基于BP-神经网络的区域下垫面遥感图像解译方法及其应用——以上海市太浦河两翼地区为例

发布时间：2021-03-05 05:49

　　城市化的发展改变了城市下垫面的条件,从而对水环境产生了多种影响。为保证水文、水动力等数学模型的预测精度,需要对区域下垫面的遥感图像进行遥感解译分析,利用解译好的数据及时对水文、水动力实时预报模型进行更新。BP-神经网络技术简单实用,收敛速度快,可以在一定程度上消除传统的遥感影像分类带来的模糊性和不确定性,保证遥感图像解译的分类精度。以上海市太浦河两翼地区为例,将该区域的影像图分为绿地、房屋、水体、农田、旱地、道路等六大地物类型,结合BP-神经网络算法确定各个类别的空间分布,并统计出各类地物的面积分别为48.85km²、19.98km²、60.13km²、71.14km²、3.28km²、7.13km²,为后续水利设计相关工作提供技术支撑。 

【文章来源】：科学技术创新. 2020,(22)

【文章页数】：3 页

【部分图文】：

遥感图像分类过程

工神经网络模型众多，其中最易理解、最直观、应用最为广泛的是多层前馈神经网络及误差逆传播学习算法，简称为BP网络，具有很强的非线性映射能力和柔性的网络结构。即神经网络的中间层数以及各层中的神经元个数可根据具体情况任意设定，且随着结构的差异其性能也有所不同。典型的BP网络包括输入层、中间层和输出层,其结构如图2所示。BP网络本质上实现了一个从输入到输出的映射功能，这种映射在数学上已被证明可以实现任何复杂非线性映射的功能，适合于求解内部机制复杂的非线性问题。本次解译考虑到精度的要求以及图像波段的单一，使用监督分类方法进行解译，监督分类是利用已确认类别的样本像元去识别其它未知类别像元的过程。

将研究区域的无人机航拍影像图分为水体、房屋、道路、绿地、旱地、农田等六大地物类型，原始影像地物样本如图3。根据具体的影像图归纳出上面六种地物类型及其相应的目视解译标志如表1。

【参考文献】：
期刊论文
[1]基于遗传算法优化的BP神经网络遥感数据土地覆盖分类[J]. 骆成凤,刘正军,王长耀,牛铮.  农业工程学报. 2006(12)
[2]遥感影像解译的研究现状和发展趋势[J]. 杨桄,刘湘南.  国土资源遥感. 2004(02)
[3]Matlab自组织神经网络在遥感图像分类中的应用[J]. 杜华强,范文义.  东北林业大学学报. 2003(04)
[4]基于知识的遥感图像分类方法的探讨[J]. 杨存建,周成虎.  地理学与国土研究. 2001(01)

硕士论文
[1]基于机器学习的高分辨率遥感影像城市固废检测[D]. 肖莎.福州大学 2018



本文编号：3064686