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

雩风三日

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。
2 `" C  z# A6 A( `/ u* l" C2 A     【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。
  u0 R* f9 r# C! j8 o     【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。

% l' _- W( B, K+ Q5 C6 @+ _' i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