基于支持向量机方法的土地退化信息提取 基于遥感地学认知的土地退化信息提取技术流程
面向对象的土地退化信息提取技术流程如图 3 －9 所示。
( 一) 土地退化类型与土地类型
基于农户的土地退化调查分析表明，横山县土地类型分为川水地、沟坝地、梯田、墚峁顶、墚峁坡和风沙地六类，土地质量由高到低依次为川水地、沟坝地、梯田、墚峁顶、墚峁坡和风沙地 ( 王静等，2006) ，依次对应不同土地退化类型 ( 表 3 －6) 。
表 3 －6 土地退化类型与土地类型
续表
图3－9 土地退化信息提取技术流程图
( 二) 土地退化光谱响应单元的划分
本研究提出了土地退化光谱响应单元 ( DSＲU) 的概念。土地退化光谱响应单元是生态条件、地理条件相对一致并且在遥感影像中所反映的光谱特征具有相对同质的土地单元，具有相似的地形、植被、土壤特征以及相似的光谱特征 ( Zonneveld，1989; Imeson et al. ，1995) 。因此，土地退化光谱响应单元的划分不仅依据地形、土壤和植被的空间信息，还要依据土地退化类型的遥感影像光谱信息，将影像分割的方法用于其中。
在土地退化光谱响应单元的划分中，初步参与影像分割的数据层包括高光谱影像的PCA1 至 PCA9、地形因素 ( 海拔和坡度) 、植被因素 ( 植被指数 MCAＲI) 、土壤特征和土地利用图层等，共输入 13 个栅格图层和 1 个用于辅助分类的专题图层，参与分割的图层及其权重见表 3 － 7，权重大小表示该图层在分割中所起作用的大小。PCA1 至 PCA9 由Hyperion 数据经过主成分变 换后生 成，由于后面的数据信噪比较 差，所 以 只 取 前 9 个Hyperion 高光谱数据主成分分量; 由 DEM 生成坡度和坡向数据，土壤层由有机质预测图构成，专题图层 ( Thematic layers) 为由 TM 解译的土地利用图，植被图层由高光谱植被指数构成，在 ENVI 中经过波段运算而得，即修正型叶绿素吸收反射率指数 MCAＲI ( Kim et al. ，1994; Daughtry et al. ，2000) ，计算公式如下:
退化废弃地遥感信息提取研究
表 3 －7 参与分割的图层及其权重
多尺度分割是面向对象分类方法的第一步，是一个自下而上、将像素聚类合并成小多边形 ( 影像对象) 的过程。以这小多边形作为分类的最小单元，每个多边形内部则不再细分，它是面向对象分类方法的基础。多尺度分割的意义主要在于，除了单纯的光谱信息，影像对象 ( 多边形) 相对于单个像素来讲包含了更多能用于分类的附加属性，由于它是像素的集合，所以就具有了单个像素所不具有的统计特性 ( 例如均值、最大值、方差等) ，以及形状、纹理和一系列可以在多层次影像对象网络结构 ( 同一层的对象为邻居Neighbors，不同层的对象为父对象 Super-objects 和子对象 Sub-objects，由不同层次影像对象组成的立体交叉相互联系的网络结构，Context 即来源于这个网络结构) 进行运算的相互关联的上下文信息，为分类提供了分析手段。
任何一个具体的分类任务均具有特定的尺度。分割的影像对象 ( Image objects) 只有在合适尺度才能为分类提供有意义的上下文信息，而 “多尺度分割”( Multiresolution segmentation) 为把影像对象分割成合适的尺度提供了可能。与单个像素相比，同类的影像对象信噪比显著增强，无需依赖太多的附加信息，分类的鲁棒性得以增强 ( 分类结果更加稳定、健壮) ; 并且在分割过程中，大幅度减少了分类过程中需要处理的单元个数，化像素为对象，化零为整，提高了效率。这里所采用的多尺度分割是一种从单个像素开始的自下而上( 即数据驱动) 的区域合并技术。在自下而上的方法中，分割是基于一系列的统计方法和参数来处理整景影像的。采用的限制参数异质性最小，即影像分割过程中，像元的合并开始于任意一个像元，先将单个像元合并为较小的影像对象，再将较小的影像对象合并成较大的影像对象，当超过异质性参数时，不再合并像元，以实现整幅影像在给定分割尺度域值的情况下所有影像对象的平均异质性最小 ( De Jong et al. ，2007) 。
本研究进行了一个类似像元尺度的分割和其他 4 个尺度的分割，DSＲU 为系统中最小的影像分割单元。尺度1 代表类似像元尺度，其他4 个尺度为尺度25 ( 小尺度) 、尺度 50 ( 中尺度) 、尺度100 ( 中尺度) 和尺度200 ( 大尺度) ，代表影像分割单元 DSＲU 从小到大。影像从像元开始分割，依次为类似像元尺度、尺度 25、尺度 50、尺度 100 和尺度 200，不同尺度分割结果与分割参数如表 3 －8 所示。土地利用图作为专题图层也参与分割，专题图层在分割中的意义是 “没有一个影像能够跨越专题图层中多边形的边界，相当于起一个超级对象的作用”。因此，只有多边形的专题图层才能参与到分割中，点层和线层则不起作用。
表 3 －8 不同分割参数
在本研究中，基于参与分割图层及其所占权重，即土地退化监测指标的不同权重，设计了不同指标组合作为影像分割的输入层，进行影像分割和影像分类，通过比较不同分类结果确定最佳的土地退化监测指标组合。用于影像分割的8 种数据层组合与权重见表3 －9。
表 3 －9 用于影像分割的 8 种数据层组合与权重
续表
( 三) 土地类型的初始分类
根据 Hyperion 影像色彩 ( ＲGB 分别为 Hyperion 数据主成分的第一、二、三分量) ，利用最邻近分类器，选择训练样本，将多尺度分割成的 DSＲU 影像对象分为以下几类: 红色( 云) 、蓝黑色 ( 云的阴影) 、绿色 ( 无退化土地) 、淡蓝色 ( 沟坝地和梁峁坡) 、淡粉红色 ( 坡顶和沙地) 、深蓝色 ( 居民地) 、黑色 ( 水体) 等。在 eCognition 中，可不断指定训练样本，直到得出满意的分类结果。实际上，监督分类这种不断改进的迭代方法会导致多维特征空间中类别分布的边界不同。因此，在分类中可先确定少数样本，再逐步添加必要样本，这是一种非常有效的分类方法。
( 四) 土地类型的二次分类
对上述 7 种土地类型的初始分类作进一步细分。“淡蓝色”类别进一步细分为沟坝地和梁峁坡，“淡粉红色”类别进一步细分为坡顶和沙地，“绿色”类别 ( 无退化土地) 进一步细分为沟坝地和川水地。将成员函数分类器引入分类，利用 DEM、坡度、植被指数等数据来辅助分类，并依据多源影像的光谱信息、形状信息、纹理信息、相邻关系信息等进行分类。依据野外调查和影像目视解译，以及土地退化类型与土地类型的地学知识，确定了成员函数分类器的相关指标阈值。具体判定函数如下:
“淡蓝色”类别进一步细分的指标阈值: 沟坝地 ( Dike field) 为1040 ＜ 海拔 ＜1160 或MCAＲI ＞ 0. 05 并且坡度 ＜ 8°，坡耕地 ( Loess hilly slope) 为除 “沟坝地” 以外的对象;“淡粉红色”类别进一步细分标准: 梁峁顶 ( Loess hilly top) 为 MCAＲI ＞ － 0. 3，沙地( Sandy Land) 为 MCAＲI ＜ － 0. 3; “绿色”类别进一步细分标准: 沟坝地 ( Dike field) 为MCAＲI ＜ 0. 3，川水地 ( Irrigated land) 为 MCAＲI ＞ 0. 3。
( 五) 土地退化评价
基于农户调查和野外调查，无退化土地包括川水地和沟坝地，属于高质量土地，梯田属于轻度退化土地，梁峁顶属于中度退化土地，沙地和坡耕地属于高度退化土地。沟坝地、梁峁顶土地和坡耕地按照其退化程度又进一步细分为三级。依据野外调查和影像目视解译，以及土地退化类型与土地类型的地学知识，确定了成员函数分类器植被指数和有机质的指标阈值，具体判定函数如下:
沟坝地 ( Dike Field) 的指标阈值: 一等地 ( dike_1) 为 0. 09 ＜ MCAＲI ＜ 2，二等地( dike_2) 为 0. 05 ＜ MCAＲI ＜ 0. 09，三等地 ( dike _3) 为 － 1 ＜ MCAＲI ＜ 0. 05; 梁峁坡( Loess hilly slope) 的指标阈值: 一等地 ( slope_1) 为 3. 98 ＜ 有机质指数 ＜ 4，二等地( slope_2) 为 3. 75 ＜ 有机质指数 ＜ 3. 95，三等地为 ( slope_3) 3 ＜ 有机质指数 ＜ 3. 75; 梁峁顶 ( Loess hilly top) 的指标阈值: 一等地 ( top_1) 为 0 ＜ MCAＲI ＜ 2 或有机质指数 ＞4. 0，三等地 ( top_3) 为 － 1 ＜ MCAＲI ＜ － 0. 2 或有机质指数 ＜ 3. 65，剩余为二等地( top_2) 。
土地退化监测与评价的过程是指标信息获取和处理的过程，指标信息获取手段包括监测网络、遥感解译、野外调查、实测估算、统计数据等。遥感数据是当前土地退化监测与评价中主要应用的数据源，利用遥感影像和 GPS 数据，在 GIS 支持下辅以常规野外调查数据来进行不同尺度土地退化的监测与评价，技术流程见图 3 －3。
图 3 －3 基于遥感数据的土地退化监测与评价技术流程
研究区土地具有明显的侵蚀特征，基于野外调查，确定为无退化土地类型和三种退化类型:
1)轻度退化类型:土壤质地以砂壤土为主，部分表土被搬运，受地面径流和片蚀影响，例如种植农作物的黄土洼川坝地和果园地等。
2) 中度退化类型: 土壤质地以壤砂土为主，大部分表土被运移，植被稀疏处主要受细沟侵蚀即线蚀，也受地面径流和片蚀影响; 植被覆盖以牧草和灌木林为主，主要为牧草地和灌木覆盖度较高的山坡。
3) 高度退化类型: 土壤质地以沙土为主，全部表土和部分亚表土或底土被搬移，表面受细沟、冲沟、塌堤等侵蚀影响，主要位于植被覆盖度低的肋型墚顶，以及植被覆盖度较低 ( ＜5%) 的沙土地 ( 图 3 －6) 。
图 3 －6 土地退化的不同类型
( 一) 土地退化监测指标体系建立
土地退化的发生和分布与区域气候、地形、地貌、土壤质地、水文状况等方面密切相关，因此需要综合考虑不同因素，结合横山县地处农牧交错地带的地理特征，以及植被退化和土壤退化对当地生产、生活和经济发展的影响，选择能够突出反映研究区土地退化特征并对土地退化影响最大的指标 ( 表 3 －3) 。
表 3 －3 评价因子的选择
董荣万等 ( 1998) 提出了植被覆盖度与土壤侵蚀量的计算模型，具体表达式如下:
退化废弃地遥感信息提取研究
式中: M 为土壤平均侵蚀量; X 为植被覆盖度 ( %) 。计算公式为 ，此模型在本研究中被定义为土壤侵蚀指数 ( Soil Erosion Index，SEI) 。
Huete ( 1988) 提出了土壤调整植被指数 ( Soil-Adjusted Vegetation Index，SAVI) ，在高光谱 Hyperion 数据中，它的计算公式如下:
退化废弃地遥感信息提取研究
式中: ρ 为反射率; L 为调整参数，其作用是消除 ( 或减小) 植被反射率中土壤光学性质以及背景的影响，从而达到增强植被信息的目的。L 值的确定需要较多先验知识，Huete( 1988) 研究表明当 L 取 0. 5 时，能够很好地消除 ( 减少) 土壤背景的影响。本研究的 L取 0. 5，进行 SAVI 计算。
为进一步消除土壤背景的影响，突出植被特征，Qi 等 ( 1994) 提出了改进土壤调整植被指数 ( MSAVI) ，在高光谱 Hyperion 数据当中，计算公式如下:
退化废弃地遥感信息提取研究
式中: ρ 为各个波段的反射率。
何挺 ( 2003) 在陕西省横山地区通过测量土样的水分含量，采用多元统计回归的方法与高光谱 Hyperion 数据反射率建立反演模型，此模型在本研究中定义为土壤湿度指数( Soil Moisture Index，SMI) ，它的计算公式如下:
退化废弃地遥感信息提取研究
式中: X 为反射率 ρ 的对数的一阶微分，即 X = ( lgρ) '。
上述指标从不同侧面综合反映了土地退化特征。土壤的理化性质与土壤的化学成分关系密切，土壤有机质含量高，土壤越肥沃，退化程度就越低; 植被覆盖度高 ( SAVI 和MSAVI 指数大) ，反映抗风蚀和水蚀的能力越强，地表的蒸降比越大，相应表土的土壤湿度越小，土壤旱情越严重，水土流失现象越明显，土地退化程度越高。在此，根据各指标对土地退化特征的反映情况，参考半干旱地区 MODIS 数据土地退化监测指标的标准，结合 2000 年全国 1∶ 10 万土地退化现状图以及野外实地调查与采样，最终确定出不同指标的分级阈值，建立研究区 Hyperion 高光谱数据的土地退化监测指标体系 ( 表 3 －4) 。
表 3 －4 研究区土地退化监测指标体系
( 二) 支持向量机方法与神经网络方法
1. 支持向量机方法
支持向量机方法 ( Support Vector Machines，SVM) 是建立在统计学习理论基础上的一种新兴的学习方法，应用思路充分体现了统计学习理论中关于学习过程一致性和结构风险最小化的思想，它的设计方法是在保持经验风险固定 ( 甚至为零) 的基础上最小化其置信范围 ( 彭望绿等，2002) 。SVM 的核心思想就是把学习样本非线性映射到高维核空间，在高维核空间创建具有低 VC 维的最优分类超平面，通过综合考虑经验风险和置信范围的大小，根据结构风险最小化原则确定其经验风险和置信范围，取其折中，得到风险上界最小的分类函数。
Vapnik 的统计学习理论指出，如果输出变量和输入变量之间存在一个未知但是固定的分布，要使其实际输出和理想输出之间的偏差最小，则应该遵从结构风险最小化原理。结构风险最小化就是在确定的置信范围内寻找最小经验风险。随着函数复杂度增加，置信范围会增大，而经验风险会减小。选择最小期望风险与置信之和最小的函数子集就可达到期望风险最小，这个函数子集中经验风险最小的函数即最优函数。
支持向量机方法的设计思想就是通过一个事先选择的非线性映射将处于低维空间中的向量映射到一个高维的特征空间中，然后在特征空间中构建具有较低 VC 维的最优分类超平面。如果用核函数K(Xi，X)代替上面最优超平面中的点积运算，就相当于把样本从原来所在的空间变换到了一个新的特征空间中。支持向量机方法避免了传统的广义线性分类思路带来的缺点，即在构建判别函数的时候，不是直接将低维空间中的样本向量映射到高维的特征空间中求解，而是先在原空间中对向量做某种比较(例如求点积和某种距离)，然后再对其做非线性变换，直接得到高维空间中的内积结果。这样，大量的实际运算工作是在输入空间而不是在高维的特征空间中完成，因此也就避免了所谓的“维数灾难”。支持向量机方法的分类函数在形式上类同于一个神经网络，其输出结果是中间节点的线性组合，而每一个中间节点对应的是输入向量和一个支持向量的内积运算。
在支持向量机方法的应用中，采用不同的内积核函数，就能够构造不同类型的非线性分类面的学习机器。常见的内积核函数有三类:多项式核函数、径向基函数和S型内积核函数。
2.神经网络方法
神经网络方法需要对土地退化指标建立评价分级标准，根据人工神经网络建模原理，以分级标准数据和野外调查GPS定位样本作为训练样本，通过人工神经网络学习与训练，进行模拟、建模以及土地退化程度的综合评价。利用人工神经网络进行指标预测可以选择多种网络模型，一般选择最常用而且具有函数逼近、模式识别、分类和预测等多功能的BP网络模型。
神经网络系统是由大量处理单元(神经元)相互连接的网络结构，能被用于多源数据的综合分析，特别是处理没有特定分布(例如正态分布)、定性的数据，这种模型已经在遥感图像分类、自然资源分析与预测及特征提取中得到广泛应用。前馈型神经网络模型(BP神经网络)是一种常用的模型。
神经元网络结构由输入层、隐含层和输出层组成，在前馈型网络模型中，第一隐含层的节点输入值等于输入层诸节点输出值的加权和，对于第一隐含层的一个节点，其网络输入值μj为
退化废弃地遥感信息提取研究
式中:ωji为两个节点间的连接权重(从输入层i到它的下一层);xi为输入样本点。第j层上节点的输入值Oj采用激励函数计算:
退化废弃地遥感信息提取研究
式中:θj为阈值或偏倚，它的作用是沿着水平轴变化激励函数。θ0的作用是修改函数线形。θ0值高将会引起θj缓慢变化。
学习算法由信息的正向传播和误差的反向传播构成。在正向传播过程中，输入信息从输入层经隐含层处理，并传向输出层，每一层神经元只影响下一层神经元的输入。如果不能在输入层得到期望的输入，则转入后向传播过程，将连接权值关于误差函数的导数沿原来的连接通路返回，通过修改各层的权值以减少网络输出误差。
神经网络分辨地物的能力包含在它的权重中，在学习过程中，它们的值被迭代式调整到一种能使神经网络区分感兴趣的原型结构，神经网络的向后传递算法能使输出的所有模型的平方误差最小化，这是一种迭代渐降式算法。简单地说，学习过程就是希望网络找到一组权重和阈值系数，并使这组系数满足实际输出值与预期输出值之间的误差达到要求的精度。
在遥感影像分析应用中，需先选择一组训练样本和一组测试样本，每个样本由像元波段向量和该像元的各个成分光谱的分量组成。输入层神经元节点值由像元波段向量值指定，输出层神经元节点值由像元各个成分光谱分量指定，实验确定学习系数、动量系数、隐含层数和各个隐含层上的神经元节点数，迭代终止由测试样本精度控制 ( 同时参照训练样本的系统误差) 。
( 三) 土地退化信息提取
在 ENVI 软件中，将计算出的 6 个指标影像堆栈成一个具有 6 个波段的新影像文件，作为输入层。依据前面的土地退化监测指标体系，将 6 个指标影像按照分级的阈值进行密度分割，根据不同的退化等级，进行逻辑交集运算 ( 在 EＲDAS 软件中通过空间建模实现) ，确定每种退化等级的交集范围，从而选取训练样本。
在神经网络方法中，选择隐含层层数为 1，训练的次数为 1000，ＲMS 均方根误差阈值为 0. 08，训练到 70 多次的时候就已经达到了误差阈值，说明分解的精度比较高。
在支持向量机模型中，选择径向基核函数 ( ＲBF) ，因为它适合于绝大多数的情况，并且能取得很好的效果，特别在处理具有相似波谱的不同地物类型的问题上，选取 100 为惩罚系数，0 为分类的可能阈值，运用支持向量机方法完成土地退化程度分类图。最终评价结果如图 3 －7 和图 3 －8 所示。
图 3 －7 神经网络法评价结果
图 3 －8 支持向量机法评价结果
采用 Kappa 系数和误差矩阵进行精度的评价，每个类型随机选取 100 个样本点，然后根据野外采样数据和相关影像资料，完成分类精度的评价。精度评价结果见表 3 －5。
表 3 －5 分类精度评价表
比较最终评价结果图，两者十分相似。精度评价比较结果表明，支持向量机方法的精度 ( 总体精度0. 93) 略高于神经网络模型的精度 ( 总体精度0. 88) 。通过进一步分析，两种方法在分析高度退化土地和无退化土地方面有着十分相似的结果，但是中度退化土地和轻度退化土地分类存在一些差异，比如说在神经网络模型中有 32. 48% 的中度退化土地，而在支持向量机方法中则有 38. 34% 的中度退化土地; 在神经网络模型中有 35. 43% 的轻度退化土地，而在支持向量机模型中则只有 29. 21% 的轻度退化土地，说明有可能其中一部分中度退化土地被神经网络法错分到轻度退化土地当中，导致两者最终精度存在差别。
分析其根 本 原 因，可 能 与 神 经 网 络 法 采 用 的 是 一 种 非 线 性 的 优 化 算 法 有 关( Shanmugama et al. ，2006) 。有研究表明，一般情况下，用神经网络模型进行分类，可以得到与传统方法相同甚至更高的精度，但是事实并非总是如此 ( 曾志远，2004) 。而支持向量机方法具有以下几方面的优势: 一是具有良好的理论基础，在统计学习理论的指导下，支持向量机方法可以克服其他一些机器学习方法的缺陷，例如神经网络法的 “过学习”问题。二是在结构风险最小化的指导下，使得学习机器具有良好的分类推广能力，从而使得支持向量机方法在小样本学习的条件下具有较好的学习分类效果。三是支持向量机方法将复杂的学习问题转化为高维线性空间中的简单问题来解决，增强了分类的可靠性和控制能力; 同时，通过引入核函数的思想，使得该方法适合解决特征维数较高的学习问题; 通过选择不同的核函数，还能依据不同问题选择不同解决方法，从而取得最好的效果。四是通过引入不同的优化策略，可以对支持向量机方法的训练过程进行全局优化，提高机器训练学习的效率。以上优势可能正是支持向量机方法能够获得更高制图精度的根本原因。具体来看，研究区中度与轻度退化土地占的比例较大，达到了 62. 28%，这与野外调查实际情况基本吻合，如果不采取有效的措施加以控制和保护，这两种退化土地类型都有向高度退化方向恶化的趋势。
( 四) 小结
1) 运用多指标多角度评价法，通过分析选取土壤侵蚀、植被覆盖度、土壤理化性质、土壤湿度和地形地貌等不同指标，建立研究区土地退化监测指标体系。
2) 利用支持向量机方法和神经网络法对研究区土地退化情况进行评价，结果显示支持向量机方法的精度要略高于神经网络方法，分析根本原因可能是与神经网络法本身采用的非线性的优化算法有关。另外，支持向量机方法有着许多优势，其中一点就是可以克服神经网络法中的 “过学习”问题。
