传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

基于BP神经网络的遥感影像分类

俞冰

河海大学水资源环境学院，江苏南京（210098）

摘 要：传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布，并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法，选择最能反映研究区土地利用信息的光谱数据，进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法。

关键词：遥感，BP神经网络，影像分类，最大似然法

遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。传统的遥感图像计算机分类方法一般多为基于bayes统计理论的最大似然法，然而随着遥感数据空间维数的不断扩展，该方法开始暴露出一些弱点：(A)多源、多维的遥感数据，可能不具备正态分布特征；(B)离散的类别数据(如地面实测数据)，在很多情况下不具备统计意义；(C)对于高维空间数据，bayes准则所要求的协方差矩阵将难以得到。

神经网络分类法的兴起为这一问题的解决提供了可能。人在对遥感图像进行分析时，除了分析图像的光谱特性、形状、纹理外，还综合了其它许多学科的知识，并且人脑还具有高度的容错能力、自行组织和自行发展的适应功能。神经网络就是基于模仿人体大脑的结构和功能，对各种感觉所提供的信息进行筛选与分析理解的一种信息处理系统。

近几年来,运用神经网络进行遥感图像自动识别分类的研究日益被重视，应用的也最为广泛和深入。如蒋建军等利用地理辅助数据参与的基于知识的方法进行环青海湖地区草地蝗虫生境分类研究，分类精度明显高于最大似然法

似然法也有一定提高【2】【1】。程涛等将专家系统的方法应用于草场资源的遥感调查，将MSS4 ,5 ,7三个波段进行生物量计算和色度空间变换，分类精度比最大。骆剑承等将光谱数据进行人工神经网络分类研究，实验结果表明

【3】该方法比最大似然法分类精度高

环境生态变化提供依据

行分类处理。 【4】。Yang和Lo利用了不同时相M SS和TM影像，在利用非监督ISODATA分类基础上研究了美国亚特兰大市的土地利用/土地变化情况.进而为研究.本文将采用典型的前馈型网络(BP神经元网络)模型对遥感影像进

1. 研究区概况

本文所用的遥感数据为：2002年南京市TM影像，南京市行政区划图和南京市统计年鉴。

南京市位于北纬33゜31′，东经118゜47′，属北亚热带季风气候区，四季分明，夏热冬冷，春秋短暂，雨量集中，历年平均气温16゜C，主导风向夏半年为西南风，冬半年为东北风。南京地处中国沿海和长江流域两大经济带交汇部，距长江入海口三百公里，总面积6598平方公里。南京土地的类型众多，是由低山、丘陵、岗地、河谷平原、沿江平原所组成的地貌综合体。其中，低山丘陵占土地总面积近65%，平原占土地总面积的35%。全市土地总面积中耕地占比例最大，其次是林地、居民地、工矿用地、水体等。

结合研究区的特点，本次最终把研究区土地利用类型分为耕地、植被、水体、居民及建设用地、未利用地五类。