征优选对不透水面覆盖度估算的有效性，最终完成研究区域不透水面覆盖度估算。

发明内容