基于卷积神经网络的不良地质体识别与分类-地质科技情报-中国地质.PDF

第３５卷　 第１期 地 质科 技 情报 Ｖｏｌ.３５　 Ｎｏ.１ ２０１６年　 　 １月　 　 　 　 Ｇｅｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｆｏｒｍａｔｉｏｎ　 　 　 　 Ｊａｎ.　 ２０１６ 基于卷积神经网络的不良地质体识别与分类 陈冠宇ꎬ安　 凯ꎬ李　 向 (中国地质大学(武汉)计算机学院ꎬ武汉４３００７４) 摘　 要:西部大开发战略实施以来ꎬ西部地区ꎬ尤其是新疆等地ꎬ修建高速公路成为近年来的首要任务ꎮ 但是ꎬ西部海拔较高ꎬ地 理环境恶劣ꎬ像沙害、盐渍土、冻土和荒漠等特殊地质体广泛分布ꎮ 以新疆尉犁县罗布人村寨为研究区域ꎬ针对当地典型的不良地 质体遥感影像特征ꎬ重点探讨了深度学习算法中的卷积神经网络方法在不良地质体识别与分类中的应用ꎬ实验结果对比分析表 明:与Ｋ￣均值分类器、ＳＶＭ分类器和贝叶斯分类器对比分类精度ꎬ当样本数量较少时卷积神经网络方法优势不明显ꎬ当训练样本 足够大时ꎬ其分类精度达到９０％左右ꎬ优势非常明显ꎮ 关键词:遥感影像ꎻ不良地质体ꎻ深度学习ꎻ分类方法ꎻ神经网络 中图分类号:Ｐ４６７　 　 　 　 　 文献标志码:Ａ　 　 　 　 文章编号:１０００￣７８４９(２０１６)０１￣０２０５￣０７ 　 　 新疆面积辽阔ꎬ资源丰富ꎬ但是交通不发达ꎬ修 不良地质体遥感影像探讨了ＳＶＮ分类、Ｋ￣均值分类 建高速公路成为近年来的首要任务ꎮ 一些不良地质 以及基于因果关系的贝叶斯网络分类 ３ 种分类方 体如湿陷性黄土、膨胀土、淤泥(淤泥质软土)、盐渍 法ꎬ并通过实验对比分析了３种方法的分类效果和 土、冻土、填土、沙漠土等在工程建设过程中往往对 精度ꎮ 针对高光谱遥感数据具有波段数目多、光谱 地质研究工作有着不利影响ꎬ为避免不必要的经济 分辨率高、波段宽度窄、数据量庞大等特点ꎬ李向 损失ꎬ需要对工程建设中的不良地质体进行采集和 [７] 等 提出了快速改进 ＤＥ算法ꎬ实现了一种快速有 [１] 分类识别研究 ꎮ 目前ꎬ获取遥感影像的途径很 效的高光谱遥感数据的降维模型ꎮ 多ꎬ如美国的ＥＮＶＩ、ＥＲＤＡＳꎬ加拿大的ＰＣＩ Ｇｅｏｍａｔｉ￣ 笔者拟以新疆尉犁县罗布人村寨为研究区域ꎬ [２] 针对当地典型的不良地质体遥感影像特征ꎬ重点探 ｃａ等 ꎮ 遥感技术和遥感影像获取技术已经变得 成熟ꎬ这就要求遥感影像的分类识别技术也要跟上 讨深度学习算法中的卷积神经网络方法在不良地质 步伐ꎮ 常用的人工智能处理方法有贝叶斯网络分 体识别与分类中的应用ꎮ 类、基于向量机变换和主成分(ＰＣ)变换以及基于 １　 遥感影像识别与分类 Ｋ￣均值的分类方法等４ 种分类方法ꎬ并已经取得了 较好的研究成果ꎬ在相关领域都有广泛应用ꎮ 从复杂的遥感影像中提取有用信息并充分利用 卷积神经网络是将人工神经网络和深度学习 提取的信息ꎬ一直是技术人员争相研究的内容ꎮ 信息 (ｄｅｅｐ ｌｅａｒｎｉｎｇ)技术结合而产生的一种新型人工神 的提取其实就是一个信息分类识别的过程ꎬ通过分类 [３] [８] 经网络方法 ꎮ 深度学习从出现开始ꎬ就一直没有 识别ꎬ我们可以提取遥感影像中感兴趣的信息 ꎮ 受到太多的关注ꎬ直到２００６年ꎬ机器学习领域的泰 各种各样的地物都具有其独一无二的光谱特 [４]