基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较
基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较针对森林资源遥感监测效果往往受森林类型识别分类方法的影响，提出一种基于元胞自动机的遥感影像森林类型分类方法，以提高Landsat-TM 遥感影像的分类精度，为森林资源遥感监测提供技术支持。
【方法】以小兴安岭带岭林业经营管理局为研究区，基于2010 年Landsat5-TM 影像数据和2012 年森林资源二类调查数据，采用窗口法获取TM 第5 波段各待分类别的像元均值作为聚类中心，以元胞自动机的Moore 模型为框架，以元胞为基本单位，以像元均值为对象，利用最小距离法求取进化规则( 判断准则是中心元胞周围的8 个元胞距每类聚类中心的距离最近且像元数量最多，则中心元胞属于该类别) ，充分考虑影像及地物之间的空间特征，采用元胞自动机分类方法进行森林类型的识别分类。同时，以相同的样本数，采用3 层BP 神经网络模型对TM 遥感影像进行分类试验，并比较2 种方法的分类效果。
【结果】基于元胞自动机的分类方法总体分类精度为88. 7121%，Kappa 系数为0. 8291，针叶林、阔叶林和针阔混交林的用户精度分别为73. 60%， 92. 94%和94. 13%，达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP 神经网络算法的总体分类精度为86. 6713%，Kappa 系数为0. 7984，针叶林、阔叶林和针阔混交林的用户精度分别为69. 22%， 93. 37%和90. 76%。2 种分类方法均可有效识别森林类型信息。
【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM 影像空间分辨率较低造成的遥感影像分类精度过低的问题，提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区，该研究结果有助于森林资源监测与管理，可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。
关键词: 元胞自动机; BP 神经网络; 森林类型分类; 像元值; Landsat 5 － TM 影像
页:
[1]