栗小東, 過(guò)仲陽(yáng), 朱燕玲, 戴曉燕

(1.華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200062;2.華東師范大學(xué)河口海岸學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200062)

結(jié)合GIS數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)濕地遙感分類方法:以上海崇明島東灘濕地為例

栗小東1, 過(guò)仲陽(yáng)1, 朱燕玲1, 戴曉燕2

(1.華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200062;2.華東師范大學(xué)河口海岸學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200062)

以上海崇明島東灘濕地為例,利用改進(jìn)的BP算法結(jié)合主成分分析,將光譜信息的主成分、NDVI、MNDWI以及 GIS數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)對(duì)東灘濕地進(jìn)行神經(jīng)網(wǎng)絡(luò)分類.結(jié)果表明,神經(jīng)網(wǎng)絡(luò)分類能夠有效的提高分類的精度,適合濕地分類.

濕地; 遙感分類; 神經(jīng)網(wǎng)絡(luò)

0 引 言

遙感作為一門對(duì)地觀測(cè)性技術(shù),具有探測(cè)范圍廣、采集數(shù)據(jù)速度快的特點(diǎn),為研究地表變化提供了多平臺(tái)、多光譜、多時(shí)相、大范圍的實(shí)時(shí)信息.高精度的自動(dòng)遙感圖像分類方法是實(shí)現(xiàn)其他各種實(shí)際應(yīng)用的前提和基礎(chǔ)方法之一.濕地是自然界物種最豐富的生態(tài)景觀,也是人類最重要的生存環(huán)境之一,被稱為“地球之腎”.濕地生產(chǎn)能力很高,具有維護(hù)生態(tài)平衡,蓄洪防旱,涵蓄淡水,調(diào)節(jié)氣候和保護(hù)物種多樣性等功能.利用遙感信息進(jìn)行濕地分類研究,信息更新速度快,覆蓋面大,可以客觀實(shí)時(shí)動(dòng)態(tài)掌握各類濕地的分布狀況及類型.由于不同類型濕地的光譜特征相近,在影像上直接區(qū)分較難,其精度也難以滿足要求[1].傳統(tǒng)的監(jiān)督和非監(jiān)督分類方法是基于像元光譜信息進(jìn)行分類[2],異物同譜現(xiàn)象比較嚴(yán)重,分類精度不高;近年來(lái)出現(xiàn)的一些新型算法提高了濕地遙感圖像分類的精度,如面向?qū)ο蠓诸惙椒╗2,3],決策樹[4]等.但是,小范圍的濕地區(qū)域依靠光譜信息難以對(duì)濕地內(nèi)各種地物類型進(jìn)行精確分類,效果并不理想.作為人工智能的主要方法,神經(jīng)網(wǎng)絡(luò)具有很好的容錯(cuò)性和魯棒性,用于遙感分類,尤其高維遙感數(shù)據(jù)分類有一定的優(yōu)勢(shì)[5,6].本文在光譜信息的基礎(chǔ)上,引入DEM和GIS數(shù)據(jù)建立基于神經(jīng)網(wǎng)絡(luò)的分類模型,實(shí)現(xiàn)濕地信息的自動(dòng)分類提取.

1 研究區(qū)域與數(shù)據(jù)

上海崇明東灘位于中國(guó)第三大島、世界上最大的河口沖積島嶼——崇明島的東部,處在長(zhǎng)江與黃海、東海的“一江兩海”交匯處,地理位置十分獨(dú)特(如圖1所示),屬長(zhǎng)江口典型的河口濕地.崇明東灘從20世紀(jì)50年代開始進(jìn)行筑壩圍陸,大壩內(nèi)建立了以養(yǎng)殖區(qū)等為主的人工濕地,大壩外為以灘涂濕地為主的自然濕地.研究區(qū)域包含堤外以光灘、互花米草、蘆葦和水域?yàn)橹鞯淖匀粷竦睾偷虄?nèi)的養(yǎng)殖區(qū)、綠林地為主的人工濕地.

圖1 研究區(qū)域位置Fig.1 The location of Dongtan wetland and study area

研究區(qū)域濕地系統(tǒng)包含豐富的信息,主要為水體、植被和潮灘信息,本文研究數(shù)據(jù)選取2003年8月2日崇明東灘的Landsat5TM多光譜影像(圖像經(jīng)過(guò)輻射校正、幾何校正和增強(qiáng)處理,可以直接使用)以及研究區(qū)域的DEM和 GIS數(shù)據(jù)(大壩(DAM)).

Landsat5TM多光譜影像包含7個(gè)波段,空間分辨率為30m,其中第六波段為熱紅外波段,空間分辨率為60m.本文選取 TM除第六波段外的6個(gè)波段,采用標(biāo)準(zhǔn)差歸一化和主成分分析得到六個(gè)波段的主成分作為神經(jīng)網(wǎng)絡(luò)分類的輸入?yún)?shù).其中標(biāo)準(zhǔn)差歸一化公式為

通過(guò)對(duì)遙感影像6個(gè)波段的統(tǒng)計(jì)分析,完成對(duì)影像的標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化,統(tǒng)計(jì)結(jié)果如圖2所示.將6個(gè)波段進(jìn)行主成分分析發(fā)現(xiàn),前三個(gè)主成分的累積貢獻(xiàn)率已經(jīng)占了遙感影像信息量的98%以上(見圖3),因此選用前三個(gè)主成分代表遙感數(shù)據(jù)6個(gè)波段總的信息量.

圖2 TM波段統(tǒng)計(jì)結(jié)果Fig.2 The statistics of the TMbands

圖3 主成分分析各主成分特征值和累計(jì)貢獻(xiàn)率Fig.3 The eigenvalues of the principal components and accumul ative contribution rate

濕地主要包含植被信息和水體信息,采用歸一化植被指數(shù)NDVI和歸一化差異水體指數(shù)MNDWI[7]分別增強(qiáng)植被和水體信息,作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)分類.其中歸一化植被指數(shù)為

式中,NIR為近紅外波段,RED為紅波段.NDVI反映植被在可見光、近紅外波段反射與土壤背景之間的差異的指標(biāo),非植被區(qū)的NDVI小于0,有植被覆蓋區(qū)的NDVI大于0,且隨著植被覆蓋度的增大而增大.

歸一化差異水體指數(shù)[7]

其中MIR為中紅外波段,如 TM/ETM+的5波段,Green為綠波段,如 TM/ETM+的2波段.MNDWI指數(shù)可以消除地形差異的影響,抑制植被和土壤/建筑信息,增強(qiáng)水體信息,其中MNDWI指數(shù)中像元值大于0的為水體信息.

其他數(shù)據(jù) 東灘鳥類保護(hù)區(qū)是國(guó)際重要濕地,建國(guó)以來(lái),不斷有大壩修建,建立養(yǎng)殖場(chǎng)等人工濕地.因此,大壩內(nèi)為人工濕地,大壩為潮灘增長(zhǎng)形成的自然濕地,大壩內(nèi)外不同高程地區(qū)形成不同的濕地生態(tài)類型.故將DEM和大壩的 GIS數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行分類很有必要.

DEM數(shù)據(jù) 在不同的高程處有不同潮灘和人工濕地生態(tài)類型,因此將DEM作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和模擬的參數(shù),以便神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)知識(shí).本文使用的DEM數(shù)據(jù)是NASA在2000年2月利用航天飛機(jī)獲得的SRTMDEM數(shù)據(jù),分辨率為90m,將DEM數(shù)據(jù)重采樣為30m,與 TM數(shù)據(jù)像元大小一致,將缺失的水體部分?jǐn)?shù)據(jù)設(shè)為-1.

DAM數(shù)據(jù) 由于東灘大壩內(nèi)外的濕地生態(tài)類型不同,因此將大壩作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)進(jìn)行分類.首先數(shù)字化出大壩的矢量信息,大壩內(nèi)設(shè)為1,大壩外設(shè)為-1,通過(guò)矢量數(shù)據(jù)轉(zhuǎn)化柵格數(shù)據(jù),并將像元大小設(shè)為30m,與 TM像元大小相同.

2 方 法

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)是一個(gè)可自動(dòng)提取一組預(yù)報(bào)變量和另一組自變量之間非線性關(guān)系的數(shù)據(jù)處理系統(tǒng),網(wǎng)絡(luò)的建立過(guò)程也就是人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程,是用自適應(yīng)算法遞歸迭代求解因變量與自變量之間的非線性關(guān)系,訓(xùn)練后的網(wǎng)絡(luò)可用于估算或預(yù)報(bào)預(yù)測(cè)變量.BP網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)的核心部分,結(jié)構(gòu)簡(jiǎn)單,可操作性強(qiáng),能夠模擬任何非線性輸入輸出關(guān)系[8].BP網(wǎng)絡(luò)在輸入層和輸出層之間有若干的隱含層,相鄰層次之間通過(guò)連接權(quán)和閾值相連接,同一層次的神經(jīng)元之間沒有連接[9].

BP神經(jīng)網(wǎng)絡(luò)用于遙感影像分類包含兩個(gè)過(guò)程:神經(jīng)網(wǎng)絡(luò)模型構(gòu)建和神經(jīng)網(wǎng)絡(luò)模擬.(1)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建主要是指利用目視解譯的已知類別屬性的樣本對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,建立神經(jīng)網(wǎng)絡(luò)分類模型.(2)神經(jīng)網(wǎng)絡(luò)模擬是將濕地影像中的每一個(gè)像元的相關(guān)信號(hào)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別,得到輸出向量,將輸出向量對(duì)應(yīng)事先確定好的類別空間,確定每一個(gè)像元所屬的子空間,達(dá)到遙感影像自動(dòng)分類的目的.在東灘濕地遙感分類研究中,神經(jīng)網(wǎng)絡(luò)分類過(guò)程如圖4所示.首先對(duì)TM影像除第六波段外的6個(gè)波段進(jìn)行標(biāo)準(zhǔn)差歸一化和主成分分析,提取貢獻(xiàn)率大于90%的前三個(gè)主成分,結(jié)合NDVI,MNDWI,DEM和DAM作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù).通過(guò)目視解譯得到各類別訓(xùn)練像元訓(xùn)練樣本并確定各類別的目標(biāo)參數(shù),帶入建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型仿真東灘濕地?cái)?shù)據(jù),根據(jù)事先確定好各類別的神經(jīng)網(wǎng)絡(luò)仿真的值域范圍確定各像元的類別,達(dá)到分類的目的.

圖4 神經(jīng)網(wǎng)絡(luò)分類過(guò)程Fig.4 The ANN classification process

2.1 東灘濕地分類系統(tǒng)的確定

濕地包含天然的或人工的、暫時(shí)的或長(zhǎng)久的沼澤地、泥炭地或水域地帶,靜止或流動(dòng)的淡水、半咸水或咸水體,以及低潮時(shí)不超過(guò)6m的水域[10].濕地分類是濕地生態(tài)系統(tǒng)研究的基礎(chǔ),本文根據(jù)濕地的概念,結(jié)合1990年《濕地公約》以及國(guó)內(nèi)外研究中采用的分類體系[10,11]和東灘濕地生態(tài)系統(tǒng)研究的具體應(yīng)用,同時(shí)考慮東灘遙感影像數(shù)據(jù)源的可解譯性,建立東灘濕地的生態(tài)系統(tǒng)分類系統(tǒng):建筑用地;植被(大壩內(nèi)綠林地;潮灘植被(主要為海三菱藨草和蘆葦));濕地(大壩內(nèi)養(yǎng)殖水域;大壩外光灘;淺水潮灘;潮溝;水域).

由圖5可以看出,由于濕地生態(tài)類型的復(fù)雜性,相同的生態(tài)類型的光譜信息可能有所差別,如養(yǎng)殖水域由于泥沙含量的不同而呈現(xiàn)不同的光譜特征.同時(shí),大壩內(nèi)的綠林地與潮灘的植被(海三棱藨草和蘆葦)同屬植被信息,光譜信息相似,因此基于光譜數(shù)據(jù)的分類難以將兩者區(qū)分開.

圖5 典型地物光譜信息Fig.5 The typical ground object spectral information

2.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選取

東灘遙感分類選取的樣本應(yīng)當(dāng)具有地理上和光譜上的代表性和典型性,訓(xùn)練樣本的數(shù)量應(yīng)當(dāng)根據(jù)研究區(qū)域內(nèi)各類別面積的大小而不同:水域和養(yǎng)殖水域的樣本較多,建筑用地和潮溝的樣本較少.樣本的選取通過(guò)遙感影像上目視解譯的方法進(jìn)行.

2.3 東灘遙感影像分類實(shí)驗(yàn)

本文以國(guó)際重要濕地——上海市崇明東灘濕地為實(shí)驗(yàn)對(duì)象,分別利用監(jiān)督分類中的最大似然分類法與基于 GIS的神經(jīng)網(wǎng)絡(luò)分類進(jìn)行東灘濕地的分類研究,并進(jìn)行對(duì)比分析.

基于光譜信息的最大似然分類法通過(guò)遙感圖像處理軟件ENVI4.2來(lái)實(shí)現(xiàn),神經(jīng)網(wǎng)絡(luò)分類利用Matlab7.0提供的神經(jīng)網(wǎng)絡(luò)工具箱來(lái)實(shí)現(xiàn),由于標(biāo)準(zhǔn)BP算法具有收斂速度慢、容易陷入局部極小值等缺陷,因此,本文采用附加動(dòng)量和自適應(yīng)學(xué)習(xí)率的改進(jìn)的BP算法創(chuàng)建3層BP網(wǎng)絡(luò).神經(jīng)網(wǎng)絡(luò)模型中隱含層數(shù)目的選擇關(guān)系到網(wǎng)絡(luò)學(xué)習(xí)知識(shí)的能力和網(wǎng)絡(luò)模擬的泛化能力,因此,本文采用神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目選取的經(jīng)驗(yàn)公式[8]

來(lái)確定.其中,S為隱含層節(jié)點(diǎn)數(shù)目,R為輸入節(jié)點(diǎn)數(shù)目,SL為輸出層結(jié)點(diǎn)個(gè)數(shù),a為范圍是0～10的經(jīng)驗(yàn)常數(shù),通過(guò)嘗試法獲得.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越簡(jiǎn)單,其泛化能力越好,為了防止神經(jīng)網(wǎng)絡(luò)過(guò)學(xué)習(xí),在能夠模擬預(yù)測(cè)的基礎(chǔ)上,盡量降低神經(jīng)網(wǎng)絡(luò)的規(guī)模.本文神經(jīng)網(wǎng)絡(luò)模型包含三層:輸入層有7個(gè)神經(jīng)元,隱含層有9個(gè)神經(jīng)元,輸出層有1個(gè)神經(jīng)元,Matlab中神經(jīng)網(wǎng)絡(luò)最大訓(xùn)練次數(shù)設(shè)置為5000次,訓(xùn)練的目標(biāo)誤差設(shè)為0.1,學(xué)習(xí)率為0.01.將目視解譯的樣本數(shù)據(jù)和各類別的訓(xùn)練目標(biāo)參數(shù)輸入建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,然后將圖像中的每個(gè)像元輸入訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行模擬,從而得到每個(gè)像元所屬的類別.各地物類別的神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)參數(shù)及各類別的神經(jīng)網(wǎng)絡(luò)輸出層的值域范圍參見表1.

表1 神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元分類類別值域Tab.1 The ANN output range of each class

3 結(jié)果與討論

分別利用基于TM遙感影像光譜信息的最大似然分類法和結(jié)合 GIS數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分類方法對(duì)崇明島東灘的濕地進(jìn)行分類,分類結(jié)果如圖6和圖7所示.最大似然分類法大壩內(nèi)的綠林地和大壩外的潮灘植被有很多錯(cuò)分現(xiàn)象,大壩內(nèi)的綠林地中夾雜著零星的潮灘植被,而潮灘上的潮灘植被和光灘也有很大一部分被錯(cuò)分為綠林地信息.同時(shí),水域中也有很多被錯(cuò)分為養(yǎng)殖水域.結(jié)合 GIS數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)分類法將 TM影像的地物光譜信息進(jìn)行主成分分析,同時(shí)將NDVI和MNDWI也作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),結(jié)合DEM和GIS數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的分類,結(jié)果發(fā)現(xiàn),分類結(jié)果中光譜信息相似的綠林地和潮灘植被信息被很好的區(qū)分,幾乎沒有錯(cuò)分的現(xiàn)象出現(xiàn);同時(shí),建筑用地中的道路及其兩側(cè)的建筑物也被很好同綠林地中區(qū)分開來(lái),建筑格局清晰;大壩內(nèi)的養(yǎng)殖水域同光譜相近的水域和淺水潮灘以及其他多水的類別分的較清晰,也基本沒有錯(cuò)分的現(xiàn)象出現(xiàn),養(yǎng)殖水域分類結(jié)果比較完整.

圖6 最大似然法分類結(jié)果Fig.6 The classification output of maximum likelihood

圖7 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果Fig.7 The classification output of ANN classification

本研究采用的是誤差矩陣的方式進(jìn)行精度分析,根據(jù)各類別面積百分比在ENVI中隨機(jī)選取樣點(diǎn)進(jìn)行誤差矩陣分析.最大似然方法和BP神經(jīng)網(wǎng)絡(luò)分類方法的誤差矩陣和精度分析分別見表2和表3.

從總體上看,BP神經(jīng)網(wǎng)絡(luò)分類的總體精度比最大似然發(fā)分類有了明顯的提高,從61.3%提高到了90.65%,Kappa系數(shù)也從0.56提高到了0.89,BP神經(jīng)網(wǎng)絡(luò)分類方法適合地物類型復(fù)雜的潮灘濕地分類.

表2 最大似然法分類誤差矩陣和精度分析Tab.2 The error matrix and precision analysis of maximum likelihood classification

表3 BP神經(jīng)網(wǎng)絡(luò)法分類誤差矩陣和精度分析Tab.3 The error matrix and precision analysis of ANN classification

在生產(chǎn)者精度和用戶精度方面,最大似然分類結(jié)果中,由于綠林地與潮灘植被(海三棱藨草和蘆葦)在光譜信息上具有相似性,因此,有很多綠林地被分為了潮灘植被.但在考慮了DEM以及GIS大壩數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)分類加入大壩內(nèi)為綠林地,大壩外為潮灘植被的專家知識(shí)區(qū)分綠林地和潮灘植被,錯(cuò)分現(xiàn)象基本不存在,綠林地的生產(chǎn)者精度和用戶精度分別由82.28%和35.59%提高到了99.71%和85.08%.養(yǎng)殖水域位于大壩內(nèi),水域位于大壩外,最大似然法分類結(jié)果中,大壩外的水域有很多錯(cuò)分為養(yǎng)殖水域,因此,最大似然法分類結(jié)果的養(yǎng)殖水域的生產(chǎn)者精度和用戶精度分別為76.95%和37.33%,而BP神經(jīng)網(wǎng)絡(luò)分類利用專家知識(shí)進(jìn)行分類,對(duì)應(yīng)的精度提高到85.26%和99.62%,表明BP神經(jīng)網(wǎng)絡(luò)分類法對(duì)于異物同譜具有很好的區(qū)分,適合潮灘濕地的分類.作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),NDVI和MNDWI分別可以增強(qiáng)濕地中的植被和水體信息,增強(qiáng)植被和水體的提取精度;DEM作為神經(jīng)網(wǎng)絡(luò)分類的參數(shù)可以提取出建筑用地沿道路的線狀分布模式,將建筑用地與綠林地區(qū)分開,同時(shí)也可以完整提取出養(yǎng)殖區(qū)信息.

4 結(jié) 論

潮灘濕地包含復(fù)雜的地物信息,異物同譜現(xiàn)象比較明顯,基于地物光譜信息的分類方法進(jìn)行潮灘濕地分類中錯(cuò)分和誤分現(xiàn)象明顯.BP神經(jīng)網(wǎng)絡(luò)分類采用經(jīng)過(guò)主成分分析的地物光譜主成分,結(jié)合NDVI,MNDWI指數(shù),DEM和 GIS數(shù)據(jù),增強(qiáng)植被和水體信息,提高分類精度.潮灘濕地分類過(guò)程中,大壩作為專家經(jīng)驗(yàn)加入分類數(shù)據(jù)中,可以有效的解決異物同譜現(xiàn)象,將大壩內(nèi)外的地物信息區(qū)分開.DEM作為分類因素,可以提取與高程相關(guān)的連續(xù)分布的地物信息,適宜建筑、道路等信息的提取.

[1] 張樹清,陳春,萬(wàn)恩璞.三江平原濕地遙感分類模式研究[J].遙感技術(shù)和應(yīng)用,1999(3):54-58.

ZHANG S Q , CHEN C , WAN E P. A st udy on wetland classifying of remote sensing in Sanjiang Plain[J ] . RemoteSensing Technology and Application , 1999 (3) : 54-58.

[2] 江輝,周文斌,劉瑤.鄱陽(yáng)湖濕地遙感分類研究及應(yīng)用[J].遙感技術(shù)與應(yīng)用,2008,23(6):648-652.

J IANG H , ZHOU W B , LIU Y. Research and application of t he Poyang Lake wetland classification using remote sensing[J ] . Remote Sensing Technology and Application , 2008 , 23 (6) : 648-652.

[3] 于歡,張樹清,崔利,等.基于CBERS-02遙感影像的濕地地表覆蓋分類研究[J].國(guó)土資源遙感,2008(4):69-73.

YU H , ZHANG S Q , CUIL , et al . Wetland cover classification based on CBER-02 remote sensing image[J ] . Remote Sensing for Land & Resources , 2008 (4) : 69-73.

[4] LI Q , MAO F. Ext racting wetland information f rom spot5 imagery in Nansihu area of Shandong province[J ] . Geoscience and Remote Sensing Symposium , 2008 , IGARSS 2008 , IEEE International , 2008.

[5] BERBEROGLU S , CURRAN P J , LLOYD C D. Texture classification of Mediterranean land cover [J ] . International Journal of Applied Eart h Observation and Geoinfomation , 2007 (9) : 322-324.

MAHESH PAL , PAUL M M. An assessment of t he effective of decision t ree met hods for land cover classification[J ] . Remote Sensing of Environment , 2003 , 86 : 554-565.

[7] 徐涵秋.利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J].遙感學(xué)報(bào),2005(5):589-594.

XU H Q. A study on information ext raction of water body wit h t he modified normalized difference water index(MNDWI) [J ] . Journal of Remote Sensing , 2005 (5) : 589-594.

[8] 周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2006.

ZHOU K L , KANG Y H. The Artificial Neural Network (ANN) Model and Simulate Appliance Design wit h Matlab[M] . Beijing : TsingHua University Press , 2006.

[9] 過(guò)仲陽(yáng),韋桃源,李綠芊,等.BP網(wǎng)絡(luò)在研究地下水咸淡水界面波動(dòng)中的應(yīng)用——以長(zhǎng)江河口地區(qū)第二承壓含水層為例[J].華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2001(6):65-69

GUO Z Y, WEI T Y, LI L Q , et al . Applied BP network to study groundwater interface fluctuation[J ] . Journalof East China Normal University(Natural Science ) , 2001 (6) : 65-69.

[10] WIL EN B O , TINER D F. Wetland of t he United States [ C] ∥WHIGHAM D. Wetlands of t he United World.Dordrecht : Kluwer Academic Publishers , 1993 : 515-636.

[11] 殷康前,倪晉仁.濕地研究綜述[J].生態(tài)學(xué)報(bào),1998(9):539-544.

YIN K Q , NI J R. Review of wetland studies[J ] . Acta Ecological Sinica , 1998 (9) : 539-544.

Artif icial neural network classif ication of wetland integrating GISdata : A case st udy of Dongtan wetland in Chongming , Shanghai

LI Xiao-dong1, GUO Zhong-yang1, ZHU Yan-ling1, DAI Xiao-yan2

(1. Key L aboratory of Geographic I nf ormation Science ,Minist ry of Education , East China N ormal Universit y , S hanghai 200062 , China;2. State Key L aboratory of Estuarine and Coastal Research , East China Normal University , S hanghai 200062 , China)

This paper took Dongtan wetland in Chongming Island , Shanghai , as a case study ;using the PCA output s of TM surface feature spect rum , NDVI , MNDWI , DEM and the GIS data as inputting element s of an Artificial Neural Network (ANN) , combined with improved BP algorithm, an ANN classification was applied to the Dongtan wetland. The result s show that the ANN classification method improves the classification accuracy , and can effectively distinguish those object s with similar TM spet ra.

wetland ; remote sensing classification ; ANN ;

TP753/TP183

A

1000-5641(2010)04-0026-09

2009-06

海洋公益性行業(yè)重點(diǎn)項(xiàng)目(200805080);上海市科委重點(diǎn)項(xiàng)目(07DZ12037)

栗小東,男,碩士研究生,主要從事遙感數(shù)據(jù)挖掘研究.E-mail:xdlee@163.com.

過(guò)仲陽(yáng),男,副教授,主要從事數(shù)據(jù)挖掘的研究工作.E-mail:zyguo@geo.ecnu.edu.cn.