人工神经网络在遥感影像洪水淹没图自动解译中的应用研精.docx
《人工神经网络在遥感影像洪水淹没图自动解译中的应用研精.docx》由会员分享，可在线阅读，更多相关《人工神经网络在遥感影像洪水淹没图自动解译中的应用研精.docx（8页珍藏版）》请在冰豆网上搜索。
人工神经网络在遥感影像洪水淹没图自动解译中的应用研精
人工神经网络在遥感影像洪水淹没图自动解译中的应用研究
刘学工
黄河水利委员会信息中心郑州450004
DimitriP.Solomatine
荷兰IHE国际水利学院水信息与知识工程系荷兰代尔夫特
摘要：
当洪水发生时，洪水淹没图为防洪管理进行洪水控制和滩区救灾提供重要信息。
最近十几年，已经开发了多种用于遥感影像解释算法，然而，在利用遥感影像确定洪水淹没面积时，却仍然采用耗费大量时间、由遥感专业人员进行的目视解译方法，为了能够快速进行遥感影像淹没面积解译，本文探讨了基于人工神经网络（ANN）的分类聚合技术的应用，提出了十字窗生成用于分类的实例空间的方法，并进行了黄河下游滩区淹没面积遥感影像自动解译的应用研究，案例研究中选用了2002年7月、2004年6月、2005年6月黄河下游滩区雷达卫星遥感影像进行了模型训练和测试，测试结果表明，ANN模型能够实现雷达影像淹没面积快速自动解译，该模型可为黄河下游洪水遥感监测系统的开发提供技术支撑。
关键词：
人工神经网络遥感影像自动解译洪水淹没图
1概述
黄河，中国第二大河流，发源于青藏高原，流经9省市自治区，全长5464公里，流入渤海。
黄河下游滩区约4240平方公里，居住180万余人口，约2000个自然村，滩区洪水信息对于黄河下游防洪非常重要，这些信息包括：
哪些地方发生洪水了、多少人口被洪水围困、多少农田被洪水淹没，对于滩区防洪来说，获得这些信息越快越好，洪水淹没图是为黄河下游滩区防洪减灾快速提供信息的重要途径。
为了加强黄河水资源综合管理，黄河水利委员会正在进行著名的“数字黄河”工程（DYR）[6]，黄河下游洪水遥感监测系统是“数字黄河”工程建设的重要组成部分[5]，本研究成果将用于该项目建设。
近十几年来，人们开发了各种基于卫星遥感影像解译确定洪水淹没区域的方法[9][4][8]，常用的是目视解译法，根据影像上的灰度值识别洪水淹没区域，这种方法的精度可能会很高，但是，却花费很长时间。
另一种方法是色彩合成图像法，洪水淹没区域可以通过色调容易地进行识别[3]，但是，该方法的结果不容易与GIS系统结合[2]。
分类是一种进行影像分析的重要方法，能够自动将影像上的所有像元分辨成不同的地物，有两种分类方法：
使用训练样本数据的监督分类方法和不使用这类数据的非监督分类方法，很多这些方法已经用于雷达影像的解译[7][1]。
本文将利用多层感知人工神经网络模型（MLP-ANN）进行雷达卫星遥感影像的监督分类研究，雷达影像数据将被聚合成自然光组，或被分类成洪水区、非洪水区。
2利用人工神经网络模型进行分类
图像监督分类为解译洪水淹没区提供了一种途径，多层感知人工神经网络（MLP-ANN）模型，已经广泛用于图像解释和模式识别[10][11]，在本研究课题中，MLP-ANN模型将作为监督图像分类分析技术用于确定黄河下游滩区洪水淹没区域。
2.1多层感知神经网络模型MLP-ANN
MLP-ANN是由一系列多层排列节点构成的网络，节点只能在相邻层之间由权联结，输入信息表示输入层的输入向量，输出层的输出向量是系统转换处理过的信息，MLP-ANN网络模型如图1所示。
图1多层感知神经网
模型输入向量定义为：
（1）
模型输出向量定义为：
（2）
其中：
Wij是W、V权向量函数，不同的层具有不同的权函数，Oj是输入信息，bj是偏差，f是激活函数，为非线性S曲线函数：
（3）
本研究中对于分类分析的精度评价，考虑实例分类的正确程度和实例分类的不正确程度。
MLP-ANN网络采用共轭梯度降序向后传播算法，分类实例是根据原影像灰度值由专家进行。
2.2数据识别分析
原始雷达影像如图2c所示，遥感影像分析专家根据原始的雷达影像图可以用目视解译方法，借助于图像处理软件（如在此研究中采用PCI），人工勾画出水面的边界（见图2d）。
PCI软件是加拿大PCIGeomatics公司的遥感影像处理软件，擅长处理雷达卫星遥感影像。
图2a中像元的值是原始影像（图2c）各个像元的灰度值（丛0到255），图2右边给出了由遥感专业人员目视解译分类成果，图2b中的数字是洪水区或者非洪水区的分类符号，这个分类符号0，表示该像元属于非洪水区；符号255，表示该像元属于洪水区。
图2a作为输入值、图2b作为输出值组成了用于训练的数据，这些数据将用于分类。
这种方法仅仅用于简单情况，如果分类像元处在洪水区边界时问题会变得很复杂，专家将能够对不同的灰度值识别为洪水区（或者非洪水区），然而，分类计算软件却不能依靠输入输出进行识别，这标明实例需要更多的像元组成，并且其特征化要与它们的统计特征和特性相一致[11]，本文采用了一种简化的处理方法。
图2淹没区内空间像素的分类
2.3相关像元的数据处理
十字样本视窗（如图3所示）考虑了被识别像元（中间像元）周边4个像元对中间像元的影响，这个十字型窗口实例也称为一个样本，由中间像元O和上方像元T、左方像元L、右方像元R以及下方像元B共5个像元组成。
使用这一十字窗口，5个像元共同组成了用于模型的实例。
图3样本空间十字窗实例
每一个实例有5个输入项，1个输出项，这些实例可以表示为：
（4）
其中：
O、T、L、R、B分别代表源像元、上、下、左、右像元的灰度值，这些灰度值可以从源影像中获得，ZO为源影像中像元解译的分类符号值；Z是目标符号值，来自遥感专家对源影像的目视解译，符号取值：
0—洪水区，或者255—非洪水区。
3人工神经网络分类模型应用
3.1数据预处理
本文选择了黄河下游滩区2002年6月22日、2004年7月24日、2005年6月29日三次雷达卫星影像（RADARSAT）数据用于模型模拟，影像数据以TIFF格式给出，由于原影像文件太大，研究过程中被分解为256*256个像元的子影像文件。
在本研究中，MLP-ANN受测试软件计算能力所限，数据输入文件中的实例数最多为256*256个，由于一幅遥感影像往往由数百万个像元组成，需要将一幅影像分割为若干幅256*256像元的子图像，对每一幅子图像进行分类分析后，再拼接成原图幅尺寸的图像。
3.2MLP-ANN模型训练
从2005年的数据中选择典型区间（128*128个像元，如图4b所示），对每一个像元使用十字样本视窗，建立起实例空间。
如图4a所示是训练获得的神经网络拓扑逻辑，通过自动优选（循环值500、循环误差为0.0082933、学习速度0.3、动量0.2）获得隐蔽层（3个节点）。
源影像、由专家生成的训练集，以及影像分类结果分别如图4b、4c、4d所示。
图4神经网络模型SAR图像（数据：
2005年6月29日）分类训练
3.3模型测试结果
模型训练后分别选择2002年6月22日和2004年7月24日的影像数据进行测试，测试结果如图5所示。
表1所示的测试结果精度良好，该研究中实例数为819200，正确分类的为805134（98.29%）；洪水区的实例为117248，正确分类的为111210（94.85%）。
图52004年6月22日和2002年7月24日模型测试成果
表1模型模拟训练和测试成果表
项目
子图
实例
数目
正确分
类数目
分类
精度
淹没区
像元数目
分类
精度
训练
16384
16111
98.33
5123
98.22
测试0
16384
16080
98.14
5123
97.50
测试1
11
65536
64246
98.03
13975
96.61
12
65536
64653
98.65
10078
98.22
21
65536
63573
97.00
22089
96.95
22
65536
64489
98.40
0
测试2
11
65536
65367
99.74
0
12
65536
64879
99.00
3978
89.32
21
65536
64266
98.06
6606
92.13
22
65536
64730
98.77
4865
91.18
测试3
11
65536
65428
99.84
0
12
65536
63802
97.35
15505
93.35
21
65536
63370
96.69
19206
93.29
22
65536
64140
97.87
10700
92.54
合计
819200
805134
98.29
117248
94.85
4问题讨论
本文提出的MLP-ANN遥感影像洪水淹没图解译模型，使用黄河下游2005年、2004年、2002年的雷达影像数据的训练和测试。
使用十字窗方法编码实例代替了单一像元实例，这一方法不同于4个统计特征和4个地理特征化的16*16个像元组成视窗的方法，后一种方法建立的分类算法具有8维特性[11]。
该方法的优点在于能够进行淹没区或非淹没区进行快速自动分类，其成果精度良好。
这个方法的缺点是被分类识别的像元中含有错误识别的像元，还有一些并不是期望的结果（如图4d、5b、5d所示），引起这种误差的主要原因是：
在雷达遥感影像中，洪水区域的识别与及其周围地物灰度值的不同变化有关，并且，由于地面植被的灰度值与洪水淹没区的灰度值相似，往往导致将一小块植被区域识别为洪水淹没区，同样，在洪水淹没区中也会出现非洪水淹没区的缝隙。
这些误差可以采用空间过滤技术和人工编辑校正进行修改，然而，这样会耗费很多处理时间。
还有一个方法是对研究的有效区间上设计一个遮照，这样可能导致丢失部分精度。
5结束语
研究成果表明，MLP-ANN可以用于基于雷达遥感影像数据绘制洪水淹没图，这种方法可以节省防洪管理的时间，并且，用于遥感影像自动解译具有较高的精度。
非监督分类方法，如自管理图法[11]（SOM）可以减少计算量同时获得较好的精度。
这些方法也可用于今后的研究。
本研究中使用MLP-ANN模型获得了较好的结果，相似的结果也可以用其他方法获得，也可用于其他类型的遥感影像，然而，这些方法需要未来的进一步测试。
参考资料
[1]BachE.,PeterC.andStuartN.,“Modellingriverfloodplaininundationwithhighresolutiondigitalelevationmodels”,GIS/EM4:
Problems,ProspectsandResearchNeeds,Banff,Alberta,Canada,（2000）.
[2]ChoiJ.Y.,EngelB.A.andFarnsworthR.L.,“Web-basedGISandspatialdecisionsupportsystemforwatershedmanagement”,JournalofHydroinformatics,7,（2005）,pp165-174.
[3]DelmeireS.,“UseofERS-1datafortheextractionoffloodedareas”,HydrologicalProcesses,11,（1997）,pp1393-1396.
[4]DeRooA.,vanderKnijffJ.,HorrittM.,SchmuckG.anddeJongS.M.,“AssessingFlooddamagesofthe1997OderFloodandthe1995MeuseFlood”,2ndInt.Symp.OnOperationalizationofRemotesensing,Enschede,（1999）.
[5]InformationCenter（INC）ofYellowRiverConservancyCommission（YRCC）,“TheFeasibilityStudyoftheProjectofRemoteSensingMonitoringApplicationintheLowerYellowRiver”,ProjectReportofINC/YRCC,（2004）.
[6]LiG.Y.,“PonderationandPracticeoftheYellowRiverControl”.YellowRiverConservancyPress,Zhengzhou,China,（2003）.
[7]LillesandT.M.,KieferR.W.andChipmanJ.,“RemoteSensingandImageInterpretation”,5thEdition,ISBN:
0-471-15227-7,NewYork:
Wiley,（2003）.
[8]MathurA.andFoodyG.M.,“LandCoverClassificationbyRemoteSensing:
PotentialofSupportVectorMachineClassifiers”,GeophysicalResearchAbstracts,Vol.7,（2005）.
[9]SchultzG.A.andEdwinT.,“RemoteSensinginHydrologyandWaterManagement”,Berlin,Germany,（2000）.
[10]SolomatineD.P.,“Data-drivenmodelling:
Paradigm,methods,experiences”,Proc.5thInternationalConferenceonHydroinformatics,Cardiff,UK,（2002）.
[11]VelickovS.,PriceR.K.,SolomatineD.P.andYuX.,“ApplicationofDataMiningTechniquesforRemoteSensingImageAnalysis”,Proc.4thInt.ConferenceonHydroinformatics,Iowa,USA,（2000）.
升级会员 