2020, Vol. 44
文章信息
- 何爽, 卢霞, 张森, 李珊, 唐海童, 郑薇, 林辉, 罗庆龄. 2020.
- HE Shuang, LU Xia, ZHANG Sen, LI Shan, TANG Hai-tong, ZHENG Wei, LIN Hui, LUO Qing-ling. 2020.
- 基于GA-BP神经网络的临洪河口湿地土地覆盖分类算法研究
- Research on classification algorithm of wetland land cover in the Linhong Estuary, Jiangsu Province
- 海洋科学, 44(12): 44-53
- Marina Sciences, 44(12): 44-53.
- http://dx.doi.org/10.11759/hykx20200814002
-
文章历史
- 收稿日期：2020-08-14
- 修回日期：2020-09-25
河口湿地生态系统是地球上生产力最高的生态系统之一, 河口湿地附近的土地往往具有极高的生产力, 它为全球数百万人提供了各种商品价值和生态服务价值[1]。江苏省临洪河口湿地类型多样, 物种丰富, 对该湿地的开发主要包括围垦种植、盐田生产和港口建设。近年来, 因交通设施建设、农业种植、渔业养殖等快速发展导致临洪河口湿地系统萎缩, 严重影响了湿地中各种动植物的栖息空间, 湿地生态功能受到一定程度的破坏[2]。因此, 对河口湿地土地覆盖进行高精度地识别至关重要。
土地覆盖是指自然营造物和人工建筑物所覆盖的地表诸要素的综合体, 包括地表植被、土壤、湖泊、沼泽湿地及各种建筑物(如道路等), 具有特定的时间和空间属性[3]。在识别河口湿地土地覆盖方面, 卫星遥感影像具有无国界限制、覆盖面积广、观测具有周期性、数据客观等诸多特点[4], 而Sentinel-2卫星影像在开源遥感数据中分辨率较高, 其空间分辨率为10 m级别的影像数据, 可以清晰展示卫星覆盖范围内地表类型情况[5]。但是, 由于河口湿地土地覆盖类型复杂, 在遥感影像上的光谱特征和空间特征高度相似, 往往存在“同物异谱”和“同谱异物”的现象, 仅仅依靠光谱差异开展土地覆盖分类, 难以得到较高的分类精度。
目前, 湿地土地覆盖遥感分类算法大体上可分为基于统计计算和基于空间数据的挖掘技术两大类[6]。曾有学者利用监督分类和非监督类对临洪河口湿地进行植被遥感分类[7], 还有学者开展临洪河口湿地的保护和规划[8]、海岸岸线变化监测[9]等研究。前人研究表明:最小距离、最大似然等传统监督分类方法往往出现较多的错分和漏分现象[10-11], 而BP神经网络分类算法具有较强的学习能力, 很好地适应湿地纹理丰富的遥感影像, 与遗传算法有效结合确定初始权重等优势, 较好地解决分类过程中“同物异谱”和“同谱异物”的问题[12-13]。
国内已有学者应用BP神经网络分类算法对盐城滨海湿地土地覆盖进行分类研究[14]; 国外也曾有学者利用BP神经网络进行了湖泊湿地景观分类[15], 但这些研究指出基于BP神经网络构建的湿地覆被模型不具有普适性, 且需要增加更多的训练样本或使用改良的BP神经网络模型来提高分类精度。
鉴于此, 本文采用遗传算法优化的BP神经网络算法, 选用Sentinel-2高分辨率遥感影像对江苏省临洪河口湿地土地覆盖进行遥感分类, 深入探讨了遗传算法优化BP神经网络隐藏层神经元节点数和初始权重分析, 并与传统的BP神经网络、支持向量机和随机森林算法进行对比, 实现了临洪河口湿地土地覆盖遥感的自动分类与智能提取, 为湿地资源的合理开发和保护决策提供技术支撑。
1 数据和方法 1.1 研究区概况临洪河口湿地位于江苏连云港市三大主城区(赣榆区、海州区、连云区)相交接的区域, 是新沭河下游入海段, 从太平庄闸至入海口全长15.69 km, 湿地公园总面积达2 353.10 hm2。临洪河口湿地类型多样, 物种丰富, 主要覆盖类型包括碱蓬, 大米草, 养殖区等。研究区具体范围如图 1所示。
 |
| 图 1 研究区地理位置 Fig. 1 Location of the study area |
选取2020年5月26日分辨率为10 m的哨兵2号(Sentinel-2)遥感影像作为数据源。对遥感影像主要进行辐射校正、大气校正和图像裁剪等预处理; 在此基础上, 为减少波段信息冗余, 选择哨兵数据B2、B3、B4、B8、归一化水体指数(NDWI)和归一化植被指数(NDVI)进行相关性分析, 以信息量判断最佳波段组合, 以组合波段间相关系数之和最小为依据, 得出:如图 2所示，采用B8、NDVI和B2进行RGB假彩色合成, 可较好地识别湿地土地覆盖类型。
 |
| 图 2 RGB(B2、B8、NDVI)假彩色合成 Fig. 2 RGB (B2, B8, NDVI) false color synthesis |
根据第三次全国土地调查土地分类体系和中国滨海湿地分类系统[16], 结合研究区土地覆盖现状实地调查, 确定了7个土地覆盖类型, 分别是河流、潮滩、大米草、碱蓬、养殖区、道路、裸露地。在调查过程中对实测样点地物类型采样留档, 以实现对训练样本更精确分类, 提高后续评价精度和主要地物覆盖分类质量。
利用Jefferies-Matusita (JM)系数值判别方法来识别训练样本的可分离性。当JM系数在0~2之间, 越接近2, 分离性越好; 小于1.8, 需要重新选择样本; 小于1时考虑合并样本。训练样本之间的JM系数计算结果如表 1所示。从表中可看出:训练样本之间的JM值均在1.8~2.0之间, 样本的可分离性较好。
| 地物类型 | Jeffries-Matusita系数 | ||||||
| 河流 | 大米草 | 碱蓬 | 裸露地 | 潮滩 | 养殖区 | 道路 | |
| 河流 | — | 1.988 3 | 1.968 9 | 1.999 5 | 1.993 9 | 1.989 6 | 1.996 2 |
| 大米草 | 1.988 3 | — | 1.992 6 | 1.998 8 | 1.992 0 | 1.976 5 | 1.854 6 |
| 碱蓬 | 1.968 9 | 1.992 6 | — | 1.914 0 | 1.894 5 | 1.956 7 | 1.934 7 |
| 裸露地 | 1.995 2 | 1.998 8 | 1.914 0 | — | 1.839 2 | 1.894 2 | 1.879 3 |
| 潮滩 | 1.993 9 | 1.992 0 | 1.894 5 | 1.839 2 | — | 1.912 5 | 1.942 8 |
| 养殖区 | 1.989 6 | 1.976 5 | 1.956 7 | 1.894 2 | 1.912 5 | — | 1.987 9 |
| 道路 | 1.996 2 | 1.854 6 | 1.934 7 | 1.879 3 | 1.942 8 | 1.987 9 | — |
| 注: “—”表示两地物类别相同 | |||||||
遗传算法(Genetic algorithm, GA)是模拟达尔文进化理论的一种自适应全局优化概率搜索算法[17]。首先, 将遥感分类问题求解表示成基因型(如常用的二进制编码串), 通过交叉、变异等遗传算子产生新一染色体群。依据各种收敛条件, 从新老群体中选出适应环境的个体, 最后收敛到适应环境个体上, 求得问题最优解。
遗传算法优化BP神经网络主要分为: BP神经网络结构确定和遗传算法优化权值和阈值两部分。其中, BP神经网络的拓扑结构根据样本的波段数及输出参数的通道数确定遗传算法优化的参数的个数, 从而确定编码长度。神经网络的权值和阈值一般是通过随机初始化为[–0.5, 0.5]区间的随机数, 这个初始化参数对网络训练的影响很大, 但是又无法准确获得, 对于相同的初始权重值和阈值, 网络的训练结果一样, 引入遗传算法是为了优化最佳的初始权值和阈值。
1.3.2 BP神经网络结构设计BP网络结构的确定一般遵循以下两条指导原则:对于一般的识别分类的问题, 三层网络可以很好地解决问题; 在三层网络中, 隐藏层神经网络个数n2和输入层神经元个数n1之间有近似关系:
| $ {n_2} = 2{n_1} + 1, $ | (1) |
研究区包含7种土地覆盖类型的训练样本及背景共8个输入参数, 3个输出参数, 设定隐藏层神经元个数为17, 设置BP神经网络结构为8-17-3;即输入层有8个节点, 隐藏层有17个节点, 输出层有3个节点, 共有187个权值, 20个阈值; 因此, 遗传算法的优化参数的个数为207。隐藏层神经元的传递函数采用logsig对数型激活函数, 输出层神经元的传递函数采用线性函数purelin激活函数。这两个函数都可微分, 便于利用BP训练网络。经过反复训练, 选择网络的显示间隔为10, 最大收敛次数设为20 000, 收敛误差设为0.001, 学习速率为0.01, 网络训练到19 959次收敛, 从而达到最佳。本文所选用的BP神经网络结构设计如图 3所示, 其中, WI表示输入层权重矩阵, WL为隐含层权重矩阵。
 |
| 图 3 BP神经网络结构设计 Fig. 3 BP network structure |
采用自适应调整遗传策略[18], 交叉概率(pc)与变异概率(pm)能够随着适应度大小而改变。其主要思想是当群体中各个体的适应度趋于一致或者趋于局部最优时, 交叉概率与变异概率增加, 而当群体适应度分散时, 交叉概率与变异概率减小。同时, 对于适应度值高于群体平均适应度值的个体, 对应于较低的交叉概率与变异概率, 使该个体得以保护进入下一代; 而低于平均适应度值的个体, 相对于较高的交叉概率与变异概率, 使该个体被淘汰掉。因此自适应的交叉概率与变异概率能够提供相对于某个解的最佳交叉概率与变异概率。自适应策略在保持群体多样性的同时, 保证了遗传算法的收敛性。
根据式(2)—(5)调整自适应遗传算法的pc和pm:
| $ {p_{\rm{c}}} = \left\{ {\begin{array}{*{20}{l}} {\frac{{{k_1}({f_{\max }} - {f^\prime })}}{{{f_{\max }} - {f_{{\rm{arg}}}}}}}&{, {f^\prime } \ge {f_{{\rm{arg}}}}}\\ {{k_2}}&{, {f^\prime } < {f_{{\rm{arg}}}}} \end{array}} \right., $ | (2) |
| $ {p_{\rm{m}}} = \left\{ {\begin{array}{*{20}{l}} {\frac{{{k_3}({f_{\max }} - {f^\prime })}}{{{f_{\max }} - {f_{{\rm{arg}}}}}}}&{, {f^\prime } \ge {f_{{\rm{arg}}}}}\\ {{k_2}}&{, {f^\prime } < {f_{{\rm{arg}}}}} \end{array}} \right., $ | (3) |
| $ {p_{\rm{c}}} = \left\{ {\begin{array}{*{20}{l}} {{p_{{\rm{c, max}}}} - \left( {\frac{{{p_{{\rm{c, max}}}} - {p_{{\rm{c, min}}}}}}{{{i_{\max }}}}} \right)i}&{, {f^\prime } > {f_{{\rm{arg}}}}}\\ {{p_{{\rm{c, max}}}}}&{, {f^\prime } \le {f_{{\rm{arg}}}}} \end{array}} \right., $ | (4) |
| $ {p_{\rm{m}}} = \left\{ {\begin{array}{*{20}{l}} {{p_{{\rm{m, max}}}} - \left( {\frac{{{p_{{\rm{m, max}}}} - {p_{{\rm{m, min}}}}}}{{{i_{\max }}}}} \right)i}&{, {f^\prime } > {f_{{\rm{arg}}}}}\\ {{p_{{\rm{m, max}}}}}&{, {f^\prime } \le {f_{{\rm{arg}}}}} \end{array}} \right., $ | (5) |
其中, k1, k2, k3, k4均为小于1的常数, pc是交叉概率, pc, max是最大交叉概率, pc, min是最小交叉概率, pm是变异概率, pm, max是最大变异概率, pm, min是最小变异概率, imax为最大进化代数, i为当前进化代, 而favg为群体平均适应度, f′是交叉的两个个体的最大适应度, f是变异个体的适应度值。
本研究中遗传算法具体参数设定如下, 种群大小为50, 设置最大遗传代数为300代, 变量的二进制位数为10, 交叉概率区间为[0.5, 0.9], 变异概率为0.01, 代沟设置为0.95。
为检验遗传算法优化后的BP神经网络训练效果, 对比分析传统BP神经网络算法与遗传算法优化后的BP神经网络算法, 其参数设置及特征数据集选取一致。传统BP神经网络训练和遗传算法优化BP神经网络训练的均方差(Mean square error, MSE)如图 4、图 5所示。对比两图发现:经遗传算法优化的BP神经网络通过调整权重改进网络, 训练过程中均方差达到0.004 6, 提高了近0.006 4。因此, 遗传算法优化后的BP神经网络模型可用于研究区土地覆盖分类。
 |
| 图 4 传统BP神经网络训练的MSE Fig. 4 MSE of BP network |
 |
| 图 5 遗传算法优化BP神经网络的MSE Fig. 5 Genetic algorithm optimizes MSE of BP network |
| 算法 | 50次时未收敛次数 | R2 | Kappa | 总体精度/% | 时长/ min |
| BP神经网络 | 27 | 0.89 | 0.86 | 96.16 | 25 |
| GA-BP神经网络 | 6 | 0.96 | 0.95 | 88.80 | 14 |
| 注: R2表示拟合优度, 指回归线对预测值的拟合程度, 越接近1, 拟合程度越好 | |||||
由图 4、图 5发现, 遗传算法优化后的BP神经网络收敛速度有所提升, 在5 000次左右达到均方误差的阈值, 而BP神经网络在12 000左右才趋于平缓达到收敛。从表 3可以看出, 遗传算法优化后BP神经网络拟合优度(R2)为0.96明显高于优化前的BP神经网络(0.89), 总体精度和Kappa系数分别提高了7.36%和0.09, 用时也比较短。在前50次迭代过程中, 未收敛的次数明显小于优化前的BP神经网络, 说明遗传算法优化的BP神经网络性能优于优化前的BP神经网络, 分类效果更好。
| 覆盖类型 | 像元数 | 生产者精度/% | 用户精度/% | ||||||
| 潮滩 | 大米草 | 碱蓬 | 道路 | 养殖区 | 裸露地 | 河口 | |||
| 潮滩 | 1 154 | 0 | 0 | 1 | 0 | 10 | 23 | 99.83 | 97.14 |
| 大米草 | 0 | 320 | 0 | 0 | 0 | 0 | 0 | 97.56 | 99.38 |
| 碱蓬 | 0 | 6 | 355 | 0 | 0 | 2 | 0 | 100.00 | 98.34 |
| 道路 | 0 | 2 | 0 | 273 | 0 | 1 | 0 | 98.20 | 98.91 |
| 养殖区 | 0 | 0 | 0 | 0 | 534 | 80 | 0 | 100.00 | 86.97 |
| 裸露地 | 0 | 0 | 0 | 2 | 0 | 365 | 0 | 84.38 | 99.46 |
| 河口 | 0 | 0 | 0 | 2 | 0 | 3 | 357 | 93.95 | 98.28 |
| 注:总体精度96.162 7%, Kappa系数0.952 6。 | |||||||||
使用每类地物至少280个测试样本分类精度进行验证分析, 验证精度的因子包含有混淆矩阵、总体精度、Kappa系数、错分误差、漏分误差、每一地物类型的生产者精度和用户精度, 并与相同条件下的传统BP神经网络、支持向量机和随机森林分类结果进行对比, 统计四种分类算法间精度的差异。
2 结果与分析 2.1 临洪河口湿地土地覆盖分类结果选用基于遗传算法优化的BP网络分类算法、BP神经网络分类算法、支持向量机分类算法(Support vector machines, SVM)和随机森林(Random forest)4种算法应用到江苏省临洪河口湿地得到湿地土地覆盖分类。为了便于开展分类算法精度比较分析, 根据研究区7种土地覆盖类型, 选择RBF(径向基)核函数为SVM算法核函数[19-20], 选定惩罚系数为20, gamma参数设为0;选择树的数量为100以及特征数量采用平方根方式的随机森林算法[21-24]; 二者选取与BP神经网络一致的特征数据集; 在此基础上, 进行聚类、Majority/Minority分析等分类后处理, 最终得到研究区土地覆盖分类结果如图 6所示。
 |
| 图 6 不同分类算法的临洪河口湿地土地覆盖分类 Fig. 6 Land cover classification of Linhong estuary wetland based on different algorithms a:遗传算法优化后BP神经网络; b:传统BP神经网络; c:支持向量机; d:随机森林 |
在得到基于遗传算法优化BP神经网络、传统BP神经网络、支持向量机和随机森林算法的临洪河口湿地土地覆盖分类结果基础上, 利用实地调查的验证样本数据计算混淆矩阵开展分类精度评价, 结果如表 3—表 6所示。
| 覆盖类型 | 像元数 | 生产者精度/% | 用户精度/% | ||||||
| 潮滩 | 大米草 | 碱蓬 | 道路 | 养殖区 | 裸露地 | 河口 | |||
| 潮滩 | 1 071 | 13 | 0 | 53 | 0 | 9 | 0 | 92.65 | 93.46 |
| 大米草 | 2 | 313 | 6 | 0 | 0 | 0 | 0 | 95.43 | 97.51 |
| 碱蓬 | 0 | 2 | 284 | 0 | 0 | 0 | 0 | 80.00 | 99.30 |
| 道路 | 16 | 0 | 0 | 148 | 0 | 0 | 0 | 53.24 | 90.24 |
| 养殖区 | 43 | 0 | 0 | 1 | 533 | 63 | 0 | 99.81 | 83.28 |
| 裸露地 | 11 | 0 | 65 | 55 | 1 | 389 | 17 | 79.18 | 72.30 |
| 河口 | 13 | 0 | 0 | 12 | 0 | 0 | 363 | 95.53 | 93.56 |
| 注:总体精度88.803 0%, Kappa系数0.861 8。 | |||||||||
| 覆盖类型 | 像元数 | 生产者精度/% | 用户精度/% | ||||||
| 潮滩 | 大米草 | 碱蓬 | 道路 | 养殖区 | 裸露地 | 河口 | |||
| 潮滩 | 1 022 | 0 | 0 | 4 | 0 | 2 | 5 | 88.41 | 98.94 |
| 大米草 | 1 | 231 | 4 | 0 | 0 | 2 | 0 | 70.43 | 97.06 |
| 碱蓬 | 0 | 35 | 293 | 0 | 0 | 0 | 0 | 82.54 | 89.33 |
| 道路 | 71 | 61 | 34 | 216 | 0 | 4 | 1 | 77.70 | 55.81 |
| 养殖区 | 57 | 0 | 0 | 0 | 533 | 99 | 0 | 99.81 | 77.36 |
| 裸露地 | 1 | 1 | 24 | 58 | 1 | 354 | 4 | 76.79 | 79.91 |
| 河口 | 4 | 0 | 0 | 0 | 0 | 0 | 370 | 97.37 | 98.93 |
| 注:总体精度84.484 8%, Kappa系数0.834 6。 | |||||||||
| 覆盖类型 | 像元数 | 生产者精度/% | 用户精度/% | ||||||
| 潮滩 | 大米草 | 碱蓬 | 道路 | 养殖区 | 裸露地 | 河口 | |||
| 潮滩 | 1 132 | 4 | 0 | 19 | 1 | 44 | 1 | 97.92 | 94.25 |
| 大米草 | 16 | 317 | 4 | 4 | 0 | 0 | 0 | 96.65 | 92.96 |
| 碱蓬 | 1 | 6 | 347 | 8 | 0 | 1 | 0 | 97.75 | 95.59 |
| 道路 | 0 | 1 | 0 | 222 | 0 | 0 | 0 | 79.86 | 99.55 |
| 养殖区 | 4 | 0 | 1 | 1 | 533 | 80 | 0 | 99.81 | 74.13 |
| 裸露地 | 0 | 0 | 3 | 6 | 0 | 317 | 0 | 71.07 | 96.02 |
| 河口 | 3 | 0 | 0 | 9 | 0 | 19 | 379 | 99.74 | 92.44 |
| 注:总体精度90.120 3%, Kappa系数0.877 8。 | |||||||||
从表 3—表 6中可以看出:遗传算法优化的BP神经网络分类算法得到的总体精度为96.162 7%, Kappa系数为0.952 6;随机森林总体精度及Kappa系数也相对较高分别为90.120 3%和0.877 8;而支持向量机分类算法以及BP神经网络得到的分类结果总体精度分别为84.484 8%和88.803 0%, Kappa系数分别为0.834 6和0.861 8。从总体精度看, 遗传算法优化后BP神经网络分类方法与支持向量机分类算法相比, 分类精度大幅提升(总体精度提高了11.677 9%, Kappa系数增加了0.118), 与传统BP神经网络和随机森林分类算法相比, 总体精度分别提高了7.359 7%和6.042 4%, Kappa系数分别增加了0.090 8和0.074 8;最终优化后BP神经网络分类结果与实际临洪河口湿地土地覆盖空间分布吻合度最高。
由表 3、表 4和土地覆盖分类图 6a、图 6b可以发现:遗传算法优化的BP神经网络相较于传统BP神经网络, 遗传算法优化的BP神经网络更好的适应江苏省临洪河口湿地的土地覆盖实际地物分布。传统BP神经网络可较好提取出潮滩、大米草、河流这三类地物的信息, 而对于道路的提取效果较差, 其生产者精度仅为53.24%, 漏分较为严重, 主要漏分为裸露地和潮滩两类地物类型; 反观传统BP神经网络对于裸露地的地物类型分类结果, 生产者精度明显高于用户精度, 即道路和潮滩地物类型被错分为裸露地的地物类型。主要还是因为道路、裸露地及潮滩的纹理特征高度相似, 传统BP神经网络没有很好区分。从表 3分析得出, 遗传算法优化的BP神经网络对于纹理特征相似度高的潮滩、道路和裸露地三种地物的提取精度均有所提升, 错分漏分现象减少。
根据土地覆盖分类图 6c得出, SVM分类算法对于养殖区及裸露地的区分效果不佳, 在养殖区的地物类型中, 由于覆盖大量河流资源, 受潮水影响, 加之道路与河流的纹理特征相似, 导致养殖区内很多裸露地的田埂没有提取出来。结合表 5可以看出, SVM分类算法中道路地物类型的生产者精度高于用户精度, 依然主要错分为潮滩和裸露地, 说明SVM分类算法未能在这三种地物之间找到严格的分类界限。
从表 6可以看出: RF分类算法相较于传统BP神经网络和支持向量机, 生产者精度和用户精度均有所提升, 但是对于裸露地的分类效果不佳, 主要还是受潮水影响, 仅依靠光谱特征, 无法区分出养殖区内裸露地的田埂。再根据土地覆盖分类图 6d可以发现, RF分类算法对于各地物类型的边缘的处理, 没有遗传算法优化的BP神经网络效果好。
综合比较以上4种分类算法, 遗传算法优化后BP神经网络算法可较好地适应地物的纹理和光谱特征, 生产者精度和用户精度均较高, 减少了错误分类, 提高了总体分类精度; 遗传算法可扩展到任何维度以及对本身知之甚少的遥感影像进而实现快速全局寻优, 是一种求解遥感影像类似复杂系统问题的通用框架, 与BP神经网络结合, 可大大提高分类精度且在训练过程中, 收敛速度更快, 网络模型更稳定。
3 结论与讨论如何提高遥感影像分类精度一直是遥感图像处理中的热点问题。本研究以江苏省临洪河口湿地为研究区, 利用遗传算法优化的BP神经网络、传统BP神经网络、支持向量机和随机森林四种分类算法开展临洪河口湿地土地覆盖分类算法研究。通过以上研究, 得到如下结论:
1) 应用4种分类算法得到江苏省临洪河口湿地土地覆盖分类, 总体分类精度分别为96.162 7%、88.803 0%、84.484 8%、90.120 3%, Kappa系数分别为0.952 6、0.861 8、0.834 6、0.877 8;分类精度从高到低依次为遗传算法优化的BP神经网络、随机森林、传统BP神经网络、支持向量机; 遗传算法优化的BP神经网络具有最高精度的河口湿地土地覆盖分类, 且与江苏省临洪河口湿地真实地物高度吻合。比较四种分类算法, 遗传算法优化的BP神经网络在一定程度上减少了地物像元的混分现象。表明在江苏省临洪河口湿地土地覆盖分类中, 遗传算法优化的BP神经网络具备更好的可行性及适用性。
2) 基于遗传算法优化后BP神经网络算法的河口湿地土地覆盖分类精度最高, 可能原因是:首先, BP神经网络优于传统分类方法, 对于数据分布特征没有任何假定前提。其次, BP神经网络分类算法基于非线性函数, 可处理复杂数据集, 准确识别模型, 且可采用多源数据提取潜在信息以提高分类精度。最后, 遗传算法善于总结复杂的全局最优化问题, 具有较强的全局寻优能力, 自适应遗传算法在搜索适应性、广度等方面优于BP神经网络。结合两种技术, 可以较好地提取土地覆盖类型, 搜索全局最优解, 实现河口湿地土地覆盖的高精度分类, 具有较强的推广应用性。
本研究仅基于Sentinel-2遥感影像的分类算法研究, 在构建分类模型中, 仅对遗传算法采用自适应调整遗传参数, 在保持种群多样性的同时保证算法收敛性, 未来可以考虑在遗传算法的变异策略中进行优化改进, 以及对不同BP神经网络的激活函数进行对比分析以作进一步研究。此外, 还需尝试构建深度学习的卷积神经网络算法, 以进一步拓展滨海湿地土地覆盖分类算法。
| [1] |
张舒昱, 李兆富, 徐锋, 等. 基于多时相无人机遥感影像优化河口湿地景观分类[J]. 生态学杂志, 2020, 39(9): 3174-3184. Zhang Shuyu, Li Zhaofu, Xu Feng, et al. Optimization of estuary wetland landscape classification based on multi-temporal UAV remote sensing images[J]. Journal of Ecology, 2020, 39(9): 3174-3184. |
| [2] |
陈广成, 周岩, 金娇, 等. 连云港临洪河口湿地公园的保护与恢复规划探讨[J]. 林产工业, 2019, 56(9): 48-50. Chen Guangcheng, Zhou Yan, Jin Jiao, et al. Discussion on the protection and restoration planning of Lianyungang Linhong River Mouth Wetland Park[J]. Forest Products Industry, 2019, 56(9): 48-50. |
| [3] |
邵亚婷, 卢霞, 叶慧, 等. 滨海湿地土地覆盖面向对象分类及变化监测[J]. 海洋科学, 2020, 44(1): 52-66. Shao Yating, Lu Xia, Ye Hui, et al. Object-oriented classification and change monitoring of coastal wetland land cover[J]. Marine Sciences, 2020, 44(1): 52-66. |
| [4] |
赵忠明, 高连如, 陈东, 等. 卫星遥感及图像处理平台发展[J]. 中国图象图形学报, 2019, 24(12): 2098-2110. Zhao Zhongming, Gao Lianru, Chen Dong, et al. Satellite remote sensing and image processing platform development[J]. Journal of Image and Graphics, 2019, 24(12): 2098-2110. DOI:10.11834/jig.190450 |
| [5] |
田颖, 陈卓奇, 惠凤鸣, 等. 欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析[J]. 北京师范大学学报(自然科学版), 2019, 55(1): 57-65. Tian Ying, Chen Zhuoqi, Hui Fengming, et al. Data characteristics and application prospect analysis of the Sentinel-2A/B satellite of ESA[J]. Journal of Beijing Normal University (Natural Science Edition), 2019, 55(1): 57-65. |
| [6] |
张策, 臧淑英, 金竺, 等. 基于支持向量机的扎龙湿地遥感分类研究[J]. 湿地科学, 2011, 9(3): 263-269. Zhang Ce, Zang Shuying, Jin Zhu, et al. Research on Zhalong Wetland Classification Based on Support Vector Machines[J]. Wetland Science, 2011, 9(3): 263-269. |
| [7] |
Wang X, Gao X, Zhang Y, et al. Land-Cover classification of coastal wetlands using the RF algorithm for Worldview-2 and Landsat 8 images[J]. Remote Sensing, 2019, 11(16): 1927. DOI:10.3390/rs11161927 |
| [8] |
孙可寅, 刘秀梅, 朱丽向. 临洪河口湿地保护与利用的几点思考[J]. 水利技术监督, 2013, 21(4): 26-28. Sun Keyin, Liu Xiumei, Zhu Lixiang. Some thoughts on protection and utilization of wetland in Linhong River Estuary[J]. Technical Supervision in Water Resources, 2013, 21(4): 26-28. DOI:10.3969/j.issn.1008-1305.2013.04.009 |
| [9] |
梅雪琴, 谢宏全, 王亚娜, 等. 基于Landsat的连云港临洪河海岸岸线变化分析[J]. 科技创新导报, 2018, 15(7): 145-146, 148. Mei Xueqin, Xie Hongquan, Wang Yana, et al. Analysis of Coastline Change of Linhong River in Lianyungang Based on Landsat[J]. Science and Technology Innovation Herald, 2018, 15(7): 145-146, 148. |
| [10] |
刘翔, 刘会玉, 林振山, 等. 基于Landsat OLI影像的盐城滨海湿地分类方法对比研究[J]. 湿地科学, 2017, 15(5): 689-696. Liu Xiang, Liu Huiyu, Lin Zhenshan, et al. Comparative study on classification methods of coastal wetlands in Yancheng based on Landsat OLI images[J]. Wetland Science, 2017, 15(5): 689-696. |
| [11] |
陈富龙, 王超, 张红. 改进最大似然遥感影像分类方法-以SAR影像为例[J]. 国土资源遥感, 2008(1): 75-78. Chen Fulong, Wang Chao, Zhang Hong. Improved Maximum Likelihood Remote Sensing Image Classification Method-Taking SAR Image as an Example[J]. Remote Sensing for Land and Resources, 2008(1): 75-78. |
| [12] |
曹兆伟, 林宁, 徐文斌, 等. 基于BP神经网络的东屿岛遥感影像分类[J]. 海洋通报, 2016, 35(5): 587-593. Cao Zhaowei, Lin Ning, Xu Wenbin, et al. Remote sensing image classification of Dongyu Island based on BP neural network[J]. Ocean Bulletin, 2016, 35(5): 587-593. |
| [13] |
可华明, 陈朝镇, 张新合, 等. 遗传算法优化的BP神经网络遥感图像分类研究[J]. 西南大学学报(自然科学版), 2010, 32(7): 128-132. Ke Huaming, Chen Chaozhen, Zhang Xinhe, et al. Research on remote sensing image classification of BP neural network optimized by genetic algorithm[J]. Journal of Southwest University (Natural Science Edition), 2010, 32(7): 128-132. |
| [14] |
肖锦成, 欧维新, 符海月. 基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类[J]. 生态学报, 2013, 33(23): 7496-7504. Xiao Jincheng, Ou Weixin, Fu Haiyue. Classification of coastal natural wetland cover in Yancheng based on BP neural network and ETM+ remote sensing data[J]. Acta Ecologica Sinica, 2013, 33(23): 7496-7504. |
| [15] |
YuHai Bao, Jianbin Ren. Wetland landscape classification based on the BP neural network in dalinor Lake Area[J]. Procedia Environmental Sciences, 2011, 10: 2360-2366. DOI:10.1016/j.proenv.2011.09.368 |
| [16] |
牟晓杰, 刘兴土, 阎百兴, 等. 中国滨海湿地分类系统[J]. 湿地科学, 2015, 13(1): 19-26. Mou Xiaojie, Liu Xingtu, Yan Baixing, et al. China coastal wetland classification system[J]. Wetland Science, 2015, 13(1): 19-26. |
| [17] |
童小华, 张学, 刘妙龙. 遥感影像的神经网络分类及遗传算法优化[J]. 同济大学学报(自然科学版), 2008, 36(7): 985-989. Tong Xiaohua, Zhang Xue, Liu Miaolong. Neural network classification and genetic algorithm optimization of remote sensing images[J]. Journal of Tongji University (Natural Science Edition), 2008, 36(7): 985-989. |
| [18] |
王海军. AGA-BP模型在遥感影像分类中的应用研究[J]. 计算机测量与控制, 2017, 25(5): 212-214. Wang Haijun. The application research of AGA-BP model in remote sensing image classification[J]. Computer Measurement and Control, 2017, 25(5): 212-214. |
| [19] |
邹青青, 戚晓明, 王晶, 等. 利用Landsat 8多光谱数据的湿地信息提取方法比较研究[J]. 湿地科学, 2018, 16(4): 479-485. Zou Qingqing, Qi Xiaoming, Wang Jing, et al. Comparative study of wetland information extraction methods using Landsat 8 multispectral data[J]. Wetland Science, 2018, 16(4): 479-485. |
| [20] |
姚云军, 张泽勋, 秦其明, 等. 基于支持向量机的遥感影像湿地信息提取研究[J]. 计算机应用研究, 2008, 25(4): 989-990, 995. Yao Yunjun, Zhang Zexun, Qin Qiming, et al. Research on wetland information extraction from remote sensing images based on support vector machine[J]. Application Research of Computers, 2008, 25(4): 989-990, 995. |
| [21] |
Whiteside T G, Boggs G S, Maier S W. Comparing object-based and pixel-based classifications for mapping savannas[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(6): 884-893. |
| [22] |
Liu J, Feng Q, Gong J, et al. Land-cover classification of the Yellow River Delta wetland based on multiple end-member spectral mixture analysis and a Random Forest classifier[J]. International Journal of Remote Sensing, 2016, 37(8): 1845-1867. |
| [23] |
刘家福, 李林峰, 任春颖, 等. 基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究[J]. 湿地科学, 2018, 16(2): 97-105. Liu Jiafu, Li Linfeng, Ren Chunying, et al. Research on the Yellow River Estuary coastal wetland information extraction based on the random forest model of feature optimization[J]. Wetland Science, 2018, 16(2): 97-105. |
| [24] |
刘舒, 姜琦刚, 马玥, 等. 基于多目标遗传随机森林特征选择的面向对象湿地分类[J]. 农业机械学报, 2017, 48(1): 119-127. Liu Shu, Jiang Qigang, Ma Yue, et al. Object-oriented wetland classification based on multi-objective genetic random forest feature selection[J]. Transactions of the Chinese Society of Agricultural Machinery, 2017, 48(1): 119-127. |