论文部分内容阅读
近年来,随着3S技术日新月异的发展,空间信息的采集、分析与应用进入了一个崭新的时代。作为空间信息采集的重要手段,遥感在很短的时间内,为土地资源调查、土地管理提供了大量宏观、同步的第一手信息,而且随着遥感信息获取技术的快速发展,这种数据提供能力越来越强,提取遥感信息或遥感数据,为资源调查、土地管理等学科服务,就显得尤为重要。
本研究以内江市裨木镇为试验区,土地类型划分为水田、旱地、水体、建设用地、道路用地五类,选取LandSAT卫星的ETM影像为基础数据,在遥感分析软件ERDAS IMAGINE、数据处理软件MatI,ab平台上,结合野外调查,设计了以径向基函数神经网络算法(Radial Basic Function Neural Network,RBFNN)为基础的遥感分类方法,分类结果与传统的非监督分类算法、监督分类算法进行了比较,根据分类影像图计算了分类混淆矩阵及精度评价参数,分类精度的评价参数主要选用了:用户精度、生产精度、Kappa系数,根据分类混淆矩阵及评价参数,对分类结果进行了精度分析与评价,探讨了分类造成错分、漏分的原因。
本研究分类算法的设计,主要分为训练样区的选择、RBFNN算法的建立、RBFNN算法的仿真、分类影像图的制图、分类结果的精度评价与分析五部分内容。其中,训练样区的选择,主要采用野外调查、室内预判方法,选择典型地块建立训练样区;RBFNN算法的建立,以训练样区所选择的遥感影像灰度值作为输入,训练RBFNN网络,训练好的网络记为net,网络训练时输入层节点数为6(遥感影像的波段数:TMl、TM2、TM3、TM4、TM5、TM7),输出层节点数为5(结果分类的土地利用类型数目);RBFNN算法的仿真,用sim函数,以遥感影像灰度值输入已经训练好的RBFNN网络:net,并输出分类结果,分类结果记为output;分类影像图的制图,利用文本工具与遥感图像转换工具,把output的结果转换为分类遥感图像;分类结果的精度评价与分析,主要通过计算分类影像的分类后混淆矩阵,以用户精度、生产精度、Kappa系数为指标,并对分类结果进行精度分析与评价。研究结果表明:
(1)基于.ERDAS IMAGINE、MatLab平台,针对川中丘陵区,建立了一套遥感影像的计算机自动解译技术,它主要有野外调查、建立训练样区、RBFNN网络的建立与仿真、分类图的制作、精度分析等步骤。
(2)RBFNN算法的遥感土地分类精度与传统的非监督分类、监督分类(MLC)相比,总体Kappa系数分别提高了0.1708、0.0607;RBFNN算法的总体分类精度达到了0.7933,分类质量为很好(分类精度介于0.60~0.80),接近极好(分类精度介于0.80~1.00)。
(3)基于RBFNN算法的遥感土地分类,各土地利用类型的面积精度介于0.71~0.87之间,其中,旱地、水田为0.78,建设用地为0.71,道路为0.87,水体为0.83。总体上的实际面积误差率应该是各地类误差绝对值加权平均值之和,该值为22%,其总体面积精度为0.78。
(4)基于RBFNN算法的遥感土地分类,各土地利用类型的分类精度介于0.73~0.82之间,在用户精度中,道路为0.79、水体为0.73、建设用地0.76、旱地为0.82、水田为0.80,在生产者精度中,道路为0.74、水体为0.73、建设用地为0.81、旱地为O.81、水田为0.81,分类质量为很好(分类精度介于0.60~0.80)、极好(分类精度介于0.80~1.00),表明RBFNN算法能较好的提取出各土地利用类型信息。