神经元网络在中山陵景区林业土地分类中的应用
|
摘要
本文是以中山陵风景园林景区为研究区域，在原始数据TM图像进行光谱特征分析和几何校正的基础上，对遥感图像进行了一系列常规处理，如反差变换、比值增强、主成分变换、缨帽变换、假彩色合成等，然后分析各波段的方差、相关系数，计算各波段的信息熵，以及不同组合的最佳指数(OIF)，综合选取了PCI、NDVI、TM4组合作为图像分类的基础波段。
在此基础上，进行了无监分类和有监分类，主要方法选用了最大似然法、最小距离法和神经元网络法。重点对神经元网络法进行了研究，先是用BP网络对图像进行学习训练并分类，然后又用动量方法对BP算法改进，得到较为理想的分类结果。通过以上一系列的分析处理，本文得到了以下结论：
TM7波段信息量最为丰富，各地类间的差异也最明显。TM4波段的独立性最强，而且与生物量关系最为密切。在TM的六个波段中经过比值处理后，从影像上看各个地类之间的差异加大，效果比较明显的是归一化植被指数和比值植被指数。通过主成分分析表明，主成分综合了各个波段的信息，且相互之间完全正交不相关，其中PCI达到90.97％的贡献率。
最大似然法的内部算法缺陷少、可靠性好，采用高斯分布模型描述样本的概率分布，对实际上并非高斯分布的样本进行分析时会产生较高的误判率，但对本问而言，所用TM4波段的灰度直方图表明，样本的概率分布服从高斯分布。所得精度结果稍低于神经网络方法。
用动量方法对原始的BP算法进行改进，在节省时间和训练结果上都取得了较好的效果。使收敛总误差(Training RMS Error)在更短的时间达到所期望的值(0.1)。
通过本文的研究神经网络分类方法，无论是总体精度还是K_(hat)统计值都大于最大似然法和最小距离法，为96.43％和95.33％。各种精度评价指标综合体现出神经网络的优势。分析其原因，神经网络具有良好的自组织和自学习功能，大大放松了传统模式识别方法所需的约束条件，即使模式空间的分布出现锯齿状情况，神经网络也能对模式集进行正确的分类，这也是神经网络分类精度优于最大似然法的主要原因。
为全面比较神经元网络方法与传统的分类方法以体现其优势所在，在精度评价上本文采用了多个评价指标，以期得到比较客观的评价。
The traditional remote sensing image classification mthods are Maximum-likelihood, Min-distance classification,etc. In this paper, the artificial neural network(ANN) model was introduced to classify five typical kinds of terrain in Zhong-Shan Mausoleum, such as forest, water, farmland and grassland,building,and others. Based on the principle, the paper compared the distinctness of the three classification methods with the attempt to bring out the trend of remote sensing image classification being used in Zhong-Shan Mausoleum.
On the basis of geometric correction for remote sensing images data, detailed character analysis was conducted for the TM images. Then several image transformations such as interactive contrast stretching , ratio enhancement, principal components transformation, tasseled-cap transformation, image color conbine, etc, were implemented.
Two indexes was calculated to estimate the best bands union for color combination,one is Optimum Index Factor(OIF), the other is the determinant of the co-variance matrix. It can be seen from the result that for color combination the original optimal bands were TM2, TM4, TM7, the best mixed images were PC1, NDVI, TM4.
The main drawback of traditional remote sensing image classification methods is its low precision. The neural networl-based remote sensing image classification technique has been presented. The result demonstrated that the neural network classification system could be used in remote sensing image classification, and its classification precision was superior to that, of the Maximum-likelihood and Min-distance, achieving an accuracy of 96.43%.
In this paper,the author applied the gray-level values of three bands union as the network model's input variables, and chose five kinds terrain as the model's output variables. First the original Back Propagation Network was used to classify terrain types, the result of the classification demonstrated that Training RMS Error couldn't descend the expected value. Then Momentum mothed tried to improve the original Backpropagation algorithm, the experimental results show that network converged speedily achieving the expected value(0.1).
Accuracy analysis is a necessary work in the classification of remote sensing data. In this paper, the evaluating indexes included overall accuracy, Kappa coefficient, product accuracy, user accuracy, etc. In a word, ANN classification is superior to traditional methods, and has wide prospects in forestry remote sensing.
在此基础上，进行了无监分类和有监分类，主要方法选用了最大似然法、最小距离法和神经元网络法。重点对神经元网络法进行了研究，先是用BP网络对图像进行学习训练并分类，然后又用动量方法对BP算法改进，得到较为理想的分类结果。通过以上一系列的分析处理，本文得到了以下结论：
TM7波段信息量最为丰富，各地类间的差异也最明显。TM4波段的独立性最强，而且与生物量关系最为密切。在TM的六个波段中经过比值处理后，从影像上看各个地类之间的差异加大，效果比较明显的是归一化植被指数和比值植被指数。通过主成分分析表明，主成分综合了各个波段的信息，且相互之间完全正交不相关，其中PCI达到90.97％的贡献率。
最大似然法的内部算法缺陷少、可靠性好，采用高斯分布模型描述样本的概率分布，对实际上并非高斯分布的样本进行分析时会产生较高的误判率，但对本问而言，所用TM4波段的灰度直方图表明，样本的概率分布服从高斯分布。所得精度结果稍低于神经网络方法。
用动量方法对原始的BP算法进行改进，在节省时间和训练结果上都取得了较好的效果。使收敛总误差(Training RMS Error)在更短的时间达到所期望的值(0.1)。
通过本文的研究神经网络分类方法，无论是总体精度还是K_(hat)统计值都大于最大似然法和最小距离法，为96.43％和95.33％。各种精度评价指标综合体现出神经网络的优势。分析其原因，神经网络具有良好的自组织和自学习功能，大大放松了传统模式识别方法所需的约束条件，即使模式空间的分布出现锯齿状情况，神经网络也能对模式集进行正确的分类，这也是神经网络分类精度优于最大似然法的主要原因。
为全面比较神经元网络方法与传统的分类方法以体现其优势所在，在精度评价上本文采用了多个评价指标，以期得到比较客观的评价。
The traditional remote sensing image classification mthods are Maximum-likelihood, Min-distance classification,etc. In this paper, the artificial neural network(ANN) model was introduced to classify five typical kinds of terrain in Zhong-Shan Mausoleum, such as forest, water, farmland and grassland,building,and others. Based on the principle, the paper compared the distinctness of the three classification methods with the attempt to bring out the trend of remote sensing image classification being used in Zhong-Shan Mausoleum.
On the basis of geometric correction for remote sensing images data, detailed character analysis was conducted for the TM images. Then several image transformations such as interactive contrast stretching , ratio enhancement, principal components transformation, tasseled-cap transformation, image color conbine, etc, were implemented.
Two indexes was calculated to estimate the best bands union for color combination,one is Optimum Index Factor(OIF), the other is the determinant of the co-variance matrix. It can be seen from the result that for color combination the original optimal bands were TM2, TM4, TM7, the best mixed images were PC1, NDVI, TM4.
The main drawback of traditional remote sensing image classification methods is its low precision. The neural networl-based remote sensing image classification technique has been presented. The result demonstrated that the neural network classification system could be used in remote sensing image classification, and its classification precision was superior to that, of the Maximum-likelihood and Min-distance, achieving an accuracy of 96.43%.
In this paper,the author applied the gray-level values of three bands union as the network model's input variables, and chose five kinds terrain as the model's output variables. First the original Back Propagation Network was used to classify terrain types, the result of the classification demonstrated that Training RMS Error couldn't descend the expected value. Then Momentum mothed tried to improve the original Backpropagation algorithm, the experimental results show that network converged speedily achieving the expected value(0.1).
Accuracy analysis is a necessary work in the classification of remote sensing data. In this paper, the evaluating indexes included overall accuracy, Kappa coefficient, product accuracy, user accuracy, etc. In a word, ANN classification is superior to traditional methods, and has wide prospects in forestry remote sensing.
引文
1．吴健平，杨星卫．遥感数据监督分类中训练样本的纯化．国土资源遥感，1996，26(1)：36-41．
2．章杨清等．利用分维向量改进神经网络在遥感模式识别中的分类精度．环境遥感．1994(2)：68-72．
3. Friedl M A,Brodeley C E. Decision Tree Classfication of Land Cover from Remotedly Sensed Data. Rcmote Sens. Environ. 1997(61):399-409.
4．李爽，丁圣彦，钱乐祥．决策树分类法及其在土地覆盖中的应用．遥感技术与应用，2002，17(1)：6-17．
5．钱乐祥，陈云增．福建植被景观空间格局及其环境响应特征．河南大学学报(自然科学 版)，2002，30(4)：66-73．
6．刘东林等．农作物遥感分类中一种改进的最大似然分类法．中国农业资源与区划．1998，19(5)，15-18．
7．杨燕琼等．南方林区TM遥感图像增强方法的研究．林业资源管理．1998．5：63-66．
8．黄建中等．利用航天遥感数据进行植被分类的研究．林业科技研究．1998，10：9-11．
9．赵元洪等．遥感图像专题信息提取新方法—定向变换和逻辑取与法研究．环境．1994，11：296-302．
10．徐希孺 等．混合像元的因子分析方法及其在大面积冬小麦面积估算中的应用．科学通报．1990，35(4)：317-320．
11. Zhou X & S.Folving, Application of Spectral Mixture Modeling to Regional Assessment of Land Degration: A case study from Basilicata,Italy, Land Degradation & ReHabilitation, 1994,5:215-222.
12．王喜鹏，张养贞．应用神经网络模型分解AVHRR混合像元．遥感学报．1998，2(1)：51-56．
13．倪绍祥等．森林调查因子与植被指数关系的研究．中南林业调查规划。1998(4)．
14. Taylor B.F.Determination of seasonal and interannual variation in New Zealand Pasture frowth from NOAA-7 Data Remote Sensing of Environment 1985,18:177-192.
15. Wittch K.P.and Hansing O. Area-averaged vegetative cover fraction estimated from satellite data. International Journal of Biometerology.1995,38(3):209-215.
16．朱建国．分段线性分类与最大似然和平行六面体分类的对比分析．遥感技术与应用．1995，12第10卷．
17．梅安新，彭望禄，秦其明，刘慧平著．遥感导论．高等教育出版社．
18．朱雪芹，董颖，潘世兵．BP自组织神经网络在地下水动态分类中的应用．水文地质工程地质．2003年第2期．
19．徐建新，张亮，邱林等．用改进的BP算法预报灌区地下水位．华北水利水电学院学报．2003，3，第24卷．
20．赵英时 等著．遥感应用分析原理与方法．科学出版社．
21．尤淑撑，张纬，严泰来．模糊分类技术在作物类型识别中的应用．国土资源遥感2000，3第1期．
22．孙丹峰，林培．自适应模糊规则分类方法及仪戒在TM土地覆盖分类中的应用研究．国土资源遥感．2000，3第1期．
23．毛建旭，王耀南．基于模糊高斯基函数神经网络的遥感图像分类．遥感技术与应用．2001，3第1期．
24．何小晨，徐守时等．模糊算子在遥感图像特征提取中的应用．红外与激光工程．2001，30(4)．
25．张景雄．遥感影像的全模糊监督分类．武汉测绘科技大学学报．1998，23(3)．
26．付炜．土壤遥感分类识别推理决策器的设计．遥感学报．2001，11第6期．
27．冉有华，李文君，陈贤章．TM图像土地利用分类精度验证与评估以定西县为例．遥感技术与应用．2003，4第18卷第2期．
28．吴健平，杨星卫．遥感数据分类结果的精度分析．遥感技术与应用．1995，2第10期．
29．骆剑承，周成虎，杨艳．人工神经网络遥感影像分类模型及其与知识集成方法研究．遥感学报．2000，3，第2期第5卷．
30．孙丹峰，李红．重复传播网络的改进及其在遥感分类中的应用研究．遥感技术与应用．2000，12，第4期．
31. Branko Soucek. Neural and Concurrent Real-time System The sixth generation.Wiley Inc, New York, 1989.
32. Robert Hecht-Nielon.Neurocomputing:Picking the Human Brain. IEEE Specturn.pp 36-41,March1988.
33. Richard D.Lippmao.An Introduction to Computing with Neural Net IEEE Assp.Magazine,pp4-22,April 1987.
34. S.Grossberg.Neural NetWorks and Natural Intelligence.MIT Press,1988.
35. T.Kobonca,Associative Memory: A System Theory Approach, Springer,New York, 1977.
36. J.J. Hopfield,Artificial Neurak Networks,IEEE Circuit and Devices Mag, 3-10, Sept,1988.
37. Eric Gullichseo and Emest Chang,Pattern Classification byNeurai Network:An Experimental System for Icon Recognition, Pro. Of the IEEE lst IntL.Conf. on Neural Network,Vol,4,Sandiag,1987.
38. H.J. Little,G.E. Blelloch and T.A. Cass,Algorithmic Techniques for Computer Vision on a Fine-Grained Parallel Machine,IEEE PAMI,Vol,11,No.3,March, 1989.
39. Wang D.L. Terman Locally excitatory globally inhibitory oscillators network:theory and application to pattern segmentation, IEEE International Conference of Neural Network, 1994(2):945-950.
40. Ch.vonder Malsburg, SchneiderW. Aneural cocktail-party processor. Biol. Cybern,1986,(54):29-40.
41．王磊等．用振子神经网络实现二值图像中的多目标分割．中国图像图形学报．1997，2(10)．
42. Solaiman B.etc,Axomparative study of conventional and neural network classification of multi-spectral data. Proceeding of IGARSS 94,1994(3).
43. Solaiman M C. etc, A hybrid algorithm:HLVQ,combining unsupervised and supervised learning approaches. International conferences on neural network,ICNN, 94,1994.
44. E.Oia. Subspace method of pattern recognition, Research Studies Press,1983.
45．毛有松，李京伟．ETM十影像用于土地利用自动分类的实验研究．遥感信息应用技术．2001，2．
46．李厚强，刘政凯，林峰．基于分形理论的航空图像分类方法．遥感学报．2001，9第5期．
47．乔玉良．黄土地区高中低产农田成因及遥感分类方法研究—以山西省定襄县为例．遥感学报．2001，1，第1期．
48．刘亚岚，阎守岂，王涛，肖春生．遥感图像分区自动分类方法研究．遥感学报．2002，9，第5期．
49．蒋建军，倪绍样，韦玉春．GIS辅助下的环青海湖地区草地蝗虫生境分类研究．遥感学报．2002，9，第5期．
50．徐希儒，朱小红．冬小麦遥感估产模型．环境监测与作物估产论文集．1992．
51．刘兆礼．作物估产遥感预测研究．博士学位论文．中国科学院遥感应用研究所．
52．卢志光等．应用遥感信息统计方法作物产量预测．应用数学学报，13(2)，1990．
53．田国良，项月琴．遥感估算水稻产量．环境遥感，1989，4(3)．
54．刘伟强，胡静，夏德深．基于核空间的多光谱遥感图像分类方法．国土资源遥感．2002，53(3)．
55．韩涛．用TM资料对祁连山部分地区进行针叶林、灌木林分类研究．遥感技术与应用．200，12，第6期．
56．孙朝辉．基于分类融合的武汉市多时相遥感影像监测．遥感信息应用技术．2002，4．
57．唐伶俐，等．雷达卫星图像与了TM复合快速反映98年洪涝灾情．遥感信息．1998(4)14-15．
58．术洪磊，等．GIS辅助下的基于知识的遥感影像分类方法研究．测绘学报，1997．
59．朱述龙，等．遥感图像获取与分析．工科学出版社，2000．
60．孙丹蜂，汲长远．林培．自组织网络在遥感土地覆盖分类中应用研究．遥感学报，1999，3(2)．
61．仇肇伐，李军，郭宏俊编著．遥感应用技术．武汉测绘科技大学出版社，1999．
62．朱光良．GIS数据库几何精度评价及验证方法初探．测绘工程，2000，9(2)45-50．
63．孟配英．土地资源遥感动态监测成果精度评价．中国农业资源与区划，1998(05)．
64．赵庚星．遥感与地理信息系统的结合及其在土地利用调查与监测中的应用．山东农业大学学报，1997，6，506-510．
65．胡希军 瞿有甜．神经网络在遥感图象分类中的应用研究．浙江师大学报(自然科学版)，1996，19(4)．
66．赵魏，张向前．遥感图像解译中的增强技术．测绘信息与工程，1997，3(15)．
67．秦其明，陆荣建．分形与神经网络方法在卫星数字图象分类中的应用．北京大学学报(自然科学版)，2000，36(6)．
68．熊桢，童庆禧，郑兰芳．用于高光谱遥感图像分类的一种高阶神经网络算法．中国图像图形学报，2000，5(3)．
69．陆邓盛，游先祥等．TM图像的信息量分析及特征信息提取的研究．环境遥感，1991，6(4)．
70．薛重生，王霞．基于分形几何的遥感图像纹理分析方法及应用．地质科技情报，1997，16(sup)．
71．杨凯，陆健．遥感图像处理原理和方法．测绘出版社，1988．11．
72．袁金国．森林植被遥感分类研究．河北师范大学学报，1999，23(2)．
73．仇肇悦，李军等．遥感应用技术．武汉测绘科技大学出版社，1998，10．
74．孙兆林．MATLAB 6.x图像处理．清华大学出版社，2002．
75．张良培，李德仁．人工神经元网络在光谱识别中的应用．光谱学与光谱分析，1999，19(2)．
76．全志杰，黄林等．自组织人工神经网络在立地条件遥感分类研究中的应用．中南林业调查规划，1997，3(16)．
77．韩玲，徐惠莲．利用遥感技术和地理信息系统技术对土地资源分类的研究．西安工程学院学报，2000，22(3)．
78．朱光良．浙江省海宁市TM图象土地利用自动分类精度评价方法的试验研究．遥感学报，1999，3(2)．
79．党安荣，王晓东，陈晓峰，张建宝著．ERDAS IMAGINE遥感图像处理方法．清华大学出版社，2003．
80．闫殿武 著．IDL可视化工具入门与提高．机械工业出版社，2003．
81．宫鹏，蒲瑞良 著．高光谱遥感及其应用．高等教育出版社．
82．孙家炳 著．遥感原理与应用．武汉大学出版社．
83 Kenneth R.Castleman. Digital Image Processing.Publicing House of Electronics Industry.
84．李树楷 著．遥感时空信息集成技术及其应用．科学出版社．
85．傅箫性 著．遥感专题分析与地学图谱．科学出版社．
86．庄逢甘，陈述彭 著．遥感与新世纪．气象出版社．
87．胡著智，王慧麟，陈钦峦 著．遥感技术与地学应用．南京大学出版社．
2．章杨清等．利用分维向量改进神经网络在遥感模式识别中的分类精度．环境遥感．1994(2)：68-72．
3. Friedl M A,Brodeley C E. Decision Tree Classfication of Land Cover from Remotedly Sensed Data. Rcmote Sens. Environ. 1997(61):399-409.
4．李爽，丁圣彦，钱乐祥．决策树分类法及其在土地覆盖中的应用．遥感技术与应用，2002，17(1)：6-17．
5．钱乐祥，陈云增．福建植被景观空间格局及其环境响应特征．河南大学学报(自然科学 版)，2002，30(4)：66-73．
6．刘东林等．农作物遥感分类中一种改进的最大似然分类法．中国农业资源与区划．1998，19(5)，15-18．
7．杨燕琼等．南方林区TM遥感图像增强方法的研究．林业资源管理．1998．5：63-66．
8．黄建中等．利用航天遥感数据进行植被分类的研究．林业科技研究．1998，10：9-11．
9．赵元洪等．遥感图像专题信息提取新方法—定向变换和逻辑取与法研究．环境．1994，11：296-302．
10．徐希孺 等．混合像元的因子分析方法及其在大面积冬小麦面积估算中的应用．科学通报．1990，35(4)：317-320．
11. Zhou X & S.Folving, Application of Spectral Mixture Modeling to Regional Assessment of Land Degration: A case study from Basilicata,Italy, Land Degradation & ReHabilitation, 1994,5:215-222.
12．王喜鹏，张养贞．应用神经网络模型分解AVHRR混合像元．遥感学报．1998，2(1)：51-56．
13．倪绍祥等．森林调查因子与植被指数关系的研究．中南林业调查规划。1998(4)．
14. Taylor B.F.Determination of seasonal and interannual variation in New Zealand Pasture frowth from NOAA-7 Data Remote Sensing of Environment 1985,18:177-192.
15. Wittch K.P.and Hansing O. Area-averaged vegetative cover fraction estimated from satellite data. International Journal of Biometerology.1995,38(3):209-215.
16．朱建国．分段线性分类与最大似然和平行六面体分类的对比分析．遥感技术与应用．1995，12第10卷．
17．梅安新，彭望禄，秦其明，刘慧平著．遥感导论．高等教育出版社．
18．朱雪芹，董颖，潘世兵．BP自组织神经网络在地下水动态分类中的应用．水文地质工程地质．2003年第2期．
19．徐建新，张亮，邱林等．用改进的BP算法预报灌区地下水位．华北水利水电学院学报．2003，3，第24卷．
20．赵英时 等著．遥感应用分析原理与方法．科学出版社．
21．尤淑撑，张纬，严泰来．模糊分类技术在作物类型识别中的应用．国土资源遥感2000，3第1期．
22．孙丹峰，林培．自适应模糊规则分类方法及仪戒在TM土地覆盖分类中的应用研究．国土资源遥感．2000，3第1期．
23．毛建旭，王耀南．基于模糊高斯基函数神经网络的遥感图像分类．遥感技术与应用．2001，3第1期．
24．何小晨，徐守时等．模糊算子在遥感图像特征提取中的应用．红外与激光工程．2001，30(4)．
25．张景雄．遥感影像的全模糊监督分类．武汉测绘科技大学学报．1998，23(3)．
26．付炜．土壤遥感分类识别推理决策器的设计．遥感学报．2001，11第6期．
27．冉有华，李文君，陈贤章．TM图像土地利用分类精度验证与评估以定西县为例．遥感技术与应用．2003，4第18卷第2期．
28．吴健平，杨星卫．遥感数据分类结果的精度分析．遥感技术与应用．1995，2第10期．
29．骆剑承，周成虎，杨艳．人工神经网络遥感影像分类模型及其与知识集成方法研究．遥感学报．2000，3，第2期第5卷．
30．孙丹峰，李红．重复传播网络的改进及其在遥感分类中的应用研究．遥感技术与应用．2000，12，第4期．
31. Branko Soucek. Neural and Concurrent Real-time System The sixth generation.Wiley Inc, New York, 1989.
32. Robert Hecht-Nielon.Neurocomputing:Picking the Human Brain. IEEE Specturn.pp 36-41,March1988.
33. Richard D.Lippmao.An Introduction to Computing with Neural Net IEEE Assp.Magazine,pp4-22,April 1987.
34. S.Grossberg.Neural NetWorks and Natural Intelligence.MIT Press,1988.
35. T.Kobonca,Associative Memory: A System Theory Approach, Springer,New York, 1977.
36. J.J. Hopfield,Artificial Neurak Networks,IEEE Circuit and Devices Mag, 3-10, Sept,1988.
37. Eric Gullichseo and Emest Chang,Pattern Classification byNeurai Network:An Experimental System for Icon Recognition, Pro. Of the IEEE lst IntL.Conf. on Neural Network,Vol,4,Sandiag,1987.
38. H.J. Little,G.E. Blelloch and T.A. Cass,Algorithmic Techniques for Computer Vision on a Fine-Grained Parallel Machine,IEEE PAMI,Vol,11,No.3,March, 1989.
39. Wang D.L. Terman Locally excitatory globally inhibitory oscillators network:theory and application to pattern segmentation, IEEE International Conference of Neural Network, 1994(2):945-950.
40. Ch.vonder Malsburg, SchneiderW. Aneural cocktail-party processor. Biol. Cybern,1986,(54):29-40.
41．王磊等．用振子神经网络实现二值图像中的多目标分割．中国图像图形学报．1997，2(10)．
42. Solaiman B.etc,Axomparative study of conventional and neural network classification of multi-spectral data. Proceeding of IGARSS 94,1994(3).
43. Solaiman M C. etc, A hybrid algorithm:HLVQ,combining unsupervised and supervised learning approaches. International conferences on neural network,ICNN, 94,1994.
44. E.Oia. Subspace method of pattern recognition, Research Studies Press,1983.
45．毛有松，李京伟．ETM十影像用于土地利用自动分类的实验研究．遥感信息应用技术．2001，2．
46．李厚强，刘政凯，林峰．基于分形理论的航空图像分类方法．遥感学报．2001，9第5期．
47．乔玉良．黄土地区高中低产农田成因及遥感分类方法研究—以山西省定襄县为例．遥感学报．2001，1，第1期．
48．刘亚岚，阎守岂，王涛，肖春生．遥感图像分区自动分类方法研究．遥感学报．2002，9，第5期．
49．蒋建军，倪绍样，韦玉春．GIS辅助下的环青海湖地区草地蝗虫生境分类研究．遥感学报．2002，9，第5期．
50．徐希儒，朱小红．冬小麦遥感估产模型．环境监测与作物估产论文集．1992．
51．刘兆礼．作物估产遥感预测研究．博士学位论文．中国科学院遥感应用研究所．
52．卢志光等．应用遥感信息统计方法作物产量预测．应用数学学报，13(2)，1990．
53．田国良，项月琴．遥感估算水稻产量．环境遥感，1989，4(3)．
54．刘伟强，胡静，夏德深．基于核空间的多光谱遥感图像分类方法．国土资源遥感．2002，53(3)．
55．韩涛．用TM资料对祁连山部分地区进行针叶林、灌木林分类研究．遥感技术与应用．200，12，第6期．
56．孙朝辉．基于分类融合的武汉市多时相遥感影像监测．遥感信息应用技术．2002，4．
57．唐伶俐，等．雷达卫星图像与了TM复合快速反映98年洪涝灾情．遥感信息．1998(4)14-15．
58．术洪磊，等．GIS辅助下的基于知识的遥感影像分类方法研究．测绘学报，1997．
59．朱述龙，等．遥感图像获取与分析．工科学出版社，2000．
60．孙丹蜂，汲长远．林培．自组织网络在遥感土地覆盖分类中应用研究．遥感学报，1999，3(2)．
61．仇肇伐，李军，郭宏俊编著．遥感应用技术．武汉测绘科技大学出版社，1999．
62．朱光良．GIS数据库几何精度评价及验证方法初探．测绘工程，2000，9(2)45-50．
63．孟配英．土地资源遥感动态监测成果精度评价．中国农业资源与区划，1998(05)．
64．赵庚星．遥感与地理信息系统的结合及其在土地利用调查与监测中的应用．山东农业大学学报，1997，6，506-510．
65．胡希军 瞿有甜．神经网络在遥感图象分类中的应用研究．浙江师大学报(自然科学版)，1996，19(4)．
66．赵魏，张向前．遥感图像解译中的增强技术．测绘信息与工程，1997，3(15)．
67．秦其明，陆荣建．分形与神经网络方法在卫星数字图象分类中的应用．北京大学学报(自然科学版)，2000，36(6)．
68．熊桢，童庆禧，郑兰芳．用于高光谱遥感图像分类的一种高阶神经网络算法．中国图像图形学报，2000，5(3)．
69．陆邓盛，游先祥等．TM图像的信息量分析及特征信息提取的研究．环境遥感，1991，6(4)．
70．薛重生，王霞．基于分形几何的遥感图像纹理分析方法及应用．地质科技情报，1997，16(sup)．
71．杨凯，陆健．遥感图像处理原理和方法．测绘出版社，1988．11．
72．袁金国．森林植被遥感分类研究．河北师范大学学报，1999，23(2)．
73．仇肇悦，李军等．遥感应用技术．武汉测绘科技大学出版社，1998，10．
74．孙兆林．MATLAB 6.x图像处理．清华大学出版社，2002．
75．张良培，李德仁．人工神经元网络在光谱识别中的应用．光谱学与光谱分析，1999，19(2)．
76．全志杰，黄林等．自组织人工神经网络在立地条件遥感分类研究中的应用．中南林业调查规划，1997，3(16)．
77．韩玲，徐惠莲．利用遥感技术和地理信息系统技术对土地资源分类的研究．西安工程学院学报，2000，22(3)．
78．朱光良．浙江省海宁市TM图象土地利用自动分类精度评价方法的试验研究．遥感学报，1999，3(2)．
79．党安荣，王晓东，陈晓峰，张建宝著．ERDAS IMAGINE遥感图像处理方法．清华大学出版社，2003．
80．闫殿武 著．IDL可视化工具入门与提高．机械工业出版社，2003．
81．宫鹏，蒲瑞良 著．高光谱遥感及其应用．高等教育出版社．
82．孙家炳 著．遥感原理与应用．武汉大学出版社．
83 Kenneth R.Castleman. Digital Image Processing.Publicing House of Electronics Industry.
84．李树楷 著．遥感时空信息集成技术及其应用．科学出版社．
85．傅箫性 著．遥感专题分析与地学图谱．科学出版社．
86．庄逢甘，陈述彭 著．遥感与新世纪．气象出版社．
87．胡著智，王慧麟，陈钦峦 著．遥感技术与地学应用．南京大学出版社．