论文部分内容阅读
遥感数据获取技术与不断扩大的应用需求共同推动着遥感应用处理的发展。从遥感影像中对土地覆盖进行分类是一系列土地信息整理工作的前期性过程，对土地进行分类后不仅能从土地的数量、空间分布状况和质量等方面有正确的认识，而且还能对其进行改良有助于扩大土地的应用范围，合理利用土地。遥感卫星应用的前提条件是通过遥感应用处理将遥感图像转变成可以使用的信息和知识。随着科学的信息化和遥感技术的不断发展，有了多种智能的土地覆盖分类方法。但是由于时间、空间、多尺度等各个因素的影响，目前还没能探索出“全能”的分类方法。本文主要基于几种常用的智能分类方法对不同的典型区域进行土地覆盖分类，通过比较几种方法的分类精度筛选出对不同属性区域较适用的不同的分类方法。通过用几种智能分类方法对自然属性较为显著的达里诺尔自然保护区和社会经济属性较为显著的呼和浩特市进行土地覆盖分类研究后得到了如下结论：(1)用遗传算法和人工神经网络（BP算法与SOFM网络）的方法对自然属性较为显著的达里诺尔自然保护区进行土地覆盖分类实验，通过对实验结果的分析和对比得出，对于草地、耕地、林地和水域的分类，SOFM网络的分类精度明显比遗传算法和BP算法的分类精度要高；对于未利用土地，BP算法和SOFM网络的分类精度都比较接近；对于居民地及工矿用地，这三种方法的分类精度都较低，相比之下，遗传算法的分类效果要比BP算法和SOFM网络分类方法的效果好。分类结果显示，遗传算法的整体分类精度为85.9%；BP算法的整体分类精度为88.1%、kappa系数为0.8431；SOFM网络的整体分类精度为93.03%、kappa系数为0.9128。总的来说，对于自然属性较为明显的地区进行土地覆盖分类时SOFM网络的分类效果要比遗传算法和BP算法的分类效果好。(2)用直接BP分类方法和容差粗糙集BP网络分类方法对社会经济属性较为显著的呼和浩特市进行土地覆盖分类的实验。实验结果显示，除交通用地和农用地，容差粗糙集BP网络分类方法的各项分类精度都在90%以上，尤其住宅用地和水域用地的分类精度高达94%以上，对于工业仓储业用地这两种分类方法的分类效果都比较好，对于其它地类，这两种分类方法的分类精度则有较大区别，直接BP方法的整体精度为87.96%、kappa系数为0.8896，容差粗糙集BP网络分类方法的整体精度为91.70%、kappa系数为0.9298，对于研究区容差粗糙集BP网络的整体分类结果明显优于直接BP分类方法。通过对国内外多种文献资料的参考分析得知，对于不同的典型区域选用的算法和模型不同，则分类结果也会不同。算法和模型的选用直接影响着遥感影像的分类结果。我们应该根据遥感影像上土地覆盖特性选用对其分类效果最佳的算法和模型。本次实验结果表明，对于自然属性较为显著的研究区，SOFM网络的分类效果要比遗传算法和BP算法的分类效果好；对于社会经济属性较为显著的研究区，容差粗糙集BP网络的分类效果要比直接BP分类方法的效果好。