论文部分内容阅读
矿区土地利用/覆被变化(LUCC)监测对矿区资源环境、区域发展研究都具有重要意义。土地利用/覆被变化监测常用的分类后比较法,其关键在于遥感分类算法的准确性。支持向量机(SVM)是常用的遥感分类算法,尤其在解决遥感影像高维度、小样本问题方面具有优势。目前的SVM的多分类算法存在分类器冗余、不确定区域、误差累计等问题,因此如何提高算法效率和优化推广能力仍是当前研究急需解决的难题。由于其独特的纠错机制,纠错输出编码支持向量机(ECOC SVMs)能在一定程度上减少错分情况的发生。将聚类信息、类间分离性测度用于ECOC码字的构造与优选能够进一步优化ECOC SVMs的推广性能,提升分类精度,对于遥感影像分类及LUCC研究具有重要意义。本文从提升分类器推广性能的角度对多组UCI数据集、遥感多光谱及高光谱数据集进行实验,构造了一种基于分离性测度改进的纠错输出编码支持向量机多分类框架(SW-ECOC SVMs),从码字分配和加权解码两个角度进行了优化,提升ECOC SVMs方法对于遥感影像的多分类准确率。实验证明该方法对于FLC1、AVIRIS KSC、Botswanna数据集均可在利用较少子分类器的情况下获得更高的分类精度(2%左右)。基于上述算法,选取淮南煤矿区为研究对象,利用RS与GIS技术对该矿区LUCC情况进行了研究,从变化速率、变化程度、景观指数等角度对2002年淮南矿区复垦工程正式开展以来的土地利用/覆被、景观格局变化情况进行全面分析。研究结果表明,淮南矿区土地复垦工作效果显著,已有效减缓了塌陷地积水的增长趋势,保护了区域土地利用结构。