基于人工神经网络的森林植被遥感分类研究

《基于人工神经网络的森林植被遥感分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要遥感影像分类一直是遥感研究和森林资源调查与监测领域的重要内容，其实质是通过计算机对遥感图像像元进行数值处理，达到自动识别地物的目的。遥感影像分类主要有两种类型：一种是非监督分类，另一种是监督分类。简单地说，非监督分类方法就是一个聚类过程，而监督分类则是一个学习和训练的过程，因此需要一定的先验知识。遥感影像分类完毕需要对其分类精度进行评价，因而分类精度直接影响遥感数据的应用水平和实用价值。如何解决多类别影像的识别并满足一定的精度，就成为遥感影像研究中的一个关键问题，意义重大。本研究在对国内外森林植被遥感分类研究进展分析的基础上，应用塞罕坝机械林场

2、2003年的10m分辨率SPOT5遥感影像和地理辅助数据，用BP神经网络方法对其进行森林植被遥感分类研究，并与传统的统计模式识别方法(非监督分类、最大似然法)的分类结果进行精度比较分析。结果表明：(1)针对研究地的特点提出了用于森林资源监测的SPOT5遥感数据的预处理方法。实践中建议采用如下技术流程：组合最佳波段(2-4-1)、图象增强(直方图均衡化、主成份变化、缨帽变化，几何校正)、正射影像校正。(2)本研究以SPOT5多光谱遥感影像作为主要数据源，以影响分类的研究区森林资源现状分布图为辅助地理数据，将BP神经网络用于森林植被遥感分类，分类结果类

3、型总精度达到了83.6%，Kappa系数为0.7943，表明分类质量非常好。(3)采用误差矩阵对BP神经网络分类方法、最大似然法、简单和复杂无监分类法进行了精度比较分析，发现在各个用地类型的用户精度、生产者精度以及总精度、Kappa系数等指标上，BP神经网络法的分类类型总精度比传统三种分类方法依次提高了4%、47.6%和35.6%。表明BP神经网络分类法是一种有效的分类技术，能够提高图像分类精度。(4)经过对BP人工神经网络模型的反复训练，当网络隐层节点为17，学习率η=0.03，最大训练次数12000次时，该网络达到了预先确定的分类精度95%，满

4、足了本研究的要求。关键词：人工神经网络；BP网络；遥感；分类；森林；植被RemoteSensingClassificationofForestVegetationBasedonArtificialNeuralNetworkAuthor:LiuTaoSpecialty:ForestmanagementTutor:TengQiheGuJiancaiAbstractRemotesensingimageclassificationisalwaystheimportantcontentofremotesensingresearchandforestresou

5、rcesinventoryandmonitoring.Applicationlevelandpracticalvalueareinfluencedbyclassificationprecision.Theproblemsofmulti-classimagerecognitionandsatisfactionprecisionsarekeyproblemsofremotesensingimageswhichhaveveryimportantsignificance.Thispaperbaseondomesticandabroadforestveget

6、ationremotesensingclassificationstudyprogress.TheBPneuralnetworkmethodsstudyonforestvegetationremotesensingclassificationwhichSPOT5remotesensingimageof10mresolutionandgeographicdataSaihanbaMechanicalTreeFarmin2003.Thispapermakesacomparativeprecisionstudyontraditionalclassifica

7、tionresultsofstatisticalpatternrecognition.Theresultsshowthat：(1)BecauseofthecharacteristicsofSaihanbaMechanicalForestFarm,forestresourcesmonitoringmakesuseofthemethodofSPOT5RemoteSensingdatapre-processing.Thetechnicalprocessesintheactualapplicationasfollows:theoptimalbandcomb

8、ination(2-4-1),ImageEnhancement(HistogramEqualization,Princip