| 利用人工智能神经网络和DEM数据进行植被变化探测 |
| |
| 作者姓名： | 张志明 L.P.C.Verbeke E.M.De Clercq 欧晓昆 R.R.De Wulf |
| |
| 作者单位： | 云南大学生态学与地植物学研究所，Laboratory of Forest Management and Spatial Information Bioengineering Faculty，Ghent University，Ghent9000，Belgium，Laboratory of Forest Management and Spatial Information，Bioengineering Faculty，Ghent University，Ghent9000，Belgium，云南大学生态学与地植物学研究所，Laboratory of Forest Management and Spatial Information，Bioengineering Faculty，Ghent University，Ghent9000，Belgium，昆明650091 Laboratory of Forest Management and Spatial Information，Bioengineering Faculty，Ghent University，Ghent9000，Belgium，昆明650091 |
| |
| 基金项目： | 中国国家重点基础研究发展计划项目(编号:2003CB415102)和比利时弗莱芒省大学联合会项目(Vlaamse Interuniversitaire Raad,VLIR)(编号:VLIR ZEIE2002PR264-886)资助 |
| |
| 摘 要： | 适时精确的探测土地利用和覆盖变化是研究其起因、过程和效应的基础.本研究利用人工智能神经网络对两景不同时期的影像(2003和2004年)进行一次性变化探测.并且输入层中增加了DEM和坡度两个额外"波段".在选取训练样区的过程中,共选取了82个亚类型,其中36个为植被变化亚类型,46个为无变化植被亚类型.NDVI差值法被用于探测变化和无变化的区域,该方法为获取精确的和足够的植被变化类型训练样区提供有效的参考.研究结果显示利用人工智能神经网络探测变化技术所产生的植被变化图,其精度明显高于分类后比较法所产生的植被变化图精度.此外将DEM和坡度作为额外波段结合两景影像得的8个主成分作为输入层,能够有效的提高人工智能神经网络进行山区植被变化探测精度.同时在选取训练样区的过程中,将各不同的变化和无变化的植被类型根据其不同的光谱特征分成不同的亚类型进行取样,对提高人工智能神经网络进行山区植被变化探测精度有着非常重要的促进作用,此处理可以降低山区影像的地形效应.
|
| 关 键 词： | 人工智能神经网络探测变化技术 DEM 植被变化 分类后比较法 NDVI差值法 |
| 修稿时间： | 2007-01-02 |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
