基于BP神经网络的东屿岛遥感影像分类

发布时间：2018-04-26 10:09

  本文选题：BP神经网络 + 影像分类　； 参考：《海洋通报》2016年05期

【摘要】：精准高效的海岛遥感影像分类是充分利用海岛基础资料的有效手段,也是全面掌握海岛基本情况及变化情况、保障海岛保护和开发利用有序进行、实现全国海岛动态监管的重要技术措施。以2008年海南省东屿岛航空遥感影像为数据源,借助ENVI遥感图像处理软件选取训练样本集,通过MATLAB仿真软件构建"3-8-5"的3层BP神经网络分类模型,实现对东屿岛遥感影像的分类。实验结果显示,BP神经网络分类总精度为87.85%,Kappa系数为0.84,与最小距离法分类相比,分别提高5.53个百分点和0.07。实验证明BP神经网络分类方法是一种行之有效且精确度更高的分类方法。
[Abstract]:Accurate and efficient classification of island remote sensing images is an effective means to make full use of island basic data, and also to grasp the basic situation and changes of islands in an all-round way, so as to ensure the island protection, development and utilization in an orderly manner. The important technical measures to realize the national island dynamic supervision. Based on the aerial remote sensing image of Dongyu Island in Hainan Province in 2008, the training sample set was selected with the help of ENVI remote sensing image processing software, and the three-layer BP neural network classification model of "3-8-5" was constructed by MATLAB simulation software to realize the classification of remote sensing image of Dongyu Island. The experimental results show that the total accuracy of BP neural network is 87.85% and the Kappa coefficient is 0.84, which is 5.53% and 0.07% higher than that of the minimum distance method, respectively. Experiments show that BP neural network classification method is an effective and more accurate classification method.
【作者单位】： 上海海洋大学;国家海洋信息中心;镇江市气象局;
【分类号】：TP751;TP183

【相似文献】

相关期刊论文 前10条

1 黄恩兴;;遥感影像分类结果的不确定性研究[J];中国农学通报;2010年05期

2 贾坤;李强子;田亦陈;吴炳方;;遥感影像分类方法研究进展[J];光谱学与光谱分析;2011年10期

3 朱丹瑶;;遥感影像分类方法研究[J];黑龙江科技信息;2012年33期

4 孙立新,罗高平,张怡梅;遥感影像分类的归类学习方法[J];测绘工程;1998年03期

5 李爽,丁圣彦,许叔明;遥感影像分类方法比较研究[J];河南大学学报(自然科学版);2002年02期

6 黄艳;张超;苏伟;岳安志;;合理尺度纹理分析遥感影像分类方法研究[J];国土资源遥感;2008年04期

7 付博;谢振红;邓彩群;;改进的角度余弦方法在湿地遥感影像分类中的应用[J];吉林建筑工程学院学报;2010年04期

8 杨慧;郑思莉;唐赫;朱文谦;程战员;;面向对象的武汉市街区公共遥感影像分类研究[J];软件导刊;2014年01期

9 杨玉静;冯建辉;;纹理特征提取及辅助遥感影像分类技术研究[J];海洋测绘;2008年04期

10 李小涛;潘世兵;宋小宁;;基于地质统计学纹理特征的遥感影像分类方法研究[J];地理与地理信息科学;2009年02期

相关会议论文 前10条

1 刘忠阳;陈怀亮;杜子璇;邹春辉;;基于决策树方法的Landsat7 ETM+遥感影像分类研究[A];农业生态与卫星遥感应用技术学术交流会论文摘要集[C];2006年

2 王珊珊;季民;高洁;焦其松;;CBR方法在高分辨率遥感影像分类中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

3 汤家法;;基于可拓分类器的遥感影像分类[A];第十七届中国遥感大会摘要集[C];2010年

4 巫兆聪;;RBF网络的粗糙表示与遥感影像分类应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

5 杨剑;蒲英霞;何一鸣;;基于Getis的遥感影像分类研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年

6 赵泉华;宋伟东;鲍勇;;基于分形纹理的BP神经网络遥感影像分类[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

7 王梁;韩坤英;;分形理论在遥感影像分类中的应用[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

8 汪东川;龚建华;张利辉;;基于时间序列轨迹分析的遥感影像分类结果联合校正[A];第十七届中国遥感大会摘要集[C];2010年

9 罗小波;刘明皓;;基于优化的BP神经网络遥感影像分类[A];2006年中国土地学会学术年会论文集[C];2006年

10 ;结合光谱、纹理与形状特征的高空间分辨率遥感影像分类(英文)[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年

相关博士学位论文 前9条

1 王巍;基于Agent的遥感影像分类方法及其应用研究[D];中国地质大学(北京);2016年

2 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年

3 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年

4 巫兆聪;粗集理论在遥感影像分类中的应用[D];武汉大学;2004年

5 易俐娜;面向对象遥感影像分类不确定性分析[D];武汉大学;2011年

6 胥海威;基于改进随机聚类决策森林算法的遥感影像分类研究[D];中南大学;2012年

7 徐盛;基于主题模型的高空间分辨率遥感影像分类研究[D];上海交通大学;2012年

8 刘志刚;支撑向量机在光谱遥感影像分类中的若干问题研究[D];武汉大学;2004年

9 丁胜;智能优化算法在高光谱遥感影像分类中的应用研究[D];武汉大学;2010年

相关硕士学位论文 前10条

1 吴聪;面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[D];昆明理工大学;2015年

2 周杨;面向对象的高分辨率遥感影像分类技术研究[D];中国地质大学(北京);2015年

3 李奇峰;结合多特征描述和SVM的遥感影像分类研究[D];郑州大学;2015年

4 宋晓阳;面向对象的遥感分类系统研究[D];南京农业大学;2014年

5 张静;西北旱区遥感影像分类方法研究[D];西北农林科技大学;2016年

6 刘安斐;基于数据融合的遥感影像分类[D];解放军信息工程大学;2006年

7 任亚芬;面向并行环境的遥感影像分类算法设计与实现[D];华中科技大学;2011年

8 白秀莲;基于决策树方法的遥感影像分类研究[D];内蒙古师范大学;2012年

9 王松妍;基于云理论的遥感影像分类方法研究[D];辽宁工程技术大学;2013年

10 陈小瑜;基于空间数据挖掘与知识发现的遥感影像分类研究[D];福建师范大学;2007年

，

本文编号：1805586