全 文 ：第 wt卷 第 y期
u s s x年 tt 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1wt o‘²1y
‘²√ qou s s x
基于 …°神经网络的针阔混交林 א 遥感图像
自动分类技术研究
王立海 赵正勇
k东北林业大学 哈尔滨 txsswsl
摘 要 } 在对标准 …°神经网络试验分析的基础上 o通过输入矢量归一化处理 !主成分分析 !增加验证集 !改进训
练学习算法 !扩大隐层和输出层规模等措施 o对 …°神经网络自动分类系统进行改进 ~利用改进后的 …°系统对吉林
省汪清林业局的典型针阔混交林 א 遥感图像进行辩识 !分类试验研究 ∀结果表明 }改进后的 …°网络分类系统自
动分类精度提高了 t|1tw h o比传统无监督自动分类精度提高 {1xx h o达到了区分森林类型的分类要求 ∀研究还显
示了该改进系统应用于针阔混交林 א 遥感图像自动分类识别的精度随网络规模增大而提高 ∀
关键词 } …°神经网络 ~针阔混交林 ~א 图像 ~自动分类 ~地理信息
中图分类号 }≥zzt1{ 文献标识码 }„ 文章编号 }tsst p zw{{kussxlsy p ss|w p sz
收稿日期 }ussx p su p tz ∀
基金项目 }国家/十五0攻关课题/东北天然林生态采伐与更新技术研究与示范0kusst…„xts…sz p sul ∀
Αυτοµατιχαλλψ Χλασσιφψινγ ανδ Ιδεντιφψινγ τηε ΤΜ Ρεµοτε Σενσινγ Ιµαγεσ οφ Φορεστ
Μιξεδ ωιτη Χονιφερ ανδ Βροαδλεαϖεσ Υσινγ Ιµ προϖεδ ΒΠ ΑΝΝ
• ¤±ª¬«¤¬ «¤² «¨ ±ª¼²±ª
k Νορτηεαστ Φορεστρψ Υνιϖερσιτψ Ηαρβινtxsswsl
Αβστραχτ} ׫¨ ¤∏·²°¤·¬¦¤¯ ¼¯ ¦¯¤¶¶¬©¼¬±ª¤±§¬§¨±·¬©¼¬±ª·«¨ א µ¨°²·¨ ¶¨±¶¬±ª¬°¤ª¨¶²©©²µ¨¶·³¯¤¼¶¤±¬°³²µ·¤±·µ²¯¨¬±·«¨
°²±¬·²µ¬±ª¤±§°¤±¤ª¨ °¨ ±·²©©²µ¨¶·µ¨¶²∏µ¦¨¶qŒ± ²µ§¨µ·²¬°³µ²√¨ ·«¨ ³¨µ©²µ°¤±¦¨ ²©…° ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®k…° „‘‘l o
°¤±¼ °¨ ¤¶∏µ¨¶o¶∏¦« ¤¶¶·¤±§¤µ§¬½¬±ª¬±³∏·√¨ ¦·²µ¶o¬±¦µ¨¤¶¬±ª √¨ µ¬©¼¬±ª ¶¨·√²¯∏°¨ o ³µ²°²·¬±ª·µ¤¬±¬±ª ¶·∏§¼ ¤¯ª²µ¬·«°o
¬¨³¤±§¬±ª ¤¯¼¨ µ¶²©¬±³∏·p²∏·³∏·¤±§ °¤¬± ©¤¦·²µ¤±¤¯¼¶¬¶o º¨ µ¨ ¤³³¯¬¨§¬±·«¨ א ¬°¤ª¨ §¤·¤³µ²¦¨¶¶¬±ªqפ®¬±ª • ¤±ª´¬±ª
ƒ²µ¨¶·µ¼ …∏µ¨¤∏²©¬¯¬± °µ²√¬±¦¨ ¤¶·«¨ ¬¨¤°³¯¨¶·∏§¼ ¤µ¨¤o·«¨ ¤∏·«²µ¶¶·∏§¬¨§·«¨ ¤∏·²°¤·¬¦¤¯ ¼¯ ¦¯¤¶¶¬©¼¬±ª¤±§¬§¨±·¬©¼¬±ª·«¨
א µ¨°²·¨ ¶¨±¶¬±ª¬°¤ª¨¶²©©²µ¨¶·°¬¬¨ § º¬·«¦²±¬©¨µ¤±§¥µ²¤§¯ ¤¨√¨ ¶∏¶¬±ª·«¨ ¬°³µ²√¨ § …° „‘‘q ׫¨ µ¨¶∏¯·¶¶«²º ·«¤·
¤¦¦∏µ¤¦¼ ²© ¤∏·²°¤·¬¦¤¯ ¼¯ ¦¯¤¶¶¬©¬¦¤·¬²± ¤±§¬§¨±·¬©¬¦¤·¬²± «¤¶¥¨ ±¨ ¬±¦µ¨¤¶¨§¶¬ª±¬©¬¦¤±·¯¼ot|1tw h «¬ª«¨µ·«¤± ·«¤·²©·«¨
·µ¤§¬·¬²±¤¯ „‘‘°¨ ·«²§¤±§{1xx h «¬ª«¨µ·«¤±·«¤·²©·µ¤§¬·¬²±¤¯ ∏±¶∏³¨µ√¬¶¨§¦¯¤¶¶¬©¼¬±ª °¨ ·«²§µ¨¶³¨¦·¬√¨ ¼¯ q׫¨ µ¨¶¨¤µ¦«
¤¯¶²¬±§¬¦¤·¨¶·«¤··«¨ ¦¯¤¶¶¬©¬¦¤·¬²±¤±§¬§¨±·¬©¬¦¤·¬²±¤¦¦∏µ¤¦¼µ¤·¨¦¤± ¥¨ ¬±¦µ¨¤¶¨§©∏µ·«¨µº¬·« ¬¨³¤±§¬±ª·«¨ …° „‘‘±¨·º²µ®
√²¯∏°¨ q
Κεψ ωορδσ} …° ¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨·º²µ®k…° „‘‘l ~ °¬¬¨ § ©²µ¨¶·~ א ¬°¤ª¨¶~ ¤∏·²°¤·¬¦¤¯ ¼¯ ¦¯¤¶¶¬©¼¬±ª~ ª¨²ªµ¤³«¬¦
¬±©²µ°¤·¬²±
森林资源信息是国家重要的基础信息资源之一 o是林业建设中各项决策的主要依据 ∀遥感技术由于具
有宏观性 !综合性 !可重复性 !快递性和经济性等特点 o是研究森林资源信息动态变化的强有力工具 ∀图像处
理是遥感技术的主要部分 ∀在林业遥感图像处理中 o不同属性资源辩识 !分类是提取资源信息的关键环节之
一 ∀为了提高遥感图像辩识 !分类效率与准确程度 o本文应用先进的自动辩识 !分类技术 ) ) ) 神经网络技术
对针阔混交林 א 图像的辩识 !分类进行研究 ∀
人工神经网络k¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®o„‘‘l简称神经网络 o是以模拟人体神经系统的结构和功能为基础
建立的一种信息处理系统k张宝光 ot||{l ∀它具有大规模并行处理 !容错性与壮实性 !可学习性k自适应性 !
自组织性l等特征 o在计算机自动分类识别方面不需要基于任何分布假设 o综合考虑各种信息 o非常适用于光
谱值分布规律性弱的林区遥感图像的自动分类识别k²±¤·«¤± ετ αλqot||s ~朱志刚等 ot||y ~白黎娜等 ousst ~王
任华等 oussv ~杜华强等 oussv ~章杨清等 ot||wl o其中 …°神经网络表现得尤为突出 ∀它的神经元采用的可微
传递函数 o可以实现输入和输出间的任意非线性映射 o所以对于/同物异谱0 !/同谱异物0现象严重的林区遥
感图像的辨识有着良好自动分类效果k李祚泳 ot||{ ~于秀兰等 ot||| ~胡师彦 ousst ~李飞雪等 oussvl ∀但是 o
人工神经网络系统作为现代应用科学的最前沿 o在实际应用过程中不可避免地出现一些不足 o如标准 …°神
经网络应用于自动分类时就存在收敛速度慢 !易陷入局部极小值 !网络系统稳定性差等缺陷 o对遥感图像的
自动分类精度影响显著 ∀
本文选择典型针阔混交林的 א 遥感图像为分类对象 o以区别森林类型为分类目的 o在分析标准 …°神
经网络的基础上 o通过输入矢量归一化处理 !主成分分析 !增加验证集 !改进训练学习算法 !扩大隐层和输出
层规模等措施 o对网络进行改进 o以达到提高自动分类精度的目的 ∀
t 研究区域概况
研究区域选择在以针阔混交林为主要森林类型的吉林省汪清林业局经营区 ∀该区的温带针阔叶混交林
林相在我国东北东部温带山地普遍分布 o具有典型性 ∀汪清林业局位于东经 tu|βxyχ ) tvtβswχ o北纬 wvβsxχ )
wvβwsχ o属长白山系的中低山区 o海拔 vys ∗ t wzz °∀全区有 v条主要河流的干流通过 o两岸地势较陡 ∀随地
形 !植被和气候条件的变化 o其土壤类型也有所不同 ∀暗棕色森林土是主要的土壤类型 o其间穿插有一定数
量的沼泽土和草甸土 ∀该研究区域植物种类繁多 o属长白山植物区系 o结构复杂 ∀其中针叶树主要有红松
kΠινυσ κοραιενσισl !云杉k Πιχεα ασπεραταl和臭松k Σψµπλοχαρπυσ φοετιδυσl o阔叶树多为椴树k Τιλια τυανl !柞树
k Θυερχυσ µονγολιχυσl !风桦k Βετυλα χοσταταl !色树k Αχερ µονοl和白桦k Βετυλα πλατψπηψλλαl等 ∀在龄组结构上 o中
龄林最多 ∀树种组成上 o以阔叶树为主 ∀研究区的森林群落其组成结构及发育层次都表现出明显的沿海拔
梯度的分布格局 o其树种多样性随海拔的上升均表现出明显的下降趋势k常禹等 oussv ~姜萍等 oussvl ∀
研究区域典型针阔混交林区的遥感图像具有 v个特点 }tl 在针叶林和阔叶林之间的过渡区大量分布着
混交林 o导致这一区域的遥感图像光谱值的/同谱异物0现象比较严重 ~ul 此区域绝大部分是高山林地 o使得
所采集的遥感图像上存在很多地形阴影区 ∀这些阴影区主要由山体相互掩映造成 o使同一地类k森林类型l
的阳坡和阴坡的光谱值差异很大 o/ 同物异谱0现象比较严重k≥®¬§°²µ¨ ot|{| ~刘卫国等 ot||z ~俞小林 o
usssl ~vl 森林的蒸腾作用和山体间的大高差 o致使此区域得到的遥感图像普遍质量不高 o图像上易出现白
云区和云的遮挡在地面造成的阴影区 ∀这些因素影响遥感图像的分类预处理和后期分类效果 o在一定程度
上增加了自动分类的难度 ∀
u 研究资料及数据预处理
研究资料主要包括一景 ¤±§¶¤·x的 א 遥感数字图像 !汪清林业局 t||z年森林二类调查成果资料和
t||z年汪清林业局 tΒxs sss林相分布图 ∀其中 א 遥感数字图像的基本参数为 }图像获取时间 t||z年 z
月 o全景 o地球椭圆体为 Žµ¤¶²√¶®¼o太阳方位角 tuwβ o太阳高度角 ysβ ∀
数据预处理主要包括 }tl建立基于 t||z年资料的研究区地理信息系统kŠŒ≥l ~ul遥感数字图像的分类预
处理 ∀其中遥感图像预处理的过程为 }先对图像进行几何校正和研究区裁减 o然后进行直方图光谱校正 !郎
伯体地形光谱校正和光谱值线性拉伸 o最后进行光谱增强变换 ∀试验表明 }对遥感图像的预处理能在很大程
度上增大图像上不同地物的光谱值差异 o提高图像的可分辨能力 ∀
v 研究方法
311 建立改进型 ΒΠ神经网络遥感图像自动分类系统
v1t1t …°神经网络及其改进 应用 …°神经网络进行图像处理 o一般在标准 …°神经网络基础上 o针对具
体应用对象进行若干改进 ∀所谓的标准 …°神经网络是误差反向传播k¥¤¦®p³µ²³¤ª¤·¬²±l算法的一种 o它是以
网络权值和阈值沿着网络误差变化的负梯度方向进行调节为自学习算法的一种三层神经网络k输入层 !隐层
和输出层l ∀它的基本思想是 }在正向传播过程中 o每一层神经元的状态只影响到下一层神经元网络 ∀如果
输出层不能得到期望输出 o则反向逐次对网络各神经元的权值和阈值进行调节 o过程反复进行 o当网络误差
x| 第 y期 王立海等 }基于 …°神经网络的针阔混交林 א 遥感图像自动分类技术研究
达到极小值或最小值 o网络学习结束k邬永革等 ot||xl ∀
由于 …°网络学习训练时误差是沿负梯度方向传递 o导致了一些不足 o主要体现在k许东等 oussul }tl具
有梯度下降算法的固有缺陷 o易陷入局部极小值 o无法保证每次训练的网络全局最优性 ~ul网络的训练效率
低 ~vl网络迭代步长和惯性系数的选取是凭经验确定的 o选取不当可引起网络振荡甚至导致网络不能收敛 o
极大影响网络的建立 ~wl网络推广能力差 ∀
针对以上分析标准 …°神经网络的不足 o提出以下针对本文研究对象的改进措施 o以达到优化 …°神经
网络 !实际应用于针阔混交林遥感图像分类识别的目的 ∀tl对输入数据进行预处理 o即把遥感图像的数据流
文件进行归一化处理和主成分分析 o压缩数据维数 o减小输入层规模 o提高网络训练 !运行效率 ∀ul改进网络
训练算法 o应用自适应学习速率动量梯度下降反向传播算法 ∀自适应学习速率动量梯度下降反向传播算法
是动量梯度下降算法和自适应学习速率梯度下降算法的组合 o其数学公式表达如式ktl ∀它具有动量梯度下
降算法和自适应学习速率梯度下降算法的优点 o既能通过网络性能对学习速率进行自适应调整 o从而提高网
络训练准备效率 o又能利用设置的动量因子来降低网络性能对参数调整的敏感性 o有效地抵制了局部极小现
象 o使网络保持较好的稳定性 ∀vl增加验证集提高网络推广能力 o由于/过度训练0易导致网络推广能力差 o
所以在训练时增加验证集 o监控网络训练进程 o控制训练进程 ∀
§Ωkι oϕl € µχ # §Ω³µ¨√kι oϕl n µχ # λρ# γ Ωkι oϕlΠ§Ω³µ¨√kι oϕl ktl
式中 }§Ω为网络权值或阈值的调整量 oγ Ω为网络性能对于网络权值的梯度矢量 o µχ为动量因子 oλρ为学
习速率 ∀
v1t1u 应用 …°神经网络技术解决 א 遥感图像针阔叶混交林自动分类的基本步骤 首先 o建立改进型的
…°神经网络 o具体步骤见图 t¤~然后 o将上述改进型 …°神经网络应用于 א 针阔叶林自动分类试验研究 o具
体步骤见图 t¥∀
图 t 建立神经网络分类系统的技术路线图
ƒ¬ªqt ƒ¯ ²º¦«¤µ·²© ° ·¨«²§²¯²ª¼©²µ ¶¨·¤¥¯¬¶«¬±ª „‘‘²©¦¯¤¶¶¬©¼¬±ª¶¼¶·¨°
312 分类试验
以区分森林类型为目的 o把研究区地物类型进行 w级划分 o划分的目的地物类型为非林地 !针叶林地 !混
y| 林 业 科 学 wt卷
交林地和阔叶林地 ∀按照图 t的技术路线 o建立 …°神经网络分类系统 o对预处理后的 א 遥感图像进行自
动分类试验 ∀
v1u1t 分类样本数据预处理 输入数据 }选取 אt !אu !אv !אw !אx !אz共 y个遥感波段图和高程 !坡
向 !坡度和土壤 w幅 ŠŒ≥图像的背景 !非林地 !针叶林 !混交林和阔叶林 x种典型地物若干块 ∀其中 o选取的
针叶林样本数据见图 u ∀对构造的 ts个输入数据进行归一化和主成分分析处理k最小能量比系数为 s1sul o
最终压缩成 w维输入数据 ∀输出数据 }分为灰度图输出k单元l和 • Š…彩色输出k三元lu种 ∀
图 u 针叶林样本的图像数据
ƒ¬ªqu Œ°¤ª¨¶§¤·¤¶¤°³¯ ¶¨©²µ¦²±¬©¨µ©²µ¨¶·
图 v u种方案的 …°神经网络结构图
ƒ¬ªqv ƒµ¤°¨²© …° „‘‘¥q©²µ¶¦«¨ °¨t ¤±§¶¦«¨ °¨u
¤q标准 …°神经网络 ≥·¤±§¤µ§…° „‘‘~¥q改进型 …°神经网络 „°¨¯¬²µ¤·¬√¨…° „‘‘q
v1u1u 网络参数的确定和建立网络 …°神经网络的隐层层数和每层神经元个数的确定没有确切的规律 ~
但总体来说 o层数和神经元个数越多 o网络越稳定 o最终网络性越好 o但网络规模也随之增大 o建立网络的时
间和网络运行时间呈指数级递增 ∀综合上述各种因素 o为评价改进措施的分类效果 o特确定以下 u种方案 ∀
方案一 }设定网络层数为输入层 !隐层 !输出层 v层 ∀输入层的神经元个数为原始的 ts类分类数据 o隐
层为 us个 o输出层为 t个k即灰度图l ∀训练学习算法采用标准 …°算法 o即梯度下降反向传播算法 ∀传递函
数为·¤±¶¬ª函数和线性函数 ∀网络最大训练次数为 x sss次 o最长训练时间不超过 w{ «o误差目标k均方误
z| 第 y期 王立海等 }基于 …°神经网络的针阔混交林 א 遥感图像自动分类技术研究
差l为 t sss o其余网络参数为默认值 ∀方案一结构见图 v¤∀
方案二 }输入层为压缩后的 w维数据 o隐层规模增大到 vs个神经元 o输出层为 v个k• Š…彩色合成图l ∀
改进训练学习算法为自适应学习速率动量梯度下降反向传播学习算法 o其余参数同方案一 ∀方案二结构见
图 v¥∀
v1u1v 对遥感图像的自动分类识别 u种方案分类系统在  „׏„…的支持下 o分别编程完成 ∀网络程序经
编译后 o网络通过自学习获取到各神经元的网络权植和阈值 o建立起遥感图像的自动分类识别系统 ∀采用 u
种方案分别对研究区域 אt !אu !אv !אw !אx !אz共 y个波段遥感图像 o以及高程 !坡向 !坡度和土壤 w
幅 ŠŒ≥图像输入 u种自动分类 o结果见图版 ´2t !u ∀
v1u1w 神经网络分类后处理 分析 …°神经网络自动分类识别系统分类后的结果图 o发现输出结果不是理
想的纯目标专题颜色 ∀其原因有 v个 }tl构造输入 !输出样本时 o样本与背景之间存在过渡色 o即输入 !输出
样本不纯 ~ul神经网络是多维非线性映射 o输出了非目的数 o即映射输出不纯 ~vl网络使用的是 §²∏¥¯¨数据
k双精度数据l o而分类专题图是 ∏¬±·{数据k{位无符号整数l o两者之间相互转化引入非目的数据 o即转化输
出不纯 ∀
由于分类输出结果不纯 o不能直接对其进行精度评价 o需要进行分类后处理 o进一步纯化输出 ∀对输出
图进行数据统计分析过程中发现 o虽然输出数据不纯 o但每一类的数据都呈正态分布 o明显聚类 ∀所以 o本研
究采用对输出图进行最大似然规则的监督分类 o进行重编码处理 o得到分类效果专题图k图版 ´2v !wl ∀
另外 o为了与传统自动分类技术进行对比 o本研究还做了 א 图像 z个波段的主成分变换无监督分类 ∀
由于此方法无法对遥感图像中的白云区和云阴影区进行自动分类 o所以只好采用数字化方法 o将白云区和阴
影区作为 u个特殊分类 o展现在它的分类专题图中k图版 ´2xl ∀
w 分类精度分析
411 分析方法
遥感图像分类精度的分析方法可分为非位置精度分析和位置精度分析k彭望 等 oussul ∀非位置精度
分析以一个简单的数值 o如面积 !像元数目等表示分类精度 o由于未考虑位置因素 o类别之间的错分结果彼此
平衡 o在一定程度上抵消了分类误差 o使分类精度偏高 ∀位置精度分析是将分类的类别与其所在的空间位置
进行统一检查 ∀目前普遍采用混淆矩阵的方法 o即以总分类精度和 Ž¤³³¤系数分析整个分类图的精度 o以条
件 Ž¤³³¤系数分析单一类别的精度 ∀应用混淆矩阵进行分类精度的检验方法是 t|ys年由 ≤²«¨ ±提出的
k≥®¬§°²µ¨ ot|{|l ∀以后有许多学者在 Ž¤³³¤系数的算法和应用方面作出了大量工作 o逐渐发展成遥感分类
的精度分析主要方法 ∀
本研究拟采用混淆矩阵分析法 o以混淆矩阵的总体分类精度 !生产者精度 !用户精度 !总体 Ž¤³³¤系数和
各类别的条件 Ž¤³³¤系数 x个参数进行综合评价 ∀以往研究表明 oŽ¤³³¤系数与遥感图像地物分类质量存在
着密切关系k表 wlk彭望 等 oussul ∀
研究区域的遥感图像分类精度分析应用分层随机采样的方法 ∀对照数据以 t||z年二类森林资源调查
数据建立的研究区林相分布图k图版 ´2yl为主 o以地形图为辅 o同时 o参考 ussv和 ussw年研究区域实地调查
结果 ∀对每个采样点逐点人工确定实际地物类别真值 o再把采样各点对应分类专题图的地物种类计算值与
其真值进行比较和统计分析 o得出各自动分类技术的分类专题图精度分析数据结果如表 t !u !v所示 ∀
412 分析结果与讨论
分析时随机在经过主成分变换后第 t !第 u !第 v分量 • Š…合成遥感图像的无监分类专题图中选择 zss
个点k非林地 txs o云阴影 xs o白云 xs o针叶林 txs o混交林 txs o阔叶林 txsl进行评价 ∀对于采用 …°神经网络
分类系统进行的分类 o随机选取 yss个样点 ∀样点在各种地物中分布见表 u !v ∀
经过计算分析 o无监分类结果如表 t所示 ∀该分类方法的总体分类精度为 yz1wx h o总体 Ž¤³³¤指数为
s1x|{ s o分类精度一般 ∀其中混交林 !针叶林和阔叶林的用户精度分别为 xt1st h !ys1uy h !ys1yu h o条件
Ž¤³³¤指数为 s1vx| | !s1w{z y !s1xvv u o说明这种自动分类技术对区分 א 遥感图像上的针阔混交林森林类
型比较困难 ∀
{| 林 业 科 学 wt卷
从表 u可得 o标准 …°神经网络分类系统分类的总体分类精度为 xy1{y h o总体 Ž¤³³¤指数为 s1wvz t o分
类精度较低 ∀其中 o阔叶林和混交林的条件 Ž¤³³¤指数为 s1tux s和 s1t|y { o分类精度非常低 ∀而针叶林的
条件 Ž¤³³¤指数却高达 s1y{w u o分析其原因 o主要是大部分其他类型都错分为针叶林的结果 ∀对森林类型
的分类结果很不理想 o网络必须改进 ∀
值得注意的是此方法能应用输入的地学知识k高程 !坡向 !坡度和土壤 w幅 ŠŒ≥图像l对 א 图像的白云
区和云阴影区分类效果较好 ∀
分析表 v o改进型 …°神经网络分类识别系统的总体分类精度为 zy1ss h o总体 Ž¤³³¤指数为 s1y{s s o分
类精度较好 ∀其中 o非林地的分类精度最高 o用户精度为 |{1yz h o条件 Ž¤³³¤指数也达到了 s1|{t { o说明此
分类方法能非常好地把有林地与非有林地自动分离出来 ~针叶林 !混交林和阔叶林的用户精度分别为
ys1ss h !y|1vv h和 zy1ss h o条件 Ž¤³³¤指数分别为 s1w{{ v !s1x|u s和 s1yzv x o分类效果也比较好 o达到了
区分针叶林 !混交林和阔叶林的分类目的 ∀
表 1 主成分变换无监分类混淆矩阵及评价参数表 ≠
Ταβ . 1 Χονφυσιον µατριξ ανδ ασσεσσµεντ παραµετερσφορ ΠΧΙ τρανσφορµ υνσυπερϖισεδ χλασσιφιχατιον
混 淆 矩 阵 ≤²±©∏¶¬²± °¤·µ¬¬
地 物 种 类
¤±§¦²√¨ µ·¼³¨¶ ©¯§ ¼¼ ½¼ «­ ®¼ ¥¼
行类总数
•²º·²·¤¯
生产者精度
°µ²§∏¦¨µ. ¶
¤¦¦∏µ¤¦¼Πh
用户精度
˜¶¨µ. ¶
¤¦¦∏µ¤¦¼Πh
各类条件
Ž¤³³¤指数
≤²±§¬·¬²±¤¯ Ž¤³³¤
©¯§ tws s s u { s txs |t1xs |v1vv s1|tw u
¼¼ s vz s { x s xs z{1zu zw1ss s1zt| z
½¼ s s |t v{ ut s txs ys1uy ys1yz s1w{z y
«­ t ts vy zy uz s txs xt1st xs1yz s1vx| |
®¼ w s uw ux |z s txs ys1yu yw1yz s1xvv u
¥¼ { p s s s u p ws xs tss1ss {s1{s s1zvu v
列总数 ≤²¯∏°±·²·¤¯ txv wz txt tw| tys ws zss
总体分类精度 ’√ µ¨¤¯¯¤¦¦∏µ¤¦¼ € yz1wx 总体 Ž¤³³¤指数 ’√¨ µ¤¯¯ Ž¤³³¤ € s1x|{ s
≠ ©¯§}非林地 ‘²±pº²²§¯¤±§~¼¼ }云阴影 ≤ ²¯∏§¶«¤§²º ~½¼ }针叶林 ≤²±¬©¨µ²∏¶©²µ¨¶·~«­}混交林 ¬¬¨ §©²µ¨¶·~®¼}阔叶林 …µ²¤§p¯ ¤¨√ §¨©²µ¨¶·~¥¼}白
云 • «¬·¨ ¦¯²∏§q下同 ∀׫¨ ¶¤°¨ ¥¨ ²¯º q
表 2 标准 ΒΠ神经网络分类混淆矩阵及评价参数表
Ταβ . 2 Χονφυσιον µ ατριξ ανδ ασσεσσµεντ παραµετερσφορ στανδαρδ ΒΠ ΝΝ
混 淆 矩 阵 ≤²±©∏¶¬²± °¤·µ¬¬
地 物 种 类
¤±§¦²√ µ¨·¼³¨¶ ©¯§ ½¼ «­ ®¼
行类总数
•²º·²·¤¯
生产者精度
°µ²§∏¦¨µ. ¶
¤¦¦∏µ¤¦¼Πh
用户精度
˜¶¨µ. ¶
¤¦¦∏µ¤¦¼Πh
各类条件
Ž¤³³¤指数
≤²±§¬·¬²±¤¯ ®¤³³¤
©¯§ tuy y v tx txs |t1vs {w1ss s1z|u u
½¼ s tuv tu tx txs {z1uv {u1ss s1y{w u
«­ v ys xw vv txs v{1vs vy1ss s1t|y {
®¼ v y| vv wx txs ux1ss vs1ss s1tux s
列总数 ≤²¯∏°±·²·¤¯ tv{ twt twt t{s yss
总体分类精度 ’√ µ¨¤¯¯¤¦¦∏µ¤¦¼ € xy1{y h 总体 Ž¤³³¤指数 ’√ µ¨¤¯¯ Ž¤³³¤ € s1wvz t
表 3 改进型 ΒΠ神经网络分类混淆矩阵及评价参数表
Ταβ . 3 Χονφυσιον µατριξ ανδ ασσεσσµεντ παραµετερσφορ οπτιµιζινγ ΒΠ ΝΝ
混 淆 矩 阵 ≤²±©∏¶¬²± °¤·µ¬¬
地 物 种 类
¤±§¦²√ µ¨·¼³¨¶ ©¯§ ½¼ «­ ®¼
行类总数
•²º·²·¤¯
生产者精度
°µ²§∏¦¨µ. ¶
¤¦¦∏µ¤¦¼Πh
用户精度
˜¶¨µ. ¶
¤¦¦∏µ¤¦¼Πh
各类条件
Ž¤³³¤指数
≤²±§¬·¬²±¤¯ ®¤³³¤
©¯§ tw{ t t s txs |t1|v |{1yz s1|{t {
½¼ y |s vt uv txs xx1xy ys1ss s1w{{ v
«­ s uw tsw uu txs zx1vy y|1vv s1x|u s
®¼ z ty tv ttw txs {u1st zy1ss s1yzv x
列总数 ≤²¯∏°±·²·¤¯ tyt tyu tv{ tv| yss
总体分类精度 ’√ µ¨¤¯¯¤¦¦∏µ¤¦¼ € zy1ss h 总体 Ž¤³³¤指数 ’√ µ¨¤¯¯ Ž¤³³¤ € s1y{s s
表 4 Καππα系数与分类质量之间的关系
Ταβ . 4 Καππα ινδεξ ανδ χλασσιφιχατιον θυαλιτψ
Ž¤³³¤系数 Ž¤³³¤¬±§¨¬  s1ss s1ss ∗ s1us s1us ∗ s1ws s1ws ∗ s1ys s1ys ∗ s1{s s1{s ∗ t1ss
分类质量 ≤¯ ¤¶¶¬©¬¦¤·¬²± ∏´¤¯¬·¼ 很差 ∂ µ¨¼ ³²²µ 差 °²²µ 一般 ²§¨µ¤·¨ 好 Š²²§ 很好 ∂ µ¨¼ ª²²§ 极好 ∞¬¦¨¯¯ ±¨·
同时 o分类专题图还显示出 o输入矢量的归一化和主成分分析后的输入保存了原输入数据中的地学信
|| 第 y期 王立海等 }基于 …°神经网络的针阔混交林 א 遥感图像自动分类技术研究
息 o通过复杂的内部非线性映射 o也实现了对白云区和云阴影区的分类 ∀而且分析针叶林的 ys个错分点和
混交林的 wy个错分点中 o只有 wt个点是位于地形阴影区 o说明地形阴影区对分类精度影响也变小了 o系统
性能有很大改善 o提高了分类精度 ∀这一方面说明了 …°神经网络分类识别系统能比较好地应用于林区的
א 遥感图像自动分类识别 o同时又验证了该系统分类精度有随隐层网络规模增大而提高的趋势 ∀
x 结论与讨论
通过对东北林区的典型针阔混交林 א 遥感图像自动分类试验研究认为 }
tl 改进型 …°神经网络分类识别系统在该林相 א 遥感图像的自动分类上有广阔的应用前景 ∀研究对
标准 …°神经网络分类识别系统进行改进 o通过输入矢量的归一化和主成分分析 !增加验证集 !改进训练学
习算法 !扩大隐层和输出层规模等措施 o使改进的分类识别系统的分类精度有了比较明显的提高 ∀研究区
א 遥感图像针阔叶林分类试验的总体分类精度达到 zy1ss h o总体 Ž¤³³¤指数为 s1y{s s o比改进前提高了
t|1tw h o比传统无监督分类提高 {1xx h ∀针叶林 !混交林和阔叶林的用户精度分别为 ys1ss h !y|1vv h和
zy1ss h o条件 Ž¤³³¤指数分别为 s1w{{ v !s1x|u s和 s1yzv x o达到区分针叶林 !混交林和阔叶林的分类目的 ∀
既展示其应用于针混交林 א 遥感图像自动分类识别的能力 o又验证了该系统分类精度具有随网络规模增
大而提高的发展潜力 ∀
ul 采用适当数据预处理方法能够减弱阴影对林业遥感图像分类效果的影响 ∀试验结果表明 }通过对原
始遥感图像进行直方图校正 !线性拉伸等辐射校正和朗伯体反射模型地形校正法等地形光谱校正 o以及彩色
合成和光谱增强等技术应用 o比较显著地削弱地形阴影产生的负面影响 o在很大程度上提高了遥感图像的可
识别能力 o为进一步分类处理提供了良好的数据源 ∀
在进行样地调查时 o作者发现5森林资源规划设计调查主要技术规定6中规定的针叶林地 !阔叶林地和混
交林地之间的划分标准与遥感光谱解译结果不匹配 ∀即5规定6上的森林类型的划分标准从本质上不适用于
遥感图像的森林类型区分 ∀因此 o建立一套适合于遥感图像分类的森林类型新标准具有实际应用意义 ∀
参 考 文 献
白黎娜 o李增元 oƒ¤¥¬²  o等 qusst1 应用遥感数据识别意大利沿海松林灾害级别 q林业科学研究 otwkxl }wz| p w{v
常 禹 o布仁仓 o胡远满 qussv1 利用 ŠŒ≥ 和 • ≥ 确定长白山自然保护区森林景观分布的环境范围 q应用生态学报 otwkxl }yzt p yzx
杜华强 o范文义 qussv q ¤·¯¤¥自组织神经网络在遥感图像分类中的应用 q东北林业大学学报 outkwl }xt p xv
胡师彦 qusst1混合遗传 …°算法在图象识别中的应用 q淄博学院学报k自然科学与工程版l ovkwl }ut p uw
李飞雪 o李满春 o赵书河 qussv1 基于人工神经网络与决策树相结合模型的遥感图像自动分类研究 q遥感信息 okvl }uv p uy
李祚泳 qt||{1 用 …°神经网络实现多波段遥感图像的监督分类 q红外与毫米波学报 otzkul }txv p txy
刘卫国 o吕鸣伦 qt||z1 地理信息系统和遥感技术支持下的山地环境梯度分析方法研究 q地理研究 otykvl }yv p y|
姜 萍 o赵 光 o叶 吉 o等 qussv1 长白山北坡森林群落结构组成及其海拔变化 q生态学杂志 ouu kyl }u{ p vu
彭望 o白振平 o刘湘南 o等 qussu1 遥感概论 q北京 }高等教育出版社 ouzw p uzy
邬永革 o赵 健 o黄 炯 qt||x1 基于人工神经网络的图像压缩方法 q计算机应用研究 oy }tx p ty
王任华 o霍宏涛 o游先祥 qussv1 人工神经网络在遥感图像森林植被分类中的应用 q北京林业大学学报 ouxkwl }t p x
许 东 o吴 铮 qussu1 基于  „׏„…y1÷ 的系统分析与设计 ) ) ) 神经网络 q西安 }西安电子科技大学出版社 ows p w| ~{y p {{
俞小林 qusss1 多光谱影像中消除地形和环境影响的新方法 q遥感信息 ouz p vs
于秀兰 o钱国蕙 o周建林 o等 qt|||1 多光谱遥感图像 …°网分类器学习样本选取法的研究 q红外与毫米波学报 ot{kyl }wxt p wxw
张宝光 qt||{1人工神经网络在遥感数字图像分类处理中的应用 q国土资源遥感 ovxktl }ut p uz
章杨清 o刘政凯 qt||w1 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 q环境遥感 o|ktl }y{ p zu
朱志刚 o徐光祜 o席浩军 qt||y1 视觉导航的旋转不变性图象获取和神经元网络识别方法研究 q中国图象图形学报 otkxl }vyt p vyz
²±¤·«¤± o •²±¤¯§ ≤ • o≥¤¬¯¨ ¶Ž≥ qt||s1 „ ±¨ ∏µ¤¯ ±¨ ·º²µ®¤³³µ²¤¦«·² ¦¯²∏§¦¯¤¶¶¬©¬¦¤·¬²±qŒ∞∞∞ ×µ¤±¶²± Š¨ ²¤±§ • °¨²·¨ ≥¨ ±¶¬±ªou{kxl }tvtt p tvtz
≥®¬§°²µ¨ „ Žqt|{|1 „± ¬¨³¨µ·¶¼¶·¨° ¦¯¤¶¶¬©¬¨¶∞∏¦¤¯¼³·∏¶©²µ¨¶··¼³¨¶∏¶¬±ª×«¨ °¤·¬¦¤³³¨µ§¤·¤¤±§¤§¬ª¬·¤¯ ·¨µµ¤¬± °²§¨¯q°∞i• ≥ oxxktsl }tww| p twy|
sst 林 业 科 学 wt卷