首页 > 论文范文 > 自然科学论文 > 自然科学综合论文 > 摄影测量论文 > 探讨矿区塌陷区遥感影像分类信息提取

探讨矿区塌陷区遥感影像分类信息提取

2020-10-24 359 上传者：管理员

摘要：分别采用光谱角制图法和支持向量机法对矿区塌陷区遥感影像进行分类信息提取，并对分类结果分别进行分类精度评价。实验结果显示，光谱角制图法在积水塌陷区和湖泊的区分上更具优势;分类精度评价结果显示，支持向量机分类法的总体精度更高。

关键词：
光谱角制图法
向量机分类法
塌陷区
摄影测量
支持向量机法
加入收藏

大规模、长期性的矿业发展，加之地下开采的单一开采方式，造成了矿区地表大面积的塌陷积水区，引发一系列的工程灾害，迫切需要对塌陷区进行系统的整治修复[1,2]。利用遥感影像，通过分类方法能够区分地表不同的地物类型，提取塌陷区范围，快速高效地获取大面积矿区地表实际情况[3,4]。国内学者对矿区塌陷区遥感影像分类方法做了多种研究，詹雅婷等通过波段反射率差异和归一化水体指数(NDWI)构建了矿区内煤堆和塌陷积水的遥感提取与识别决策树模型[5];张晓东等采用基于多源信息复合的支持向量机分类方法(SVM)，对研究区地表环境变化进行动态监测[6];岑奕等对光谱角制图算法进行了改进，以提高对地物的识别效果[7]。本文根据试验区实际情况，选取光谱角制图法和支持向量机法对试验区遥感影像进行分类，并对分类结果进行评价，分析其在矿区塌陷区信息提取中的适用性。

1、塌陷区提取方法概述

光谱角制图法是一种基于自身的波谱分类方法，将图像波谱与参照波谱在n维空间进行匹配，通过计算光谱之间的夹角判定图像各个像元与已知地物光谱的相似性。光谱之间的夹角越小，说明两者的相似性越大。光谱角制图(SAM)计算方便，且可以降低波谱照度和地形的影响[8,9]。

其表达如式(1)所示:

式中，α表示空间向量A、B的夹角，其取值范围为0—π/2，当向量A、B方向完全相同时，α=0。

支持向量机分类主要是通过非线性映射算法将线性不可分的样本转化为线性可分样本，并运用结构风险最小化理论，在特征空间中建构最优分割超平面，得到最优化的学习器，有限度地满足样本空间期望值，优点是具有良好的统计稳定性、计算有效性。不同的核函数对应不同的支持向量机算法，本文采用RBF-1、Sigmoid、Polynomial和Linear4种核函数分别进行分类，其原理详见参考文献[10,11,12]。

2、实验分析

2.1数据来源

本文以矿区遥感影像为实验数据，为提高实验精度及对比度，在充分分析试验区地物类型及降水情况的基础上，选取2011年10月份的试验区SPOT-5遥感影像进行实验，将试验区域地物划分为耕地、塌陷区、建筑用地和水体4类，重点提取塌陷区信息。

2.2光谱角制图法塌陷区提取

根据Landsat-TM数据7个波段波长范围的差异以及水体与其他地物在不同波段范围内光谱特性不同的特点，采用光谱角制图法获取以band2、band3、band4的反射率值为顶点的3个光谱夹角值，并合成3幅影像，获取合成影像如图1所示。

图1光谱夹角图

在合成影像上对4类地物进行采样(结果见表1)，并绘制出对应的地物光谱曲线如图2所示。

表1地物采样表

图24类地物光谱夹角值

由图2可知，4类地物在band1上的反射率值大小顺序依次为耕地、建筑物、塌陷区、水体;在band2上的反射率值大小顺序依次为水体、塌陷区、耕地、建筑物;而在band3上塌陷区、水体耕地三类地物的反射率值相近，建筑物反射率最低。以光谱夹角和反射率差异设定阈值，可提取试验区地物分类图，如图3所示。

图3光谱夹角结果分类图

原图像与处理后影像进行所有波段合成，并在光谱分析平台模块下进行光谱角分类和矢量化，可获取塌陷区分布图。为提高基于波段间关系的水体提取方法在SPOT-5多光谱影像上的适用性，可增加一个可用波段，具体操作方法为:用Band1代替蓝色，(Band1+Band2+Band3)/3代替绿色，Band2来代替红色，合成第5波段。假彩色合成图和光谱角塌陷区信息提取分别如图4、图5所示。

图4SPOT假彩色合成图像

图5光谱角塌陷区信息提取图

2.3支持向量机分类法信息提取

根据研究区耕地、植被、建筑、水体4类地物，选取5895×5206为实验区，选择训练样本点:耕地(11820个像素)、植被(7707个像素)、建筑(13281个像素)、水体(14453个像素)，并用较常用的4种内积核函数RBF-1、Sigmoid、Polynomial、Linear分别进行分类实验，得到分类结果如图6、图7所示。

图64种核函数分类结果图

图7矿区支持向量机分类结果图

3、分类结果评价

为评估上述两种方法对塌陷区遥感数据分类结果的精度，结合实地获取资料及高分辨率的航空影像资料，采用误差矩阵法对两种分类图像分别随机采集200个样本点，建立误差矩阵并计算各种统计量，对分类结果进行评价，结果见表2、表3。

表2光谱角制图分类精度评价

表3支持向量机总体分类结果评价

由表3计算结果可知，光谱角结果分类影像的总体精度为92.5，效果较理想，并且能够通过光谱很好地将塌陷区与水体区分开来。但从分类结果图中可以看出，积水塌陷区自动提取过程中产生较多的碎斑点，需通过ArcGIS聚集、过滤处理后才能得到清晰的分类结果;表4中支持向量机分类结果显示，4种核函数的总体分类精度都很理想，其中RBF(高斯核函数)分类精度最高，其次是Polynomial(多项式)和Linear(线性函数)，Sigmoid(神经元非线性作用)精度最低，但4种核函数的分类精度均高于光谱角制图法分类结果。但分析比较两种方法的分类结果图可知，支持向量机分类结果图中积水塌陷区和湖泊均为蓝色，还需要通过地物纹理、形状等特征加以区分;而光谱角制图法在这一方面具有明显优势。

4、结束语

本文通过对光谱角制图法和支持向量机法两种信息提取方法进行试验，分析其在矿区积水塌陷区信息提取中的适用性。分类结果显示，光谱角制图法分类在积水塌陷区和湖泊的区分上更具优势，更适合水系较多的塌陷区信息提取;而分类精度评价结果显示，支持向量机分类法的总体精度更高，但在湖泊和积水塌陷区的区分上有所限制，更适合水体较少的研究区。因此，在信息提取方法的选取上，可以根据试验区域的地物复杂程度及精度要求等不同需求，选取适合的信息提取方法。

参考文献:

[1]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2009.

[2]梅安新,彭望,秦其明,等.遥感导论[M].北京:高等教育出版社,2001.

[3]袁金国.遥感图像数字处理[M].北京:中国环境科学出版社,2006.

[4]王少军.矿山遥感调查的理论及方法研究[D].武汉:武汉地质大学,2013.

[5]詹雅婷,苏一鸣,朱叶飞,等.基于HJ-1A卫星CCD遥感影像数据的煤矿区塌陷坑积水和煤堆监测[J].中国地质灾害与防治学报,2016,27(4):64-69.

[6]刘欢,朱谷昌,李智峰,等.IKONOS卫星影像在甘肃省红会煤矿区塌陷群识别中的应用[J].中国地质灾害与防治学报,2010,21(4):82-85.

[7]岑奕,张艮中,张立福,等.地物光谱不确定性及光谱角制图算法适用性研究[J].光谱学与光谱分析,2015(10):169-173.

[8]付洪波.基于光谱角制图法的遥感异常信息提取[J].测绘与空间地理信息,2011,34(6):82-84.

[9]杨可明,刘飞,孙阳阳,等.谐波分析光谱角制图高光谱影像分类[J].中国图象图形学报,2015,20(6):836-844.

[10]张昊.基于支持向量机的Landsat-8影像分类应用研究[D].舟山:浙江海洋大学,2018.

[11]陈冰梅,樊晓平,周志明,等.支持向量机原理及展望[J].制造业自动化,2010,32(14):136-138.