论文部分内容阅读
遥感技术的不断发展为人们提供了多时相、多波段、多尺度的对地观测海量数据,遥感影像分类一直是遥感数据利用研究领域的重要内容。传统的遥感影像分类方法大都是利用建立在大量统计运算基础上的参数化统计分类器,其分类精度较低。本研究提出了一种遗传算法(GA)优化辅助的BP神经网(BPNN)分类方法,并成功应用于高原山地地区Landsat7ETM+遥感数据的土地利用/覆盖分类,并与传统的统计模式识别方法之一——最大似然法的分类精度进行比较分析。结果表明:(1)BP神经网络(BPNN)在一定程度上模拟了人脑的结构和智能行为。与传统的参数化统计分类器相比,BPNN网络输入数据对特征空间分布预先不需要假设某种参数化密度分布,尤其是当遥感数据特征很复杂、待分地类繁多、研究区地形条件复杂时,BPNN能获得更理想的分类结果。研究样区地类总体分类精度达到82.52个百分点,比最大似然法高出7.36个百分点,Kappa系数达到82.17%,达到了土地利用/覆盖分类要求。(2)BPNN训练收敛缓慢;易陷入局部极小,因而标准BP算法在实际应用中很难胜任,往往需要对其加以改进。改进方法中,共轭梯度法或变梯度算法,特别是其中的量化共轭梯度法(Scaled Conjugate Gradient),尤其在网络规模较大的场合,其性能很好,其速度几乎与启发式学习算法中的弹性梯度下降法一样快,并且其性能不像弹性梯度下降法随着目标误差的减小而下降得那样快。(3)遗传算法(GA)以概率选择为主要手段,擅于全局搜索,容易得到全局最优解或性能很好的次优解。GA与BPNN相结合,以便充分利用两者的长处,通过GA寻找BPNN的初始点,对隐层神经元数辅助决策,有助于克服网络的缺陷,能够提高网络的学习效率。(4)BPNN分类前对数据进行适当的预处理,如数据压缩、数据增强、降低各波段数据的相关性等,能够提高网络收敛速度和分类精度。(5)基于BPNN的遥感影像分类模型可以解决土地利用/覆盖分类问题,但仍然需要地形因子等地理信息、地学知识、专家知识的辅助决策支持,才能够有效提高BPNN分类识别精度。