公路环境下遥感监测土地覆被变化研究

• 作 者: 周玲
• 发表日期: 2008年01期
• 关键词: SOFM BP 环境监测 公路

公路建设受到地质、地形、水文等自然因素的制约和现有生产力水平等条件的影响,使公路建设不可避免地影响沿线的生态环境,在其施工、营运期会造成土壤和植被以及各类景观的破坏。遥感数据用于监测公路两侧的环境变化的优势在于,可以宏观、快速、同步的监测大范围的土地覆被以及变化的状况。在本文中,应用1986年和1994年的两景TM遥感图像研究公路沿线的土地覆被变化,在对地表覆被分类时使用统计学和人工智能信息处理的方法相结合,提高分类的精确度,可以为道路生态环境问题、公路选线问题、景观设计等问题的解决提供定量的科学依据。近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。本文使用两种神经网络模型:BP神经网络和自组织特征映射(SOFM)神经网络对特征提取之后的TM影像进行分类。BP神经网络是至今为止应用最广泛的神经网络,但有容易陷入局部极小点、训练效率低等弱点,而SOFM神经网络在结构的选取、参数的确定上要比BP神经网络简单,分类精度也比较高。本文先对TM影像做主成分分析,使用前三个主成分数据代替原始TM图像的7个波段输入神经网络进行分类。在对1994年影像分类之后采用混淆矩阵对分类精度进行评价,通过对各个地表覆被类型的用户精度、生产者精度、总精度以及Kappa系数等指标的比较,得出SOFM神经网络的分类精度要高于BP神经网络方法和最大似然法,而BP神经网络的分类能力并不如传统的最大似然法,SOFM神经网络的总精度是94.0%,Kappa系数为0.9114,总精度分别比BP神经网络方法和最大似然法高14.9%和9.8%。在分类后用分类精度最高的SOFM神经网络对1986年影像做分类,统计并比较两个年份各个地表覆被类型面积的变化。