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

肖錦成，歐維新，符海月

(南京農(nóng)業(yè)大學土地管理學院，南京 210095)

借助遙感影像研究土地利用/覆被變化已成為國際全球變化定量研究的普遍趨勢［1-2］，而遙感影像分類是遙感信息提取的重要手段，發(fā)展分類方法提高分類效率和精度更是遙感應(yīng)用研究的熱點［3］。目前，更為先進的基于BP神經(jīng)網(wǎng)絡(luò)的分類方法體現(xiàn)出獨特優(yōu)勢，逐漸受到國內(nèi)外學者重視［4-5］，該方法的研究幾乎都表明BP算法優(yōu)于其他傳統(tǒng)監(jiān)督分類算法［6-8］，但國內(nèi)就如何構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的遙感分類模型仍處于探索階段，特別是在是否選擇遙感數(shù)據(jù)所有波段及添加何種其他有效地理信息作為輸入層變量［9-12］，使用多少隱藏層及單隱藏層選用多少節(jié)點數(shù)［13］，采取何種優(yōu)化算法避免陷入BP神經(jīng)網(wǎng)絡(luò)的局部最小值［5，14-15］等3個方面未達成統(tǒng)一做法，此外用BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)遙感影像的濕地覆被分類也并不多見。

近年來，由于人類活動、外來種入侵等干擾了濕地自然演替過程，導(dǎo)致濕地生態(tài)系統(tǒng)的覆被破碎化［16］，進而增加了濕地覆被分類調(diào)查的難度。同時，類型多樣的濱海濕地各覆被間的遙感影像光譜特征又具有高度相似性，使用傳統(tǒng)的自動分類方法效果欠佳，更高精度的分類技術(shù)需求迫切。結(jié)構(gòu)合理的BP神經(jīng)網(wǎng)絡(luò)有較好的容錯特性，可以提高分類精度。鑒此，選用近年來使用較廣泛的LANDSAT-7 ETM+遙感影像，在Matlab R2010b和ENVI 4.8等軟件平臺支持下，嘗試用BP神經(jīng)網(wǎng)絡(luò)方法，通過輸入波段優(yōu)化組合、單隱藏層節(jié)點數(shù)測試、BP激勵函數(shù)搭配等相關(guān)模擬實驗，進行鹽城局部濱海濕地覆被分類，并將分類結(jié)果與監(jiān)督分類中的最小距離法和最大似然法的分類結(jié)果進行精度對比，以期為智能化遙感影像的覆被分類研究和濕地資源調(diào)查提供技術(shù)參考。

1 研究區(qū)概況及數(shù)據(jù)說明

1.1 研究范圍

研究區(qū)為江蘇鹽城沿海濕地珍禽國家級自然保護區(qū)的核心區(qū)中的36km2的見方區(qū)域(圖1)。區(qū)內(nèi)地勢平坦，處于亞熱帶與暖溫帶的過渡地帶，適宜喜溫作物生長，該區(qū)由于受人類活動干擾、外來種(互花米草)入侵、潮汐溝系統(tǒng)的演化等影響，原有的植被帶狀分布格局被打破，出現(xiàn)了許多植被交錯帶，遙感影像解譯時覆被類型難以識別。

1.2 遙感數(shù)據(jù)源

選用2010年9月21日美國陸地衛(wèi)星LANDSAT-7 ETM+遙感數(shù)據(jù)(行列號:P119，R037，云量:＜5%，SLCOFF產(chǎn)品)，并使用同年8月20日和4日數(shù)據(jù)進行條帶修復(fù)，修復(fù)后數(shù)據(jù)共有9個波段，其中Band(波段)1—3為可見光波段，Band 4為近紅外波段，Band 5、7為中紅外波段，分辨率均為30m，Band 8為新增加的全色波段，分辨率可達15m，Band 61、62為熱紅外波段，是地面目標熱輻射信息的反映，分辨率均為60m。在遙感影像分類時，僅考慮采用除第6波段以外的其他7個波段。

1.3 研究區(qū)濕地覆被類型劃分

建立土地利用/覆被分類方案是遙感解譯的基礎(chǔ)。本研究結(jié)合實地調(diào)查，影像初判讀，并根據(jù)鹽城濱海濕地土地利用覆被現(xiàn)狀和開發(fā)利用特點，參考《全國濕地資源調(diào)查技術(shù)規(guī)程(試行)》和現(xiàn)有鹽城濱海濕地覆被分類成果［17-18］，將研究區(qū)中的自然覆被劃分成8類，分別為互花米草(Spartina alterniflora)、堿蓬(Suaeda glauca)、茅草(Imperata cylindrica)、蘆葦(Phragmites australis)、砂質(zhì)海灘(潮間植被蓋度＜30%，底質(zhì)以砂、礫石為主)、淤泥海灘(植被蓋度＜30%，洼地、潮汐溝的濱水過渡帶，底質(zhì)以淤泥為主)、坑塘水體(含洼地、潮汐溝)和淺海水域。研究區(qū)遙感影像(RGB:743)及其解譯標志見圖2。

圖2 研究區(qū)ETM+Band 743合成圖像及樣本分布圖Fig.2 Synthetic image of the ETM+(Band 743)and Sample distribution

2 基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類模型

BP神經(jīng)網(wǎng)絡(luò)用于遙感影像分類一般包括網(wǎng)絡(luò)設(shè)計、樣本選擇與訓練和影像自動分類三階段［11，19］，而網(wǎng)絡(luò)設(shè)計又主要包括網(wǎng)絡(luò)的層數(shù)、網(wǎng)絡(luò)各層的節(jié)點數(shù)以及神經(jīng)元的激勵函數(shù)的確定。

2.1 BP分類模型的網(wǎng)絡(luò)設(shè)計

本研究采用最為普及的單隱藏層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，以求得網(wǎng)絡(luò)輸入及輸出的一種函數(shù)關(guān)系［11］，其結(jié)構(gòu)如圖3所示。BP學習過程包括正向傳播和反向傳播兩個過程，為提高學習效率，輸入變量的標準化處理必須遵循兩項原則［20］:①訓練集包含的輸入變量應(yīng)該是不相關(guān)的;②去相關(guān)后的輸入變量應(yīng)調(diào)整至單位區(qū)間。文獻調(diào)研發(fā)現(xiàn)，現(xiàn)有學者幾乎都遵循了第二項原則，但多數(shù)卻忽視了第一項原則，致使在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的遙感分類模型時出現(xiàn)了上述第一類不一致問題。皆知ETM+數(shù)據(jù)波段間往往存在一定的相關(guān)性，即直接使用所有波段數(shù)據(jù)必將影響B(tài)P學習效率，故選擇出合理的波段作為BP分類模型的輸入層數(shù)據(jù)是有必要的。本研究選取了ETM+數(shù)據(jù)的3、4、7、8波段融合處理后的數(shù)據(jù)作為輸入變量。同時，考慮到研究區(qū)地勢平坦，而未加入DEM等其他地理數(shù)據(jù)，所以輸入層節(jié)點數(shù)設(shè)為4。

BP網(wǎng)絡(luò)隱藏層節(jié)點數(shù)的確定，除了參考Kolmogorov定理，大多數(shù)仍依據(jù)經(jīng)驗采用試湊的方式［21］，本研究經(jīng)實驗測試后，確定使用10個節(jié)點。輸出層節(jié)點數(shù)則等于欲分類的濱海濕地類型的數(shù)目，即本模型網(wǎng)絡(luò)輸出層節(jié)點數(shù)為8。借鑒Matlab中最新的BP神經(jīng)網(wǎng)絡(luò)工具的設(shè)計原則，隱藏層和輸出層激勵函數(shù)分別使用Sigmoid函數(shù)和線性函數(shù)。

圖3 三層式BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Structure of the three-tier BP neural network

2.2 模型中輸入波段的選擇

ETM+的不同波段包含有不同的地類特征數(shù)據(jù)，需選出波段信息量大、波段間的相關(guān)性小、波段組合對所研究地物類型的光譜差異大的3個波段作為最佳組合波段。針對研究區(qū)，利用ENVI軟件依次完成遙感影像幾何校正、輻射校正和規(guī)則裁切，并使用Statistics功能［22］得到ETM+各波段的統(tǒng)計信息和各個波段之間的相關(guān)系數(shù)矩陣，其結(jié)果見表1。

標準差的大小與波段信息量的豐富度程正相關(guān)，在僅考慮單波段時，由表1得知，Band 5、3和7是較理想的波段子集，但此時尚未考慮波段間的相關(guān)性。分析得知，可見光波段Band 1、2、3三者間相關(guān)性顯著，系數(shù)達0.936—0.951，而與其它波段相關(guān)性均相對較小;短波紅外Band 5、7波段間相關(guān)性較強，達到了0.930;相對而言，近紅外波段Band 4與短波紅外Band 7波段間的相關(guān)性要小于與Band 5的相關(guān)性。根據(jù)相關(guān)性小的原則和植被指數(shù)計算原理(即3、4波段組合可提供最大量的綠色植被信息［23］，從 Band 1、2、3 中選出 Band 3，Band 5、7 中選出 Band7，并與 Band 4 分別賦予藍、紅、綠，此時在ENVI中的圖像色調(diào)明快，層次清晰，信息完整豐富，干擾信息少(圖2)。同時743波段組合圖像具有兼容中紅外、近紅外及可見光波段信息的優(yōu)勢，適合分類過程中訓練樣本的選擇。

表1 研究區(qū)ETM+各波段光譜信息與波段間相關(guān)系數(shù)矩陣表Table 1 Spectral information and Matrix of correlation coefficient among ETM+bands

由于此項研究工作選用的遙感數(shù)據(jù)源為ETM+數(shù)據(jù)，其全色波段Band 8的空間分辨率為15m，且與自身所有的多光譜波段幾何配準精確，故將全色波段與多光譜波段進行融合，融合后的新圖像既保留了全色波段的高清晰度紋理特征，又具有多光譜波段的光譜信息。經(jīng)過上述預(yù)處理，研究區(qū)遙感影像的分辨率為15m×15m，圖像大小為400×400個像元。

2.3 模型中訓練樣本的選擇

根據(jù)已掌握的研究區(qū)的覆被情況，在圖像上選擇各類別的訓練樣本，以便獲得BP連接權(quán)值矩陣?，F(xiàn)有研究表明，訓練樣本的多少和質(zhì)量好壞在很大程度上影響著不同分類器的分類效果［24］。在對研究區(qū)調(diào)查了解的基礎(chǔ)上，人工選取有代表性的訓練樣本區(qū)域，對每一種濕地類型選取7至23個不等的訓練樣本(表2)。樣本均勻分布于整個研究區(qū)(圖2)，共計900個像元，占整個研究區(qū)總像元數(shù)的5.625‰，且任意類別樣本間的可分離性較好(表3)。

3 MATLAB中BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類的實現(xiàn)

Matlab是一個交互式的基于矩陣運算的快速數(shù)值計算軟件，具有很強的開放性和適應(yīng)性［25］，在此主要運用其推出的神經(jīng)網(wǎng)絡(luò)工具箱和圖像處理工具箱，完成建摸與仿真、數(shù)據(jù)分析與可視化。用Matlab創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)并實現(xiàn)濱海濕地覆蓋分類主要包括:影像輸入與降維，網(wǎng)絡(luò)創(chuàng)建、訓練與仿真，影像自動分類與結(jié)果輸出這3個環(huán)節(jié)，其中科學的圖像數(shù)據(jù)轉(zhuǎn)換和合理設(shè)定BP神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點數(shù)是該階段的核心，并直接影響分類結(jié)果和分類速率。

表2 訓練樣本數(shù)統(tǒng)計表Table 2 Number of the training samples

表3 訓練樣本可分離性統(tǒng)計表Table 3 The Jeffries-Matusita Parameter of ROI

3.1 影像輸入與降維

利用importdata函數(shù)加載預(yù)處理后的遙感圖像各波段二維灰度數(shù)據(jù)，但這些圖像數(shù)據(jù)不能直接輸入到BP神經(jīng)網(wǎng)絡(luò)里面，必須先將其變?yōu)殡p精度一維向量形式，并歸一化到［-1，1］之間，此過程可依次使用im2double函數(shù)、cat函數(shù)和mapminmax函數(shù)實現(xiàn)。根據(jù)訓練樣本所在位置提取出BP神經(jīng)網(wǎng)絡(luò)訓練模塊輸入數(shù)據(jù)，最后把輸出目標矩陣從1行變成8行，完成該訓練模塊目標數(shù)據(jù)的設(shè)定，如圖4所示。

圖4 BP訓練運算示意圖Fig.4 Computing schematic of BP training

3.2 BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建、訓練與仿真

利用ANN工具箱中最新的feedforwardnet函數(shù)可以很方便地創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)，其格式為net=feedforwardnet(hiddenSizes，trainFcn)，其中hiddenSizes表示隱藏層節(jié)點數(shù)，trainFcn表示訓練功能函數(shù)。在trainFcn中trainlm常常是最快捷的函數(shù)，該函數(shù)根據(jù)Levenberg-Marquardt算法優(yōu)化了權(quán)重和偏置值的計算，即最低性能梯度為1e-10、學習速率基值為0.001、學習速率減少率為0.1、學習速率增加率為10、最大學習速率為1e10。而train函數(shù)和sim函數(shù)則可輕松訓練出特定的輸入與輸出對應(yīng)關(guān)系的連接權(quán)值矩陣，當誤差小于期望值時代表訓練成果，訓練結(jié)束后，網(wǎng)絡(luò)就可對輸入數(shù)據(jù)自動地進行覆被分類。

但是，由于應(yīng)用對象和網(wǎng)絡(luò)結(jié)構(gòu)的不同，隱藏層的神經(jīng)元節(jié)點數(shù)很難用統(tǒng)一的模式確定，為了獲得特定的濕地遙感影像分類模型［26］，在此分別就含2至17個隱藏層節(jié)點數(shù)的三層式BP神經(jīng)網(wǎng)絡(luò)依次進行訓練和測試，并分別用norm函數(shù)和corr函數(shù)計算樣本真實值與模擬值的誤差均方根Res和Pearson相關(guān)系數(shù)的平方(R2)，比較結(jié)果見表4。結(jié)果發(fā)現(xiàn)，當隱含層有10個節(jié)點時，測試樣本網(wǎng)絡(luò)的輸出效果最好，R2值最大，Res值最小，因此，選用隱含層有10個節(jié)點的三層式BP神經(jīng)網(wǎng)絡(luò)模型用于濕地遙感影像分類。

表4 隱藏層不同節(jié)點數(shù)的R2和Res值Table 4 R2and Res value on different hide nodes

3.3 BP影像自動分類與結(jié)果輸出

BP影像自動分類，即在同一個BP神經(jīng)網(wǎng)絡(luò)下，使用訓練得到的連接權(quán)值矩陣，以單個像元為單位，計算出分類判斷值，并將各像元歸并到最可能的覆被類型中。最后，逆向轉(zhuǎn)換分類結(jié)果，將一維數(shù)據(jù)轉(zhuǎn)變?yōu)?00行400列二維灰度圖像。其中，待分類的遙感數(shù)據(jù)的輸入預(yù)處理過程與訓練樣本數(shù)據(jù)輸入預(yù)處理過程相似。在Matlab下完成研究區(qū)遙感影像自動分類，結(jié)果見圖5。

3.4 解譯精度對比

使用與BP分類相同的波段融合數(shù)據(jù)和訓練樣本，在ENVI中分別實施最小距離分類和最大似然分類，分類后的圖像見圖5。同時，根據(jù)野外實地調(diào)查和影像紋理特征，人工目視解譯出研究區(qū)精準的各覆被分類(圖5)。統(tǒng)一將BP神經(jīng)網(wǎng)絡(luò)、最小距離、最大似然的3個分類結(jié)果圖，分別與人工目視解譯標準分類圖進行混淆矩陣的計算，得出3種分類方法下的不同覆被的分類精度及其Kappa系數(shù)和分類總精度(表5)，以實現(xiàn)分類結(jié)果的精度對比。

表5 不同分類方法的分類精度對比表Table 5 Classification accuracy compared with different classification methods/%

圖5 各方法分類結(jié)果圖Fig.5 Classification results used different classification methods

從表5可以看出，BP神經(jīng)網(wǎng)絡(luò)分類方法的精度最高，總精度可達85.91%，Kappa系數(shù)為0.8328，與最小距離法、極大似然法的分類總精度相比，分別提高了7.99%和6.08%，同時Kappa系數(shù)也有類似程度的提高。這種濱海濕地覆被分類精度的提高與分類算法的優(yōu)越性有關(guān)，BP神經(jīng)網(wǎng)絡(luò)算法具有高度的容錯能力和自學習能力，有利于區(qū)分高度相似的濱海濕地各覆被間遙感影像的光譜特征，即在分類模型訓練階段，允許輸入樣本中帶有個別誤差，個別樣本誤差不會左右正確規(guī)律的連接權(quán)值。

4 結(jié)論與討論

4.1 結(jié)論

本研究利用鹽城沿海灘涂及珍禽自然保護區(qū)核心區(qū)的ETM+遙感數(shù)據(jù)，構(gòu)建了“4-10-8”的三層式BP神經(jīng)網(wǎng)絡(luò)濕地覆被分類模型，并應(yīng)用于核心區(qū)內(nèi)36km2的自然濕地覆被分類研究中。實驗表明:①BP神經(jīng)網(wǎng)絡(luò)分類法簡單實用，收斂速度快，在一定程度上消除異物同譜的現(xiàn)象，網(wǎng)絡(luò)仿真輸出效果好，能夠提高濱海濕地遙感圖像的分類總精度，是一種較為有效的濕地遙感影像分類技術(shù);②在使用BP神經(jīng)網(wǎng)絡(luò)進行遙感數(shù)據(jù)解譯分類時，合理的波段組合與融合，不僅可以提高影像分辨率，而且可以提高BP分類效率與精度。③強大的Matlab神經(jīng)網(wǎng)絡(luò)工具箱，為用戶提供了豐富的網(wǎng)絡(luò)訓練與仿真函數(shù)，為BP神經(jīng)網(wǎng)絡(luò)用于遙感圖像分類建立了高效的試驗平臺，免去了許多編程的煩惱，取得了事半功倍的效果。

4.2 討論

隨著近年來遙感技術(shù)與計算機技術(shù)的日益成熟，為濕地信息的采集與處理提供了有效手段。分辨率的高低在很大程度上決定其解譯精度，與高分辨率數(shù)據(jù)相比，ETM+數(shù)據(jù)具有價格低、景幅覆蓋范圍大、用戶多等特點，在大范圍的濕地研究中，使用合理的解譯手段，充分挖掘ETM+所包含的波段信息數(shù)據(jù)，不僅可為濕地研究提供較為可靠數(shù)據(jù)保障，而且可降低研究成本，從而吸引更多的學者參與濕地研究。

本研究使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建起了適用于鹽城濱海濕地的覆被分類模型，但該模型未必適用于其他非濕地覆被的分類，且當欲分覆被類型數(shù)有增減時，也必須調(diào)整模型單隱藏層節(jié)點數(shù)，鑒于此，本研究更多地體現(xiàn)為方法上的探討，更多特定區(qū)域覆被分類模型有待進一步研究。

就濕地覆被分類模型而言，通過選擇更為合理或更多的訓練樣本，或使用改良的BP神經(jīng)網(wǎng)絡(luò)模型，可能仍會進一步提高分類精度，這可以在以后的BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計研究中改進。該領(lǐng)域更是期待著更多的研究者將其他人工神經(jīng)網(wǎng)絡(luò)或智能算法用于遙感影像的解譯，進一步推進遙感圖像處理技術(shù)的發(fā)展。

致謝:感謝南京師范大學呂恒副教授對模型構(gòu)建的幫助。

［1］ Xiao J Y，Ge J F，Shen Y J，Liang Y Q.Research on Land Use/Cover Change in Shijiazhuang Using Landsat TM and ETM+Data.Scientia Geographica Sinica，2005，25(4):113-118.

［2］ Yu X X，Yang G S.The Advances and Problems of Land Use and Land Cover Change Research in China.Progress In Geography，2002，21(1):51-57.

［3］ Jia K，Li Q Z，Tian Y C，Wu B F.A Review of Classification Methods of Remote Sensing Imagery.Spectroscopy and Spectral Analysis，2011，31(10):2618-2623.

［4］ Wang Y Y，Li J.Classification Methods of Land Use/Cover Based on Remote Sensing Technology.Remote Sensing Information，2004(1):53-59.

［5］ Luo J C，Zhou C H，Yang Y.ANN Remote Sensing Classification Model and Its Integration Approach with Geo-knowledge.Journal of Remote Sensing，2001，5(2):122-129.

［6］ Liu X S，Li F，Zan G S，Zhang X L，Wang J H.Artificial Neural Network Classification for Forest Vegetation Mapping with Combination of Remote Sensing and GIS.Journal of Remote Sensing，2007，11(5):710-717.

［7］ Wang J M，Qin W Z.BP Neural Network Classifier Based on Levenberg-Marquardt Algorithm.Editorial Board of Geomatics and Information Science of Wuhan University，2005，30(10):928-931.

［8］ Jia Y H.Application of Artificial Neural Network to Classification of Multi-source Remote Sensing Imagery.Bulletin of Surveying and Mapping，2000(7):7-8.

［9］ Yang J，Chi H K，Mo M.Vegetation Classification of Multispectral Remotely Sensed Data Using Neural Network.Acta Phytoecologica Sinica，2002，26(2):185-188.

［10］ Wang Y J.Artificial Neural Network Models in Remote Sensing And Multisource Geographic Data Classification.Scientia Geographica Sinica，1997，17(2):10-17.

［11］ Li X D，Guo Z Y，Zhu Y L，Dai X Y.Artificial neural network classification of wetland integrating GIS data:A case study of Dongtan wetland in Chongming，Shanghai.Journal of East China Normal University(Natural Science)，2010(4):26-34.

［12］ Zhang Y S，F(xiàn)eng X Z，Ruan R Z.Application of Back-Propagation Neural Network Supported by GIS in the Classification of Remote Sensing Image.Journal of Nanjing University(Natural Sciences)，2003，39(6):806-813.

［13］ Han M，Cheng L，Xing J.Research on classification of land cover in Zhalong wetland area based on neural network.Journal of Dalian University of Technology，2004，44(4):582-588.

［14］ Luo C F，Liu Z J，Wang C Y，Niu Z.Optimized BP neural network classifier based on genetic algorithm for land cover classification using remotelysensed data.Transactions of the Chinese Society of Agricultural Engineering，2006，22(12):133-137.

［15］ Liu X W.Remote Sensing Image Study of Classification Based on Improved BP Neural Network.Chang′an University，2009.

［16］ Bai J H，Ou Y H，Cui B S，Wang Q G，Chen H.Changes in landscape pattern of alpine wetlands on the Zoige Plateau in the past four decades.Acta Ecologica Sinica，2008，28(5):2245-2252.

［17］ Ou W X，Yang G S.Approach of Evaluation and Zoning for Wetland Ecological and Economic Functions Based on Ecological Niche.Wetland Science，2009，7(2):125-129.

［18］ Zhang H B，Liu H Y，Hao J F，Li Y F.Spatiotemporal characteristics of landscape change in the coastal wetlands of Yancheng caused by natural processes and human activities.Acta Ecologica Sinica，2012，32(1):101-110.

［19］ Chen Y M.Application of Neural Network to Classification of Remote Sensing Image.Wtusm Bulletin of Science and Technology，2002，27(3):6-8.

［20］ Simon H.Neural network and learning machines.Beijing:Mechanical Industry Press，2011.

［21］ Wu C X，Liu L，Wang B Y.The Study of the Method to Determining the Number of Hidden Units of Three layer BP Neural Networks.Journal of Wuhan Technical University of Surveying and Mapping，1999，24(2):85-87.

［22］ Deng S B.ENVI Remote Sensing Image Processing Method.Beijing:Science Press，2010.

［23］ Cao Y，Cheng H，Ou Y H，Xiao D N.Landscape Ecological Classification Using Vegetation Indices Based on Remote Sensing Data:A Case Study of Ejin Natural Oasis Landscape.Journal of Natural Resources，2006，21(3):481-488.

［24］ Zhu X F，Pan Y Z，Zhang J S，Wang S，Gu X H，Xu C.The Effects of Training Samples on the Wheat Planting Area Measure Accuracy in TM Scale:The Accuracy Response of Different Classifiers to Training Samples.Journal of Remote Sensing，2007(6):826-837.

［25］ Tu R N G L，Zhang X F.Studies on Classification of Remote Sensing Image Processing Based on Artificial Neural Network.Journal of Changchun Normal University，2006，25(1):81-84.

［26］ Lv H，Li X G，Cao K.Quantitative Retrieval of Suspended Solid Concentration in Lake Taihu Based on BP Neural Net.Geomatics and Information Science of Wuhan University，2006，31(8):683-686.

參考文獻:

［1］ 肖捷穎，葛京鳳，沈彥俊，梁彥慶.基于TM和ETM+遙感分析的石家莊市土地利用/覆被變化研究.地理科學，2005，25(4):113-118.

［2］ 于興修，楊桂山.中國土地利用/覆被變化研究的現(xiàn)狀與問題.地理科學進展，2002，21(1):51-57.

［3］ 賈坤，李強子，田亦陳，吳炳方.遙感影像分類方法研究進展.光譜學與光譜分析，2011，31(10):2618-2623.

［4］ 王圓圓，李京.遙感影像土地利用/覆蓋分類方法研究綜述.遙感信息，2004(1):53-59.

［5］ 駱劍承，周成虎，楊艷.人工神經(jīng)網(wǎng)絡(luò)遙感影像分類模型及其與知識集成方法研究.遙感學報，2001，5(2):122-129.

［7］ 王建梅，覃文忠.基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)分類器.武漢大學學報(信息科學版)，2005，30(10):928-931.

［8］ 賈永紅.人工神經(jīng)網(wǎng)絡(luò)在多源遙感影像分類中的應(yīng)用.測繪通報，2000(7):7-8.

［9］ 楊健，池宏康，莫沫.應(yīng)用神經(jīng)網(wǎng)絡(luò)和多譜段遙感數(shù)據(jù)對大嶼山島土地覆蓋分類的研究.植物生態(tài)學報，2002，26(2):185-188.

［10］ 王野喬.遙感及多源地理數(shù)據(jù)分類中的人工神經(jīng)網(wǎng)絡(luò)模型.地理科學，1997，17(2):10-17.

［11］ 栗小東，過仲陽，朱燕玲，戴曉燕.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.華東師范大學學報(自然科學版)，2010(4):26-34.

［12］ 張友水，馮學智，阮仁宗.基于GIS的BP神經(jīng)網(wǎng)絡(luò)遙感影像分類研究.南京大學學報(自然科學版)，2003，39(6):806-813.

［13］ 韓敏，程磊，邢軍.基于神經(jīng)網(wǎng)絡(luò)的扎龍濕地土地覆蓋分類研究.大連理工大學學報，2004，44(4):582-588.

［14］ 駱成鳳，劉正軍，王長耀，牛錚.基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)遙感數(shù)據(jù)土地覆蓋分類.農(nóng)業(yè)工程學報，2006，22(12):133-137.

［15］ 劉香偉.基于改進型BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究.長安大學，2009.

［16］ 白軍紅，歐陽華，崔保山，王慶改，陳輝.近40年來若爾蓋高原高寒濕地景觀格局變化.生態(tài)學報，2008，28(5):2245-2252.

［17］ 歐維新，楊桂山.基于生態(tài)位的濕地生態(tài)-經(jīng)濟功能評價與區(qū)劃方法探討.濕地科學，2009，7(2):125-129.

［18］ 張華兵，劉紅玉，郝敬鋒，李玉鳳.自然和人工管理驅(qū)動下鹽城海濱濕地景觀格局演變特征與空間差異.生態(tài)學報，2012，32(1):101-110.

［19］ 陳玉敏.基于神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究.測繪信息與工程，2002，27(3):6-8.

［20］ Simon H加.神經(jīng)網(wǎng)絡(luò)與機器學習.北京:機械工業(yè)出版社，2011.

［21］ 伍春香，劉琳，王葆元.三層BP網(wǎng)隱層節(jié)點數(shù)確定方法的研究.武漢測繪科技大學學報，1999，24(2):85-87.

［22］ 鄧書斌.ENVI遙感圖像處理方法.地理信息系統(tǒng)理論與應(yīng)用叢書，第一版.北京:科學出版社，2010.

［23］ 曹宇，陳輝，歐陽華，肖篤寧.基于多項植被指數(shù)的景觀生態(tài)類型遙感解譯與分類——以額濟納天然綠洲景觀為例.自然資源學報，2006，21(3):481-488.

［24］ 朱秀芳，潘耀忠，張錦水，王雙，顧曉鶴，徐超.訓練樣本對TM尺度小麥種植面積測量精度影響研究——訓練樣本與分類方法間分類精度響應(yīng)關(guān)系研究.遙感學報，2007，11(6):826-837.

［25］ 吐熱尼古麗，張曉帆.基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究.長春師范學院學報，2006，25(1):81-84.

［26］ 呂恒，李新國，曹凱.基于BP神經(jīng)網(wǎng)絡(luò)模型的太湖懸浮物濃度遙感定量提取研究.武漢大學學報(信息科學版)，2006，31(8):683-686.