摘要
随着遥感技术的不断成熟,土地遥感分类技术已成为获取土地变化信息的主要技术手段之一。本论文在系统介绍了国内外土地遥感分类研究中的主要方法和成果的基础上,重点介绍了当前发展较快的人工神经网络方法的特点以及它在遥感分类中的应用。研究以北京市昌平区为例,应用神经网络中的自组织特征映射网络和专家分类系统相结合对该区的土地利用类型进行分类。
首先,对研究区影像数据的地类模数进行研究分析。由于遥感影像中地类往往会存在“异物同谱”、“同物异谱”的现象,所以研究的土地利用类型数目一般不等同于地类的模数。研究采用的自组织特征映射网络属于无导师学习的训练方法,因此网络的输出结果要尽可能地接近地类的模数。然后采用专家分类系统并导入研究区的数字高程数据对分类结果进行再次分类,最后得到研究区的土地类型分类结果。
其次,对分类的结果进行精度评价和对比分析。采用类型精度评价法对研究的分类结果进行评价,并与传统的无监分类结果进行比较分析,结果表明该神经网络分类方法比传统分类方法在分类精度上有了较大的提高。
最后针对研究中存在的问题,提出如何进一步提高分类精度的方法和建议。
本论文针对现在分类方法往往存在单一性的特点,把自组织特征映射网络和专家分类系统结合起来,实现无监分类和先验知识相结合,有效地提高了分类的精度。研究表明根据不同分类方法的各自特点进行互补性结合并加入其它地理辅助数据,能有效地提高遥感分类方法的精度。
On the basis of introducing the main methods and achievements in the field of land types classification based on remote sensing image in China and in abroad, the paper mainly introduces the features of artificial neural network and application in classification of remote sening.The paper combined the self-organizing feature maps with expert classification to classify the land use type. Because of same object with different spectra and different objects with same spectrum, firstly the study analysis the modulus of object. The self-organizing feature maps(SOFM) is an Unsupervised learning classification method, so the number of nodes of output layer should equaled approximately the modulus of object when we applicate SOFM. Then the study applicate expert classifier to classify again.
Secondly, Taking into account the effect of sample randomnes and the feature of ground object, equal sample points were drawn in different land use types of the result to evaluate the classification precision. The result of evaluation shows that SOFM could improve the accuracy the classification greatly than the traditional unsupervised classification.
Lastly, the study give some methods and suggestions to improve the accuracy of classification. Due to different classification method have the feature of uniformity, the study conbime self-organizing feature maps with expert classification to realize the joint of Unsupervised learning and previous experience.
引文
[1] 韩力群.人工神经网络理论、设计及应用.北京:化学工业出版社,2002.
[2] 申文明,王文杰,罗海江,张峰,刘小曼,熊文成.基于决策树分类技术的遥感影像分类方法研究[J].遥感技术与应用,2007,(3):333-338.
[3] 王圆圆,李京.遥感影像土地利用/覆盖分类方法研究综述[J].遥感信息,2004,(1):52-58.
[4] 张若琳,万力,张发旺,石迎春.土地利用遥感分类方法研究进展[J].南水北调与水利科技,2006,(2):39-42.
[5] 张银辉,赵庚星.土地利用/土地覆盖遥感分类方法的研究综述[J].中国农业资源与区划,2002,(3):21-25.
[6] 刘仁钊,廖文峰.遥感图像分类应用研究综述[J].地理空间信息,2005,(5):11-13.
[7] 张玉进,肖继东,袁春琼,沈涛,谭灵芝,李谢辉.基于卫星遥感的区域土地利用/覆盖变化研究[J]. 新疆气象,2004,(3):16-19.
[8] 张树誉,颜胜安.NOAA/AVHRR 资料在陕西省土地覆盖分类中的应用[J].中国农业资源与区划,2002,(3):29-31.
[9] 李俊祥,达良俊,王玉洁,宋永昌.基于 NOAA-AVHRR 数据的中国东部地区植被遥感分类研究[J]. 植物生态学报,2005,(3):436-443.
[10] 查勇,倪绍祥,杨山.一种利用 TM 图像自动提取城镇用地信息的有效方法[J].遥感学报,2003(1):38-39.
[11] 纪仰慧,李国春,关宏强.土地利用/覆盖遥感分类研究综述[J].农业网络信息,2005,(8):36-38.
[12] 李颖,赵文吉,李小琳.遥感影像的分类与识别技术在土地资源调查中的应用[J].长春科技大学学报,2001,(3):261-264.
[13] 骆成凤,王长耀,刘永洪,牛铮.利用 BP 算法进行新疆 MODIS 数据土地利用分类研究[J].干旱区地理,2005,(2):258-263.
[14] 张路,廖明生.一种顾及上下文的遥感影像模糊聚类[J].遥感学报,2006,(1):58-66.
[15] 张爽,刘雪华,靳强.决策树学习方法应用于生境景观分类[J].清华大学学报(自然科学版),2006,(9):1564-1568.
[16] 邓良基.遥感基础与应用.北京:中国农业出版社,2005.
[17] 《北京市昌平区国民经济和社会发展第十一个五年规划及 2020 年远景目标纲要》,2007.
[18] 2000 年昌平全区概况[EB/OL].http://www.agri.ac.cn/NCEconomy/CP/200409/570.html.
[19] 赵英时,等.遥感应用分析原理与方法[M].北京:科学出版社,2005.
[20] 孟鲁闽,席晶.利用几何校正法进行不同影像间空间配准[J].测绘通报,2003,(6):14-16.
[21] 张树誉,王钊,李星敏.提高卫星遥感资料利用率的方法[J].测绘学院学报,2004,(1):30-33.
[22] 张敏中.ER Mapper 软件进行几何精校正的原理和方法[J].西北林学院学报,1999,(2):93-97.
[23] 刘志丽,陈曦.基于 ERDAS IMAGING 软件的 TM 影像几何精校正方法初探——以塔里木河流域为例[J].干旱区地理,2001,(4):353-358.
[24] 陈越,郭晓轮,周红建,刘莉萍.卫星影像在战场环境仿真中的应用[J].系统仿真学报,2004,(11):2493-2496.
[25] 许锋,卢建刚,孙优贤.神经网络在图像处理中的应用[J].信息与控制,2003,(4):344-351.
[26] 梁益同,胡江林.NOAA 卫星图像神经网络分类方法的探讨[J].武汉测绘科技大学学报,2000,(2):148-152.
[27] 李学良,霍达,滕海文.基于权值、阈值同步学习 BP 算法的结构损伤检测[J].世界地震工程,2005,(2):52-526.
[28] 杨文斌,刘一星,刘迎涛.人工神经网络在木材工业中的应用前景[J].林业科学,2004,(6):153-157.
[29] 李忠,宁书年,张进德,张丽娟.矿山灾害评价的 BP-神经网络模型研究[J].计算机工程与应用,2007,(16):238-240.
[30] 王艳姣,张鹰.基于 BP 人工神经网络的水体遥感测深方法研究[J].海洋工程,2005,(4):33-38.
[31] 袁曾任.人工神经元网络及其应用.北京:清华大学出版社,1999.
[32] 孟春红,夏军.人工神经网络在黄河下游灌区的应用研究[J].人民黄河,2004,(1):37-38.
[33] 吐热尼古丽,张晓帆.基于人工神经网络的遥感图像分类研究.长春师范学院学报(自然科学版)[J].2006,2:81-84.
[34] 秦其明,陆荣建.分形与神经网络方法在卫星数字图像分类中的应用[J].北京大学学报(自然科学版),2000,(6):858-864.
[35] 李朝峰,王桂梁.模糊控制 BP 网络的遥感图象分类方法研究[J].中国矿业大学学报(自然科学版),2001,(3):311-314.
[36] 孙立新.2000.基于粗糙集的遥感优化分类波段选择.模式识别与人工智能,13(2):181-186.
[37] 刘旭升,张晓丽,森林植被遥感分类研究进展与对策,林业资源管理,2004,1:61-64.
[38] 王金亮,李石华,陈姚.基于自组织神经网络的遥感图像分类应用研究.遥感信息[J]。2006,3:6-9.
[39] 刘和祥,冯新喜,王君.基于自组织神经网络的多传感器遥感图像融合技术[J].传感器技术,2004,(12):14-17.
[40] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.
[41] 蔡晓斌,陈晓玲,王涛,吴忠宜.基于图斑空间关系的遥感专家分类方法研究[J].武汉大学学报(信息科学版),2006,(4):311-314.
[42] 刘健,余坤勇,亓兴兰,黄维友.基于专家分类知识库的林地分类[J].福建农林大学学报(自然科学版),2006,(1):42-46.
[43] 钱乐祥.遥感数字影像处理与地理特征提取[M].北京:科学出版社,2004.
[44] 朱骥,祝民强,高永光,叶张煌.赣东林地专家分类方法初探[J].华东地质学院学报,2002,(4):208-314.
[45] 郭斌,任志远.陆地卫星影像用于土地利用覆被变化中的波段组合研究[J].陕西师范大学学报(自然科学版),2007,(2):214-220.
[46] 孙家柄,舒宁,关泽群.遥感原理方法与应用[M].北京:测绘出版社,1997.324—33.
[47] 吴亚宁.黄河流域甘肃片土壤侵蚀遥感影像分析[J].中国水土保持,2002,(8):28-29.
[48] 全斌,杨肖琪,郑航霞,高建阳.多源卫星生态环境遥感数据的融合方法比较[J].水土保持研究,2005,(3):123-125.
[49] 江标初,陈映鹰.模糊分类在土地利用/覆盖变更调查中的应用[J].安徽农业科学,2005,(6):1121-1122.
[50] 吴柯,李平湘,张良培,等.基于正则 MAP 模型的遥感影像亚像元定位[J].武汉大学学报(信息科学版),2007,(7):593-496.
[51] 李云鹏,洪金益,.浅论基于面向对象的遥感图像分类[J].西部探矿工程,2008,(2):103-105.
[52] 杨长保,丁继红.面向对象的遥感图像分类方法研究[J].吉林大学学报(地球科学版),2006,(4):642-646.
[53] 杜凤兰,田庆久,夏学齐等.面向对象的地物分类法分析与评价[J].遥感技术与应用,2004,19(1):20—23.
[54] 钱巧静,谢瑞,等.面向对象的土地覆盖信息提取方法研究[J].遥感技术与应用,2005,20(3):338-342.
[55] Poth A , Klaus D , Vob M.2001.Optimization at multi-spectral land cover classification with fuzzy clustering and the Kohonen feature map.International Journal of Remote Sensing,22:1423-1439.
[56] Simpson J J,Mcintir J T.2001.A recurrent neural network classifier for improved retrievals of areal extent of snow cover.IEEE Transactions on Geosciences and Remote Sensing,39:2135-2147.
[57] Foody G M.Using prior knowledge in artificial neural network classification with a minimal training set.INT J Remote Sensing,1995,16(2):301—302.
[58] Suha B.Sustainable management for the eastern mediterranean coast of Turkey [J].Environmental Management, 2003,31(3):442-451.
[59] R.K.Kiang.Atmospheric effects on TM measurements:characterization and comparison with effects on MSS.IEEE Trans.Geosci.Rem.Sens.1982,GE-20:365-370.
[60] Hepner G F, Logan T, Ritter N,et al.Artificial neural network classification using a minimal training set : comparison to conventional supervised classification [J].Photogrammetric Engineering and Remote Sensing,1990,56:469-473.
[61] Foody G M.Status of land cover classification accuracy assessment [J].Remote Sensing ofEnvironment,2002,80:185-201.
[62] Foody G M.Cross-entropy for the evaluation of the accuracy of a fuzzy land cover classification with fuzzy ground data [J].ISPRS Journal of Photogrammetry and Remote Sensing,1995, 50(5):2-12.
[63] Defries R S,J R G Townshend.NDVI-derived land cover classifications at a global scale.International Journal of Remote Sensing,1994,15:3547-3586.
[64] Justin D Paola, Robert A Schowengerdt.A detailed comparison of backpropagation neural network and maximum-likelihood classifiers for urban land use classification.IEEE.Transactions on Geoscience and Remote Sensing,1995,33(4).
[65] Friedl M A, Brodley C E.Decision tree classification of land cover from remotely sensed data [J].Remote Sensing of Environment,1997,61(3):399-409.
[66] RolletR, Benie GB, LiW,et al.Image classification algorithm based on the RBF neural network and K-means[J].International Journal ofRemote Sensing,1998,19(15):3003-3009.
[67] [62].Poth A,Klaus D,Vob M.2001.Optimization at multi-spectral land cover classification with fuzzy clustering and the Kohonen feature map.International Journal of Remote Sensing,22:1423-1439.
[68] R M Prol-Ledesma.A Comparison of contextual classification methods using Landsat TM[J].Znt.J.Remote Sensing,1997,18(18):3835-3842.
[69] B Kartike,K L Majumder.An expert system for land cover classification[J].LEEE Transaction on Geoscience and remote sensing,1995,33(1):59-66.
[70] Geneletti D,Gorte B G H.A method for object-oriented land cover classification combining Landsat TM data and aerial photographs[J].International Journal of Remote Sensing,2003(6):1273-1286.
[71] ]Jason SWalker, JohnM Briggs.An object-oriented classification of an arid urban forestwith true-color aerial photography[C] //3rd International Symposium Remote Sensing and Data Fusion OverUrban Areas,2005.
[72] Renaud Mathieu,Jagannath Arya.l Object-oriented classification and Ikonos multispectral imagery for mapping vegetation communities in urban areas[C] // SIRC 2005, Dunedin,New Zealand,2005.