微粒群優(yōu)化方法的遙感影像變化檢測研究

戴 芹，劉建波，劉士彬

中國科學(xué)院 對地觀測與數(shù)字地球科學(xué)中心，北京 100094

1 引 言

隨著遙感數(shù)據(jù)獲取技術(shù)的不斷進(jìn)步和獲取周期性的逐漸縮短，其應(yīng)用范圍的逐漸拓展和應(yīng)用需求的日益擴(kuò)大，對遙感影像變化檢測技術(shù)提出了新的挑戰(zhàn)。目前，國內(nèi)外研究人員針對不同的應(yīng)用目標(biāo)提出了許多遙感影像變化檢測方法和模型［1－5］。遙感影像變化檢測方法通?？煞譃榭色@得變化類型和只能得到變化／非變化類型兩類方法。變化／非變化類型方法一般是利用多時(shí)相遙感影像直接進(jìn)行運(yùn)算與變換處理，然后確定變化區(qū)域和變化類型［1－7］?？色@得變化類型的方法則主要包括先分類后比較和多時(shí)相直接分類方法。先分類后比較方法，首先將多時(shí)相遙感影像分別分類后，再進(jìn)行比較而得到變化信息。這種方法雖然不受大氣變化、物候狀況差異及不同傳感器差異的影響，但存在工作量較大、自動(dòng)性能較低，容易引起誤差的累積的缺點(diǎn)［3－7］。多時(shí)相直接分類方法，則是將兩個(gè)或多個(gè)時(shí)相遙感數(shù)據(jù)組合起來，通過應(yīng)用監(jiān)督或非監(jiān)督的方法進(jìn)行變化檢測信息的提?。?］，在一定程度上彌補(bǔ)了先分類后比較方法的不足，但在應(yīng)用訓(xùn)練數(shù)據(jù)集進(jìn)行分類器的訓(xùn)練時(shí)，由于需要同時(shí)處理包含多個(gè)時(shí)相的遙感影像數(shù)據(jù)，導(dǎo)致訓(xùn)練集的特征空間較單個(gè)時(shí)相比變得更加復(fù)雜。訓(xùn)練數(shù)據(jù)集通常包含了變化類型和非變化類型，分類類別較多，每個(gè)類別都各具特點(diǎn)，而常規(guī)的分類方法往往對訓(xùn)練樣本要求滿足條件獨(dú)立、服從高斯分布等條件，且在分類器建立時(shí)，均采用一種形式的特征組合，因此當(dāng)訓(xùn)練樣本較復(fù)雜和分散時(shí)，應(yīng)用常規(guī)方法往往檢測精度會受到很大影響［5］。然而，基于規(guī)則的分類方法［15－16］能夠針對不同類別的特點(diǎn)，分別采用不同的特征組合方式來建立逐條分類規(guī)則，在多時(shí)相分類變化檢測方面具有很大的優(yōu)勢。

人工智能算法能夠提供自學(xué)習(xí)、自適應(yīng)、自推理等高效率自動(dòng)化處理過程，日趨受到遙感信息提取和變化檢測等領(lǐng)域研究學(xué)者的強(qiáng)烈關(guān)注［3，8，11］。微粒群優(yōu) 化算法（particle swarm optimization，PSO）是由文獻(xiàn)［10—12］作者于1995年受到鳥類群體覓食行為的啟發(fā)而提出的，目前已經(jīng)成功應(yīng)用在眾多應(yīng)用領(lǐng)域中用來解決優(yōu)化問題。微粒群優(yōu)化方法應(yīng)用于遙感信息提取領(lǐng)域具有一系列的優(yōu)點(diǎn)，能夠極大提高遙感數(shù)據(jù)處理的有效性、精確性和實(shí)用性［17］。本文基于微粒群優(yōu)化方法的自動(dòng)化和智能化特征，在微粒群優(yōu)化方法用于遙感圖像分類的研究基礎(chǔ)上，針對目前遙感信息變化檢測方法的缺陷，探索性地將微粒群優(yōu)化方法的優(yōu)勢運(yùn)用到遙感信息變化檢測當(dāng)中，提出一種微粒群優(yōu)化的變化檢測方法，通過應(yīng)用模擬微粒群在搜索空間的飛行行為建立模型，從變化檢測訓(xùn)練樣本中自動(dòng)搜索得到變化規(guī)則，然后再應(yīng)用搜索得到的變化規(guī)則實(shí)現(xiàn)變化信息的提取。

2 模型與方法

基于PSO算法實(shí)現(xiàn)兩個(gè)時(shí)相的遙感影像變化檢測的研究思路和技術(shù)流程主要包括以下幾個(gè)關(guān)鍵步驟：①分別進(jìn)行兩個(gè)時(shí)相影像數(shù)據(jù)選擇和預(yù)處理；②遙感影像變化規(guī)則的訓(xùn)練；③ 根據(jù)訓(xùn)練獲得的變化規(guī)則，輸入兩個(gè)時(shí)相的遙感數(shù)據(jù)，針對逐條變化規(guī)則的判斷，實(shí)現(xiàn)變化信息的一次性提取。

2.1 變化規(guī)則表達(dá)形式的確定

變化規(guī)則是實(shí)現(xiàn)變化信息提取的基礎(chǔ)，本文采用的變化規(guī)則的表達(dá)形式表示為

規(guī)則表達(dá)式中的conditions部分表示為term1andterm2and…每個(gè)term是一個(gè)三元組合，該組合為｛attribute，operator，value｝，組合中的value是屬性值（attribute）域中的某個(gè)值，此處的attribute是指遙感影像的DN值。組合中operator表示一個(gè)關(guān)系操作符，可以為“＝”、“≥”、“≤”等。

規(guī)則表達(dá)式中的changeclass表示符合此變化規(guī)則的土地覆蓋的變化類別。如果在建立變化規(guī)則當(dāng)中采用關(guān)系符“＝”時(shí)，則需要列舉每個(gè)波段的屬性值value來表達(dá)變化規(guī)則。但由于遙感數(shù)據(jù)屬于連續(xù)型數(shù)據(jù)，每個(gè)波段的屬性值都具有多樣性，因此通過這種枚舉式的方法建立變化規(guī)則是不現(xiàn)實(shí)的［11，13－14］。因此，根據(jù)在土地覆蓋變化類型確定時(shí)，參與變化檢測的遙感影像的各個(gè)波段的屬性值是處于1個(gè)區(qū)間范圍這一特征，本文選擇“≥”和“≤”為關(guān)系操作符。通過應(yīng)用“≥”連接屬性區(qū)間的下限和“≤”連接屬性區(qū)間的上限來定義該波段屬性值的取值范圍，然后再結(jié)合變化類型，從而組成1條完整的變化規(guī)則。譬如，變化規(guī)則“if｛b1≥78.8andb4≤67.0andb5≤89.7｝then｛changeclass＝vegetation to urban｝”，則表示當(dāng)遙感影像在滿足條件“波段1的屬性值≥78.8和波段4的屬性值≤67和波段5的屬性值≤89.7”時(shí)，變化類型為“植被變化為城鎮(zhèn)用地”。

2.2 變化規(guī)則建立的技術(shù)流程

應(yīng)用PSO方法建立變化規(guī)則，是一個(gè)模擬微粒群體在多維空間搜索最優(yōu)解的過程，而微粒群的搜索目標(biāo)是組成變化規(guī)則的不同波段的屬性區(qū)間的最優(yōu)上限和最優(yōu)下限。變化規(guī)則的建立主要包括以下幾個(gè)關(guān)鍵步驟，如圖1所示。

第1步：輸入變化檢測訓(xùn)練集。

第2步：初始化相關(guān)的參數(shù)，分別對微粒群數(shù)目、迭代次數(shù)、區(qū)間的上限初始位置和下限的初始位置、區(qū)間上限的飛行速度和區(qū)間下限的飛行速度初始值的初始化。

第3步：微粒群執(zhí)行循環(huán)操作，每個(gè)微粒需要依據(jù)變化檢測的訓(xùn)練數(shù)據(jù)集，針對每種土地覆蓋變化類型，在參與變化檢測的遙感影像中，計(jì)算每個(gè)波段的屬性區(qū)間的上限和下限的適應(yīng)度，并根據(jù)適應(yīng)度值的比較，從而求出每個(gè)波段的屬性區(qū)間上限和下限的個(gè)體極值和全局最優(yōu)值。

第4步：更新微粒的位置和速度，將搜索到的每個(gè)波段的屬性區(qū)間的上限和下限的全局最優(yōu)值，和關(guān)系連接符“≥”和“≤”連接后，組成變化規(guī)則后置入變化規(guī)則集中。經(jīng)過多次迭代后，得到初始的變化規(guī)則集。

第5步：為了降低將所建立的變化規(guī)則進(jìn)行變化信息提取的風(fēng)險(xiǎn)，對第4步得到的初始變化規(guī)則再按照適應(yīng)度值的從高到低進(jìn)行排序，形成有序的變化規(guī)則集。為了進(jìn)一步降低規(guī)則集的復(fù)雜性，對排序后的初始變化規(guī)則集進(jìn)行了剪枝處理，去除了不必要的條件和不必要的變化規(guī)則，使得在不降低變化檢測精度的同時(shí)，能夠獲得更加簡練的變化規(guī)則。

第6步：最終輸出變化檢測規(guī)則集。

圖1 微粒群優(yōu)化算法的變化檢測規(guī)則建立的偽代碼Fig.1 The pseudo code of constructing change rules based on PSO

2.2.1 微粒的位置和速度向量的表達(dá)

在應(yīng)用PSO方法進(jìn)行遙感影像變化規(guī)則建立時(shí)，微粒表示的變量是組成變化規(guī)則的波段屬性區(qū)間的上限和下限，用微粒的位置來表達(dá)，微粒的飛行速度表示微粒群搜索過程中當(dāng)前位置的變化率，根據(jù)群體最優(yōu)值和個(gè)體最優(yōu)值來決定。由于組成屬性區(qū)間的下限和上限是成對出現(xiàn)的，因此當(dāng)不同時(shí)相的遙感影像組成的波段總數(shù)為m時(shí)，則微粒搜索空間為2m維。那么第i個(gè)微粒的位置向量可表示為［xli1xui1xli2xui2…xlimxuim］，第i個(gè)微粒的飛行速度向量可表達(dá)為［vli1vui1vli2vui2…vlimvuim］。 其 中，xli1表示第i個(gè)微粒在第1波段的下限取值；xui1表示第i個(gè)微粒在第1波段的上限取值；vli1表示第i個(gè)微粒在第1波段下限位置時(shí)的飛行速度；vui1表示第i個(gè)微粒在第1波段上限位置時(shí)的飛行速度。

2.2.2 微粒的位置和速度的初始值設(shè)置

為了提高微粒尋找下限和上限的效率，位置的初始值設(shè)置為［12］

式中，xlij、xuij分別指第i個(gè)微粒在第j個(gè)波段所選擇像元DN值的下限和上限，如果xlij大于xuij，則兩者相互交換；TSij表示i個(gè)微粒從訓(xùn)練樣本中隨機(jī)抽取的第j波段的像元DN值；bandjmax表示第j波段像元的DN值的最大值；bandjmin表示第j波段的像元DN值的最小值。而且，將xuij的初始位置設(shè)置為處于TSij和TSij加上該屬性的取值范圍（bandjmax－bandjmin）之間的任意數(shù)，將xlij的初始位置設(shè)置為在區(qū)間范圍為處于TSij和TSij減去該屬性的取值范圍（bandjmax－bandjmin）之間的任意數(shù)。

微粒的初始速度設(shè)為

2.2.3 微粒的位置和速度的調(diào)整

在運(yùn)用PSO方法進(jìn)行變化規(guī)則建立的過程中，粒子在飛行過程中按照式（5）和式（6）進(jìn)行速度的調(diào)整，按照式（7）和式（8）進(jìn)行位置的調(diào)整［12－13］。

式中，i表示粒子數(shù)量；j表示組成變化檢測的遙感影像的波段數(shù)；t表示迭代次數(shù)；χ為收縮因子；c1、c2為加速度因子，是非負(fù)常數(shù)；φ1、φ2為介于0與1之間的隨機(jī)數(shù)；plij、puij是個(gè)體極值，分別表示第i個(gè)粒子搜索到的第j波段的區(qū)間最優(yōu)上限和最優(yōu)下限；glj、guj是全局極值，分別表示當(dāng)代粒子群體搜索到的第j波段的區(qū)間的最優(yōu)上限和最優(yōu)下限。

2.2.4 適應(yīng)度函數(shù)的建立

對于變化規(guī)則的評價(jià)可以用規(guī)則的適應(yīng)度值來表示，適應(yīng)度值能夠很好地表達(dá)變化規(guī)則的準(zhǔn)確性和有效性，它是變化規(guī)則的質(zhì)量評價(jià)和變化規(guī)則剪枝的依據(jù)。變化規(guī)則的適應(yīng)度值由如下公式來計(jì)算［12－13］

式中，TruePos表示符合變化規(guī)則條件，并且與變化規(guī)則預(yù)測的變化類型相同的樣本總數(shù)；False－Pos表示符合變化規(guī)則條件，但與變化規(guī)則預(yù)測的變化類型不相同的樣本總數(shù)；FalseNeg表示不符合變化規(guī)則條件，但卻與變化規(guī)則預(yù)測的變化類型相同的樣本總數(shù)；TrueNeg表示符合變化規(guī)則條件，卻與變化規(guī)則預(yù)測的變化類型不相同的樣本總數(shù)。

2.2.5 規(guī)則的剪枝

變化規(guī)則的剪枝是按照變化規(guī)則的評價(jià)標(biāo)準(zhǔn)公式（即適應(yīng)度函數(shù)），對建立好的變化規(guī)則進(jìn)行剪枝處理，該處理過程參考文獻(xiàn)［14］，依次剪去變化規(guī)則中的各個(gè)條件后，再計(jì)算變化規(guī)則的適應(yīng)度值，如果適應(yīng)度值增加則刪除該條件。選擇能夠使得適應(yīng)度值提高最多的條件組成變化規(guī)則，使得最終建立的變化規(guī)則盡可能簡單而有效。

3 變化檢測試驗(yàn)與對比分析

3.1 試驗(yàn)數(shù)據(jù)

本文以北京為試驗(yàn)區(qū)進(jìn)行了兩次試驗(yàn)。在分別選擇2000年、2006年和2009年3個(gè)時(shí)相的美國陸地衛(wèi)星影像作為試驗(yàn)數(shù)據(jù)的基礎(chǔ)上，對試驗(yàn)區(qū)2000—2006年和2006—2009年兩個(gè)時(shí)段進(jìn)行了變化檢測試驗(yàn)。其中，2000年的遙感影像為Landsat 5（2000－04－30），2006 年 的 遙 感 影 像 為Landsat 7（2006－09－06），2009 年 的 遙 感 影 像 為Landsat 5（2009－09－22），軌道號都為123／32，每個(gè)時(shí)相遙感數(shù)據(jù)都選擇了波段1、2、3、4、5、7，并選擇覆蓋城區(qū)范圍作為變化檢測的研究區(qū)域。以2006年的圖像作為參考圖像，采用圖像對圖像匹配的方法對2000年和2009年兩期圖像進(jìn)行了幾何校正，糾正精度保持在0.5個(gè)像元以內(nèi)；同時(shí)，通過建立輻射歸一化回歸方程，把2000年和2006年圖像歸一化到2009年的圖像上，實(shí)現(xiàn)輻射歸一化處理。

3.2 變化檢測訓(xùn)練樣本的選取

在應(yīng)用PSO進(jìn)行遙感影像的變化信息一次性提取時(shí)，需要在變化信息樣本選取的同時(shí)考慮變化和無變化的類型。在選取訓(xùn)練樣本和驗(yàn)證樣本時(shí)，均采用實(shí)地調(diào)查和不同時(shí)相的高分辨率遙感數(shù)據(jù)對比兩種方式結(jié)合進(jìn)行人機(jī)交互選擇訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。土地利用變化類型應(yīng)用“A→B”的形式來表達(dá)，其中A為第1時(shí)相土地利用類型，B為第2時(shí)相土地利用類型。在綜合考慮2000—2006年、2006—2009年兩個(gè)時(shí)間段北京市的土地覆蓋轉(zhuǎn)換類型各種可能性的基礎(chǔ)上，分別對2000—2006年、2006—2009年的試驗(yàn)區(qū)進(jìn)行了土地覆蓋的變化類型的定義，并分別選取訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)，如表1、表2所示。

表1 遙感變化檢測訓(xùn)練樣本數(shù)據(jù)（2000—2006年）Tab.1 The change detection training data（2000—2006）

表2 遙感變化檢測訓(xùn)練樣本數(shù)據(jù)（2006—2009年）Tab.2 The change detection training data（2006—2009）

3.3 變化檢測結(jié)果與分析

應(yīng)用PSO算法建立遙感影像信息的變化規(guī)則時(shí)，對PSO算法有關(guān)參數(shù)值進(jìn)行了如下設(shè)置：微?？倐€(gè)數(shù)N設(shè)為100；迭代次數(shù)tmax為200；最小誤差 MaxUncovPerClass為10；c1＝2.05；c2＝2.05；下限的最大速度為vmaxlj＝10；上限的最大速度為vmaxuj＝10。運(yùn)用PSO算法建立變化規(guī)則的流程和根據(jù)上述參數(shù)的選擇，分別對研究區(qū)所選擇的2000—2006年、2006—2009年兩次試驗(yàn)的變化檢測訓(xùn)練樣本數(shù)據(jù)進(jìn)行變化規(guī)則訓(xùn)練，并建立試驗(yàn)區(qū)的變化規(guī)則。在兩次試驗(yàn)中，利用PSO方法均生成了33條變化規(guī)則，圖2列出了5條變化規(guī)則以作示例。根據(jù)建立的變化規(guī)則集，分別以合并的兩個(gè)時(shí)相遙感影像數(shù)據(jù)作為初始輸入數(shù)據(jù)，通過逐條變化規(guī)則的判斷，實(shí)現(xiàn)對研究區(qū)的2000—2006年、2006—2009年兩個(gè)時(shí)間段的土地覆蓋的變化信息提取。圖3為研究區(qū)應(yīng)用PSO方法得到的變化檢測結(jié)果圖。

圖2 試驗(yàn)區(qū)的部分變化規(guī)則（2006—2009年）Fig.2 Some change detection rules of study area from 2006to 2009

圖3 基于PSO方法的研究區(qū)遙感變化檢測結(jié)果圖（2006—2009）Fig.3 The change detection result map of study area based on PSO algorithm from 2006to 2009

為了定量化地說明應(yīng)用PSO方法進(jìn)行變化檢測的精度，分別應(yīng)用兩次試驗(yàn)選擇的驗(yàn)證數(shù)據(jù)集對基于PSO方法的變化檢測方法進(jìn)行了精度檢驗(yàn)，分別獲得混淆矩陣，得到試驗(yàn)區(qū)的2000—2006年的變化檢測總體精度為93.23%，Kappa系數(shù)為0.922 2，2006—2009年的變化檢測總體精度為93.66%，Kappa系數(shù)為0.927 6。本文選擇常用的決策樹 C4.5［15］，PART［16］和最大似然方法與PSO方法分別進(jìn)行了對比分析。分別應(yīng)用訓(xùn)練數(shù)據(jù)集進(jìn)行C4.5、PART和最大似然方法的變化檢測分類器的構(gòu)建，并應(yīng)用測試數(shù)據(jù)集對變化檢測的精度經(jīng)行檢驗(yàn)，得到各個(gè)方法的混淆矩陣，并從總體精度、Kappa系數(shù)、規(guī)則集復(fù)雜度等角度進(jìn)行了對比分析，見表3。從對比結(jié)果可以看出，應(yīng)用PSO方法能夠得到更高的檢測精度，Kappa系數(shù)均高于其他3種方法。同時(shí)從規(guī)則集的復(fù)雜度對比可以看出，兩次試驗(yàn)應(yīng)用PSO方法得到了33條規(guī)則，規(guī)則集均比C4.5和PART方法較簡單。從CPU消耗對比可以看出，應(yīng)用PSO方法稍高于其他幾種方法。

表3 基于PSO與其他幾種方法的變化檢測結(jié)果對比分析Tab.3 The analysis of change detection results using PSO，C4.5，PART and Maximum Likelihood

在試驗(yàn)1（2000—2006年）中，分別對不同方法的混淆矩陣進(jìn)行分析，得出應(yīng)用C4.5方法，對裸地→城鎮(zhèn)、城鎮(zhèn)→植被的檢測效果不理想，其中對裸地→城鎮(zhèn)的檢測中，和城鎮(zhèn)→城鎮(zhèn)、裸地→裸地的混淆明顯，對城鎮(zhèn)→植被的檢測中，和城鎮(zhèn)→城鎮(zhèn)、裸地→城鎮(zhèn)存在較多的混淆，因此精度較低。在應(yīng)用PART方法對裸地→裸地和城鎮(zhèn)→植被的檢測精度也較低，顯著低于PSO方法。應(yīng)用最大似然方法時(shí)，對城鎮(zhèn)→城鎮(zhèn)和城鎮(zhèn)→綠地存在明顯混淆，對植被→城鎮(zhèn)和植被→裸地存在一定程度的混淆，檢測精度低于PSO方法。

在試驗(yàn)2（2006—2009年）中，分別對不同方法的混淆矩陣分析，得出應(yīng)用C4.5方法時(shí)，對裸地→裸地、裸地→城鎮(zhèn)、水體→裸地這三類檢測精度不夠高，尤其是水體→裸地僅為42.1%。應(yīng)用PART方法時(shí)對裸地→裸地、裸地→水體的檢測精度均約為70%，均低于PSO方法。應(yīng)用最大似然方法進(jìn)行變化檢測時(shí)，對裸地→城鎮(zhèn)分類與城鎮(zhèn)→城鎮(zhèn)存在混淆，植被→裸地與綠地→城鎮(zhèn)和城鎮(zhèn)→城鎮(zhèn)存在部分混淆，因此這兩類精度明顯低于PSO方法。

總之，應(yīng)用PSO方法進(jìn)行多時(shí)相遙感影像直接分類變化檢測時(shí)，雖然在計(jì)算消耗方面稍高于C4.5、PART、最大似然方法，但變化檢測的總體精度和Kappa系數(shù)都高于參與比較的這些方法，并且能夠得到比決策樹C4.5和PART更加簡單的規(guī)則，在容易混淆的變化檢測類別方面有著明顯的優(yōu)勢。

4 結(jié) 論

本文將微粒群優(yōu)化方法引入遙感影像變化檢測當(dāng)中，構(gòu)建了基于微粒群優(yōu)化算法的遙感信息變化提取的總體框架和詳細(xì)的技術(shù)流程，并以北京地區(qū)為試驗(yàn)區(qū)，采用了美國陸地衛(wèi)星數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)，應(yīng)用PSO方法即采用變化檢測訓(xùn)練樣本自動(dòng)建立變化規(guī)則，再運(yùn)用建立好的變化規(guī)則直接提取出了土地覆蓋變化類型。從基于PSO方法與決策樹C4.5、PART、最大似然檢測等方法的遙感變化信息檢測結(jié)果的對比分析表明，應(yīng)用PSO方法可以得到更簡單的變化規(guī)則和更高的變化檢測精度。

研究結(jié)果表明，當(dāng)在對研究區(qū)進(jìn)行深入調(diào)查并具有豐富先驗(yàn)知識的前提下，采用本文提出的基于微粒群優(yōu)化的變化檢測方法，往往比常規(guī)分類方法能夠得到較好的變化檢測結(jié)果。基于PSO方法的遙感變化檢測方法是一種基于規(guī)則的方法，是針對多時(shí)相遙感數(shù)據(jù)同時(shí)處理的難點(diǎn)和變化類型多樣化的復(fù)雜特點(diǎn)而被提出的。該方法能夠針對每種土地覆蓋變化類型分別采用不同的特征組合來建立變化規(guī)則，綜合考慮到了每種變化類型的多樣性和差異性，能夠得到理想的變化檢測結(jié)果。本文是將PSO方法探索性地引入到遙感信息變化檢測的領(lǐng)域，充分說明PSO方法在遙感信息提取方面的潛在優(yōu)勢，在后續(xù)的研究工作中將進(jìn)一步完善和提高PSO方法在遙感信息提取中的精度和計(jì)算效率。

［1］ ZHONG Jiaqiang，WANG Runsheng.Multitemporal Remote Sensing Image Change Detection Based on Adaptive Parameter Estimation［J］.Acta Geodaetica et Cartographica Sinica，2005，34（4）：331－336.（鐘家強(qiáng)，王潤生.基于自適應(yīng)參數(shù)估計(jì)的多時(shí)相遙感圖像變化檢測［J］.測繪學(xué)報(bào)，2005，34（4）：331－336.）

［2］ CUI Weihong，SHI Wenzhong，LI Xiaojuan.Development of A Feature Based Saptial－temporal Data Model for Land Use Change Dynamic Monitoring［J］.Acta Geodaetica et Cartographica Sinica，2004，33（2）：138－144.（崔偉宏，史文中，李小娟.基于特征的時(shí)空數(shù)據(jù)模型研究及在土地利用變化動(dòng)態(tài)監(jiān)測中的應(yīng)用［J］，測繪學(xué)報(bào)，2004，33（2）：138－144.

［3］ LU D，MAUSEL P E，BRONDIZIO E，et al.Change Detection Techniques［J］.International Journal of Remote Sensing，2004，25（12）：2365－2407.

［4］ HAME T，HEILER I，MIGUEL－AYANZ J S.An Unsupervised Change and Recognition System for Forestry［J］.International Journal of Remote Sensing，1998，19（6）：1079－1099.

［5］ SINGH A.Digital Change Detection Techniques Using Remotely－sensed Data［J］.International Journal of Remote Sensing，1989，10（6）：989－1003.

［6］ NEMMOUR H，CHIBANI Y.Fuzzy Neural Network Architecture for Change Detection in Remotely Sensed Imagery［J］.International Journal of Remote Sensing，2006，27（4）：705－717.

［7］ MA Jianwen，TIAN Guoliang，WANG Changyao，et al.Review of the Development of Remote Sensing Change Detection Technology［J］.Advance in Earth Science，2004，19（2）：192－196.（馬建文，田國良，王長耀，等.遙感變化檢測技術(shù)發(fā)展綜述［J］.地球科學(xué)進(jìn)展，2004，19（2）：192－196.）

［8］ DAI X L，KHORRAM S.Remotely Sensed Change Detection Based on Artificial Neural Networks［J］.Photogrammetric Engineering ＆ Remote Sensing，1999，65（10）：1187－1194.

［9］ PENG Xiyuan，PENG Yu，DAI Yufeng.Swarm Intelligence Theory and Applications［J］.Acta Electronica Sinica，2003，31（12）：1983－1988.（彭喜元，彭宇，戴毓豐.群智能理論及應(yīng)用［J］.電子學(xué)報(bào)，2003，31（12）：1983－1988.）

［10］ KENNEDY J.Particle Warm Optimizations［C］∥Proceedings of the 1995IEEE International Conference on Neural Networks.Piscataway.Perth：IEEE Service Center，1995：1942－1948.

［11］ LIU Xiaoping，LI Xia，PENG Xiaojuan，et al.Swarm Intelligence for Classification of Remote Sensing Data［J］.Science China：D，2007，37（10）：1401－1408.（劉小平，黎夏，彭曉鵑，等.一種基于生物群集智能優(yōu)化的遙感分類方法［J］.中國科學(xué)：D輯：地球科學(xué)，2007，37（10）：1401－1408.）

［12］ HOLDEN N P，F(xiàn)REITAS A A.A Hybrid PSO／ACO Algorithm for Classification［C］∥Proceedings of the 2007 GECCO Conference Companion on Genetic and Evolutionary Computation.London：［s.n.］，2007：2745－2750.

［13］ BRATTON D，KENNEDY J.Defining a Standard for Particle Swarm Optimization［C］∥Proceedings of the 2007IEEE Swarm Intelligent Symposium.Honolulu：IEEE，2007：120－127.

［14］ PARPINELLI R S，LOPES H S，F(xiàn)REITAS A A.Data Mining with an Ant Colony Optimization Algorithm［J］.IEEE Transactions on Evolutionary Computation，2002，6（4）：321－332.

［15］ QUINLAN J R.C4.5：Programs for Machine Learning［M］.San Francisco：Morgan Kaufmann，1993.

［16］ FRANK E，WITTEN I H.Generating Accurate Rule Sets without Global Optimization［C］∥Fifteenth International Conference on Machine Learning.San Francisco：Morgan Kaufmann，1998：144－151.

［17］ DAI Qin，LIU Jianbo，LIU Shibin.Analysis of Remote Sensing Information Extraction Using Swarm Intelligence Method［J］.Computer Engineering and Applications，2011，47（4）：13－16.（戴芹，劉建波，劉士彬.群智能方法在遙感信息提取中的應(yīng)用分析［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（4）：13－16.）