何 爽, 盧 霞, 張 森, 李 珊, 唐海童, 鄭 薇, 林 輝, 羅慶齡

基于GA-BP神經(jīng)網(wǎng)絡(luò)的臨洪河口濕地土地覆蓋分類算法研究

何 爽, 盧 霞, 張 森, 李 珊, 唐海童, 鄭 薇, 林 輝, 羅慶齡

(江蘇海洋大學(xué) 海洋技術(shù)與測繪學(xué)院, 江蘇 連云港 222005)

針對傳統(tǒng)分類方法易受到“同物異譜”和“同譜異物”影響, 致使河口濕地覆蓋分類精度較低的問題, 提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分類算法。以江蘇省臨洪河口濕地為研究區(qū), 選用哨兵Sentinel-2影像, 經(jīng)輻射校正、大氣校正和圖像裁剪等預(yù)處理后, 構(gòu)建基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法開展臨洪河口濕地土地覆蓋分類研究, 并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林算法進(jìn)行精度比較。研究結(jié)果表明: 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)算法開展河口濕地土地覆蓋分類的總精度為96.162 7%, Kappa系數(shù)為0.952 0; 與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林分類算法的分類總精度相比, 分別提高了7.359 7%、11.677 9%和6.042 4%; 對應(yīng)的Kappa系數(shù)也相應(yīng)提高了0.090 8、0.118 0和0.074 8; 有效解決了河口濕地土地覆蓋分類精度低的問題。遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)可實現(xiàn)河口濕地土地覆蓋的高精度分類, 促進(jìn)濕地資源的合理開發(fā)和保護(hù), 為實現(xiàn)海洋生態(tài)文明建設(shè)提供技術(shù)支撐。

河口濕地; Sentinel-2; 土地覆蓋分類; 遺傳算法; 神經(jīng)網(wǎng)絡(luò)

河口濕地生態(tài)系統(tǒng)是地球上生產(chǎn)力最高的生態(tài)系統(tǒng)之一, 河口濕地附近的土地往往具有極高的生產(chǎn)力, 它為全球數(shù)百萬人提供了各種商品價值和生態(tài)服務(wù)價值[1]。江蘇省臨洪河口濕地類型多樣, 物種豐富, 對該濕地的開發(fā)主要包括圍墾種植、鹽田生產(chǎn)和港口建設(shè)。近年來, 因交通設(shè)施建設(shè)、農(nóng)業(yè)種植、漁業(yè)養(yǎng)殖等快速發(fā)展導(dǎo)致臨洪河口濕地系統(tǒng)萎縮, 嚴(yán)重影響了濕地中各種動植物的棲息空間, 濕地生態(tài)功能受到一定程度的破壞[2]。因此, 對河口濕地土地覆蓋進(jìn)行高精度地識別至關(guān)重要。

土地覆蓋是指自然營造物和人工建筑物所覆蓋的地表諸要素的綜合體, 包括地表植被、土壤、湖泊、沼澤濕地及各種建筑物(如道路等), 具有特定的時間和空間屬性[3]。在識別河口濕地土地覆蓋方面, 衛(wèi)星遙感影像具有無國界限制、覆蓋面積廣、觀測具有周期性、數(shù)據(jù)客觀等諸多特點[4], 而Sentinel-2衛(wèi)星影像在開源遙感數(shù)據(jù)中分辨率較高, 其空間分辨率為10 m級別的影像數(shù)據(jù), 可以清晰展示衛(wèi)星覆蓋范圍內(nèi)地表類型情況[5]。但是, 由于河口濕地土地覆蓋類型復(fù)雜, 在遙感影像上的光譜特征和空間特征高度相似, 往往存在“同物異譜”和“同譜異物”的現(xiàn)象, 僅僅依靠光譜差異開展土地覆蓋分類, 難以得到較高的分類精度。

目前, 濕地土地覆蓋遙感分類算法大體上可分為基于統(tǒng)計計算和基于空間數(shù)據(jù)的挖掘技術(shù)兩大類[6]。曾有學(xué)者利用監(jiān)督分類和非監(jiān)督類對臨洪河口濕地進(jìn)行植被遙感分類[7], 還有學(xué)者開展臨洪河口濕地的保護(hù)和規(guī)劃[8]、海岸岸線變化監(jiān)測[9]等研究。前人研究表明: 最小距離、最大似然等傳統(tǒng)監(jiān)督分類方法往往出現(xiàn)較多的錯分和漏分現(xiàn)象[10-11], 而BP神經(jīng)網(wǎng)絡(luò)分類算法具有較強(qiáng)的學(xué)習(xí)能力, 很好地適應(yīng)濕地紋理豐富的遙感影像, 與遺傳算法有效結(jié)合確定初始權(quán)重等優(yōu)勢, 較好地解決分類過程中“同物異譜”和“同譜異物”的問題[12-13]。

國內(nèi)已有學(xué)者應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類算法對鹽城濱海濕地土地覆蓋進(jìn)行分類研究[14]; 國外也曾有學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了湖泊濕地景觀分類[15], 但這些研究指出基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的濕地覆被模型不具有普適性, 且需要增加更多的訓(xùn)練樣本或使用改良的BP神經(jīng)網(wǎng)絡(luò)模型來提高分類精度。

鑒于此, 本文采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法, 選用Sentinel-2高分辨率遙感影像對江蘇省臨洪河口濕地土地覆蓋進(jìn)行遙感分類, 深入探討了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元節(jié)點數(shù)和初始權(quán)重分析, 并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林算法進(jìn)行對比, 實現(xiàn)了臨洪河口濕地土地覆蓋遙感的自動分類與智能提取, 為濕地資源的合理開發(fā)和保護(hù)決策提供技術(shù)支撐。

1 數(shù)據(jù)和方法

1.1 研究區(qū)概況

臨洪河口濕地位于江蘇連云港市三大主城區(qū)(贛榆區(qū)、海州區(qū)、連云區(qū))相交接的區(qū)域, 是新沭河下游入海段, 從太平莊閘至入?？谌L15.69 km, 濕地公園總面積達(dá)2 353.10 hm2。臨洪河口濕地類型多樣, 物種豐富, 主要覆蓋類型包括堿蓬, 大米草, 養(yǎng)殖區(qū)等。研究區(qū)具體范圍如圖1所示。

圖1 研究區(qū)地理位置

1.2 遙感數(shù)據(jù)獲取和處理

1.2.1 遙感數(shù)據(jù)的獲取和預(yù)處理

選取2020年5月26日分辨率為10 m的哨兵2號(Sentinel-2)遙感影像作為數(shù)據(jù)源。對遙感影像主要進(jìn)行輻射校正、大氣校正和圖像裁剪等預(yù)處理; 在此基礎(chǔ)上, 為減少波段信息冗余, 選擇哨兵數(shù)據(jù)B2、B3、B4、B8、歸一化水體指數(shù)(NDWI)和歸一化植被指數(shù)(NDVI)進(jìn)行相關(guān)性分析, 以信息量判斷最佳波段組合, 以組合波段間相關(guān)系數(shù)之和最小為依據(jù), 得出: 如圖2所示，采用B8、NDVI和B2進(jìn)行RGB假彩色合成, 可較好地識別濕地土地覆蓋類型。

1.2.2 訓(xùn)練樣本的選擇和可分離性分析

根據(jù)第三次全國土地調(diào)查土地分類體系和中國濱海濕地分類系統(tǒng)[16], 結(jié)合研究區(qū)土地覆蓋現(xiàn)狀實地調(diào)查, 確定了7個土地覆蓋類型, 分別是河流、潮灘、大米草、堿蓬、養(yǎng)殖區(qū)、道路、裸露地。在調(diào)查過程中對實測樣點地物類型采樣留檔, 以實現(xiàn)對訓(xùn)練樣本更精確分類, 提高后續(xù)評價精度和主要地物覆蓋分類質(zhì)量。

利用Jefferies-Matusita (JM)系數(shù)值判別方法來識別訓(xùn)練樣本的可分離性。當(dāng)JM系數(shù)在0~2之間, 越接近2, 分離性越好; 小于1.8, 需要重新選擇樣本; 小于1時考慮合并樣本。訓(xùn)練樣本之間的JM系數(shù)計算結(jié)果如表1所示。從表中可看出: 訓(xùn)練樣本之間的JM值均在1.8~2.0之間, 樣本的可分離性較好。

1.3 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類算法

1.3.1 方法簡介

遺傳算法(Genetic algorithm, GA)是模擬達(dá)爾文進(jìn)化理論的一種自適應(yīng)全局優(yōu)化概率搜索算法[17]。首先, 將遙感分類問題求解表示成基因型(如常用的二進(jìn)制編碼串), 通過交叉、變異等遺傳算子產(chǎn)生新一染色體群。依據(jù)各種收斂條件, 從新老群體中選出適應(yīng)環(huán)境的個體, 最后收斂到適應(yīng)環(huán)境個體上, 求得問題最優(yōu)解。

圖2 RGB(B2、B8、NDVI)假彩色合成

表1 訓(xùn)練樣本的Jeffries-Matusita系數(shù)值

注: “—”表示兩地物類別相同

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為: BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和遺傳算法優(yōu)化權(quán)值和閾值兩部分。其中, BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)根據(jù)樣本的波段數(shù)及輸出參數(shù)的通道數(shù)確定遺傳算法優(yōu)化的參數(shù)的個數(shù), 從而確定編碼長度。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值一般是通過隨機(jī)初始化為[–0.5, 0.5]區(qū)間的隨機(jī)數(shù), 這個初始化參數(shù)對網(wǎng)絡(luò)訓(xùn)練的影響很大, 但是又無法準(zhǔn)確獲得, 對于相同的初始權(quán)重值和閾值, 網(wǎng)絡(luò)的訓(xùn)練結(jié)果一樣, 引入遺傳算法是為了優(yōu)化最佳的初始權(quán)值和閾值。

1.3.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

BP網(wǎng)絡(luò)結(jié)構(gòu)的確定一般遵循以下兩條指導(dǎo)原則: 對于一般的識別分類的問題, 三層網(wǎng)絡(luò)可以很好地解決問題; 在三層網(wǎng)絡(luò)中, 隱藏層神經(jīng)網(wǎng)絡(luò)個數(shù)2和輸入層神經(jīng)元個數(shù)1之間有近似關(guān)系:

研究區(qū)包含7種土地覆蓋類型的訓(xùn)練樣本及背景共8個輸入?yún)?shù), 3個輸出參數(shù), 設(shè)定隱藏層神經(jīng)元個數(shù)為17, 設(shè)置BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為8-17-3; 即輸入層有8個節(jié)點, 隱藏層有17個節(jié)點, 輸出層有3個節(jié)點, 共有187個權(quán)值, 20個閾值; 因此, 遺傳算法的優(yōu)化參數(shù)的個數(shù)為207。隱藏層神經(jīng)元的傳遞函數(shù)采用logsig對數(shù)型激活函數(shù), 輸出層神經(jīng)元的傳遞函數(shù)采用線性函數(shù)purelin激活函數(shù)。這兩個函數(shù)都可微分, 便于利用BP訓(xùn)練網(wǎng)絡(luò)。經(jīng)過反復(fù)訓(xùn)練, 選擇網(wǎng)絡(luò)的顯示間隔為10, 最大收斂次數(shù)設(shè)為20 000, 收斂誤差設(shè)為0.001, 學(xué)習(xí)速率為0.01, 網(wǎng)絡(luò)訓(xùn)練到19 959次收斂, 從而達(dá)到最佳。本文所選用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如圖3所示, 其中, WI表示輸入層權(quán)重矩陣, WL為隱含層權(quán)重矩陣。

1.3.3 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法模型參數(shù)設(shè)定

采用自適應(yīng)調(diào)整遺傳策略[18], 交叉概率(c)與變異概率(m)能夠隨著適應(yīng)度大小而改變。其主要思想是當(dāng)群體中各個體的適應(yīng)度趨于一致或者趨于局部最優(yōu)時, 交叉概率與變異概率增加, 而當(dāng)群體適應(yīng)度分散時, 交叉概率與變異概率減小。同時, 對于適應(yīng)度值高于群體平均適應(yīng)度值的個體, 對應(yīng)于較低的交叉概率與變異概率, 使該個體得以保護(hù)進(jìn)入下一代; 而低于平均適應(yīng)度值的個體, 相對于較高的交叉概率與變異概率, 使該個體被淘汰掉。因此自適應(yīng)的交叉概率與變異概率能夠提供相對于某個解的最佳交叉概率與變異概率。自適應(yīng)策略在保持群體多樣性的同時, 保證了遺傳算法的收斂性。

根據(jù)式(2)—(5)調(diào)整自適應(yīng)遺傳算法的c和m:

其中,1,2,3,4均為小于1的常數(shù),c是交叉概率,c, max是最大交叉概率,c, min是最小交叉概率,m是變異概率,m, max是最大變異概率,m, min是最小變異概率,max為最大進(jìn)化代數(shù),為當(dāng)前進(jìn)化代, 而avg為群體平均適應(yīng)度,′是交叉的兩個個體的最大適應(yīng)度,是變異個體的適應(yīng)度值。

本研究中遺傳算法具體參數(shù)設(shè)定如下, 種群大小為50, 設(shè)置最大遺傳代數(shù)為300代, 變量的二進(jìn)制位數(shù)為10, 交叉概率區(qū)間為[0.5, 0.9], 變異概率為0.01, 代溝設(shè)置為0.95。

為檢驗遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果, 對比分析傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法與遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)算法, 其參數(shù)設(shè)置及特征數(shù)據(jù)集選取一致。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的均方差(Mean square error, MSE)如圖4、圖5所示。對比兩圖發(fā)現(xiàn): 經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)通過調(diào)整權(quán)重改進(jìn)網(wǎng)絡(luò), 訓(xùn)練過程中均方差達(dá)到0.004 6, 提高了近0.006 4。因此, 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型可用于研究區(qū)土地覆蓋分類。

由圖4、圖5發(fā)現(xiàn), 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)收斂速度有所提升, 在5 000次左右達(dá)到均方誤差的閾值, 而BP神經(jīng)網(wǎng)絡(luò)在12 000左右才趨于平緩達(dá)到收斂。從表3可以看出, 遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)擬合優(yōu)度(2)為0.96明顯高于優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò)(0.89), 總體精度和Kappa系數(shù)分別提高了7.36%和0.09, 用時也比較短。在前50次迭代過程中, 未收斂的次數(shù)明顯小于優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò), 說明遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)性能優(yōu)于優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò), 分類效果更好。

圖4 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的MSE

圖5 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的MSE

表2 不同BP神經(jīng)網(wǎng)絡(luò)算法結(jié)果對比

注:2表示擬合優(yōu)度, 指回歸線對預(yù)測值的擬合程度, 越接近1, 擬合程度越好

1.4 分類精度評價方法

使用每類地物至少280個測試樣本分類精度進(jìn)行驗證分析, 驗證精度的因子包含有混淆矩陣、總體精度、Kappa系數(shù)、錯分誤差、漏分誤差、每一地物類型的生產(chǎn)者精度和用戶精度, 并與相同條件下的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林分類結(jié)果進(jìn)行對比, 統(tǒng)計四種分類算法間精度的差異。

2 結(jié)果與分析

2.1 臨洪河口濕地土地覆蓋分類結(jié)果

選用基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò)分類算法、BP神經(jīng)網(wǎng)絡(luò)分類算法、支持向量機(jī)分類算法(Support vector machines, SVM)和隨機(jī)森林(Random forest)４種算法應(yīng)用到江蘇省臨洪河口濕地得到濕地土地覆蓋分類。為了便于開展分類算法精度比較分析, 根據(jù)研究區(qū)7種土地覆蓋類型, 選擇RBF(徑向基)核函數(shù)為SVM算法核函數(shù)[19-20], 選定懲罰系數(shù)為20, gamma參數(shù)設(shè)為0; 選擇樹的數(shù)量為100以及特征數(shù)量采用平方根方式的隨機(jī)森林算法[21-24]; 二者選取與BP神經(jīng)網(wǎng)絡(luò)一致的特征數(shù)據(jù)集; 在此基礎(chǔ)上, 進(jìn)行聚類、Majority/Minority分析等分類后處理, 最終得到研究區(qū)土地覆蓋分類結(jié)果如圖6所示。

2.2 分類精度評價分析

在得到基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林算法的臨洪河口濕地土地覆蓋分類結(jié)果基礎(chǔ)上, 利用實地調(diào)查的驗證樣本數(shù)據(jù)計算混淆矩陣開展分類精度評價, 結(jié)果如表3—表6所示。

從表3—表6中可以看出: 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類算法得到的總體精度為96.162 7%, Kappa系數(shù)為0.952 6; 隨機(jī)森林總體精度及Kappa系數(shù)也相對較高分別為90.120 3%和0.877 8; 而支持向量機(jī)分類算法以及BP神經(jīng)網(wǎng)絡(luò)得到的分類結(jié)果總體精度分別為84.484 8%和88.803 0%, Kappa系數(shù)分別為0.834 6和0.861 8。從總體精度看, 遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)分類方法與支持向量機(jī)分類算法相比, 分類精度大幅提升(總體精度提高了11.677 9%, Kappa系數(shù)增加了0.118), 與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林分類算法相比, 總體精度分別提高了7.359 7%和6.042 4%, Kappa系數(shù)分別增加了0.090 8和0.074 8; 最終優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果與實際臨洪河口濕地土地覆蓋空間分布吻合度最高。

表3 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的土地覆蓋分類精度評價結(jié)果統(tǒng)計

注: 總體精度96.162 7%, Kappa系數(shù)0.952 6。

圖6 不同分類算法的臨洪河口濕地土地覆蓋分類

a: 遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò); b: 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò); c: 支持向量機(jī); d: 隨機(jī)森林

表4 基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的土地覆蓋分類精度評價結(jié)果統(tǒng)計

注: 總體精度88.803 0%, Kappa系數(shù)0.861 8。

表5 基于SVM的土地覆蓋分類結(jié)果精度評價統(tǒng)計

注: 總體精度84.484 8%, Kappa系數(shù)0.834 6。

表6 基于RF的土地覆蓋分類結(jié)果精度評價統(tǒng)計

注: 總體精度90.120 3%, Kappa系數(shù)0.877 8。

由表3、表4和土地覆蓋分類圖6a、圖6b可以發(fā)現(xiàn): 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò), 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)更好的適應(yīng)江蘇省臨洪河口濕地的土地覆蓋實際地物分布。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)可較好提取出潮灘、大米草、河流這三類地物的信息, 而對于道路的提取效果較差, 其生產(chǎn)者精度僅為53.24%, 漏分較為嚴(yán)重, 主要漏分為裸露地和潮灘兩類地物類型; 反觀傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對于裸露地的地物類型分類結(jié)果, 生產(chǎn)者精度明顯高于用戶精度, 即道路和潮灘地物類型被錯分為裸露地的地物類型。主要還是因為道路、裸露地及潮灘的紋理特征高度相似, 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)沒有很好區(qū)分。從表3分析得出, 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對于紋理特征相似度高的潮灘、道路和裸露地三種地物的提取精度均有所提升, 錯分漏分現(xiàn)象減少。

根據(jù)土地覆蓋分類圖6c得出, SVM分類算法對于養(yǎng)殖區(qū)及裸露地的區(qū)分效果不佳, 在養(yǎng)殖區(qū)的地物類型中, 由于覆蓋大量河流資源, 受潮水影響, 加之道路與河流的紋理特征相似, 導(dǎo)致養(yǎng)殖區(qū)內(nèi)很多裸露地的田埂沒有提取出來。結(jié)合表5可以看出, SVM分類算法中道路地物類型的生產(chǎn)者精度高于用戶精度, 依然主要錯分為潮灘和裸露地, 說明SVM分類算法未能在這三種地物之間找到嚴(yán)格的分類界限。

從表6可以看出: RF分類算法相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī), 生產(chǎn)者精度和用戶精度均有所提升, 但是對于裸露地的分類效果不佳, 主要還是受潮水影響, 僅依靠光譜特征, 無法區(qū)分出養(yǎng)殖區(qū)內(nèi)裸露地的田埂。再根據(jù)土地覆蓋分類圖6d可以發(fā)現(xiàn), RF分類算法對于各地物類型的邊緣的處理, 沒有遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)效果好。

綜合比較以上4種分類算法, 遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)算法可較好地適應(yīng)地物的紋理和光譜特征, 生產(chǎn)者精度和用戶精度均較高, 減少了錯誤分類, 提高了總體分類精度; 遺傳算法可擴(kuò)展到任何維度以及對本身知之甚少的遙感影像進(jìn)而實現(xiàn)快速全局尋優(yōu), 是一種求解遙感影像類似復(fù)雜系統(tǒng)問題的通用框架, 與BP神經(jīng)網(wǎng)絡(luò)結(jié)合, 可大大提高分類精度且在訓(xùn)練過程中, 收斂速度更快, 網(wǎng)絡(luò)模型更穩(wěn)定。

3 結(jié)論與討論

如何提高遙感影像分類精度一直是遙感圖像處理中的熱點問題。本研究以江蘇省臨洪河口濕地為研究區(qū), 利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林四種分類算法開展臨洪河口濕地土地覆蓋分類算法研究。通過以上研究, 得到如下結(jié)論:

1) 應(yīng)用4種分類算法得到江蘇省臨洪河口濕地土地覆蓋分類, 總體分類精度分別為96.162 7%、88.803 0%、84.484 8%、90.120 3%, Kappa系數(shù)分別為0.952 6、0.861 8、0.834 6、0.877 8; 分類精度從高到低依次為遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī); 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有最高精度的河口濕地土地覆蓋分類, 且與江蘇省臨洪河口濕地真實地物高度吻合。比較四種分類算法, 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在一定程度上減少了地物像元的混分現(xiàn)象。表明在江蘇省臨洪河口濕地土地覆蓋分類中, 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具備更好的可行性及適用性。

2) 基于遺傳算法優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)算法的河口濕地土地覆蓋分類精度最高, 可能原因是: 首先, BP神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)分類方法, 對于數(shù)據(jù)分布特征沒有任何假定前提。其次, BP神經(jīng)網(wǎng)絡(luò)分類算法基于非線性函數(shù), 可處理復(fù)雜數(shù)據(jù)集, 準(zhǔn)確識別模型, 且可采用多源數(shù)據(jù)提取潛在信息以提高分類精度。最后, 遺傳算法善于總結(jié)復(fù)雜的全局最優(yōu)化問題, 具有較強(qiáng)的全局尋優(yōu)能力, 自適應(yīng)遺傳算法在搜索適應(yīng)性、廣度等方面優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。結(jié)合兩種技術(shù), 可以較好地提取土地覆蓋類型, 搜索全局最優(yōu)解, 實現(xiàn)河口濕地土地覆蓋的高精度分類, 具有較強(qiáng)的推廣應(yīng)用性。

本研究僅基于Sentinel-2遙感影像的分類算法研究, 在構(gòu)建分類模型中, 僅對遺傳算法采用自適應(yīng)調(diào)整遺傳參數(shù), 在保持種群多樣性的同時保證算法收斂性, 未來可以考慮在遺傳算法的變異策略中進(jìn)行優(yōu)化改進(jìn), 以及對不同BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)進(jìn)行對比分析以作進(jìn)一步研究。此外, 還需嘗試構(gòu)建深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法, 以進(jìn)一步拓展濱海濕地土地覆蓋分類算法。

[1] 張舒昱, 李兆富, 徐鋒, 等. 基于多時相無人機(jī)遙感影像優(yōu)化河口濕地景觀分類[J]. 生態(tài)學(xué)雜志, 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] 陳廣成, 周巖, 金嬌, 等. 連云港臨洪河口濕地公園的保護(hù)與恢復(fù)規(guī)劃探討[J]. 林產(chǎn)工業(yè), 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] 邵亞婷, 盧霞, 葉慧, 等. 濱海濕地土地覆蓋面向?qū)ο蠓诸惣白兓O(jiān)測[J]. 海洋科學(xué), 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] 趙忠明, 高連如, 陳東, 等. 衛(wèi)星遙感及圖像處理平臺發(fā)展[J]. 中國圖象圖形學(xué)報, 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.

[5] 田穎, 陳卓奇, 惠鳳鳴, 等. 歐空局哨兵衛(wèi)星Sentinel- 2A/B數(shù)據(jù)特征及應(yīng)用前景分析[J]. 北京師范大學(xué)學(xué)報(自然科學(xué)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] 張策, 臧淑英, 金竺, 等. 基于支持向量機(jī)的扎龍濕地遙感分類研究[J]. 濕地科學(xué), 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.

[8] 孫可寅, 劉秀梅, 朱麗向. 臨洪河口濕地保護(hù)與利用的幾點思考[J]. 水利技術(shù)監(jiān)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.

[9] 梅雪琴, 謝宏全, 王亞娜, 等. 基于Landsat的連云港臨洪河海岸岸線變化分析[J]. 科技創(chuàng)新導(dǎo)報, 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] 劉翔, 劉會玉, 林振山, 等. 基于Landsat OLI影像的鹽城濱海濕地分類方法對比研究[J]. 濕地科學(xué), 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] 陳富龍, 王超, 張紅. 改進(jìn)最大似然遙感影像分類方法-以SAR影像為例[J]. 國土資源遙感, 2008(1): 75-78. Chen Fulong, Wang Chao, Zhang Hong. Improved Maxi-mum Likelihood Remote Sensing Image Classification Method-Taking SAR Image as an Example[J]. Remote Sensing for Land and Resources, 2008(1): 75-78.

[12] 曹兆偉, 林寧, 徐文斌, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的東嶼島遙感影像分類[J]. 海洋通報, 2016, 35(5): 587-593.Cao Zhaowei, Lin Ning, Xu Wenbin, et al. Remote sen-sing image classification of Dongyu Island based on BP neural network[J]. Ocean Bulletin, 2016, 35(5): 587-593.

[13] 可華明, 陳朝鎮(zhèn), 張新合, 等. 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)遙感圖像分類研究[J]. 西南大學(xué)學(xué)報(自然科學(xué)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] 肖錦成, 歐維新, 符海月. 基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類[J]. 生態(tài)學(xué)報, 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.

[16] 牟曉杰, 劉興土, 閻百興, 等. 中國濱海濕地分類系統(tǒng)[J]. 濕地科學(xué), 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] 童小華, 張學(xué), 劉妙龍. 遙感影像的神經(jīng)網(wǎng)絡(luò)分類及遺傳算法優(yōu)化[J]. 同濟(jì)大學(xué)學(xué)報(自然科學(xué)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] 王海軍. AGA-BP模型在遙感影像分類中的應(yīng)用研究[J]. 計算機(jī)測量與控制, 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] 鄒青青, 戚曉明, 王晶, 等. 利用Landsat 8多光譜數(shù)據(jù)的濕地信息提取方法比較研究[J]. 濕地科學(xué), 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] 姚云軍, 張澤勛, 秦其明, 等. 基于支持向量機(jī)的遙感影像濕地信息提取研究[J]. 計算機(jī)應(yīng)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] 劉家福, 李林峰, 任春穎, 等. 基于特征優(yōu)選的隨機(jī)森林模型的黃河口濱海濕地信息提取研究[J]. 濕地科學(xué), 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 opti-mization[J]. Wetland Science, 2018, 16(2): 97-105.

[24] 劉舒, 姜琦剛, 馬玥, 等. 基于多目標(biāo)遺傳隨機(jī)森林特征選擇的面向?qū)ο鬂竦胤诸怺J]. 農(nóng)業(yè)機(jī)械學(xué)報, 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.

Research on classification algorithm of wetland land cover in the Linhong Estuary, Jiangsu Province

HE Shuang, LU Xia, ZHANG Sen, LI Shan, TANG Hai-tong, ZHENG Wei, LIN Hui, LUO Qing-ling

(School of Marine Technology and Geomatics, Jiangsu Ocean University, Lianyungang 222005, China)

estuary wetland; Sentinel-2; land cover classification; genetic algorithm; neural network

Aiming at the problem that traditional classification methods are susceptible to “same matter with different spectrum” and “same spectrum with foreign matter”, resulting in low classification accuracy of estuary wetland coverage, a BP neural network classification algorithm optimized based on genetic algorithm is proposed. The Linhong Estuary wetland in Jiangsu Province was taken as the research area. The Sentinel-2 remote sensing image were chosen and was preprocessed by the radiometric correction, atmospheric correction and image cropping. Due to this, a BP neural network algorithm optimized by adaptive genetic algorithm was conducted to develop the Linhong Estuary wetland land cover classification research. The comparison was performed through classification accuracy among BP neural network algorithm optimized by adaptive genetic algorithm, traditional BP neural network, support vector machine and random forest algorithm. The research results indicated that the total accuracy of BP neural network algorithm optimized by genetic algorithm for estuary wetland land cover classification is 96.162 7%, and the Kappa coefficient is 0.952 0. It was higher than that of the total classification accuracy of traditional BP neural network, support vector machine and random forest classification algorithm. The total accuracy of BP neural network algorithm optimized with adaptive genetic algorithm, traditional BP neural network, support vector machine and random forest algorithm has increased by 7.359 7%, 11.677 9%, and 6.042 4%, respectively. The corresponding Kappa coefficient has also been increased by 0.090 8, 0.118 0, and 0.074 8, respectively. The problem of low accuracy of estuary wetland land cover classification is effectively solved. The BP neural network optimized by genetic algorithm can realize high-precision classification of estuary wetland land cover, promote the rational development and environmental protection of wetland resources, and provide technical support for the construction of marine ecological civilization.

National Natural Science Foundation of China , No. 41506106; “Haiyan Plan” Project of Lianyungang City in 2019; A Project Funded by the Priority Academic Program Development of Jiangsu Higher Education Institutions (PAPD); Jiangsu Province Marine Technology First-Class Professional Construction Project ; Jiangsu Province Graduate Practical Innovation Project in 2019 , No. SJCX19_0962; Jiangsu Province Graduate Student Practice Innovation Project , in 2020]

Aug.14, 2020

TP751

A

1000-3096(2020)12-0044-10

10.11759/hykx20200814002

2020-08-14;

2020-09-25

國家自然科學(xué)基金(41506106); 2019年連云港市“海燕計劃”項目; 江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項目(PAPD); 江蘇省海洋技術(shù)一流專業(yè)建設(shè)項目; 2019年江蘇省研究生實踐創(chuàng)新項目 (SJCX19_0962); 2020年江蘇省研究生實踐創(chuàng)新項目

何爽(1995-), 男, 江蘇宿遷人, 碩士研究生, 主要從事濱海濕地環(huán)境遙感動態(tài)監(jiān)測方面的研究, E-mail: 1198077924@qq.com; 盧霞, 通信作者, 教授, E-mail: luxia1210@163.com

(本文編輯: 劉珊珊)