基于BP神經(jīng)網(wǎng)絡(luò)的馬鈴薯遙感識別圖像數(shù)據(jù)分析研究

周揚(yáng)帆 陳佑啟 鄒金秋 何英彬

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

基于BP神經(jīng)網(wǎng)絡(luò)的馬鈴薯遙感識別圖像數(shù)據(jù)分析研究

周揚(yáng)帆 陳佑啟 鄒金秋 何英彬

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

運(yùn)用遙感手段精確監(jiān)測馬鈴薯種植面積是穩(wěn)固馬鈴薯主糧化政策、維護(hù)國家糧食安全的必要保障。本文以吉林省長春市九臺區(qū)紀(jì)家鎮(zhèn)、興隆鎮(zhèn)為研究區(qū)，選用landsat8 OLI遙感數(shù)據(jù)，借助ENVI平臺構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的土地覆蓋分類模型，應(yīng)用于研究區(qū)的馬鈴薯等作物分類研究。以landsat8 OLI7個彩色波段作為輸入，不斷調(diào)節(jié)分類參數(shù)，最終確定了最優(yōu)分類網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)法馬鈴薯的分類生產(chǎn)者精度為94.22%。研究表明，BP神經(jīng)網(wǎng)絡(luò)分類方法是一種手段靈活、結(jié)果較準(zhǔn)確的馬鈴薯遙感識別方法。

BP神經(jīng)網(wǎng)絡(luò)；馬鈴薯；遙感影像；遙感數(shù)據(jù)；遙感影像識別；最優(yōu)參數(shù)；誤差調(diào)節(jié)

目前，借助遙感影像進(jìn)行農(nóng)作物面積的提取主要應(yīng)用于玉米、水稻等禾本科作物，對馬鈴薯等茄科作物研究較少。在眾多的遙感分類方法中，傳統(tǒng)的遙感農(nóng)作物種植面積獲取方法雖具有一定的意義，但經(jīng)常受到人為或地表環(huán)境因素限制，即使改進(jìn)方法，分類精度也難以達(dá)到研究要求。如k-means算法收斂速度快，但過分依賴初值，容易陷入局部極值；最大似然分類精度較高，但卻要求輸入數(shù)據(jù)滿足正態(tài)分布。

近年來，人工神經(jīng)網(wǎng)絡(luò)智能分類方法成為熱點(diǎn)。其中，BP神經(jīng)網(wǎng)絡(luò)法操作簡單，具有較強(qiáng)的非線性逼近及自我學(xué)習(xí)能力，對樣本適應(yīng)性強(qiáng)，分類結(jié)果可靠，逐漸受到重視[1-5]。彭光雄等[6]選用BP神經(jīng)網(wǎng)絡(luò)法，基于多時相的遙感影像提取云南省彌勒縣境內(nèi)的竹園壩地區(qū)的甘蔗和玉米種植區(qū)，Kappa系數(shù)為0.635。方惠敏等[7]依據(jù)國家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心數(shù)據(jù)庫為樣本數(shù)據(jù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)提取試驗區(qū)內(nèi)玉米種植面積，并建立預(yù)測玉米區(qū)域測試產(chǎn)量模型。熊勤學(xué)等[8]選取MODIS 的NDVI時序曲線進(jìn)行分析，采用BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行分類，有效提取出湖北省江陵區(qū)中稻、晚稻、棉花3種作物類型。目前，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行遙感識別已經(jīng)發(fā)展至能結(jié)合反射率及植被指數(shù)等不同數(shù)據(jù)類型、地物光譜特征及紋理特征等不同輸入特征的智能分類方法。此外，遙感數(shù)據(jù)源是應(yīng)用遙感技術(shù)進(jìn)行作物分類的基礎(chǔ)，其質(zhì)量和成本直接決定了研究的尺度和效率。目前的衛(wèi)星影像數(shù)據(jù)從光譜分辨率、空間分辨率和時間分辨率進(jìn)行識別基本覆蓋了各種類型的數(shù)據(jù)，但受到傳感器制造技術(shù)的限制，同一種數(shù)據(jù)的3種分辨率往往無法兼顧[9]。

考慮到作物識別需要利用衛(wèi)星豐富的波段信息及較高的空間分辨率。綜合比較后，本文選用近年來應(yīng)用較為廣泛的Landsat8 OLI遙感影像，在ENVI5.3等軟件平臺支持下，使用BP神經(jīng)網(wǎng)絡(luò)方法，通過調(diào)節(jié)訓(xùn)練參數(shù)，對吉林省長春市九臺區(qū)紀(jì)家鎮(zhèn)、興隆鎮(zhèn)耕地進(jìn)行類別分類，提取馬鈴薯種植區(qū)域，以期對智能化遙感影像的馬鈴薯識別研究提供參考。

紀(jì)家鎮(zhèn)、興隆鎮(zhèn)隸屬吉林省長春市九臺區(qū)，位于東經(jīng) 125°34′50″—125°47′50″，北緯 44°5′12″—44°24′34″。土地總面積為 369.36 km2，其中耕地面積為293.19 km2（占土地總面積的79.3794%），盛產(chǎn)馬鈴薯、玉米和水稻，是國家重點(diǎn)商品糧基地、出口基地和長春地區(qū)重要的農(nóng)副產(chǎn)品集散地之一。研究區(qū)內(nèi)作物種植類型豐富，品種齊全，適合進(jìn)行多種作物中識別馬鈴薯的遙感研究。

1 遙感數(shù)據(jù)源與輔助數(shù)據(jù)

Landsat8衛(wèi)星于2013年2月11日發(fā)射，是美國陸地探測衛(wèi)星系列的后續(xù)衛(wèi)星。衛(wèi)星裝備有陸地成像儀（Operational Land Imager，簡稱“OLI”）和熱紅外傳感器（Thermal Infrared Sensor，簡稱“TIRS”）。OLI被動感應(yīng)地表反射的太陽輻射和散發(fā)的熱輻射，有9個波段的感應(yīng)器，覆蓋了從紅外到可見光的不同波長范圍。為獲取試驗區(qū)分類訓(xùn)練、檢驗樣方，于2016年6月進(jìn)行野外調(diào)查，確定了不同分類地物所在位置，主要類型包括馬鈴薯、玉米、水稻和其他地表覆蓋（居民區(qū)、水體、道路等）4類。在實(shí)地調(diào)查時，除了記錄前期勾畫的外業(yè)調(diào)查樣本的類別屬性外，同時用 GPS 記錄野外調(diào)查路線中遇到的典型馬鈴薯區(qū)域地理坐標(biāo)。依據(jù)樣本點(diǎn)和野外打點(diǎn)數(shù)據(jù)，用目視解譯在ArcGIS軟件平臺中生成研究區(qū)本底圖（圖1），以此作為驗證BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果的驗證基礎(chǔ)。

圖1 研究區(qū)本底圖

2 研究方法

在整個分類過程中，選擇合理的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及分類參數(shù)可以使網(wǎng)絡(luò)具備良好的容錯性，得出較好的分類結(jié)果。研究表明[12-13]，在眾多人工神經(jīng)網(wǎng)絡(luò)算法中，BP神經(jīng)網(wǎng)絡(luò)方法是最廣泛的研究與應(yīng)用的分類方法。

分類時選用數(shù)據(jù)為Landsat8 OLI遙感影像7個彩色波段（1～7波段），因此輸入層節(jié)點(diǎn)數(shù)為7，按照4個地物類型設(shè)置輸出層節(jié)點(diǎn)數(shù)為4。整個分類過程在ENVI平臺進(jìn)行，需要選擇設(shè)定的參數(shù)如下。

（1）活化函數(shù)：輸入層與隱層及隱層與輸出層間的傳遞函數(shù)，包括對數(shù)函數(shù)和雙曲線函數(shù)兩類。

（2）初始權(quán)值：用于調(diào)節(jié)節(jié)點(diǎn)內(nèi)部權(quán)重的變化。通過交互式調(diào)整輸入層與隱層及隱層與輸出層節(jié)點(diǎn)間的權(quán)重和閾值，從而使輸出結(jié)果與理想輸出值之間的誤差值達(dá)到最小。

（3）學(xué)習(xí)速率：BP神經(jīng)網(wǎng)絡(luò)選用梯度下降法進(jìn)行誤差調(diào)節(jié)，調(diào)節(jié)過程中的步長因子即代表學(xué)習(xí)速率，參數(shù)值越大則使訓(xùn)練速度越快，但也會增加擺動或使訓(xùn)練結(jié)果不收斂。

（4）動量因子：引入動量因子是為了增加網(wǎng)絡(luò)的穩(wěn)定性防止振蕩，促使權(quán)重沿當(dāng)前方向改變。以此提高算法迅速收斂的能力，改善梯度下降法收斂速度慢、陷入局部極小值的缺陷。

為模擬CaO基CO2吸附劑實(shí)際分解反應(yīng)過程，建立準(zhǔn)確的預(yù)測模型，須獲得升溫過程中顆粒加熱速率高達(dá) 1 × 102 ～ 1 × 105℃/s的反應(yīng)速率，但過高的升溫速率又導(dǎo)致CaCO3分解太快而無法精準(zhǔn)地捕捉反應(yīng)過程信息[17]，故本文選擇 1 × 102 ～ 1 × 103℃/s升溫速率段進(jìn)行分解反應(yīng)動力學(xué)特性研究。圖2a ～圖 2d是最大升溫速率為 300℃/s、500℃/s、600℃/s、800℃/s加熱速率下CaCO3顆粒的溫度曲線、加熱速率曲線和CO2生成曲線。圖3為CO2生成量M隨時間t和溫度T的變化情況。

（5）最小均方根誤差（RMS）：期望得到的最小誤差值。網(wǎng)絡(luò)訓(xùn)練時當(dāng)誤差值小于設(shè)定值時，即使還沒有達(dá)到迭代次數(shù)，訓(xùn)練也會停止，然后開始進(jìn)行分類。

（6）隱層數(shù)目：若不同的輸入?yún)^(qū)域與一個單獨(dú)的超平面線性分離時，隱層數(shù)目設(shè)為0，網(wǎng)絡(luò)進(jìn)行線性分類。若進(jìn)行非線性分類，隱層數(shù)目應(yīng)大于等于1。

（7）訓(xùn)練次數(shù)：指用于網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)。

（8）最小輸出活化閾值：如果被分類像元的活化值小于該閾值，在輸出的分類中，該像元將被歸入未分類中。

3 馬鈴薯的遙感影像識別

研究采用景號為LC81180292016138LGN00的TM數(shù)據(jù)，采集時間為2016年7月4日。利用 ENVI 5.3軟件對TM影像進(jìn)行輻射定標(biāo)，得出大氣上行輻射亮度值，并選取FLAASH[14]模型進(jìn)行大氣校正，將其轉(zhuǎn)換為地面真實(shí)反射率數(shù)據(jù)。校正后將投影方式和坐標(biāo)系統(tǒng)轉(zhuǎn)化為Albers－WGS1984投影，便于與其他資料統(tǒng)一以進(jìn)行分析。以紀(jì)家鎮(zhèn)、興隆鎮(zhèn)行政范圍矢量數(shù)據(jù)對影像進(jìn)行裁剪，得到研究區(qū)影像如圖2所示。

BP神經(jīng)網(wǎng)絡(luò)分類的訓(xùn)練樣方從本底圖中選出，4種類別每類20個，共計80個樣方；分類前需要對訓(xùn)練樣方的可分離性進(jìn)行衡量[15]，利用ENVI 5.3中Compute ROI Separability計算訓(xùn)練樣方的分離度，表1結(jié)果顯示各類別樣方間的可分離性值均大于1.9，說明樣方間的分離性較好，屬于合格樣方。

圖2 Landsat8影像輻射定標(biāo)、Flaash大氣校正結(jié)果

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中，8個訓(xùn)練參數(shù)共同作用影響分類結(jié)果，因此選擇控制變量法逐一進(jìn)行最優(yōu)參數(shù)的選取，直至得出所有訓(xùn)練參數(shù)的最優(yōu)值。最優(yōu)參數(shù)依據(jù)檢驗樣方對分類結(jié)果進(jìn)行評估得出。檢驗樣方由本底圖中勾畫，每種類別150個樣方，共計600個樣方，7937個像素點(diǎn)。主要精度評價指標(biāo)包括：總體分類精度（Overall Accuracy）、Kappa系數(shù)（Kappa Coef fi cient）、生產(chǎn)者精度（Producer Accuracy）。

（1）活化函數(shù)

活化函數(shù)設(shè)定為對數(shù)函數(shù)和雙曲線函數(shù)，得出檢驗分類精度信息如表2。當(dāng)活化函數(shù)設(shè)置為初始值對數(shù)函數(shù)時，整體分類精度為91.8357%，其中，馬鈴薯的生產(chǎn)者精度為74.13%；當(dāng)活化函數(shù)設(shè)定為雙曲線時，整個研究區(qū)并未得出各類別的分類結(jié)果，所有作物類別均識別為水稻，無法進(jìn)行作物區(qū)分。因此，確定活化函數(shù)為對數(shù)函數(shù)。

（2）初始權(quán)值

在用機(jī)器語言進(jìn)行代碼編程時，所選用的初始權(quán)值一般是電腦直接賦予的隨機(jī)值。先前確定的活化函數(shù)為對數(shù)函數(shù)，通過觀察對數(shù)函數(shù)曲線可知，在（0～1）的范圍內(nèi)，函數(shù)值變化明顯，即不同自變量（輸入值）所對應(yīng)的因變量（輸出值）差別較大。依據(jù)專家打分及已有研究結(jié)果[1]，將初始權(quán)值設(shè)定為0.9進(jìn)行逐步調(diào)節(jié)，檢驗分類精度信息如表3。在初始權(quán)值按照由大至小的方向調(diào)節(jié)時，總分類精度和馬鈴薯的生產(chǎn)者精度都逐漸提升，最終確定初始權(quán)值為0.1。

（3）學(xué)習(xí)速率

BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)過程時，誤差調(diào)節(jié)采用梯度下降法。梯度下降法的原理是沿梯度下降的方向求解極小值，即獲得BP神經(jīng)網(wǎng)絡(luò)輸出值與期望值的誤差最小值。求解過程中，步長（BP神經(jīng)網(wǎng)絡(luò)中定義為學(xué)習(xí)速率）是最重要的參數(shù)，它決定了在梯度下降迭代的過程中，每一步沿梯度負(fù)方向前進(jìn)的長度。學(xué)習(xí)速率過快，可能使權(quán)值每一次的調(diào)整過大，甚至?xí)?dǎo)致權(quán)值在修正過程中超出某個誤差的極小值呈不規(guī)則跳躍而不收斂；過小的學(xué)習(xí)速率能夠保證達(dá)到極小值，但學(xué)習(xí)時間過長[16]。

因此，為保證不因?qū)W習(xí)速率過快忽略極小值，結(jié)合專家意見，將學(xué)習(xí)速率初始值設(shè)定為0.2，進(jìn)行逐步調(diào)節(jié)，最終檢驗分類精度信息如表4。學(xué)習(xí)速率由0.2調(diào)節(jié)至0.5時馬鈴薯生產(chǎn)者精度由78.53%大幅提升至83.63%，但再調(diào)節(jié)后精度沒有任何變化，因此學(xué)習(xí)速率設(shè)定為0.5。

表1 訓(xùn)練樣方可分離性統(tǒng)計表

表2 不同活化函數(shù)分類精度

表3 不同初始權(quán)值分類精度

（4）動量因子

增加動量因子的目的是避免BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷于較淺的局部極小點(diǎn)。理論上其值大小應(yīng)與學(xué)習(xí)速率的大小有關(guān)，但實(shí)際應(yīng)用中一般取常量，通常在0～1，而且一般比學(xué)習(xí)速率的值大[17]。因此，在確定學(xué)習(xí)速率為0.5的前提下，將動量因子初始值設(shè)定為0.9，分類結(jié)果顯示馬鈴薯的生產(chǎn)者精度為93.9524%，進(jìn)一步調(diào)節(jié)動量因子，最終檢驗分類精度信息如表5。數(shù)據(jù)表明，當(dāng)動量因子設(shè)定為0.9時，3種精度檢驗系數(shù)均為最大值，最終確定動量因子為0.9。

（5）最小均方根誤差（RMS）

BP神經(jīng)網(wǎng)絡(luò)分類過程中，RMS值越小表示得出的分類結(jié)果越滿足期望值，但過小的誤差值會導(dǎo)致訓(xùn)練時間過長。因此，將初始值設(shè)定為0.1進(jìn)行進(jìn)一步的調(diào)節(jié)，檢驗分類精度信息如表6。在表6中數(shù)據(jù)顯示RMS值升高至0.25時精度大幅提升，故最終確定RMS值為0.25。

（6）隱層數(shù)目

隱層數(shù)目選擇十分復(fù)雜，往往與求解問題、輸人/輸出節(jié)點(diǎn)數(shù)目都有直接關(guān)系，需要根據(jù)設(shè)計者的經(jīng)驗和多次實(shí)驗來確定，因而不存在一個理想的解析式來表示[18]。若數(shù)目太少，網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)目太多，不僅增加了訓(xùn)練時間，而且導(dǎo)致網(wǎng)絡(luò)容錯性差、不能識別未訓(xùn)練過的樣本以及出現(xiàn)“過度吻合”現(xiàn)象。研究表明[19]，在一般情況下，單隱層的BP神經(jīng)網(wǎng)絡(luò)就可以滿足實(shí)際應(yīng)用需要。

因此，將隱層數(shù)目初始值設(shè)置為1進(jìn)行調(diào)節(jié)。為避免網(wǎng)絡(luò)訓(xùn)練時間過長，只選擇單隱層和雙隱層進(jìn)行測試，最終檢驗分類精度信息如表7。結(jié)果表明，隱層數(shù)目設(shè)定為單層時精度更高，因此隱層數(shù)目設(shè)置為1。

（7）訓(xùn)練次數(shù)

訓(xùn)練次數(shù)指進(jìn)行BP神經(jīng)網(wǎng)絡(luò)權(quán)值調(diào)節(jié)的次數(shù)。訓(xùn)練次數(shù)過少導(dǎo)致分類結(jié)果無法滿足預(yù)期精度，訓(xùn)練次數(shù)過多會增加訓(xùn)練時間。表8參數(shù)調(diào)節(jié)結(jié)果顯示，訓(xùn)練次數(shù)調(diào)節(jié)至200次時已能達(dá)到較高精度，故將該參數(shù)值設(shè)定為200。

（8）最小輸出活化閾值

ENVI分類參數(shù)中的最小輸出活化閾值限定了待分類影像中的像元是否被輸出為未分類（unclassi fi ed）類別。由于希望將所有的像元都?xì)w類為提前設(shè)定的訓(xùn)練樣本所屬類別，因此將該參數(shù)設(shè)為零，不作調(diào)整。

表4 不同學(xué)習(xí)速率分類精度

表5 不同動量因子分類精度

表6 不同最小均方根誤差分類精度

4 分類結(jié)果及精度檢驗

依據(jù)試驗最終確定的參數(shù)為：活化函數(shù)為對數(shù)函數(shù)，初始權(quán)值為0.1，學(xué)習(xí)速率為0.5，動量因子為0.9，RMS為0.25，隱層數(shù)目為1，訓(xùn)練次數(shù)為200，最小輸出活化閾值為零。

精度檢驗由本底圖中勾畫的檢驗樣方對分類結(jié)果評估得出，檢驗樣方4種類別每種150個，共計600個，7937個像素點(diǎn)。

經(jīng)過混淆矩陣精度檢驗，得出的分類總精度為97.2912%，Kappa系數(shù)為0.9603，其中馬鈴薯的生產(chǎn)者精度為94.22%，分類結(jié)果如圖3。

在ENVI中分別實(shí)施最小距離分類、馬氏距離分類和K-means分類，分類后圖像見圖3，采用同樣的檢驗樣方進(jìn)行混淆矩陣計算，得出3種分類方法的精度差異（表9），以實(shí)現(xiàn)分類結(jié)果的精度對比。

從表9可以看出，BP神經(jīng)網(wǎng)絡(luò)分類精度最高，與馬氏距離法、最小距離法、K-means法的總體分類精度相比分別提升了3.2758%、11.0747%、27.8597%，同時Kappa系數(shù)、馬鈴薯的生產(chǎn)者精度也有類似程度的提高。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)方法可以區(qū)分較相似的東北地區(qū)各耕地覆蓋作物間遙感影像的光譜特征，得出較好的分類結(jié)果，完成馬鈴薯遙感影像識別。

5 結(jié)論與討論

本文選用吉林省長春市九臺區(qū)紀(jì)家鎮(zhèn)、興隆鎮(zhèn)的Landsat8 OLI遙感數(shù)據(jù)，構(gòu)建了三層式BP神經(jīng)網(wǎng)絡(luò)耕地分類模型，應(yīng)用于研究區(qū)馬鈴薯提取研究。

（1）BP神經(jīng)網(wǎng)絡(luò)分類方法簡單實(shí)用，自我學(xué)習(xí)能力強(qiáng)，在一定程度上能夠區(qū)分光譜特征相似的不同作物的特征，可以得出較合理的耕地類別識別精度，完成遙感影像馬鈴薯提取的研究要求。

表7 不同隱層數(shù)目分類精度

表8 不同訓(xùn)練次數(shù)分類精度

圖3 各方法分類結(jié)果圖

表9 不同分類方法的精度對比

（2）在BP神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感數(shù)據(jù)解譯時，按照實(shí)驗結(jié)果和已有知識對不同訓(xùn)練參數(shù)正確調(diào)節(jié)可以提升網(wǎng)絡(luò)的分類精度與效率。

（3）最終得出的分類總精度達(dá)97.2912%，Kappa系數(shù)為0.9603，馬鈴薯的生產(chǎn)者精度超過94%，分類結(jié)果良好。

（4）遙感影像分辨率的高低對于解譯精度影響較大，后續(xù)研究試圖嘗試將GF影像等高分辨率影像與OLI影像融合，以得到同時具備高光譜分辨率與高空間分辨率的分類基礎(chǔ)影像，更好地提升分類精度。其次，BP神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)算法，改變訓(xùn)練樣方數(shù)量也可對分類精度產(chǎn)生影響，后續(xù)研究也可考慮增加訓(xùn)練樣方數(shù)量來檢驗分類結(jié)果。此外，分類結(jié)果的混淆矩陣顯示馬鈴薯與水稻的錯分是馬鈴薯識別精度的主要干擾項。這主要是因為在分類時間點(diǎn)，馬鈴薯的光譜特征與水稻相似，因此后續(xù)研究中可以考慮將原始的光譜特征變形為植被指數(shù)等其他特征指數(shù)，將其作為BP神經(jīng)網(wǎng)絡(luò)輸入特征值，擴(kuò)大馬鈴薯與水稻的光譜特征差異，以此檢驗分類結(jié)果的精度變化。

[1]陳穎姝,張曉春,王修貴,等.基于Landsat8 OLI與MODIS數(shù)據(jù)的洪澇季節(jié)作物種植結(jié)構(gòu)提取[J].農(nóng)業(yè)工程學(xué)報, 2014, 30(21): 165-173.DOI: 10.3969/j.issn.1002- 6819.2014.21.020.

[2]TORRES-SANCHEZ J, LOPEZ-GRANDADOS F,PENA J M.An automatic object-based method for optimal thresholding in UAV images: application for vegetation detection in herbaceous crops [J].Computers and Electronics in Agriculture, 2015, 114: 43-52.DOI:10.1016/j.compag.2015.03.019.

[3]張煥雪, 李強(qiáng)子, 文寧, 等.農(nóng)作物種植面積遙感估算的影響因素研究[J].國土資源遙感, 2015, 27(4): 54-61. DOI: 10.6046/gtzyyg.2015.04.09.

[4]SATIR O, BERBEROGLU S.Crop yield prediction under soil salinity using satellite derived vegetation indices[J].Field Crops Research, 2016, 192: 134-143.DOI: 10.1016/j.fcr.2016.04.028.

[5]JAYANTH J, KUMAR T A, KRISHNASHASTRY S,et al.Identi fi cation of land cover changes in the coastal area of Dakshina Kannada district, South India during the year 2004–2008[J].The Egyptian Journal of Remote Sensing and Space Science, 2016, 19(1): 73-93.DOI:10.1016/j.ejrs.2015.09.001.

[6]彭光雄, 宮阿都, 崔偉宏.等.多時相影像的典型區(qū)農(nóng)作物識別分類方法對比研究[J].地球信息科學(xué)學(xué)報, 2009(2): 225-230.DOI: 10.3969/j.issn.1560-8999.2009.02.014.

[7]方惠敏, 張守濤, 丁文坷.基于BP神經(jīng)網(wǎng)絡(luò)的玉米區(qū)試產(chǎn)量預(yù)測研究[J].安徽農(nóng)業(yè)科學(xué), 2007, 35(34):10969-10970.DOI: 10.3969/j.issn.0517-6611.2007.34.016.

[8]熊勤學(xué), 黃敬峰.利用NDVI指數(shù)時序特征監(jiān)測秋收作物種植面積[J].農(nóng)業(yè)工程學(xué)報, 2009, 25(1): 144-148.

[9]黃文江.作物病害遙感監(jiān)測機(jī)理與應(yīng)用[M].北京: 中國農(nóng)業(yè)科學(xué)技術(shù)出版社, 2009: 53-60.

[10]徐磊, 林劍, 李艷華, 等.基于BP人工神經(jīng)網(wǎng)絡(luò)的遙感影像分類[J].地理空間信息, 2012(4): 83-85, 88,181.

[11]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)遠(yuǎn)離與實(shí)例精解[M].北京:清華出版社, 2013: 156-157.

[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(5): 587-593.DOI: 10.11840/j.issn.1001-6392.2016.05.013.

[13]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.DOI: 10.5846/stxb2012 06300916.

[14]李述, 劉琪璟.高程和大氣模式對FLAASH模型校正結(jié)果的影響[J].遙感技術(shù)與應(yīng)用, 2015, 30(5): 939-945.DOI: 10.11873/j.issn.1004-0323.2015.5.0939.

[15]馬凱, 梁敏.基于BP神經(jīng)網(wǎng)絡(luò)高光譜圖像分類研究[J].測繪與空間地理信息, 2017(5): 118-121.DOI:10.3969/j.issn.1672-5867.2017.05.037.

[16]郭躍東, 宋旭東.梯度下降法的分析和改進(jìn)[J].科技展望, 2016(15): 115, 117.DOI: 10.3969/j.issn.1672-8289.2016.15.103.

[17]李智, 趙子先, 鄭君.動量梯度下降法訓(xùn)練BP網(wǎng)絡(luò)[J].內(nèi)蒙古科技與經(jīng)濟(jì), 2006(12): 86-88.DOI: 10.3969/j.issn.1007-6921.2006.12.041.

[18]沈花玉, 王兆霞, 高成耀, 等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報, 2008(5): 13-15.DOI: 10.3969/j.issn.1673-095X.2008.05.004.

[19]范佳妮, 王振雷, 錢鋒.BP人工神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)設(shè)計的研究進(jìn)展[J].控制工程, 2005(Z1): 109-113.

Research on Image Recognition of Potato Remote Sensing Based on BP Neural Network for potatoes

ZHOU Yangfan, CHEN Youqi, ZOU Jinqiu, HE Yingbin
(Institute of Agriculture Resources and Regional Planning, Chinese Academy of Agricultural Science, Beijing 100081)

The e fficient and accurate remote sensing means of potato acreage monitoring is vital to stabilize potato production as a staple food and maintain the necessary guarantee for national food security. In this paper, a land cover classi fi cation model based on BP neural network was constructed to detect potato and other crops in the area of Jijia Town and Xinglong Town, locating in Jiutai District, Changchun City, Jilin Province.Taking the seven color bands of landsat8 OLI as input, the classi fi cation parameters are adjusted continuously,and the optimal classification network structure is finally determined. The results showed that the producer accuracy of potato was 94.22%. The research shows that BP neural network classi fi cation method is a kind of potato remote sensing identi fi cation method with fl exible measure and accurate classi fi cation result.

BP neural network, potato, remote sensing image, remote sensing data, remote sensing image identi fi cation, optimal parameter, error adjustment

P237

A

10.3772/j.issn.1674-1544.2017.05.014

周揚(yáng)帆（1993—），女，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所碩士研究生，研究方向：農(nóng)業(yè)遙感與GIS應(yīng)用；陳佑啟（1962—），男，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所研究員，博士生導(dǎo)師，研究方向：農(nóng)業(yè)資源遙感與土地利用（通訊作者）；鄒金秋（1975—），男，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所助理研究員，研究方向：農(nóng)情遙感和GIS研究；何英彬（1977—），男，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所副研究員，研究方向：土地利用與農(nóng)業(yè)遙感。

科技基礎(chǔ)性工作專項項目“科技基礎(chǔ)性工作數(shù)據(jù)資料集成與規(guī)范化整編”（2013FY110900）；國家國際科技合作專項項目“天空地一體化精準(zhǔn)農(nóng)業(yè)物聯(lián)網(wǎng)平臺聯(lián)合研發(fā)”（2014DFE10220）。

2017年7月14日。