论文部分内容阅读
全球环境破坏日趋严重,干旱、沙尘暴、洪涝等自然灾害频频发生严重影响了人们的生活、生产、经济发展和社会稳定。为了缓解这些自然灾害,加强水源涵养林的保护和研究变得极为重要。水源林覆盖范围较大,传统的点观测方法很难对其进行全面分析,遥感为有效分析水源林面状信息提供了一种手段。近年来,数据挖掘引起了信息产业界的极大关注,将大量的数据信息转换成有用的信息和知识是我们的迫切需要。遥感图像包含了大量的信息,它成为数据挖掘中最具潜力的领域。对研究区遥感多波段图像进行数据挖掘,首先利用小波分析理论与人工神经网络来区分光谱特征相似的林地林木和农田作物,针对遥感灰度图像层次不够丰富,不利于观察和分析,不能完全有效地利用卫星多波段信息,这种弱利用率问题和“同物异谱和同谱异物”现象对分类准确度影响较大问题,基于小波光谱特征和小波纹理特征利用BP神经网络实现地物识别分类,通过比值植被指数和归一化植被指数分析水源林变化;植被覆盖度与不同地表类型对地表温度的影响分析;研究结果表明小波BP神经网络可有效识别光谱相近的林地林木与农田作物,小波纹理BP神经网络地物识别分类方法可明显地提高对“同物异谱和同谱异物”现象严重的农田、林地阳坡、林地阴坡、裸土岩石与水体的识别准确率,识别准确率林地阳坡达89.1%,林地阴坡达88.6%,农田达87.8%,裸土岩石与水体达98.9%以上,总体误识率为6.39%,优于仅依赖光谱信息的最大似然法和BP神经网络法,对丘陵复杂地形遥感图像阳坡和阴坡的区分,可使识别分类规则更具针对性和合理性,提高识别分类准确率。遥感植被指数和植被覆盖度为分析漓江上游水源林覆盖的变化提供了一种有效手段。研究的创新之处在于:提出一种结合小波分析理论、神经网络理论,对遥感图像选取最佳波段、最优小波基、提取小波光谱特征与小波纹理特征,使用BP神经网络对地物进行识别分类的方法。此方法在保证识别分类正确率的前提下提高了遥感灰度图像的利用率,降低了分类成本和计算复杂度。