论文部分内容阅读
对于全球陆地上的生态系统来说,林地在调节地球陆地气候、涵养自然水源等在生态领域各个方面发挥着重要作用。由于林地的重要生态与经济价值,国家才将林地作为是否能够精准的实施可持续发展战略方面在技术和物质层面重要的基础。林地的空间分布信息的高准确度,有助于研究林地对气候变化的调节作用。遥感技术在林地检测方面的应用,为林地生态的监测和林地资源的数据调查和数据管理提供了有力的支持。研究人员通过将传统的遥感预处理技术与先进的计算机图像高级处理技术相结合,实现了信息提取的自动化程度和性能方面的大大的改善和提高。其中一个重要的研究方向,便是借助于神经网络技术的应用。由于在遥感自动化处理技术应用已经实现了在遥感影像分类中推广的应用,根据当前主流的神经网络学习算法,一种逐景训练、逐景分类的遥感分类模式逐渐被普遍采用。但是训练样本的重复选取、模型参数在分类的过程中重复消耗等问题依然存在着。对于一幅覆盖面积大而且气候区域不一致的影像数据来说,如何通过在快速建立的神经网络分类器模型来实现针对大范围研究区内实现更加高精度的林地信息提取,是个有待探索的问题。本文通过选取当前主流的三种常用神经网络分类器算法分别包括深度置信(Deep Belief Network,DBN)神经网络、Radial Basis Function神经网络、卷积神经网络,建立神经网络分类器,通过对上述不同分类器的分类结果进行对比,验证本文提及的概率神经网络分类方法的在面向对象信息提取方面的优越性。首先通过针对当前的影像数据集逐景特征提取,再从每一种土地覆盖类型的研究数据集中分别选取部分典型林地区域内的遥感影像及其特征作为训练样本,对所选取的不同的神经网络学习分类器分别进行了训练;其次将最优模型分别是利用训练的最优神经网络学习分类器实现整个研究区乡镇内林地信息的泛化提取;最后依据第三次全国国土调查的土地分类标准从林地信息提取的效果、提取的效率、配置与时间的要求方面对各个常用神经网络分类器算法的优越性进行了综合分析,发现概率神经网络分类器的分类精度达到90.3%,kappa系数为0.88,其次是卷积神经网络分类器总分类精度达到90.2%;再者Radial BasisFunction神经网络分类器的总分类精度为86.4%;最后只有DBN神经网络总分类精度最低,为79.04%。根据分类结果,概率神经网络的分类精度最高是分类效果最好。