CN111445023B - 遗传算法优化的bp神经网络gf-2影像森林分类方法 - Google Patents

遗传算法优化的bp神经网络gf-2影像森林分类方法 Download PDF

Info

Publication number
CN111445023B
CN111445023B CN202010100141.6A CN202010100141A CN111445023B CN 111445023 B CN111445023 B CN 111445023B CN 202010100141 A CN202010100141 A CN 202010100141A CN 111445023 B CN111445023 B CN 111445023B
Authority
CN
China
Prior art keywords
neural network
forest
value
image
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010100141.6A
Other languages
English (en)
Other versions
CN111445023A (zh
Inventor
周璀
张智填
张贵
刘彦君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN202010100141.6A priority Critical patent/CN111445023B/zh
Publication of CN111445023A publication Critical patent/CN111445023A/zh
Application granted granted Critical
Publication of CN111445023B publication Critical patent/CN111445023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种遗传算法优化的BP神经网络GF‑2影像森林分类方法，包括以下步骤，1)将分类区域地表植被分成三级；2)对在分类区域获取的遥感影像进行预处理；3)将进行预处理的遥感影像光谱中加入特征值，以增强特征差异性；4)建立BP神经网络的拓扑结构；5)对权值和阀值进行遗传算法优化；6)将遥感影像中的特征值输入到BP神经网络算法中，完成地物的分类。本发明的遗传算法优化的BP神经网络GF‑2影像森林分类方法克服BP神经网络稳定性不高，最终权值与阈值容易陷入局部最优，使得分类效果无法达到最好的缺点的遗传算法优化的BP神经网络GF‑2影像森林分类方法，其能够进一步的提高分类精度。

Description

遗传算法优化的BP神经网络GF-2影像森林分类方法
技术领域
本发明涉及一种针对森林资源遥感监测的森林分类方法，尤其涉及一种遗传算法优化的 BP神经网络GF-2影像森林分类方法
背景技术
森林资源的调查与监测是对森林资源的数量、质量、空间分布及其利用状况进行定期定位的观测分析和评价的工作，它能够及时掌握森林资源现状和消长变化动态，为林业方面的规划与政策的实施提供重要依据。传统的林业调查需消耗大量的人力、物力和财力，且数据更新周期长。遥感技术具有覆盖范围大，更新周期短，无视地形阻碍的特点，森林分类作为森林资源调查与监测的重要手段，遥感技术在其中有着广阔的应用和巨大的潜力。
现如今，利用遥感技术进行森林类型的分类已有较多的研究。Abdul等人(Abdul,Halim, Abdus,et al.2008.Evaluation of land-use pattern change in WestBhanugach Reserved Forest, Bangladesh,using remote sensing and GIStechniques.林业研究(英文版),19(3):193-198.)利用遥感和地理信息系统(GIS)技术在Sylhet森林的西部，调查了18年(1988-2006)土地利用格局的变化，通过分类成功检测了森林覆盖率的变化。Latif等人(LatifZA,Zaqwan H M,Saufi M,et al.2015.Deforestationand carbon loss estimation at tropical forest using multispectral remotesensing:Case study of Besul Tambahan Permanent Forest Reserve. InternationalConference on Space Science&Communication.)根据2012年和2014年SPOT-5的分类图像，估算了Besul Tambahan永久保护区森林采伐作业带来的生物量与碳库的损失。Chao Yu(Chao Y,Li M Y.Zhang M F.2016.Classification ofdominant tree species in anurban forest park using the remote sensing image of WorldView-2.InternationalCongress on Image&Signal Processing.)以Word-view2数据作为主要的信息来源，通对比使用不同波段组合的分类精度，使用了最优波段组合法将林地划分成了不同森林。任冲(任冲,鞠洪波,张怀清,等.2016.多源数据林地类型的精细分类方法.林业科学,52(06):54-65.)以SPOT5和高分一号(GF-1)遥感影像为主要数据源，使用了一种层次化精细分类方法，先通过NDVI指数有效将植被与非植被分离，再引入多个特征因子对森林进行了精细划分。张晓羽等(张晓羽,李凤日,甄贞，等. 2016.基于随机森林模型的陆地卫星-8遥感影像森林植被分类.东北林业大学学报,44(06): 53-57)以landsat-8为数据源，加入了数字高程模型辅助数据，对森林类型进行了有效的划分。郭亚鸽(郭亚鸽,于信芳,江东,等.2012.面向对象的森林植被图像识别分类方法.地球信息科学学报,14(04):514-522.)以Hj-1为主要数据源，加入了面向对象分割技术对林地类型进行了划分，取得了不错的效果。白金婷(白金婷.2016.结合高分辨率遥感影像多维特征的森林分类.北京：北京林业大学硕士学位论文.)以WorldView-2为数据源，在植被内部的划分中添加了时相特征，精细识别了林地类型。伊凌宇等(尹凌宇,覃先林,孙桂芬,等.2016.基于高分二号多光谱数据的树种识别方法.林业资源管理,(04):121-127.)以GF-2为数据源，使用最大似然法、支持向量机对林地类型进行了有效划分，证明了GF-2在森林分类上的可行性。
随着遥感影像分辨率的不断增加，所呈现出的地物信息越来越丰富，为森林的精细分类提供了信息基础。与此同时，随着分辨率的提升，组成一类地物的像素增加，使得同类地物间的异质性增加；其次高分辨率影像通常不具备高光谱的特征，因此较容易出现光谱重叠的现象。这两个问题均会导致“同谱异物”与“同物异谱”的现象，使分类难度增加。目前已有许多算法应用到遥感影像的森林分类中，如最大似然法、支持向量机、决策树和神经网络算法等。BP神经网络作为神经网络中的经典算法，在遥感影像分类中有着不少的应用，但其有着一个明显的缺陷。由于网络中初始权值与阈值的是随机产生的，其最终权值与阈值容易陷入局部最优，使得分类效果无法达到最好，且稳定性不高(杨伟,倪黔东,吴军基.2002.BP 神经网络权值初始值与收敛性问题研究.电力系统及其自动化学报,14(1):20-22)。
发明内容
本发明要解决的技术问题是克服现有技术的不足，提供一种克服BP神经网络稳定性不高，最终权值与阈值容易陷入局部最优，使得分类效果无法达到最好的缺点的遗传算法优化的BP神经网络GF-2影像森林分类方法，其能够进一步的提高分类精度。
为解决上述技术问题，本发明提出的技术方案为：遗传算法优化的BP神经网络GF-2影像森林分类方法，包括以下步骤，
1)将分类区域地表植被分成三级；一级类型为林地与非林地，二级类型分为针叶林与阔叶林，三级类型根据分类区域地表植被再分别将针叶林与阔叶林进行细分；
2)对在分类区域获取的遥感影像进行预处理；
预处理包括影像的辐射定标，大气校正，正射校正，影像配准和影像融合；
3)将进行预处理的遥感影像光谱中加入特征值，以增强特征差异性；
所述特征值包括植被指数和纹理特征；
4)建立BP神经网络的拓扑结构，所述拓扑结构包括输入层、隐含层和输出层，得到需要优化的权值和阈值 总数n；并且BP神经网络的权值和阈值 进行初始化；
5)对权值和阈值 进行遗传算法优化；
①设置遗传算法初始种群的个体数和繁衍次数，通过编码的方式将需要优化的权值和阈值 转换成由n个数构成的数组即为一个个体；
②将种群初始化后，并且选出输出结果与期望结果之间的误差值更小的个体，再通过遗传算子得到拥有更小误差值的新一代；
③经过繁衍后得到最优个体，解码后得到误差最小的权值与阈值 ，总数为n个；
6)将遥感影像中的特征值输入到BP神经网络算法中，经过步骤5)中得到的权值加权后与步骤5)得到的阈值 相加，之后通过激活函数映射的值即为下一层神经元对应节点hi的值；
Figure GDA0003548770660000031
式中Wji为第二层神经元第i个节点与第一层输入xj之间的权值，Ti为第二层第i个节点上的阈值，f为双极正切激活函数；
Figure GDA0003548770660000032
以此类推hi又将作为下一层神经元的输入值；最后的输出值yi与期望值oi比较得出误差值vi；误差值以同样的方式反向传播回输入层，通过梯度下降法逐层更新权值与阈值，至此，完成BP神经网络训练的一次循环；
多次循环后，权值与阈值会不断更新优化，直至vi小于指定误差，停止算法，BP神经网络便可根据输入的特征值输出对应类别的标签，完成地物的分类。
本发明中，所述步骤2)中的预处理包括影像的辐射定标，大气校正，正射校正，影像配准和影像融合。
本发明中，所述步骤3)中的特征值包括植被指数和纹理特征。
本发明中，步骤3)中加入特征值后每个像素上有蓝、绿、红、近红外、NDVI、信息熵与方差的数值，其中信息熵与方差分别含有2个值，共9个特征值。
本发明中，步骤4)中输入层根据输入特征的个数确定为9个神经元，隐含层含有10个神经元，输出层根据输出标签的类别数确定为6个神经元；需要优化的权值个数为150，阈值个数为16，总数为166。
与现有技术相比，本发明的优点在于：本发明的遗传算法优化的BP神经网络GF-2影像森林分类方法克服BP神经网络稳定性不高，最终权值与阈值容易陷入局部最优，使得分类效果无法达到最好的缺点的遗传算法优化的BP神经网络GF-2影像森林分类方法，其能够进一步的提高分类精度。
附图说明
图1为研究区域地理位置及影像。
图2为红桦、云杉、冷杉、油松、阔叶林和非林地的光谱均值曲线。
图3为BP神经网络拓扑结构图。
图4为遗传算法优化BP神经网络流程。
图5分类结果，(a)GA-BP神经网络分类结果，(b)BP神经网络分类结果，(c)最大似然法分类结果，(d)支持向量机分类结果。
具体实施方式
为了便于理解本发明，下文将结合较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
实施例
本实施例的研究区域位于甘肃省甘南藏族自治州境内腊子口林场，总面积约8.1km2，地理位置为东经103°50′─103°54′，北纬34°7′─34°9′。如图1所示。腊子口林场地处长江流域嘉陵江水系白龙江北岸的腊子河源头地区，青藏高原东缘，岷山山系北支，迭山山脉，属西秦岭构造带南部陇南山地。海拔在1560米—4920米。迭部林区属温带高寒旱季显著湿润区气候，年平均降水量595.9毫米，蒸发量1461.7毫米，年平均相对湿度65％，平均气温7℃。土壤种类有山地栗钙土、山地棕褐土、山地草甸土、棕色森林土、高山草甸土等。林区气候温凉湿润，拥有丰富的植物资源，分布有油松(Chinese pine)，云杉(Piceaasperata)，冷杉(Abies fabri)，红桦(Betula albosinensis)等树种。
研究区域内植物种类多样，有明显的交替生长特征，分布具有一定的过渡性。其中针叶林占优势，有少量阔叶林。从优势森林看，针叶林主要有红桦、油松、冷杉、云杉等。同时区域还有以水体、裸地以及小部分房屋所构成的非林地。
实验数据
本研究所采用的数据来自我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星- 高分二号(GF-2)卫星，影像成像于2016年5月3号。高分二号搭载全色多光谱相机，幅宽约45km，影像有5个波段，其具体参数如表1所示。影像选择受云雾影响较小的区域，获取的时期处于春末，该时期的植被有着较为明显的特征，有利于特征的提取与区分。
表1 GF-2波段主要参数 Tab.1 Main parameters of GF-2 band
Figure GDA0003548770660000041
Figure GDA0003548770660000051
作为对比，研究以2010年腊子口林场的二类调查数据为基础，数据来源于甘肃省白龙江林业管理局迭部林业局，详细严谨的提供了每一部分调查人员的姓名、森林经营单位的小班界线、各类林地的面积、林分类型、各类森林、林木蓄积，以及与森林资源有关的自然地理环境和生态环境因素。经过几年的时间，研究区域内并无发生大面积的林地变动现象，森林的覆盖类型变化甚微，可以将其作为森林类型识别的重要参考数据。
数据的预处理
为了对森林类型进行精细识别，首先要对所获取的遥感影像进行预处理，以消除各种误差因素，从而更好地提取特征信息(邓书斌.2014.ENVI遥感图像处理方法.北京:科学出版社.(Deng S B.2014.ENVI remote sensing image processing method.Beijing:Science Press.[in Chinese].)。预处理包括了对影像的辐射定标，大气校正，正射校正，影像配准，影像融合等。辐射定标将原始的DN亮度值转换为大气表层反射率，以消除传感器的误差。大气校正将反射率纠正成地表的实际反射率，去除由于大气散射、反射等带来的影响。正射校正借助数字高程模型数据，采用Cubic-Convolution(3层卷积)方法将GF-2的全色影像与多光谱影像重采样成分辨率分别为1m与4m的影像，纠正由于地形起伏而带来的形变。以1m 分辨率的全色影像作为基准影像，将多光谱影像与之配准，并用Nndiffuse融合算法进行影像融合，获取分辨率为1m的多光谱影像，提高了影像的分辨率。
分类方法
分类体系
依据《国家森林资源连续清查技术规定》的土地类型划分规则与《森林资源规划设计调查主要技术规定》的森林类型分类系统，结合研究区域的地类分布情况和遥感影像的成像质量，决定将研究区地物分成三级。一级类型为林地与非林地，由于非林地不作为此次分类的重点，所以不往下划分。对于林地，将其细分为针叶林与阔叶林两个二级类型，针叶林再继续划分为冷杉、油松、云杉、红桦4个三级类型，以此形成一个三级分类体系。
特征选择
经影像融合后的GF-2遥感影像共有4个波段，分别为蓝波段(Band 1)、绿波段(Band 2)、红波段(Band 3)和近红外波段(Band 4)。
红桦、云杉、冷杉、油松、阔叶林和非林地的光谱均值如图2所示，非林地在蓝波段、绿波段和红波段的均值上面明显高于其他几种森林类型。阔叶林在波段均值的变化趋势上幅度最大，在近红外波段上差异最为明显。红桦整体的波段变化趋势与非林地类似。其余三种森林类型油松、云杉和冷杉的波段变化趋势接近且在蓝波段、绿波段和红波段上面近乎重叠，在近红外波段上冷杉与云杉有着比较高的区分度。经分析发现，仅从光谱特征可以看出各个地物类型的光谱差异不大，难以将各种类型有效的区分开来，因此决定加入其他特征值，以增强特征差异性(任冲.2016.中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究.北京:中国林业科学研究院博士学位论文.)
植被指数是利用遥感影像所探测的数据计算而成，可以反映植物生长状况的指数。因为植被叶子中存在丰富色素，导致其在红光波段有着很强的吸收特性，而对近红外波段有着极强的反射特性，所以植被指数通常由红光波段与近红外波段组合计算而成。在这里所使用的是归一化植被指数(Normalized Vegetation Index，NDVI)，它由近红外与红光波段的差值比上它们两者的和所组成，可以有效监测植被的生长状况和覆盖度。计算方法如下式(1)所示
Figure GDA0003548770660000061
纹理特征，即图像局部性质灰度分布函数的统计结果，是一种局部的非随机序列，在小的纹理区域内有着基本相同的结构，并且在更大范围内的图像上反复出现。在本研究中，各森林在纹理特征上有着较为明显的不同，例如云杉在整体纹理上呈现出细小的颗粒状，而冷杉的纹理尺度则要更大一些。在这里，用影像的4个原始波段加上NDVI指数进行主成分分析后，选取信息量占比99.77％的前两个主成分波段，通过基于统计的纹理分析方法，灰度共生矩阵法(Gray-level co-occurrence matrix，GLCM)，来提取纹理信息。GLCM是一个描述影像局部区域内相邻或相距一定距离的两个像元间关系的矩阵。该矩阵中的元素值代表灰度级之间联合条件概率密度P(i,j/d,θ)，P(i,j/d,θ)表示在给定空间距离d和方向θ时，以灰度i为起始点出现灰度级别为j的概率，计算出方差(Variance)与信息熵(Entropy)这两个较为显著的纹理特征来参与影像分类(刘丽,赵凌君,郭承玉,等.2018.图像纹理分类方法研究进展和展望.自动化学报,(04):584-607.)。
信息熵(Entropy)，是影像信息量的度量，是影像灰度混乱程度的表征。当影像纹理复杂，纹理较细时，熵值大；当影像纹理不那么复杂，纹理较粗时，熵值小。计算公式如下：
Figure GDA0003548770660000062
Figure GDA0003548770660000071
方差(Varience)，反映像元值与均值的偏差。当图像中灰度变化较大时，方差值较大。其计算公式如下：
Figure GDA0003548770660000072
Figure GDA0003548770660000073
基于遗传算法优化的BP神经网络
BP神经网络(Back Propagation)，是一种前馈型神经网络，因其使用的算法为反向传播算法而得名。它使用的是梯度下降法，这种方法使得训练期间内网络的输出值与期望值之间的误差不断缩小到指定值。BP神经网络由三层组成，分别是输入层、隐含层和输出层，其拓扑结构如图3所示。
假设x1、x2......xn为输入数据，每一个输入数据xi加权后的和与阈值相加，之后通过激活函数映射的值即为下一层神经元对应节点hi的值。如公式(4)所示。
Figure GDA0003548770660000074
式中Wji为第二层神经元第i个节点与第一层输入xj之间的权值，Ti为第二层第i个节点上的阈值，f为双极正切激活函数。以此类推hi又将作为下一层神经元的输入值。最后的输出值yi与期望值oi比较得出误差值vi。
vi＝(yi-oi)2 (6)
Figure GDA0003548770660000075
误差值以同样的方式反向传播回输入层，通过梯度下降法逐层更新权值与阈值，至此，完成BP神经网络训练的一次循环。多次循环后，权值与阈值会不断更新优化，直至vi小于指定误差，学习停止。
BP神经网络的一个缺陷在于其初始权值与阈值是随机的，权值与阈值的分布对网络性能有着很大的影响，在梯度下降法的规则下，权值与阈值容易陷入局部最优值。这就使得BP 神经网络存在着较强的不稳定性。遗传算法(Genetic Algorithm，GA)是一种进化算法，它的基本原理是遵循自然界中的“物竞天择，适者生存”的法则，能够对BP神经网络中的权值与阈值进行优化。
遗传算法从问题中存在的解集即一个种群开始，种群中的个体可视为单个解，每代中的个体通过适应度法则进行筛选，得出优秀个体，并借助遗传算子进行组合交叉和变异，从而得到拥有新个体的下一代。遗传算法对BP神经网络的优化流程如图4所示，首先确定BP神经网络的拓扑结构，确定需要优化的权值与阈值个数，对其进行编码并产生初始种群。然后根据需求确定适应度法则，利用法则筛选出优秀个体，优秀个体之间会产生更为优异的新子代最为第二代种群。如此循环，直到满足繁衍次数的要求时，优化结束，解码将获得的权值与阈值赋予BP神经网络。
研究区影像经过特征的提取与选择后，每个像素上有蓝、绿、红、近红外、NDVI、信息熵与方差的数值，其中信息熵与方差分别含有2个值，共9个值。在研究区上分别提取6类地物的一定像素作为训练样本，并在每类像素上打上属于该类别的标签。因此在本文所使用的三层遗传算法优化后的BP神经网络(GA-BP神经网络)中，第一层输入层根据输入特征的个数确定为9个神经元，第二层隐含层含有10个神经元，第三层输出层根据输出标签的类别数确定为6个神经元。那么需要优化的权值个数为150，阈值个数为16，总数为166。首先设置遗传算法初始种群的个体数，通过编码的方式将166个需要优化的值转换成由166个数构成的数组—个体。将适应度法则定为选出输出结果与期望结果之间的误差值更小的个体。那么误差值小的个体将不断被选出，并且通过遗传算子得到拥有更小误差值的新一代。经过多代的繁衍后最优个体出现。将最优个体的基因型解码便可得到误差最小的166个权值与阈值。在这里，种群的个体数设置为50，繁衍次数设为100。经优化后的BP神经网络获取了一组误差最小的初始权值与阈值，极大增加了其性能的稳定性。随后将训练样本像素中的9个特征值逐一输入到输入层的9个神经元中，并以该像素的标签作为期望值，不断更新权值与阈值，得到分类模型。最后影像中的每个像素的特征值输入至网络模型时，GA-BP神经网络便可根据输入的特征值输出对应类别的标签，完成地物的分类。
例，xn＝[0.038 0.046 0.062 0.118 0.312 0.522 0.602 1.568 2.255]为某个像素的 9个特征值，依次是蓝波段、绿波段、红波段、近红外波段、NDVI、2个方差与2个信息熵，通过仿真函数simulink输入到训练好的GA—BP神经网络模型，输出的yn＝[0.9969 -0.0010 0.00550 0.0033 -0.0050 0.0003]。其中红桦、云杉、冷杉、非林地、油松、阔叶林的标签分别为T1＝[1 0 0 0 0 0]、T2＝[0 1 0 0 0 0]、T3＝[0 0 1 0 0 0]、T4＝[0 0 0 1 00]、T5＝[0 0 0 0 1 0]、 T6＝[0 0 0 0 0 1]，将数组yn中最接近1的数赋值为1，其余赋值为0，可得输出结果对应T1红桦的标签，因此分类结果为红桦。其它类别以此类推。
结果与分析
森林分类结果
本研究选取GF-2遥感影像的原始蓝、绿、红和近红外四个波段、NDVI指数以及信息熵和方差两种纹理信息作为特征，用GA-BP神经网络、BP神经网络、最大似然分类法和支持向量机分别对研究区域进行森林分类，四种算法的分类结果如图5所示，研究区域地物共分成了6个类别，分别为非林地、红桦、云杉、冷杉、油松和阔叶林。由图5(b)和(c)可以看到最大似然法和BP神经网络更倾向于将红桦分成非林地，由图5(a)和(d)可以看出，在视觉上支持向量机与GA-BP神经网络的分类效果差距不大，但在细节之处又有着较大的区别。
精度验证
为了对以上四种分类算法的结果进行定量分析，以迭部林业局的森林二类调查数据作为参考辅以人工目视解译的方法来确定地类测试样本。在避免选取根据现有经验无法区分其类别的区域的情况下(Ballanti L,Blesius L,Hines E,et al.2016.Tree SpeciesClassification Using Hyperspectral Imagery:A Comparison of TwoClassifiers.Remote Sensing,8(6):445.)，选取了3203个像素点作为测试样本(红桦523、云杉536、冷杉525、油松523、阔叶林531、非林地565)，使用混淆矩阵和Kappa系数对结果进行精度评价，结果如表2、3、4、5、6所示。
表2研究区域分类结果精度表
Figure GDA0003548770660000091
表3 GA-BP神经网络分类结果混淆矩阵
Figure GDA0003548770660000092
Figure GDA0003548770660000101
总体精度(％)Overall accuracy：91.97％；Kappa系数Kappa coefficient：0.90
表4 BP神经网络分类结果混淆矩阵
Figure GDA0003548770660000102
总体精度(％)Overall accuracy：88.32％；Kappa系数Kappa coefficient：0.86
表5最大似然法分类结果混淆矩阵
Figure GDA0003548770660000103
总体精度(％)Overall accuracy：85.95％；Kappa系数Kappa coefficient：0.83
表6支持向量机分类混淆矩阵
Figure GDA0003548770660000104
Figure GDA0003548770660000111
总体精度(％)Overall accuracy：87.63％；Kappa系数Kappa coefficient：0.85
从表2可得，最大似然法分类的总体精度为85.95％，Kappa系数为0.83；支持向量机分类的总体精度为87.63％，Kappa系数为0.85；BP神经网络分类的总体精度为88.32％，Kappa系数为0.86；GA-BP神经网络分类的总体精度为91.97％，Kappa系数为0.90。由此可见，GA-BP神经网络算法的总体分类精度是四种分类算法中最高的，相对最大似然法、支持向量机和BP神经网络，总体精度分别提高了总体精度分别提高6.02％、4.34％和3.65％。因此，相较于其他三种分类方法，GA-BP神经网络算法有着更好的分类效果。
从表3可得，GA-BP神经网络分类在红桦、云杉、冷杉、油松和阔叶林上的生产者分类精度分别为96.37％，95.71％，82.10％，87.38％与94.35％，非林地的分类精度为95.58％。前四类树种隶属于针叶林，精度均达到82％以上，可见本文方法能有效区分不同的针叶林，更能有效地区分针叶林、阔叶林与非林地。因同谱异物现象的存在，冷杉与油松的光谱曲线趋势接近，且每个波段的光谱均值也接近。导致GA-BP神经网络的分类结果中，冷杉与油松的生产者精度相对较低，二者容易混淆。
从表4可得，BP神经网络对以上六类地物的生产者分类精度分别是89.87％、95.52％、 81.71％、86.81％、93.03％和83.19％，可见对云杉与阔叶林的分类效果较好，均达到90％以上。GA-BP神经网络与之相比较，红桦提高了6.5％，云杉提高了0.19％，冷杉提高了0.39％，油松提高了0.57％，阔叶林提高了1.32％，非林地提高了12.39％。可见，GA-BP神经网络的每一类地物分类效果均得到不同程度地提升，该算法保持了BP神经网络在云杉、阔叶林上的优秀效果的同时，在红桦、非林地上的分类效果提升显著。这是因为BP神经网络的初始阈值与权值是随机产生的，分类效果稳定性差，难以达到最好的分类效果，而GA-BP神经网络算法通过遗传算子找出最优的初始阈值与权值，有效避免BP神经网络由梯度下降法的局限性而使权值与阈值收敛至局部最优的问题(潘昊,王晓勇,陈琼,等.2005.基于遗传算法的BP神经网络技术的应用.计算机应用,(12):61-63.；刘春艳,凌建春,寇林元,等.2013. GA-BP神经网络与BP神经网络性能比较.中国卫生统计,30(02):173-176.)，保证了较好的分类效果，且使得运算尽快收敛。
从表5可得，最大似然法分类在六类地物上的生产者精度分别为90.82％、94.22％、72.19％、 74.00％、85.59％和97.70％，除了非林地，其余地类的分类精度均低于GA-BP神经网络，且在冷杉和油松上的生产者精度分别只有72.19％和74.00％，比GA-BP神经网络分别低了9.91％和13.38％。原因在于最大似然法是一种参数分类方法，其需假设训练数据呈正态分布。遥本研究使用的是GF-2高分辨率的感影像数据，含有更为丰富复杂的细节信息，且研究区域地物分布较为混杂，在此情况下训练数据难以满足最大似然法所假设的正态分布，GA-BP神经网络是一种非参数分类算法，不需要假设数据成正态分布，因此在面对复杂地物的分类时，具有更高的灵活性，分类效果要好于最大似然法。
从表6可得，支持向量机分类在六类地物上的生产者精度分别为94.84％、86.38％、78.86、 78.59％、87.19％和99.12％。在非林地的生产者精度比GA-BP神经网络高3.54％，其余5类地物，特别是在云杉、冷杉、油松和阔叶林上生产者精度显著低于GA-BP神经网络，分别低了9.33％、3.24％、8.52％和7.16％。同时该算法在冷杉与油松的分类精度上也分别只有78.86％和78.59％，且两者容易互相混淆。支持向量机是经典的非参数分类算法，其分类效果不如 GA-BP神经网络，分析其原因有：一是支持向量机学习算法问题是求解一个受约束的二次型规划问题，在解决小样本问题时具有优势，但在本研究中训练样本规模较大，在这种条件下，会出现算法复杂，训练效果降低的问题；二是油松与冷杉的互相混淆是因为它们的特征表现接近，特征差异性不明显，实际上GA-BP神经网络同样有这个问题，但是其在这两类地物上的分类精度都高于支持向量机，这是由于GA-BP神经网络是网络结构的算法，再加上遗传算法赋予其最优的初始权值与阈值，因而能够稳定求解复杂的高度非线性问题，在面对特征差异性较弱的地物时，相比于支持向量机，有着更好的拟合能力。
综上，GA-BP神经网络算法具有稳定、灵活，面对非线性问题有较强的拟合能力的特点。在四种算法中，GA-BP神经网络有着最高的总体分类精度，在GF-2遥感影像的森林精细分类上有着良好的分类效果，为森林资源遥感监测提供了技术支持，促进了国产高分辨率影像在此方面的深入应用。
本实施例以2015年获取的甘肃省腊子口林场局部地区的高分二号影像作为研究数据。在原有光谱数据的基础上提取了纹理数据与归一化植被指数作为特征，通过基于遗传算法优化的BP神经网络对森林类型进行精细识别。并将本文方法的分类结果与最大似然法、支持向量机和BP神经网络相比，总体精度分别提高了6.02％、4.34％和3.65％。因此，GA-BP神经网络在森林的精细识别上有着更好的分类效果，达到了精细识别森林类型的目的。
GA-BP神经网络中遗传算法对BP神经网络的优化赋予了其误差最小的初始权值与阈值，有效避免其权值与阈值在迭代中陷入局部最优，使其泛化能力得到了明显提升，克服了原本分类能力不稳定的问题。在森林的精细识别上，本文分类方法相较于BP神经网络，分类效果和稳定性都得到了有效地提升，尤其红桦与非林地的分类精度分别提高了6.5％和12.39％；相较于最大似然法，作为非参数分类算法的GA-BP神经网络，在对应复杂数据时，有着更强的灵活性，在冷杉与油松上分类精度分别提高了9.91％和13.38％，分类效果提升显著；相较于支持向量机，GA-BP神经网络对规模大的训练集更具优势，能够处理各种非线性映射问题，面对可分性较差的冷杉与油松时有着更好的拟合能力。

Claims (5)

1.遗传算法优化的BP神经网络GF-2影像森林分类方法，其特征在于：包括以下步骤，
1)将分类区域地表植被分成三级；一级类型为林地与非林地，二级类型分为针叶林与阔叶林，三级类型根据分类区域地表植被再分别将针叶林与阔叶林进行细分；
2)对在分类区域获取的遥感影像进行预处理；
3)将进行预处理的遥感影像光谱中加入特征值，以增强特征差异性；
4)建立BP神经网络的拓扑结构，所述拓扑结构包括第一层输入层、第二层隐含层和第三层输出层，得到需要优化的权值和阈值总数n；并且BP神经网络的权值和阈值 进行初始化；
5)对权值和阈值 进行遗传算法优化；
①设置遗传算法初始种群的个体数和繁衍次数，通过编码的方式将需要优化的权值和阈值 转换成由n个数构成的数组即为一个个体；
②将种群初始化后，并且选出输出结果与期望结果之间的误差值更小的个体，再通过遗传算子得到拥有更小误差值的新一代；
③经过繁衍后得到最优个体，解码后得到误差最小的权值与阈值 ，总数为n个；
6)将遥感影像中的特征值输入到BP神经网络算法中，经过步骤5)中得到的权值加权后与步骤5)得到的阈值 相加，之后通过激活函数映射的值即为下一层神经元对应节点hi的值；
Figure FDA0003548770650000011
式中Wji为第二层神经元第i个节点与第一层输入xj之间的权值，Ti为第二层第i个节点上的阈值，f为双极正切激活函数；
Figure FDA0003548770650000012
以此类推hi又将作为下一层神经元的输入值；最后的输出值yi与期望值oi比较得出误差值vi；误差值以同样的方式反向传播回输入层，通过梯度下降法逐层更新权值与阈值，至此，完成BP神经网络训练的一次循环；
多次循环后，权值与阈值会不断更新优化，直至vi小于指定误差，停止算法，BP神经网络便可根据输入的特征值输出对应类别的标签，完成地物的分类。
2.根据权利要求1所述的遗传算法优化的BP神经网络GF-2影像森林分类方法，其特征在于：所述步骤2)中的预处理包括影像的辐射定标，大气校正，正射校正，影像配准和影像融合。
3.根据权利要求1所述的遗传算法优化的BP神经网络GF-2影像森林分类方法，其特征在于：所述步骤3)中的特征值包括植被指数和纹理特征。
4.根据权利 要求3所述的遗传算法优化的BP神经网络GF-2影像森林分类方法，其特征在于：步骤3)中加入特征值后每个像素上有蓝、绿、红、近红外、NDVI、信息熵与方差的数值，其中信息熵与方差分别含有2个值，共9个特征值。
5.根据要求4述的遗传算法优化的BP神经网络GF-2影像森林分类方法，其特征在于：步骤4)中输入层根据输入特征的个数确定为9个神经元，隐含层含有10个神经元，输出层根据输出标签的类别数确定为6个神经元；需要优化的权值个数为150，阈值个数为16，总数为166。
CN202010100141.6A 2020-02-18 2020-02-18 遗传算法优化的bp神经网络gf-2影像森林分类方法 Active CN111445023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100141.6A CN111445023B (zh) 2020-02-18 2020-02-18 遗传算法优化的bp神经网络gf-2影像森林分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100141.6A CN111445023B (zh) 2020-02-18 2020-02-18 遗传算法优化的bp神经网络gf-2影像森林分类方法

Publications (2)

Publication Number Publication Date
CN111445023A CN111445023A (zh) 2020-07-24
CN111445023B true CN111445023B (zh) 2022-04-19

Family

ID=71648864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100141.6A Active CN111445023B (zh) 2020-02-18 2020-02-18 遗传算法优化的bp神经网络gf-2影像森林分类方法

Country Status (1)

Country Link
CN (1) CN111445023B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
CN113240051B (zh) * 2021-06-08 2024-03-05 中国农业科学院农业资源与农业区划研究所 一种基于遗传规划算法的耕地地块分类方法
CN113887636B (zh) * 2021-10-09 2023-04-07 四川大学 基于遗传算法的可选择数据增强方法及系统
CN114968251B (zh) * 2022-04-18 2024-08-02 大连海事大学 一种Simulink到C语言的优化参数自动配置方法
CN116612391B (zh) * 2023-07-21 2023-09-19 四川发展环境科学技术研究院有限公司 基于光谱遥感和多特征融合的土地非法侵占检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222267A (zh) * 2010-04-14 2011-10-19 同济大学 一种遗传算法改进神经网络遥感分类处理方法
CN103824223A (zh) * 2014-02-21 2014-05-28 浙江大学 基于MapReduce和神经网络的农作物产量遥感估算方法
CN109034189A (zh) * 2018-06-15 2018-12-18 中南林业科技大学 基于高分遥感影像的森林类型识别方法
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9230219B2 (en) * 2010-08-23 2016-01-05 Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
CN103593538B (zh) * 2013-11-28 2017-03-22 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222267A (zh) * 2010-04-14 2011-10-19 同济大学 一种遗传算法改进神经网络遥感分类处理方法
CN103824223A (zh) * 2014-02-21 2014-05-28 浙江大学 基于MapReduce和神经网络的农作物产量遥感估算方法
CN109034189A (zh) * 2018-06-15 2018-12-18 中南林业科技大学 基于高分遥感影像的森林类型识别方法
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on the high resolution remote sensing image classification algorithm based on improved neural network model;Tong Li et al.;《 2016 International Conference on Communication and Electronics Systems (ICCES)》;20170330;全文 *
基于优化BP神经网络的香格里拉高山松蓄积量模型研究;徐云栋等;《西北林学院学报》;20151115(第06期);全文 *

Also Published As

Publication number Publication date
CN111445023A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445023B (zh) 遗传算法优化的bp神经网络gf-2影像森林分类方法
CN111709379B (zh) 基于遥感影像的丘陵区柑橘种植地块监测方法及系统
CN111598045B (zh) 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
Trier et al. Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data
Muchoney et al. Application of the MODIS global supervised classification model to vegetation and land cover mapping of Central America
Chen et al. Aboveground biomass of salt-marsh vegetation in coastal wetlands: Sample expansion of in situ hyperspectral and Sentinel-2 data using a generative adversarial network
Tomppo et al. Predicting categorical forest variables using an improved k-Nearest Neighbour estimator and Landsat imagery
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
Alleaume et al. A generic remote sensing approach to derive operational essential biodiversity variables (EBVs) for conservation planning
Linhui et al. Extracting the forest type from remote sensing images by random forest
Peters et al. Synergy of very high resolution optical and radar data for object-based olive grove mapping
CN114005048A (zh) 基于多时相数据的土地覆盖变化与热环境影响研究方法
Haywood et al. Mapping eucalypt forest susceptible to dieback associated with bell miners (Manorina melanophys) using laser scanning, SPOT 5 and ancillary topographical data
CN111310640A (zh) Landsat8影像绿潮自适应阈值分区智能检测方法
Fu et al. Forest cover classification with MODIS images in Northeastern Asia
Queinnec et al. Mapping dominant boreal tree species groups by combining area-based and individual tree crown LiDAR metrics with Sentinel-2 data
Nzimande et al. Mapping the spatial distribution of the yellowwood tree (Podocarpus henkelii) in the Weza-Ngele forest using the newly launched Sentinel-2 multispectral imager data
Nayyar et al. Roughness classification utilizing remote sensing techniques for wind resource assessment
Kauffman et al. Automated estimation of forest stand age using Vegetation Change Tracker and machine learning
CN115115948B (zh) 一种基于随机森林和辅助因子的林地信息精细化提取方法
CN115905902A (zh) 一种基于k-means聚类算法划分乡村景观生态敏感区的方法
Pangestu et al. Land use change analysis using NDVI approachment in Terbanggi Besar, Central Lampung at 2000 and 2020
Wallace et al. Estimation of perennial vegetation cover distribution in the Mojave Desert using MODIS-EVI data
Almeida et al. Deep neural networks for mapping integrated crop-livestock systems using PlanetScope time series
Hartley et al. Forest Type Differentiation Using GLAD Phenology Metrics, Land Surface Parameters, and Machine Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant