论文部分内容阅读
摘要：
应用遥感技术进行土地利用变化监测主要有两种方式：一是将两时相影像数据进行融合来实现变化监测；二是利用单时相遥感影像与土地利用资料结合的方法，本文主要研究了这种方法，应用BP神经网络分类器作为判别规则，采用面向图斑的变化监测方法。
在遥感影像与土地利用矢量图精确配准的基础上进行空间叠加，以图斑单元为单位，将BP神经网络分类结果作为判别规则，自动发现并描绘出土地利用变化图斑，并对监测区域的变化图斑进行统计，分析与变化监测精度评定。
关键词：BP神经网络、土地利用变化监测
Change monitoring of land use in remote sensing Technology has mainly two ways. One is realization of change monitoring by the fusion of two temporal image. The other is method of combination of single temporal remote sensing image and land use datum. This paper mainly studies this method that applying BP neural network classifier asdiscrimination rule，adopts the span-Oriented method.
Based on overlaying the remote sensing image with land use vector map，BP neutral network according to discrimination rule classifies the span unit. It automatic finds and describes the change span in land use, and obtains the statistics, analysis and accuracy assessment of change span of monitoring area.
Key words：BP neutral network; texture feature
中图分类号：D912.3文献标识码：A 文章编号：
研究背景和意义
土地利用变化研究是全球环境变化研究的一个重要方面，同时也是从自然和社会经济两方面综合研究全球和区域环境变化的突破口之一。选择较小空间范围的典型地区进行区域综合性和空间差异性研究，是深入分析土地利用/土地覆盖时空变化规律、及其驱动机制的有效手段，开展这方面的研究不仅可以为地方经济发展提供决策支持，而且对丰富全球土地利用变化研究具有重要意义。
1土地利用变化监测的概念
传统意义上土地利用变化监测是指通过两个不同时相间的遥感影像(航片或卫片)进行的变化监测。考虑变化监测方法的新特点，我们认为，土地利用变化监测是指：以土地变更调查的数据、图件与多源遥感数据为基础，运用遥感图像处理与识别技术，从遥感图像上提取变化信息，从而达到对耕地及建设用地等土地利用变化情况的定期监测的目的。
2影像的光谱特征
2.1 影像光谱统计特征
通常是以地物在多光谱图像上的亮度体现出来的，即不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同，这就构成了我们在图像上区分不同地物的物理依据。光谱特征的基本统计量包括灰度的均值、中值、众数、值域、反差等，反映了与位置无关的不同灰度值出现情况。
2.2影像的纹理特征库
纹理反映的是亮度(灰度)的空间变化情况[1]，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组合的；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称确定性纹理(如人工纹理)，后者称随机纹理(或自然纹理)。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。
3 BP神经网络工作原理
人工神经网络是受生物神经网络的启发构造而成的，虽然没有人脑那么复杂，但它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。人工神经网络是由大量的、简单的处理单元——神经元，广泛互相连接而形成的复杂系统，它可以看成是由许多非线性计算元素(神经元)组成的数学模型，并行操作，大量的连接通过不同的权值互连。
3.1 神经元
构成 BP 网络的神经元与一般的人工神经网络中定义的神经元一样，由图3-1可以看出，它相当于一个多输入单输出的非线性阈值器件。按照 BP 算法的要求，这些神经元所用的激活函数必须是处处可导的。一般地，多数设计者都使用 s 形函数。对一个神经元来说，取它的网络输入 ，其中，为该神经元所接受的输入，即分别是它们对应的联接权。
圖 3-1 神经元模型
该神经元的输出为：………………………………(3-1)
3.2 BP神经网络的拓扑结构
BP算法是前馈多层网络结构，含有输入层、输出层以及处于输入输出层之间的中间层，由于它们和外界没有直接的联系，故也称为隐层，中间层有单层或多层，一般为单层。在隐层中的神经元也称隐单元层。
一般地，设BP网络的输入样本集为(X，Y) X为输入向量，Y为X对应的理想输出向量，输入样本X通过输入层经隐层处理计算得到BP网络的实际输出O。若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值，并根据此差调节权值W。由此可见，隐层虽然和外界不连接。但是，它们的状态则影响输入输出之间的关系。这就是说，改变隐层的权系数，可以改变整个多层神经网络的性能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接，显然，输入向量、输出向量的维数是由问题所直接决定的，然而，网络隐藏层的层数和各个隐藏层神经元的个数则是与问题相关的。目前的研究结果还难以给出它们与问题的类型及其规模之间的函数关系。
4BP神经网络的遥感影像分类
4.1BP神经网络模型构造
BP神经网络模型的构造主要包括三方面内容：
a. 网络拓扑结构的设计，包括隐层数目的确定、隐层神经元的数目和激励函数的选择。
b. 网络主要参数的确定，包括初始权值、学习速率、学习次数等的确定。
c. 训练样本的组织。包括样本的选择和预处理。
4.2BP神经网络训练
人工神经网络的训练过程是根据样本集对神经元之间的联接权进行调整的过程，这种“训练”实质上是网络的学习过程，一般根据事先定义好的“学习规则”，按照提供的特定作业的学习实例，不断调整各节点的连接权重，进而得到样本的输入输出的非线性关系。
BP 算法主要包含 4 步，这 4 步共分为两个阶段：
a. 向前传播阶段
(1) 从样本集中取一个样本 ，将其输入网络；
(2) 计算相应的实际输出。
在此阶段，信息从输入层经过隐单元一层一层进行处理，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算：
…………………(4-1)
b. 向后傳播阶段
(1) 计算实际输出与相应的理想输出的差；
(2) 把极小化误差按原来正向传播的通路反向传回，反复修改(迭代)各节点的权重和阈值，逐步减小误差，直到达到预先设定的要求，完成BP网络的训练、输入与输出映射的确立。
这两个阶段的工作一般应受到精度要求的控制，在这里，取作为网络关于第p个样本的误差测度。而将网络关于整个样本集的误差测度定义为：。
4.3BP神经网络的遥感影像分类实验
本文根据研究区影像的光谱特征，以及纹理特征组合分别进行BP神经网络分类实验。简单的说，本次实验的目的就是如何在将遥感影像的三个波段的光谱特征与直方图的特征组合得到分类效果更好的多元特征。分类效果的优劣可以通过两种方法判断，一个是人工目视判断，这种方法对两种分类结果相差较大的图形比较有效；另一种方法是首先用人工判读的方法把目标图像分类，然后用混淆矩阵(confusion matrix)来表示分类结果的精度[2]。
图中白色表示灌溉水田，黑色表示农村居民地，浅灰色表示滩涂，深灰色表示其它类。实验过程中我们把由土地利用现状图作为计算机分类精度的参考数据。实验中分别利用影像的光谱特征、纹理特征以及两特征结合三种方案应用BP神经网络进行分类实验。图4-1、图4-2分别表示原始遥感影像、土地利用现状图得到的参考图像，表4-1是各方案所用特征、BP神经网络模型的结构设计及收敛速度与分类精度，图4-3是各方案的分类结果。
图 4-1原始遥感影像 图 4-2参考图像
表 4-1分类方案设计表
方案 所选特征 BP神经网络模型设计 收敛
速度 分类
精度
光谱
特征 纹理
特征 输入层节点数 隐层节点数 输出层节点数
方案一 1、2、4波段 3 8 4 较快 65.7%
方案二 5、6、2、7 4 9 4 一般 63.5%
方案三 1、2、4波段 5、6、2、7 7 15 4 较慢 83.1%
(a) 方案一 (b) 方案二 (c) 方案三
图 4- 3分类结果
4.4分类实验小结
a. 方案一利用光谱特征进行分类，对滩涂的分类效果较好，而农村居民地和其他类光谱特征近似，错分面积较大。
b. 方案二利用纹理特征进行分类，基于窗口的搜索，大大提高了运算速度，农村居民地和其他类的错分情况明显改善，但对于一些地块交界处的纹理特征与滩涂相似，故影响了分类精度。
c. 方案三辅以纹理特征的光谱特征分类，很好利用了BP神经网络的自我调节能力和对多源数据的推理能力，有效地提高了分类精度，但由于输入数据类型复杂，在设计网络模型的过程中反复调整了多次，收敛速度比起前两种网络模型相对很慢，在训练阶段花费了大量的时间。
5结论
本文在探讨了几种常用的土地利用变化信息发现的方法，以及土地利用变化信息提取的基本方法和流程的基础上，主要研究了利用单时相遥感影像与土地利用资料结合的方法，以BP神经网络分类法为判别规则，实现了面向图斑的土地利用变化监测，得出如下结论：
a. 通过对影像的光谱特征的分析，以最佳指数因子法对多波段的影像进行了波段选择；利用影像的灰度直方图特征建立了影像的纹理特征库，依据类内、类间的可分性判据，选出最优纹理特征组合。
b. 应用BP神经网络分别以光谱特征和纹理特征为输入数据进行分类，对比分析两种分类结果，考虑BP神经网络的综合推理能力，本文提出了将光谱特征和纹理特征相结合的方法，应用BP神经网络进行分类，综合了两种特征对分类的贡献，显著提高了影像的分类精度，达到了83.1%。
c. 在土地利用变化监测实验中，采用面向图斑的分类方法，应用BP神经网络逐图斑进行分类，以图斑为单元对研究区域进行变化监测统计，监测精度达到95.70%。
d. 本文采用的面向图斑的变化监测方法，充分利用了图斑单元的矢量边界，将图斑内部空间所对应的影像上的像元信息也有效地组织起来，丰富了图斑单元的表达能力，抗干扰能力强、分析能力强，与常规的以单个像元为单位的方法相比，增加了遥感图像的信息量，降低误判率，提高了变化监测的自动化程度和效率。
参考文献
[1] 黄端琼.多尺度纹理特征分析及其在遥感影像分类中的应用.福州大学，2006
[2] 赵英时等.遥感应用分析原理与方法.北京：科学出版社，2003
注：文章内所有公式及图表请以PDF形式查看。
应用遥感技术进行土地利用变化监测主要有两种方式：一是将两时相影像数据进行融合来实现变化监测；二是利用单时相遥感影像与土地利用资料结合的方法，本文主要研究了这种方法，应用BP神经网络分类器作为判别规则，采用面向图斑的变化监测方法。
在遥感影像与土地利用矢量图精确配准的基础上进行空间叠加，以图斑单元为单位，将BP神经网络分类结果作为判别规则，自动发现并描绘出土地利用变化图斑，并对监测区域的变化图斑进行统计，分析与变化监测精度评定。
关键词：BP神经网络、土地利用变化监测
Change monitoring of land use in remote sensing Technology has mainly two ways. One is realization of change monitoring by the fusion of two temporal image. The other is method of combination of single temporal remote sensing image and land use datum. This paper mainly studies this method that applying BP neural network classifier asdiscrimination rule，adopts the span-Oriented method.
Based on overlaying the remote sensing image with land use vector map，BP neutral network according to discrimination rule classifies the span unit. It automatic finds and describes the change span in land use, and obtains the statistics, analysis and accuracy assessment of change span of monitoring area.
Key words：BP neutral network; texture feature
中图分类号：D912.3文献标识码：A 文章编号：
研究背景和意义
土地利用变化研究是全球环境变化研究的一个重要方面，同时也是从自然和社会经济两方面综合研究全球和区域环境变化的突破口之一。选择较小空间范围的典型地区进行区域综合性和空间差异性研究，是深入分析土地利用/土地覆盖时空变化规律、及其驱动机制的有效手段，开展这方面的研究不仅可以为地方经济发展提供决策支持，而且对丰富全球土地利用变化研究具有重要意义。
1土地利用变化监测的概念
传统意义上土地利用变化监测是指通过两个不同时相间的遥感影像(航片或卫片)进行的变化监测。考虑变化监测方法的新特点，我们认为，土地利用变化监测是指：以土地变更调查的数据、图件与多源遥感数据为基础，运用遥感图像处理与识别技术，从遥感图像上提取变化信息，从而达到对耕地及建设用地等土地利用变化情况的定期监测的目的。
2影像的光谱特征
2.1 影像光谱统计特征
通常是以地物在多光谱图像上的亮度体现出来的，即不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同，这就构成了我们在图像上区分不同地物的物理依据。光谱特征的基本统计量包括灰度的均值、中值、众数、值域、反差等，反映了与位置无关的不同灰度值出现情况。
2.2影像的纹理特征库
纹理反映的是亮度(灰度)的空间变化情况[1]，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组合的；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称确定性纹理(如人工纹理)，后者称随机纹理(或自然纹理)。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。
3 BP神经网络工作原理
人工神经网络是受生物神经网络的启发构造而成的，虽然没有人脑那么复杂，但它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。人工神经网络是由大量的、简单的处理单元——神经元，广泛互相连接而形成的复杂系统，它可以看成是由许多非线性计算元素(神经元)组成的数学模型，并行操作，大量的连接通过不同的权值互连。
3.1 神经元
构成 BP 网络的神经元与一般的人工神经网络中定义的神经元一样，由图3-1可以看出，它相当于一个多输入单输出的非线性阈值器件。按照 BP 算法的要求，这些神经元所用的激活函数必须是处处可导的。一般地，多数设计者都使用 s 形函数。对一个神经元来说，取它的网络输入 ，其中，为该神经元所接受的输入，即分别是它们对应的联接权。
圖 3-1 神经元模型
该神经元的输出为：………………………………(3-1)
3.2 BP神经网络的拓扑结构
BP算法是前馈多层网络结构，含有输入层、输出层以及处于输入输出层之间的中间层，由于它们和外界没有直接的联系，故也称为隐层，中间层有单层或多层，一般为单层。在隐层中的神经元也称隐单元层。
一般地，设BP网络的输入样本集为(X，Y) X为输入向量，Y为X对应的理想输出向量，输入样本X通过输入层经隐层处理计算得到BP网络的实际输出O。若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值，并根据此差调节权值W。由此可见，隐层虽然和外界不连接。但是，它们的状态则影响输入输出之间的关系。这就是说，改变隐层的权系数，可以改变整个多层神经网络的性能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接，显然，输入向量、输出向量的维数是由问题所直接决定的，然而，网络隐藏层的层数和各个隐藏层神经元的个数则是与问题相关的。目前的研究结果还难以给出它们与问题的类型及其规模之间的函数关系。
4BP神经网络的遥感影像分类
4.1BP神经网络模型构造
BP神经网络模型的构造主要包括三方面内容：
a. 网络拓扑结构的设计，包括隐层数目的确定、隐层神经元的数目和激励函数的选择。
b. 网络主要参数的确定，包括初始权值、学习速率、学习次数等的确定。
c. 训练样本的组织。包括样本的选择和预处理。
4.2BP神经网络训练
人工神经网络的训练过程是根据样本集对神经元之间的联接权进行调整的过程，这种“训练”实质上是网络的学习过程，一般根据事先定义好的“学习规则”，按照提供的特定作业的学习实例，不断调整各节点的连接权重，进而得到样本的输入输出的非线性关系。
BP 算法主要包含 4 步，这 4 步共分为两个阶段：
a. 向前传播阶段
(1) 从样本集中取一个样本 ，将其输入网络；
(2) 计算相应的实际输出。
在此阶段，信息从输入层经过隐单元一层一层进行处理，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算：
…………………(4-1)
b. 向后傳播阶段
(1) 计算实际输出与相应的理想输出的差；
(2) 把极小化误差按原来正向传播的通路反向传回，反复修改(迭代)各节点的权重和阈值，逐步减小误差，直到达到预先设定的要求，完成BP网络的训练、输入与输出映射的确立。
这两个阶段的工作一般应受到精度要求的控制，在这里，取作为网络关于第p个样本的误差测度。而将网络关于整个样本集的误差测度定义为：。
4.3BP神经网络的遥感影像分类实验
本文根据研究区影像的光谱特征，以及纹理特征组合分别进行BP神经网络分类实验。简单的说，本次实验的目的就是如何在将遥感影像的三个波段的光谱特征与直方图的特征组合得到分类效果更好的多元特征。分类效果的优劣可以通过两种方法判断，一个是人工目视判断，这种方法对两种分类结果相差较大的图形比较有效；另一种方法是首先用人工判读的方法把目标图像分类，然后用混淆矩阵(confusion matrix)来表示分类结果的精度[2]。
图中白色表示灌溉水田，黑色表示农村居民地，浅灰色表示滩涂，深灰色表示其它类。实验过程中我们把由土地利用现状图作为计算机分类精度的参考数据。实验中分别利用影像的光谱特征、纹理特征以及两特征结合三种方案应用BP神经网络进行分类实验。图4-1、图4-2分别表示原始遥感影像、土地利用现状图得到的参考图像，表4-1是各方案所用特征、BP神经网络模型的结构设计及收敛速度与分类精度，图4-3是各方案的分类结果。
图 4-1原始遥感影像 图 4-2参考图像
表 4-1分类方案设计表
方案 所选特征 BP神经网络模型设计 收敛
速度 分类
精度
光谱
特征 纹理
特征 输入层节点数 隐层节点数 输出层节点数
方案一 1、2、4波段 3 8 4 较快 65.7%
方案二 5、6、2、7 4 9 4 一般 63.5%
方案三 1、2、4波段 5、6、2、7 7 15 4 较慢 83.1%
(a) 方案一 (b) 方案二 (c) 方案三
图 4- 3分类结果
4.4分类实验小结
a. 方案一利用光谱特征进行分类，对滩涂的分类效果较好，而农村居民地和其他类光谱特征近似，错分面积较大。
b. 方案二利用纹理特征进行分类，基于窗口的搜索，大大提高了运算速度，农村居民地和其他类的错分情况明显改善，但对于一些地块交界处的纹理特征与滩涂相似，故影响了分类精度。
c. 方案三辅以纹理特征的光谱特征分类，很好利用了BP神经网络的自我调节能力和对多源数据的推理能力，有效地提高了分类精度，但由于输入数据类型复杂，在设计网络模型的过程中反复调整了多次，收敛速度比起前两种网络模型相对很慢，在训练阶段花费了大量的时间。
5结论
本文在探讨了几种常用的土地利用变化信息发现的方法，以及土地利用变化信息提取的基本方法和流程的基础上，主要研究了利用单时相遥感影像与土地利用资料结合的方法，以BP神经网络分类法为判别规则，实现了面向图斑的土地利用变化监测，得出如下结论：
a. 通过对影像的光谱特征的分析，以最佳指数因子法对多波段的影像进行了波段选择；利用影像的灰度直方图特征建立了影像的纹理特征库，依据类内、类间的可分性判据，选出最优纹理特征组合。
b. 应用BP神经网络分别以光谱特征和纹理特征为输入数据进行分类，对比分析两种分类结果，考虑BP神经网络的综合推理能力，本文提出了将光谱特征和纹理特征相结合的方法，应用BP神经网络进行分类，综合了两种特征对分类的贡献，显著提高了影像的分类精度，达到了83.1%。
c. 在土地利用变化监测实验中，采用面向图斑的分类方法，应用BP神经网络逐图斑进行分类，以图斑为单元对研究区域进行变化监测统计，监测精度达到95.70%。
d. 本文采用的面向图斑的变化监测方法，充分利用了图斑单元的矢量边界，将图斑内部空间所对应的影像上的像元信息也有效地组织起来，丰富了图斑单元的表达能力，抗干扰能力强、分析能力强，与常规的以单个像元为单位的方法相比，增加了遥感图像的信息量，降低误判率，提高了变化监测的自动化程度和效率。
参考文献
[1] 黄端琼.多尺度纹理特征分析及其在遥感影像分类中的应用.福州大学，2006
[2] 赵英时等.遥感应用分析原理与方法.北京：科学出版社，2003
注：文章内所有公式及图表请以PDF形式查看。