田 鑫，何 海，金雙彥，吳志勇

（1.河海大學(xué)水文水資源學(xué)院，南京 210098；2.黃河水文水資源科學(xué)研究院，鄭州 450004）

0 引 言

作物種植結(jié)構(gòu)信息是農(nóng)業(yè)灌溉用水預(yù)測(cè)、農(nóng)業(yè)產(chǎn)量估算、農(nóng)業(yè)補(bǔ)貼定損和區(qū)域水資源分配的重要參考指標(biāo)［1-3］?；趥鹘y(tǒng)調(diào)查方式獲取作物種植結(jié)構(gòu)的方法由于時(shí)效性和范圍性問(wèn)題在實(shí)際應(yīng)用中受到限制［4］?；谶b感影像的作物種植結(jié)構(gòu)提取方法，因其范圍廣、時(shí)效性強(qiáng)的特點(diǎn)在實(shí)踐應(yīng)用中越來(lái)越重要［5-8］。在基于遙感影像的作物種植結(jié)構(gòu)提取中，合適的分類(lèi)特征和樣本數(shù)量在提高作物種植結(jié)構(gòu)提取精度方面起著關(guān)鍵的作用。

現(xiàn)階段在遙感影像識(shí)別的分類(lèi)特征研究中，已有研究包括基于光譜特征采用分層決策樹(shù)方法提取作物種植結(jié)構(gòu)［9］，或基于時(shí)序NDVI 特征利用閾值法進(jìn)行作物提?。?0］，或基于特征指數(shù)采用隨機(jī)森林方法進(jìn)行作物提取［11］等方面，上述分類(lèi)特征與監(jiān)督分類(lèi)方法結(jié)合進(jìn)行作物提取的研究較少，而已有關(guān)于遙感影像提取分類(lèi)方法研究表明，監(jiān)督分類(lèi)方法通常具有更好的精度［7，12］。在樣本數(shù)量的研究中，Wei H 等［13］通過(guò)生成對(duì)抗網(wǎng)絡(luò)的方法采集數(shù)量合適的訓(xùn)練樣本，但該方法僅適用于卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)；樊東東等［14］通過(guò)改善訓(xùn)練樣本質(zhì)量提高了分類(lèi)精度，但缺少對(duì)樣本數(shù)量的討論；Lin Chuang 等［15］和Jingxiong等［16］僅關(guān)注訓(xùn)練樣本空間和時(shí)間準(zhǔn)確性對(duì)分類(lèi)精度的影響。但已有研究較少關(guān)注樣本數(shù)量對(duì)作物提取精度的影響。

監(jiān)督分類(lèi)是以概率統(tǒng)計(jì)理論為基礎(chǔ)，利用采集到的各類(lèi)地物訓(xùn)練樣本，對(duì)判決函數(shù)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的判決函數(shù)去對(duì)其他像元進(jìn)行分類(lèi)［17，18］。在監(jiān)督分類(lèi)方法中，按分類(lèi)器的不同又可細(xì)分為最小距離、最大似然、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。監(jiān)督分類(lèi)中的分類(lèi)器各有側(cè)重，但支持向量機(jī)方法因提取精度較高和應(yīng)用范圍較廣更受關(guān)注，例如張亞新等［7］和徐存東等［12］的研究中表明監(jiān)督分類(lèi)方法中的支持向量機(jī)提取精度更優(yōu)；L Su 等［19］利用支持向量機(jī)方法進(jìn)行草原干旱與半干旱研究。因此，本文主要采用監(jiān)督分類(lèi)中的支持向量機(jī)，作為本研究作物種植結(jié)構(gòu)提取的分類(lèi)方法。

甘肅張掖灌區(qū)為中度缺水地區(qū)，農(nóng)業(yè)灌溉以引黑河水為主，隨著當(dāng)?shù)亟?jīng)濟(jì)的不斷發(fā)展，水資源供需矛盾已成為制約當(dāng)?shù)亟?jīng)濟(jì)發(fā)展的主要因素［20］。及時(shí)、準(zhǔn)確的作物種植結(jié)構(gòu)信息為當(dāng)?shù)剞r(nóng)業(yè)灌溉用水預(yù)測(cè)提供數(shù)據(jù)基礎(chǔ)，同時(shí)也為當(dāng)?shù)厮Y源精細(xì)化管理提供數(shù)據(jù)支撐。

基于上述分析，為探討不同分類(lèi)特征和樣本數(shù)量對(duì)作物種植結(jié)構(gòu)提取精度的影響，以黑河流域張掖灌區(qū)為研究區(qū)，采用監(jiān)督分類(lèi)中的支持向量機(jī)方法，比較分析了光譜特征和時(shí)序NDVI 特征在十組不同樣本數(shù)量條件下作物種植結(jié)構(gòu)提取精度的差異，得到了研究區(qū)最優(yōu)的分類(lèi)特征和參考樣本數(shù)量。

1 研究區(qū)概況及數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

張掖灌區(qū)位于甘肅省西北部，包括板橋灌區(qū)、上三灌區(qū)和盈科灌區(qū)，總面積為1 174 km2。張掖灌區(qū)地處99°51′E～100°30′E、38°57′N(xiāo)～39°42′N(xiāo) 之間，海拔1 370～2 200 m，具有日照時(shí)間長(zhǎng)、積溫高、晝夜溫差大、降雨稀少、蒸發(fā)強(qiáng)烈等特點(diǎn)，年降水量110～130 mm，年蒸發(fā)量高達(dá)1 400 mm，屬中度缺水地區(qū)。研究區(qū)是重要的灌溉農(nóng)業(yè)經(jīng)濟(jì)區(qū)，種植作物主要有玉米和蔬菜瓜果，其中玉米種植面積占作物總種植面積的80%，研究區(qū)位置見(jiàn)圖1。

圖1 研究區(qū)位置Fig.1 Location of study area

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

遙感影像主要為2020年全年11 景分辨率為30 m 的Landsat8遙感影像（http：//www.gscloud.cn/home）和2020年6月3景分辨率為2 m 的高分一號(hào)遙感影像（http：//www.cresda.com/CN/）。研究區(qū)作物種植面積信息，主要來(lái)自實(shí)地勘察、板橋灌區(qū)、盈科灌區(qū)和上三灌區(qū)水利管理所的統(tǒng)計(jì)資料。

Landsat8 遙感影像預(yù)處理包括輻射定標(biāo)、大氣校正和影像裁剪；高分一號(hào)主要用于采集訓(xùn)練樣本和驗(yàn)證樣本，因此只需進(jìn)行正射校正。本研究重點(diǎn)關(guān)注分類(lèi)特征和樣本數(shù)量對(duì)作物種植結(jié)構(gòu)提取精度的影響問(wèn)題，為保證樣本精度，在樣本采集中使用了厘米級(jí)國(guó)產(chǎn)地圖作為輔助。

2 研究方法

2.1 基于光譜特征和時(shí)序NDVI 特征的監(jiān)督分類(lèi)方法

基于光譜特征的遙感分類(lèi)，是利用亮度值或像元值的高低差異（反映地物的光譜信息）進(jìn)行地物分類(lèi)提取［17］。本文對(duì)遙感影像所進(jìn)行的預(yù)處理中，輻射定標(biāo)可以將衛(wèi)星傳感器記錄的數(shù)字量化值轉(zhuǎn)化為輻射亮度；大氣校正可以消除大氣分子、氣溶膠散射的影響，得到真實(shí)的地表反射率數(shù)據(jù)。

研究區(qū)主要作物為蔬菜瓜果和玉米，根據(jù)當(dāng)?shù)刈魑镂锖蚱?，兩種作物分別在7月和9月成熟，其中蔬菜瓜果在7月開(kāi)始收獲，利于識(shí)別作物收獲前后的差異。本文選擇8月9日的影像進(jìn)行提取，如圖2（a）中光譜特征曲線所示，各地物在不同波段下具有一定差異；尤其在波段b4 至b7 之間，玉米和蔬菜瓜果之間差異顯著。

遙感分類(lèi)的本質(zhì)是尋找不同地物間的差異［21］，根據(jù)地物間差異選擇不同分類(lèi)方法進(jìn)行地物提取，而通過(guò)特征指數(shù)可以凸顯地物間差異。本文選取常用的特征指數(shù)：歸一化差異植被指數(shù)NDVI（Normalized Difference Vegetation Index），該指數(shù)通過(guò)近紅外（植被強(qiáng)烈反射）波段與紅光（植被吸收）波段間的運(yùn)算來(lái)區(qū)別植被，公式如下：

式中：ρnir為近紅外波段反射率；ρred為紅光波段反射率。

NDVI 取值范圍為（-1，1），由于遙感影像中可能存在一些異常區(qū)域，使計(jì)算的NDVI 值產(chǎn)生異常，需要對(duì)計(jì)算后的NDVI值進(jìn)一步修正，小于-1 異常值賦予0，大于1 異常值賦予0.8，修改后的NDVI 特征曲線能夠更加準(zhǔn)確地反映地物真實(shí)情況，公式如下。

有研究指出時(shí)序NDVI 有助于提高作物種植結(jié)構(gòu)的提取精度［22］，本文通過(guò)2020年全年11 景Landsat8 影像構(gòu)建時(shí)序NDVI特征指數(shù)，玉米和蔬菜瓜果在8月至10月區(qū)分度很高，同時(shí)作物的NDVI 變化符合研究區(qū)作物8月至10月收獲的情況，且其他地物在8月至10月也易于區(qū)分［見(jiàn)圖2中（b）］。

圖2 研究區(qū)不同地物的反射率和NDVI特征曲線Fig.2 Reflectance and NDVI characteristic curves of different ground features in the study area

2.2 基于不同樣本數(shù)量的監(jiān)督分類(lèi)

樣本是遙感地物分類(lèi)的基礎(chǔ)［13］，在監(jiān)督分類(lèi)中，只有在對(duì)樣本類(lèi)別屬性有先驗(yàn)知識(shí)的前提下，才可以進(jìn)一步分析不同地物特征并進(jìn)行分類(lèi)。

因此本研究基于2 m 分辨率的高分一號(hào)采集樣本，選擇支持向量機(jī)分類(lèi)方法，比較光譜特征和時(shí)序NDVI 特征在十組不同樣本數(shù)量條件下的提取精度，分析兩種分類(lèi)特征條件下樣本數(shù)量對(duì)作物種植結(jié)構(gòu)提取精度的影響程度。

根據(jù)收集的研究區(qū)下墊面資料，將地物分為六類(lèi)：玉米、蔬菜瓜果、水體、建筑、林地和裸地。在樣本采集中，主要側(cè)重于作物信息。本文共采集10 組訓(xùn)練樣本，其中每組樣本均包含3個(gè)灌區(qū)的數(shù)據(jù)，總個(gè)數(shù)從72～720 個(gè)不等。此外，本文以第五組條件下采集的檢驗(yàn)樣本為各組的驗(yàn)證樣本，保證每組驗(yàn)證時(shí)的樣本相同。樣本詳情見(jiàn)表1，其總體空間分布見(jiàn)圖3。

圖3 樣本空間分布Fig.3 Spatial distribution of samples

表1 10組訓(xùn)練樣本數(shù)量及檢驗(yàn)樣本數(shù)量 個(gè)Tab.1 Number of training samples in ten groups and verification samples

2.3 精度評(píng)價(jià)指標(biāo)

本研究采用面積驗(yàn)證和混淆矩陣驗(yàn)證兩種方法對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)。

面積驗(yàn)證是比較研究區(qū)實(shí)際地物面積與提取地物面積，在本研究中主要關(guān)注玉米和蔬菜瓜果兩種地物。

混淆矩陣是通過(guò)驗(yàn)證樣本像元位置與分類(lèi)圖像中相應(yīng)位置的比較計(jì)算得到的。主要評(píng)價(jià)指標(biāo)為總體分類(lèi)精度（Overall Accuracy）和Kappa系數(shù)，計(jì)算公式如下：

式中：POA為總體分類(lèi)精度；xi為n類(lèi)地物中被正確分類(lèi)的像元總和；ai為n類(lèi)地物的真實(shí)樣本像元數(shù)；bi為樣本中被歸為n類(lèi)地物的像元數(shù)；n為分類(lèi)結(jié)果總類(lèi)別數(shù)；N為樣本像元總數(shù)。

總體分類(lèi)精度表征樣本的地物類(lèi)型與分類(lèi)結(jié)果中地物類(lèi)型的相似情況。Kappa 系數(shù)用于衡量分類(lèi)結(jié)果和樣本的一致性，取值范圍為（0，1），大于0.75表示高度的一致性［18］。

3 結(jié)果與分析

3.1 識(shí)別結(jié)果分析

根據(jù)現(xiàn)場(chǎng)收集的研究區(qū)下墊面信息，板橋灌區(qū)北部主要為裸土，南部主要為作物種植區(qū)且有河流經(jīng)過(guò)；上三灌區(qū)與板橋灌區(qū)相似；盈科灌區(qū)北部為城市群，但蔬菜瓜果主要集中于該灌區(qū)。

基于光譜特征支持向量機(jī)提取的作物種植結(jié)構(gòu)空間分布如圖4所示，其中圖4（a）到圖4（j）為板橋灌區(qū)在10組不同樣本數(shù)量條件下的提取結(jié)果。通過(guò)與收集的下墊面信息比較發(fā)現(xiàn)，隨著訓(xùn)練樣本數(shù)量的增加，圖4（a）到圖4（j）識(shí)別的空間分布逐漸穩(wěn)定。相比其他地物，玉米整體空間分布更加準(zhǔn)確；圖4（a）和圖4（b）中識(shí)別建筑空間分布有誤。圖4（k）到圖4（t）為上三灌區(qū)和盈科灌區(qū)的結(jié)果，總體上玉米識(shí)別的空間分布更加準(zhǔn)確，但蔬菜瓜果的識(shí)別變化較大。具體來(lái)看，圖4（m）到圖4（q）蔬菜瓜果識(shí)別的空間分布更為準(zhǔn)確，圖4（k）、圖4（l）和圖4（r）到圖4（t）中有將蔬菜瓜果錯(cuò)誤識(shí)別為其他地物現(xiàn)象。

圖4 基于光譜特征支持向量機(jī)在10組不同樣本數(shù)量下的分類(lèi)結(jié)果Fig.4 Classification results of support vector machine based on spectral features under ten groups of different samples

基于時(shí)序NDVI 特征支持向量機(jī)提取的作物種植結(jié)構(gòu)空間分布如圖5所示，其中圖5（a）到圖5（j）為板橋灌區(qū)的提取結(jié)果，通過(guò)與收集的下墊面信息比較發(fā)現(xiàn)，圖5（f）和圖5（g）中玉米識(shí)別的空間分布相比其他組更為準(zhǔn)確，圖5（b）到圖5（e）中林地識(shí)別的空間分布更穩(wěn)定，其中圖5（e）識(shí)別的建筑空間分布比基于光譜特征識(shí)別結(jié)果更為準(zhǔn)確。圖5（k）到圖5（t）為盈科灌區(qū)和上三灌區(qū)，玉米整體識(shí)別的空間分布較為準(zhǔn)確；但蔬菜瓜果識(shí)別的空間分布有所變化，從圖5（k）到圖5（q）可以明顯看到蔬菜瓜果識(shí)別從開(kāi)始的零星區(qū)域逐漸擴(kuò)大，在圖5（p）和圖5（q）達(dá)到穩(wěn)定狀態(tài)，同時(shí)，水體周邊的裸地識(shí)別準(zhǔn)確性要優(yōu)于基于光譜特征的識(shí)別結(jié)果。

圖5 基于時(shí)序NDVI特征支持向量機(jī)在10組不同樣本數(shù)量下的分類(lèi)結(jié)果Fig.5 Classification results of support vector machine based on temporal NDVI features under ten groups of different samples

分析上述兩種分類(lèi)特征的識(shí)別結(jié)果，發(fā)現(xiàn)不同樣本數(shù)量條件下的識(shí)別結(jié)果整體上有一個(gè)清晰的變化趨勢(shì)，即隨著樣本數(shù)量的增加，識(shí)別的作物種植結(jié)構(gòu)空間分布準(zhǔn)確性也在逐漸增加直至穩(wěn)定狀態(tài)。但是也能清晰看到不同分類(lèi)特征提取結(jié)果的差異，在基于時(shí)序NDVI 特征的提取中，玉米、蔬菜瓜果和林地識(shí)別的空間準(zhǔn)確性?xún)?yōu)于基于光譜特征的識(shí)別結(jié)果。

3.2 面積驗(yàn)證分析

根據(jù)收集的研究區(qū)下墊面作物種植面積資料，與兩種分類(lèi)特征提取下的作物種植面積進(jìn)行比較。表2為基于光譜特征下的作物面積提取結(jié)果，可以看到玉米的識(shí)別面積整體大于實(shí)測(cè)面積，識(shí)別的誤差有先降低后增大的趨勢(shì)，其平均誤差為23.63%，第三組誤差最小，為19.99%；相比玉米，蔬菜瓜果識(shí)別面積誤差較大，誤差并沒(méi)有隨著訓(xùn)練樣本數(shù)量的增加而減小，其平均誤差為74.18%；各組當(dāng)中，第二組至第四組誤差相對(duì)較小，第二組最小，為53.73%。

表2 基于光譜特征支持向量機(jī)作物面積識(shí)別結(jié)果Tab.2 Crop area recognition results based on spectral feature support vector machine

基于時(shí)序NDVI特征下的作物面積提取結(jié)果見(jiàn)表3所示，總體來(lái)看，玉米和蔬菜瓜果的各組相對(duì)誤差并無(wú)顯著區(qū)別；但與基于光譜特征的識(shí)別結(jié)果相似，玉米的識(shí)別精度明顯更高。平均誤差僅為3%，第二組、第三組和第六組表現(xiàn)最佳，其中第三組識(shí)別誤差僅為0.17%。而蔬菜瓜果面積識(shí)別的平均誤差為32.19%，較上一方法更為準(zhǔn)確，其第五組至第七組誤差最小，第六組誤差僅為12.95%。

表3 基于時(shí)序NDVI特征支持向量機(jī)作物面積識(shí)別結(jié)果Tab.3 Crop area recognition results based on temporal NDVI feature support vector machine

為了更直觀的比較兩種分類(lèi)特征下作物提取的面積結(jié)果，圖6 展示了不同組間的折線圖。玉米和蔬菜瓜果提取的面積中，基于時(shí)序NDVI 特征的提取結(jié)果均表現(xiàn)較優(yōu)，因此可以認(rèn)為，在作物種植結(jié)構(gòu)提取的面積驗(yàn)證中，基于時(shí)序NDVI 所提取作物結(jié)果優(yōu)于光譜特征提取作物結(jié)果。

圖6 兩種分類(lèi)特征下作物面積識(shí)別結(jié)果Fig.6 Area of the crops extracted through different features

3.3 混淆矩陣驗(yàn)證分析

基于光譜特征條件下不同樣本數(shù)量的混淆矩陣驗(yàn)證結(jié)果見(jiàn)表4，總體分類(lèi)精度與Kappa 系數(shù)變化趨勢(shì)相同，都是先增高后降低，平均總體分類(lèi)精度為78.9%，平均Kappa 系數(shù)為0.73，其中第七組分別達(dá)到最大值80.4%和0.75。

基于時(shí)序NDVI特征下混淆矩陣的結(jié)果見(jiàn)表4，該特征分類(lèi)結(jié)果變化較大，平均總體分類(lèi)精度為84.8%，平均Kappa 系數(shù)為0.81，其中總體分類(lèi)精度從第一組先增加，至第三組達(dá)到最大值87.6%，然后開(kāi)始降低至第七組，第八組和第九組再增大，至第十組又開(kāi)始降低；Kappa系數(shù)則是從第一組開(kāi)始增至第三組，達(dá)到最大值0.84，第四組降低后又再次達(dá)到最大值，然后降低至第七組，第八組和第九組再增大，至第十組降低。

表4 基于光譜特征和時(shí)序NDVI特征的支持向量機(jī)混淆矩陣驗(yàn)證Tab.4 Confusion matrix verification of support vector machine based on spectral features and temporal NDVI features

圖7 展示了兩種分類(lèi)特征下混淆矩陣驗(yàn)證結(jié)果，除第一組外，基于時(shí)序NDVI特征的混淆矩陣評(píng)價(jià)指標(biāo)均高于光譜特征的評(píng)價(jià)指標(biāo)，同時(shí)，基于時(shí)序NDVI特征的總體精度最高達(dá)87.6%，表示樣本地物類(lèi)型與識(shí)別結(jié)果中地物類(lèi)型相似性高，Kappa 系數(shù)從第二組開(kāi)始均大于0.75，表示識(shí)別結(jié)果與樣本的具有高度的一致性。

圖7 兩種分類(lèi)特征下混淆矩陣比較Fig.7 Comparison of confusion matrices through different features

3.4 兩種特征和樣本數(shù)量對(duì)提取結(jié)果的影響

在對(duì)基于光譜特征和時(shí)序NDVI特征提取結(jié)果的精度評(píng)價(jià)分析中，基于時(shí)序NDVI特征提取結(jié)果整體精度優(yōu)于光譜特征提取結(jié)果。但基于光譜特征的提取方法相對(duì)更加簡(jiǎn)潔、迅速，只需針對(duì)作物光譜特征差異顯著的一景遙感影像即可完成。若對(duì)提取精度要求不高，則該方法也能滿足一些作物提取工作?；跁r(shí)序NDVI特征的提取則要求作物關(guān)鍵物候期影像或全年的遙感影像，但該方法提取的精度要明顯優(yōu)于光譜特征提取精度?；跁r(shí)序NDVI特征相較于光譜特征的總體分類(lèi)精度平均提高5.9%，Kappa系數(shù)平均提高0.08。

在作物種植結(jié)構(gòu)的提取中，對(duì)分類(lèi)規(guī)則的要求更高，不僅要識(shí)別地物是否是耕地，還需要識(shí)別耕地中具體是哪種作物，因此需要更加凸顯作物差異的特征進(jìn)行提取，時(shí)序NDVI特征正是加強(qiáng)了作物間的差異，提取結(jié)果才更優(yōu)。

在對(duì)不同樣本數(shù)量提取結(jié)果的精度評(píng)價(jià)分析中，樣本數(shù)量對(duì)提取精度具有一定影響?；诠庾V特征中樣本數(shù)量在第七組（樣本總數(shù)504個(gè)）表現(xiàn)最佳，基于時(shí)序NDVI特征中樣本數(shù)量在第三組（樣本總數(shù)216 個(gè)）及第五組（樣本總數(shù)360 個(gè)）表現(xiàn)最佳，綜合兩種特征，樣本數(shù)量在第五組（樣本總數(shù)360個(gè)）至第七組（樣本總數(shù)504個(gè)）表現(xiàn)較佳。

不同樣本數(shù)量的提取結(jié)果，在精度驗(yàn)證中表現(xiàn)出先升高后降低的變化趨勢(shì)。樣本數(shù)量超過(guò)閾值后不僅不會(huì)提高分類(lèi)器的訓(xùn)練效果，還會(huì)產(chǎn)生一定的干擾。本文是在30 m 分辨率的Landsat8 影像上進(jìn)行識(shí)別的，而Landsat8 的獲取則受到衛(wèi)星傳感器、天氣、輻射等因素影響，雖然本文進(jìn)行一些處理盡量消除這些因素的影響，但是局部依然存在一定干擾［23］，這些干擾會(huì)影響到采集樣本的訓(xùn)練，無(wú)法使分類(lèi)器得到更加精準(zhǔn)的分類(lèi)規(guī)則。

4 結(jié) 論

本研究通過(guò)分類(lèi)特征與樣本數(shù)量對(duì)作物種植結(jié)構(gòu)提取精度的影響分析，基于監(jiān)督分類(lèi)的支持向量機(jī)方法，比較了張掖灌區(qū)光譜特征和時(shí)序NDVI 特征下不同樣本數(shù)量的提取結(jié)果，得到如下結(jié)論：

（1）在十組不同樣本數(shù)量下提取的作物分布圖中，隨著樣本數(shù)量的增加，識(shí)別作物的空間分布準(zhǔn)確性也在逐漸增加直至穩(wěn)定狀態(tài)。

（2）基于時(shí)序NDVI 特征提取的作物種植結(jié)構(gòu)精度優(yōu)于光譜特征提取的精度，時(shí)序NDVI 提取的玉米面積平均誤差為2.82%，平均總體分類(lèi)精度為84.8%，平均Kappa 系數(shù)為0.81，其中面積誤差最小僅為0.17%，總體分類(lèi)精度最高達(dá)到87.6%，此時(shí)Kappa系數(shù)也達(dá)到最高0.84。

（3）結(jié)合兩種精度驗(yàn)證結(jié)果及研究區(qū)面積信息，可以得出研究區(qū)每10 km2的樣本數(shù)量為3～4 個(gè)時(shí)，樣本能夠保持最佳的訓(xùn)練效果，即S = 0.3A～0.4A，其中S 為樣本總數(shù)，A 為研究區(qū)面積，單位為km2。

監(jiān)督分類(lèi)因其更加高效而受學(xué)者青睞，而監(jiān)督分類(lèi)中的支持向量機(jī)方法因提取精度較高和應(yīng)用范圍較廣更受關(guān)注，本文對(duì)影響支持向量機(jī)提取精度的因素分析，可為監(jiān)督分類(lèi)提取精度的進(jìn)一步優(yōu)化提供參考。