何朝霞

摘要 [目的]寻找喀斯特地区土地最优分类方法。[方法]选取覆盖柳州市的美国陆地卫星的Landsat-5TM数字影像（2011年），采用最大似然、神经网络和支持向量机（SVM）3种分类方法，对研究区域的土地进行分类，比较分类后的混淆矩阵，分别求出3种分类结果的总体正确率和Kappa系数。[结果] 3种分类方法的总体正确率都在90%以上，Kappa 系数也较高；SVM分类方法的总体分类正确率和 Kappa 系数最高，优于神经网络、最大似然法分类。[结论]SVM分类方法可提高喀斯特地区土地利用信息遥感分类的精度，为后期有效地动态监测喀斯特地区土地利用的变化奠定了基础。

关键词 最大似然；神经网络；支持向量机；土地分类；精度

中图分类号 S127；P237 文献标识码 A 文章编号 0517-6611（2017）01-0004-04

Reseach on the Method of Land Classification in Karst Area

HE Zhaoxia

（College of Technology & Engineering， Yangtze University， Jingzhou， Hubei 434023）

Abstract [Objective] The aim was to find out the optimal method of land classification in Karst area.[Method] Based on American Landsat 5 （2011） digital images covering Liuzhou City，the maximum likelihood， neural network and support vector machine （SVM） classification methods were studied. Three methods were used to classify the land， the confusion matrix was compared after classification， overall accuracy and Kappa coefficient of classification results were calculated. [Result] The overall accuracy of three classification methods was over 90%， the Kappa coefficient was higher. The overall classification accuracy and the Kappa coefficient of SVM classification method were all the highest， better than the neural network and maximum likelihood. [Conclusion] The SVM method can improve the accuracy of land classification in Karst area， and it is effectively to dynamic ally monitor the change of land used in karst area.

Key words Maximum likelihood；Neural network；Support vector machine；Land classification；Accuracy

随着人类社会的发展，特别是城市建设的加快，城市土地利用每年都在发生着明显变化，所以土地利用变化仍是当前研究的热门问题。杨瑞芳等[1]在遥感和GIS 技术支持下，选择北京市顺义区作为研究对象，采用分类后比较方法，对1999—2011年土地利用类型的动态变化进行定量分析以及空间分布制图；肖杨等[2]基于RS和GIS技术，在ENVI 软件支持下，利用监督分类方法，提取了黄河三角洲地区各时相土地利用类型面积及分布信息；何顺兵等[3]采用级联方式综合最邻近分类算法和模糊分类算法实现了重庆市大学城城区土地覆盖信息的面向对象提取；陈西亮等[4]选取 2010 年9景TM 影像为遥感信息源，利用支持向量机（SVM）法对喀什地区的土地进行分类；陈书林等[5]利用粗集理论对2000年Landsat-5TM卫星图像数据进行分类，获得2000年南京市土地利用分布专题图；……