基于LVQ神经网络分层分类模型的土地利用覆盖分类.pdfVIP

基于 LVQ 神经网络分层分类模型的土地利 用/覆盖分类 郭阳耀，刘勇 (兰州大学 资源环境学院,兰州 730000) 摘 要：光谱混淆是遥感影像普遍存在的一个问题，它制约着单纯利用光谱特征的遥感影像土地利用/覆盖 分类。为提高分类精度，在分类过程中集成辅助特征已成为一种趋势。与其他集成方法相比，无需参数估 计和统计假设的人工神经网络方法具有优势，该文介绍了学习向量量化神经网络，并以它为分类器建立一 种分层分类模型，依据这个模型，以腾格里沙漠南缘的遥感影像为基本数据，在知识的指导下加入形状、 位置、纹理等辅助特征进行分类。分类结果精度评价表明：基于这种模型的分类精度达到了 79.5% ，实现 了较高精度的计算机自动分类。该模型可为其他地表情况复杂区域的土地利用/覆盖分类提供借鉴和参考。 关键词：遥感；土地利用/覆盖；人工神经网络；学习向量量化；分类；腾格里沙漠 中图分类号：TP79 文献标识码：A 土地利用/覆盖分类是研究区域乃至全球尺度环境变化的一项基础工作，作为这一工作 的技术手段之一，遥感影像分类已广泛得到应用[1]。早期的遥感影像分类方法是目视解译， 它可以利用诸如色调、大小、形状、纹理、位置甚至是解译人员对研究区域的了解等进行综 合分析，因而可以达到较高的分类精度[2]，然而，该方法效率低下、主观性强等缺点限制了 它进一步发展的1空间。近年来随着计算机技术的发展，计算机自动分类以其高效率、定量 化的特点成为主要的遥感影像分类方法，这种分类通常仅以遥感影像的光谱信息作为分类的 特征[3]，但在腾格里沙漠南缘这样地表情况复杂的区域，遥感影像同物异谱和同谱异物现象 严重，仅仅依靠光谱特征进行分类其精度并不理想。 为了提高计算机自动分类的精度，已经有很多的研究人员在分类过程中加入辅助特征来 模拟目视解译多种特征集成处理的特点[4～6]。在计算机自动分类中集成辅助特征的一种方式 是把它们作为逻辑通道和各光谱波段一起参与分类[7]。然而，广泛应用于遥感影像计算机自 动分类的是最大似然法(MLH)[8]，它的一个前提假设是每一类在特征空间中服从正态分布， 而大多数辅助特征往往达不到这个要求，因此这种集成方式的分类精度受到一定影响。更为 常用的集成方式是利用辅助特征根据知识产生一定的规则来指导分类[9～10]，这又有分类前处 理和分类后处理两种方式：例如，分类前可以依据生态学原理利用数字高程模型把影像分为 高海拔区和低海拔区，再针对各区域进行分类，这样就可以确保高山植被不会在低海拔区出 现；同样，也可以在初始的分类结果中利用辅助特征进行布尔逻辑运算得到二次分类结果来 区分一些光谱混淆的类别。然而，这两种方式必须要从相关领域专家那里获取知识，遗憾的 是，土地利用/覆盖与各种影响因子的关系十分复杂，专家的知识往往带有主观性和不完整 性[11]。近年来发展迅速的人工神经网络方法为光谱特征和辅助特征的集成处理提供了一条新 [12] 的途径 。 人工神经网络是在认识、理解人脑组织结构和运行机制的基础上模拟其结构和行为的系 统，它可被看作是简化了的人脑数学模型。作为一种非参数分类算法，人工神经网络不需要 对数据做先验假设，这使其在集成光谱特征和辅助特征进行分类时具有优势[13]。人们开始利 用人工神经网络从包括光谱特征和辅助特征的训练样本数据中获得客观的知识，从而使产生 的分类规则更符合实际情况[14～15]。为此，本研究以学习向量量化神经网络(LVQ,Learning 1作者简介：郭阳耀（1982——），男，硕士研究生，研究方向为环境遥感。E-mail:gistop@163.com 1 Vector Quantization)为分类器建立一种分层分类模型，应用于腾格里沙漠南缘的土地利用/ 覆盖分类。 1．原理与模型 1.1 LVQ 神经网络分类原理 由Kohonen提出的LVQ神经网络是一种有监督的模式分类方法[16]，它由三部分组成：输 入层、隐含层和输出层(图 1)。