田 靜 邢艷秋 姚松濤 曾旭婧 焦義濤

(東北林業(yè)大學(xué) 森林作業(yè)環(huán)境研究中心 哈爾濱 150040)

?

基于元胞自動(dòng)機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法的Landsat-TM遙感影像森林類型分類比較*

田 靜 邢艷秋 姚松濤 曾旭婧 焦義濤

(東北林業(yè)大學(xué) 森林作業(yè)環(huán)境研究中心 哈爾濱 150040)

【目的】針對(duì)森林資源遙感監(jiān)測(cè)效果往往受森林類型識(shí)別分類方法的影響，提出一種基于元胞自動(dòng)機(jī)的遙感影像森林類型分類方法，以提高Landsat-TM遙感影像的分類精度，為森林資源遙感監(jiān)測(cè)提供技術(shù)支持?！痉椒ā恳孕∨d安嶺帶嶺林業(yè)經(jīng)營(yíng)管理局為研究區(qū)，基于2010年Landsat5-TM影像數(shù)據(jù)和2012年森林資源二類調(diào)查數(shù)據(jù)，采用窗口法獲取TM第5波段各待分類別的像元均值作為聚類中心，以元胞自動(dòng)機(jī)的Moore模型為框架，以元胞為基本單位，以像元均值為對(duì)象，利用最小距離法求取進(jìn)化規(guī)則(判斷準(zhǔn)則是中心元胞周圍的8個(gè)元胞距每類聚類中心的距離最近且像元數(shù)量最多，則中心元胞屬于該類別)，充分考慮影像及地物之間的空間特征，采用元胞自動(dòng)機(jī)分類方法進(jìn)行森林類型的識(shí)別分類。同時(shí)，以相同的樣本數(shù)，采用3層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)TM遙感影像進(jìn)行分類試驗(yàn)，并比較2種方法的分類效果?！窘Y(jié)果】基于元胞自動(dòng)機(jī)的分類方法總體分類精度為88.712 1%，Kappa系數(shù)為0.829 1，針葉林、闊葉林和針闊混交林的用戶精度分別為73.60%，92.94%和94.13%，達(dá)到了區(qū)分針葉林、闊葉林和針闊混交林的分類目的。BP神經(jīng)網(wǎng)絡(luò)算法的總體分類精度為86.671 3%, Kappa系數(shù)為0.798 4，針葉林、闊葉林和針闊混交林的用戶精度分別為69.22%，93.37%和90.76%。2種分類方法均可有效識(shí)別森林類型信息?！窘Y(jié)論】元胞自動(dòng)機(jī)模型應(yīng)用于遙感影像森林類型識(shí)別分類可彌補(bǔ)因TM影像空間分辨率較低造成的遙感影像分類精度過低的問題，提高分類精度。在森林分布破碎、種類類型多樣且結(jié)構(gòu)復(fù)雜的帶嶺林區(qū)，該研究結(jié)果有助于森林資源監(jiān)測(cè)與管理，可為大區(qū)域尺度的森林動(dòng)態(tài)信息監(jiān)測(cè)提供更好的數(shù)據(jù)及技術(shù)支持。

元胞自動(dòng)機(jī)； BP神經(jīng)網(wǎng)絡(luò)； 森林類型分類； 像元值； Landsat 5-TM影像

森林是全球生態(tài)系統(tǒng)的重要組成部分，森林資源狀況及其變化，不僅影響地區(qū)乃至全球環(huán)境的變化，而且對(duì)社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展影響深遠(yuǎn)，開展森林資源調(diào)查與監(jiān)測(cè)意義重大。遙感影像森林類型分類識(shí)別是森林資源調(diào)查與監(jiān)測(cè)的重要手段，也是國(guó)家森林資源保護(hù)和管理的重要決策技術(shù)支持(賈坤等， 2011； 劉華等， 2012)，其中，分類方法是遙感影像森林類型分類識(shí)別的重要內(nèi)容，分類方法的提高直接制約著森林類型信息的獲取。因此，選擇合理的分類方法是提高森林類型分類精度的關(guān)鍵。

由于林區(qū)特殊的地理環(huán)境和生物分布特點(diǎn)，森林植被的光譜特性普遍存在“同物異譜”及“異物同譜”現(xiàn)象；而且混合像元嚴(yán)重影響森林植被分類精度，錯(cuò)分和漏分現(xiàn)象也普遍存在(Sunetal.， 2014)。為了提高森林植被的分類精度，國(guó)內(nèi)外許多學(xué)者進(jìn)行了大量森林遙感分類研究，如李永亮等(2010)將高光譜特征參數(shù)作為輸入層，森林樹種類別作為輸出層，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)開展森林分類研究，得出馬尾松(Pinusmassoniana)成熟林及樟樹(Cinnamomumcamphora)幼齡林的分類精度達(dá)100%，樣本分類綜合精度達(dá)93.3%； 袁金國(guó)(1999)采用植被指數(shù)進(jìn)行森林植被遙感分類研究，證明垂直植被指數(shù)PVI(perpendicular vegetation index)可區(qū)分針葉林和闊葉林，且不同針葉樹種間分類可采用比值植被指數(shù)RVI(ratio vegetation index)； 嚴(yán)恩萍(2010)使用ALOS(advanced land observing satellite data)遙感數(shù)據(jù)提取歸一化植被指數(shù)NDVI(normalized difference vegetation index)并進(jìn)行主成分分析，進(jìn)而利用改進(jìn)的決策樹方法提取廣西平南縣內(nèi)的闊葉林信息，取得了較高的分類精度；Brenner等(2012)采用Landsat5-TM數(shù)據(jù)對(duì)墨西哥索諾拉沙漠的牧場(chǎng)進(jìn)行分類，發(fā)現(xiàn)采用多尺度分割方法的結(jié)果優(yōu)于基于像元決策樹分類的結(jié)果；Goodenough等(2003)使用Hyperion、ALI 和ETM+3種遙感數(shù)據(jù)對(duì)加拿大維多利亞地區(qū)的5種森林類型進(jìn)行識(shí)別分類，結(jié)果表明應(yīng)用高光譜影像的識(shí)別分類精度高于多光譜影像，其最高分類精度達(dá)90.0%； 競(jìng)霞等(2008)結(jié)合分區(qū)和多時(shí)相遙感數(shù)據(jù)對(duì)密云山區(qū)森林植被進(jìn)行分類研究，結(jié)果證明該方法具有明顯的技術(shù)優(yōu)勢(shì)。以上分類方法均是在像元尺度上以光譜信息為主要依據(jù)進(jìn)行分類，或者采用傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類方法，一方面需要處理的圖像數(shù)據(jù)量非常大，另一方面忽略了影像的空間結(jié)構(gòu)信息及相鄰地物之間的相互影響，因此分類結(jié)果中不僅出現(xiàn)了誤分現(xiàn)象，尤其是波譜信息類似的地類錯(cuò)分現(xiàn)象普遍存在，而且各個(gè)分類內(nèi)部產(chǎn)生了椒鹽噪聲，不利于后續(xù)的分類結(jié)果分析，分類精度遠(yuǎn)不能滿足要求。Deutsch(1972)、Sternberg(1980)等將元胞自動(dòng)機(jī)(cellular automata,CA)理論引入到圖像處理和模式識(shí)別中，由于元胞自動(dòng)機(jī)的空間結(jié)構(gòu)與圖像非常相似，并且其演變規(guī)則具有局域性，因此很容易用于并行化處理機(jī)的實(shí)現(xiàn)，是圖像處理的一個(gè)非常好的工具，如柯新利等(2010)利用CA開展了土地利用動(dòng)態(tài)變化的模擬研究、Clarke等(1997)利用CA分類器模擬了美國(guó)舊金山地區(qū)的城市發(fā)展、凌峰等(2005)基于CA理論研究了遙感影像混合像元亞像元定位的問題、Chattopadhyay等(2000)基于加性CA的屬性提出了分類問題的解決方案、滕剛等(2010)提出了基于元胞自動(dòng)機(jī)各向異性擴(kuò)散模型的圖像分割算法等。

為了模擬生物學(xué)中的自復(fù)制行為，20世紀(jì)50年代馮·諾依曼(von Neumann)提出了元胞自動(dòng)機(jī)系統(tǒng)(Boneetal.， 2006)，用于模擬空間和時(shí)間上都離散的復(fù)雜性現(xiàn)象的模型。該系統(tǒng)根據(jù)元胞及其鄰居的當(dāng)前狀態(tài)，依據(jù)進(jìn)化規(guī)則確定該元胞下一時(shí)刻的狀態(tài)(Mitsovaetal.， 2011)。元胞自動(dòng)機(jī)具有并行高速的特性和空間同質(zhì)性，同時(shí)元胞自動(dòng)機(jī)的空間結(jié)構(gòu)與圖像非常相似，可以處理復(fù)雜的圖像數(shù)據(jù)集，而且能夠充分利用影像的空間結(jié)構(gòu)信息(Yassemietal.， 2008)，因此，以元胞為基本單位，綜合考慮元胞自動(dòng)機(jī)的自迭代過程，可充分挖掘遙感影像信息進(jìn)而更好探索分類，彌補(bǔ)傳統(tǒng)分類方法的缺陷。已有研究使用的主要分類特征有紋理、植被指數(shù)、主成分、小波特征、GIS數(shù)據(jù)等，多是以光譜信息為主要依據(jù)。但是，由于同一時(shí)相的遙感影像上不同森林類型之間的光譜差異較小，即使用光譜特征如植被指數(shù)等也往往難以區(qū)分正確，又由于元胞自動(dòng)機(jī)中元胞狀態(tài)為整數(shù)集(對(duì)應(yīng)于0～255之間的一個(gè)整數(shù))，因此，考慮元胞自動(dòng)機(jī)的特點(diǎn)以及為了避免光譜混淆的影響，本研究分類特征的選取原則為基于遙感影像的像素值信息。

目前，采用元胞自動(dòng)機(jī)模型進(jìn)行基于Landsat-TM遙感數(shù)據(jù)的森林類型分類研究還不多見。本研究以小興安嶺帶嶺林業(yè)經(jīng)營(yíng)管理局為研究區(qū)，結(jié)合遙感影像和森林資源二類調(diào)查數(shù)據(jù)，在分析元胞自動(dòng)機(jī)理論的基礎(chǔ)上，以元胞為基本單位，以獲取的樣本信息(像元均值)為對(duì)象，利用最小距離法求取CA的進(jìn)化規(guī)則來進(jìn)行森林類型的分類方法研究，旨在提高Landsat-TM遙感影像的分類精度，為森林資源遙感監(jiān)測(cè)提供技術(shù)支持。

1 研究區(qū)概況及數(shù)據(jù)收集與處理

1.1 研究區(qū)概況

以小興安嶺帶嶺林業(yè)經(jīng)營(yíng)管理局為研究區(qū)，地理位置128°37′46″—129°17′50″E，46°50′8″—47°21′32″N，版圖大體呈紡錘形，總面積為2 25 4km2。海拔111～1 202 m，坡度0～57°，全年最高氣溫37 ℃，最低氣溫-40 ℃，全年無霜期115天，年均降雨量661 mm。林區(qū)內(nèi)植物種類繁多，結(jié)構(gòu)復(fù)雜，以天然次生林為主，主要為針闊混交林，呈帶狀分布。從優(yōu)勢(shì)樹種看，針葉林主要以落葉松(Larixgmelinii)、紅松(Pinuskoraiensis)為主，還有云杉(Piceaasperata)、冷杉(Abiesfabri)、樟子松(Pinussylvestrisvar.mongolica)等。闊葉林主要以柞樹(Xylosmaracemosum)、白樺(Betulaplatyphylla)、楓樺(Betulacostata)為主，還有一部分楊(Populus)、榆(Ulmus)、椴(Tilia)等。此外還有三棵針(Berberisamurensis)、刺五加(Eleutherococcussenticosus)等藤本植物。

1.2 數(shù)據(jù)收集與處理

1.2.1 森林分類系統(tǒng)建立 依據(jù)研究區(qū)遙感影像的信息可辨識(shí)性和《土地利用現(xiàn)狀分類》國(guó)家標(biāo)準(zhǔn)，結(jié)合《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》分類系統(tǒng)，建立面向遙感分類的小興安嶺地區(qū)森林二級(jí)分類體系。研究區(qū)森林資源中的地類和林分類型劃分為植被和非植被2個(gè)一級(jí)類型，植被依據(jù)林分組成分為針葉林、闊葉林和針闊混交林3個(gè)二級(jí)類型，非植被簡(jiǎn)單歸為水體、居民區(qū)、耕地和裸土4類。對(duì)于未分類地物，統(tǒng)一劃分為“其他”類。

1.2.2 遙感數(shù)據(jù)收集與處理 本研究采用的遙感數(shù)據(jù)Landsat5-TM是通過美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration，NASA，http:∥www.nasa.gov/)獲取的，成像時(shí)間為2010年9月15日，TM影像有7個(gè)波段，各波段參數(shù)如表1所示。該時(shí)期影像的植被特征較為明顯，有利于植被信息提取。使用ENVI5.2軟件進(jìn)行多光譜數(shù)據(jù)的輻射定標(biāo)和大氣校正。以1∶5萬地形圖為參考，采用多項(xiàng)式糾正法對(duì)遙感圖像進(jìn)行幾何精度糾正，幾何糾正誤差在1個(gè)像元內(nèi)。同時(shí)進(jìn)行正射校正，以消除地形等陰影的影響，并用研究區(qū)的邊界矢量裁減研究區(qū)影像。

表1 TM各波段參數(shù)Tab.1 Band parameters of TM

1.2.3 森林資源二類調(diào)查數(shù)據(jù) 本研究以2012年森林資源二類調(diào)查數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)。該數(shù)據(jù)詳細(xì)記錄了每個(gè)小班內(nèi)的林分組成、地物類型等信息，本研究用到了其中205個(gè)小班內(nèi)的森林類型(針葉林、闊葉林和針闊混交林)和地物類型(耕地、裸土、居民區(qū)、水體)的矢量圖層，作為樣本信息提取及分類精度驗(yàn)證的數(shù)據(jù)源。由于森林資源二類調(diào)查數(shù)據(jù)每10年調(diào)查1次， 2012年的數(shù)據(jù)是與本研究所使用的遙感影像獲取時(shí)間最近的，期間研究區(qū)內(nèi)沒有進(jìn)行大面積的森林采伐及干擾發(fā)生，森林覆蓋類型的變化微小，因此本研究認(rèn)為可以忽略其變化。

2 研究方法

結(jié)合研究區(qū)森林類型分布特點(diǎn)和Landsat5-TM 影像特征，本研究依據(jù)《森林資源規(guī)劃設(shè)計(jì)調(diào)查主要技術(shù)規(guī)定》提出了一種基于元胞自動(dòng)機(jī)的遙感影像森林類型分類方法，并進(jìn)行森林類型分類研究。同時(shí)，為了評(píng)價(jià)元胞自動(dòng)機(jī)分類方法的分類結(jié)果和分類精度，采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)研究區(qū)影像進(jìn)行森林類型識(shí)別，并比較和評(píng)價(jià)2種分類方法的分類效果。

2.1 元胞自動(dòng)機(jī)森林類型分類思想

元胞自動(dòng)機(jī)是一種時(shí)間、空間和狀態(tài)都離散的網(wǎng)格動(dòng)力系統(tǒng)。不同于一般的動(dòng)力學(xué)模型，元胞自動(dòng)機(jī)不是由嚴(yán)格定義的物理方程或函數(shù)確定，而是由一系列模型構(gòu)造的規(guī)則構(gòu)成，凡是滿足這些規(guī)則的模型都可以算作元胞自動(dòng)機(jī)模型。因此，元胞自動(dòng)機(jī)是一類模型的總稱，或者說是一個(gè)方法框架(Ganguly, 2003； Matheyetal., 2008)。

構(gòu)成元胞自動(dòng)機(jī)的基本單位是散布在規(guī)則格網(wǎng)中的每一元胞，且均取有限的離散狀態(tài)，遵循同樣的作用規(guī)則，依據(jù)確定的進(jìn)化規(guī)則做同步更新進(jìn)而得到所有元胞在某時(shí)刻的狀態(tài)全體，即元胞自動(dòng)機(jī)的一個(gè)構(gòu)型(configuration)?；疽赜稍?、元胞狀態(tài)、元胞空間、鄰居和規(guī)則組成(Wolfram, 1983； Paul, 2006),可用一個(gè)四元組來表示：

(1)

元胞自動(dòng)機(jī)的狀態(tài)由所有元胞相互作用形成，每個(gè)元胞下一時(shí)刻的變化由其初始狀態(tài)和鄰居元胞對(duì)其的作用共同決定(Kocabasetal., 2006； 王海軍等， 2010)。由于1個(gè)元胞對(duì)應(yīng)1個(gè)像元，并且其演變規(guī)則具有局域性，因此元胞自動(dòng)機(jī)很容易用于并行化處理機(jī)的實(shí)現(xiàn)，可應(yīng)用于遙感圖像處理中。

應(yīng)用元胞自動(dòng)機(jī)模型進(jìn)行森林類型分類時(shí)，依據(jù)編碼規(guī)則將待分類二進(jìn)制的TM影像加載到元胞自動(dòng)機(jī)網(wǎng)絡(luò)上，這個(gè)二進(jìn)制圖像是元胞自動(dòng)機(jī)的初始化全局狀態(tài)，元胞自動(dòng)機(jī)隨時(shí)間按照量化規(guī)則進(jìn)化到穩(wěn)定的全局狀態(tài)，此時(shí)原始影像將被正確分類。

2.2 樣本數(shù)據(jù)的獲取

考慮元胞自動(dòng)機(jī)與圖像的相似性及其本身的特點(diǎn)，并對(duì)灰度圖像進(jìn)行分類，因此本研究使用像元值(灰度值)數(shù)據(jù)作為樣本數(shù)據(jù)。

圖1 樣本統(tǒng)計(jì)Fig.1 Histogram of samples

2.3 基于元胞自動(dòng)機(jī)的森林分類體系的建立

應(yīng)用元胞自動(dòng)機(jī)模型進(jìn)行森林類型分類，其演化過程與非植被類型的識(shí)別是同時(shí)進(jìn)行的，主要包括獲取各類別聚類中心clustern和進(jìn)化規(guī)則f的定義2部分。本文參與分類的原始數(shù)據(jù)為TM影像的像素值矩陣L=M×N，L的像元值范圍為Pixelvalue=max[p(i,j)]×min[p(i,j)]，M,N分別為待分類TM影像的行列值，i∈M,j∈N，p(i,j)表示元胞的像素值，max[p(i,j)],min[(p(i,j)]分別表示像素值矩陣中的最大和最小像素值。根據(jù)待分類TM影像的特征，同時(shí)結(jié)合森林資源二類調(diào)查矢量數(shù)據(jù)，依據(jù)本文所建立的分類系統(tǒng)，確定森林類型和非植被類型共7個(gè)聚類以及各聚類中心的像元均值clustern，并滿足clustern∈{max[p(i，j)],min[p(i，j)]}。為了確定中心元胞的類別，首先需要確定其周圍元胞的狀態(tài)，即每個(gè)鄰居元胞屬于哪個(gè)聚類中心，如果鄰居元胞中屬于第n個(gè)聚類中心的元胞個(gè)數(shù)最多，則中心元胞屬于第n類，最后直到迭代結(jié)束，TM影像完成森林類型的識(shí)別分類。

表2 第5波段各聚類中心的像元均值Tab.2 Pixel mean value of cluster center in 5th band

在元胞自動(dòng)機(jī)的分類方法中，元胞、元胞空間、元胞狀態(tài)、鄰居和進(jìn)化規(guī)則各組分結(jié)構(gòu)參數(shù)的確定是非常重要的，直接影響分類精度的高低。因此，將原始待分類TM影像劃分為規(guī)則的網(wǎng)格，每個(gè)網(wǎng)格表示元胞自動(dòng)機(jī)模型中的1個(gè)元胞，可以理解為一個(gè)個(gè)離散的像素點(diǎn)，分布在離散的n維歐幾里德空間的格點(diǎn)上。中心元胞為影像空間中的每個(gè)像元； 每個(gè)元胞的狀態(tài)對(duì)應(yīng)于7類不同地物類型中的一類； 元胞所分布的空間網(wǎng)點(diǎn)集合即為元胞空間(lattice)，其可以是任意維數(shù)歐幾里德空間的規(guī)則劃分。為了與TM影像的空間結(jié)構(gòu)相統(tǒng)一，本研究選擇二維元胞空間，其大小為原始影像的矩形空間分布L=M×N=1 677×1 935。 在給出進(jìn)化規(guī)則之前，必須定義一定的鄰居規(guī)則，明確哪些元胞屬于該元胞的鄰居。由于地物之間存在越相鄰的地物相似程度越大，因而距離中心元胞距離不同的鄰居，應(yīng)該對(duì)其有不同影響。本研究采用Moore型鄰域結(jié)構(gòu)，由中心元胞(要演化的元胞)和其相鄰的8個(gè)元胞組成，數(shù)學(xué)定義如下：

(2)

式中：cix,ciy表示鄰居元胞的行列坐標(biāo)值;cox,coy表示中心元胞的行列坐標(biāo)值;r表示鄰居半徑值為1。

進(jìn)化規(guī)則是根據(jù)元胞當(dāng)前狀態(tài)及其鄰居狀況確定下一時(shí)刻該元胞狀態(tài)的動(dòng)力學(xué)函數(shù)，也稱為狀態(tài)轉(zhuǎn)移函數(shù)，是元胞自動(dòng)機(jī)的核心問題。

(3)

2.4 BP神經(jīng)網(wǎng)絡(luò)的森林類型分類方法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)規(guī)則是使用梯度搜索理論，以使得網(wǎng)絡(luò)實(shí)際輸出與期望輸出均方差達(dá)到最小(Welleretal.， 2006)。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)(圖2)包括輸入層、隱含層和輸出層，其基本思想是： 在正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，則反向逐次對(duì)網(wǎng)絡(luò)各神經(jīng)元的權(quán)值和閾值進(jìn)行調(diào)節(jié)，過程反復(fù)進(jìn)行達(dá)到極小值或最小值，網(wǎng)絡(luò)學(xué)習(xí)結(jié)束(汪少華等， 2011)。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Frame of BP

設(shè)網(wǎng)絡(luò)的某層中第j個(gè)節(jié)點(diǎn)在給定一個(gè)訓(xùn)練樣本時(shí)，其總輸入為：

(4)

式中：Oi為上一層第i個(gè)節(jié)點(diǎn)的輸出；wij為上一層第i個(gè)節(jié)點(diǎn)與本層第j個(gè)節(jié)點(diǎn)的連接權(quán)值。

對(duì)于輸入層，任何節(jié)點(diǎn)的輸入與輸出均相等。上述第j個(gè)節(jié)點(diǎn)的輸出是其總輸入的一個(gè)變換，記其輸出為Oj，并可作為下一層神經(jīng)節(jié)點(diǎn)的輸入之一：

(5)

設(shè)輸出層第j個(gè)節(jié)點(diǎn)的期望輸出為Tj，則可以得到輸出誤差Tj-Oj，將該誤差從輸出層反向傳播回去，并在傳播中依據(jù)修正原則對(duì)權(quán)值wij進(jìn)行不斷調(diào)整，使誤差不斷減小(Verbekeetal.， 2004)。

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行森林類型分類時(shí)主要包括2個(gè)階段：第1階段是網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行自學(xué)習(xí)，以獲得優(yōu)化的連接權(quán)值矩陣； 第2階段是利用學(xué)習(xí)結(jié)果對(duì)整個(gè)TM影像數(shù)據(jù)進(jìn)行分類。

3 結(jié)果與討論

3.1 元胞自動(dòng)機(jī)森林類型分類結(jié)果

根據(jù)研究區(qū)的地物空間分布特征及各類別在TM影像的可分性，以區(qū)分森林類型為目的，并依據(jù)TM影像第5波段所含信息量最大的特點(diǎn)，獲取各類別的聚類中心。采用元胞自動(dòng)機(jī)模型，以元胞為基本單位，以像素均值為對(duì)象，利用最小距離法求取元胞自動(dòng)機(jī)進(jìn)化規(guī)則，獲得各中心元胞的狀態(tài)，得到研究區(qū)森林類型分類結(jié)果如圖3所示。

圖3 元胞自動(dòng)機(jī)分類結(jié)果Fig.3 Cellular automata classification result

采用混淆矩陣分析法對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。研究區(qū)遙感影像分類精度分析應(yīng)用分層隨機(jī)采樣方法，對(duì)照數(shù)據(jù)以2012年森林資源二類調(diào)查矢量數(shù)據(jù)為主。按照平均分布的原則，選取669個(gè)驗(yàn)證樣本(針葉林184、闊葉林139、混交林198、水體37、居民地34、耕地41、裸土36)建立混淆矩陣，得到元胞自動(dòng)機(jī)分類方法的精度評(píng)價(jià)如表3所示。

3.2 BP神經(jīng)網(wǎng)絡(luò)算法森林類型分類結(jié)果

為了客觀地與元胞自動(dòng)機(jī)分類結(jié)果進(jìn)行比較，以相同的樣本數(shù)目(輸入數(shù)據(jù)為多波段的像元值)及分類系統(tǒng)，采用3層反向傳輸BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行森林類型的識(shí)別分類。輸入層節(jié)點(diǎn)設(shè)為3(參與分類的波段選為4，3，2)；輸出層節(jié)點(diǎn)與所分類別的數(shù)目相同設(shè)為7，輸出層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)1個(gè)地類；隱含層節(jié)點(diǎn)根據(jù)經(jīng)驗(yàn)確定為16；傳遞函數(shù)采用Sigmoid(Log Sigmoid)激活函數(shù)。經(jīng)過反復(fù)訓(xùn)練，設(shè)定訓(xùn)練閾值的貢獻(xiàn)為0.95，訓(xùn)練率為0.3，訓(xùn)練次數(shù)為1 000，最大個(gè)體允許誤差為0.05，最后輸出得到分類結(jié)果見圖4，精度評(píng)價(jià)如表4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)算法分類結(jié)果Fig.4 BP classification result

由于元胞自動(dòng)機(jī)運(yùn)行過程中讀取的是影像灰度值矩陣，因此聚類中心選取原則為單波段的灰度值。但是為了更好地獲得BP神經(jīng)網(wǎng)絡(luò)算法的分類結(jié)果，同時(shí)結(jié)合BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，輸入層采用組合波段的分類特征。

3.3 分類精度評(píng)價(jià)

3.3.1 元胞自動(dòng)機(jī)分類精度評(píng)價(jià) 由表3和表4可知，基于元胞自動(dòng)機(jī)的分類方法總體分類精度為88.712 1%，Kappa系數(shù)為0.829 1；BP神經(jīng)網(wǎng)絡(luò)算法的總體分類精度為86.671 3%， Kappa系數(shù)為0.798 4。這表明2種分類方法均可有效識(shí)別森林類型信息，且精度較高。

元胞自動(dòng)機(jī)分類方法中針葉林、闊葉林和針闊混交林的用戶精度分別為73.60%，92.94%和94.13%，分類效果較好，達(dá)到了區(qū)分森林類型的分類目的；而非林地類型中，水體、居民地、耕地和裸土的用戶精度分別為100.00%，93.59%，73.74%和72.97%，分類精度較高。因此，非林地能很好地與林地類型區(qū)分。

元胞自動(dòng)機(jī)分類結(jié)果中，林地的錯(cuò)分和漏分誤差總體相對(duì)較小，只有針葉林的錯(cuò)分和漏分誤差較其他森林類型相對(duì)較高，分別為26.40%和12.05%；而非林地分類結(jié)果中，耕地的錯(cuò)分和漏分現(xiàn)象較嚴(yán)重，誤差分別為36.26%和14.05%。分析其原因：一是研究區(qū)地形地貌比較復(fù)雜，且存在混合像元現(xiàn)象；二是針葉林、闊葉林和針闊混交林在TM影像第5波段的空間結(jié)構(gòu)信息存在相似性，在3種植被類型交界處又出現(xiàn)了混交現(xiàn)象，特別是針葉林，由于其葉片呈針葉狀分布，且單木郁閉度相對(duì)較低，單葉片的光譜反射特性與其他森林類型相比相對(duì)較弱，進(jìn)而導(dǎo)致針葉林冠層反射特性總體比其他森林類型低。從元胞自動(dòng)機(jī)分類結(jié)果中可以看出，在本研究區(qū)，針葉林多分布在地形起伏較大的位置，受山體陰影的影響較嚴(yán)重；同時(shí)，研究區(qū)的森林類型處于次生演替階段，早期的針葉樹種逐漸被闊葉樹種所代替，且生長(zhǎng)旺盛，有利于闊葉林的識(shí)別。基于以上原因，本研究中針葉林的分類精度較其他類別相對(duì)偏低。而耕地的錯(cuò)分和漏分現(xiàn)象，是其在TM影像第5波段與森林植被存在相似性造成的，又由于帶嶺地區(qū)非林業(yè)用地實(shí)際所占面積較小，主要為森林用地，因此單位像元內(nèi)耕地所占面積過小，從而導(dǎo)致分類誤差較大?？傮w來說，利用中等分辨率的TM影像進(jìn)行分類時(shí)，實(shí)際地物占單位像元的總面積過小，很容易被混淆為占據(jù)單位面積比例較大的地物。在森林分布破碎、種類和類型多樣、結(jié)構(gòu)復(fù)雜的帶嶺林區(qū)，該結(jié)果可滿足林業(yè)經(jīng)營(yíng)管理的需要。

基于元胞自動(dòng)機(jī)的遙感影像分類方法對(duì)樣本數(shù)據(jù)的選取以及進(jìn)化規(guī)則有一定要求，即能夠準(zhǔn)確獲得初始元胞的狀態(tài)和狀態(tài)轉(zhuǎn)移函數(shù)，才能保證分類的精度。同時(shí)需要指出的是，影響利用元胞自動(dòng)機(jī)方法進(jìn)行遙感影像森林類型識(shí)別的主要限制因子在于樣本數(shù)據(jù)的誤差大小和進(jìn)化規(guī)則的獲取方法。

表3 元胞自動(dòng)機(jī)分類方法精度評(píng)價(jià)Tab.3 Cellular automata classification accuracy evaluation

經(jīng)過以上對(duì)分類精度的分析可知，基于元胞自動(dòng)機(jī)分類方法的優(yōu)勢(shì)主要表現(xiàn)在以下3方面：

1) 元胞自動(dòng)機(jī)具有模型簡(jiǎn)單、運(yùn)行速度快、處理效果好等優(yōu)點(diǎn)，并且元胞狀態(tài)只取有限個(gè)離散值，相對(duì)于連續(xù)狀態(tài)的動(dòng)力系統(tǒng)，其不需要經(jīng)過粗?；幚砭湍苻D(zhuǎn)化為符號(hào)序列，且樣本參數(shù)少，減少了分類前的準(zhǔn)備工作，提高了工作效率和信息提取精度。

2) 元胞自動(dòng)機(jī)分類方法以像元為基礎(chǔ)，充分利用了像元之間的空間相關(guān)性，能夠考慮相鄰地物之間的影響，避免了光譜混淆造成的分類誤差影響，對(duì)噪聲有較強(qiáng)的抑制作用，可以過濾以獨(dú)立像元存在的噪聲，改善了分類效果。

3) 元胞自動(dòng)機(jī)具有并行高速處理的特性，可以處理大量的數(shù)據(jù)集，并且能將復(fù)雜的非線性問題轉(zhuǎn)化為簡(jiǎn)單的線性問題，易于獲取進(jìn)化規(guī)則。

基于以上優(yōu)勢(shì)分析，元胞自動(dòng)機(jī)分類方法可適用于中等分辨率且地物復(fù)雜的大范圍地區(qū)遙感影像的分類，為大面積的森林資源監(jiān)測(cè)提供了一條有效途徑。

表4 BP神經(jīng)網(wǎng)絡(luò)分類方法精度評(píng)價(jià)Tab.4 BP classification accuracy evaluation

3.3.2 BP神經(jīng)網(wǎng)絡(luò)算法分類精度評(píng)價(jià) BP神經(jīng)網(wǎng)絡(luò)分類方法結(jié)果表明，該方法能夠較好地區(qū)分林地和非林地，其中闊葉林和針闊混交林的分類效果較理想，用戶精度分別為93.37%和90.76%；針葉林存在錯(cuò)分和漏分現(xiàn)象，用戶精度較低為69.22%，主要是針葉林受地形條件影響較嚴(yán)重。總體分類精度略低于元胞自動(dòng)機(jī)2.040 8%，主要原因是森林類型之間的光譜差異小，山區(qū)地形復(fù)雜，造成“同譜異物，同物異譜”現(xiàn)象。另一方面，BP神經(jīng)網(wǎng)絡(luò)算法的樣本數(shù)據(jù)獲取過程相比元胞自動(dòng)機(jī)復(fù)雜，前期工作量較大，降低了樣本的質(zhì)量，而輸入層數(shù)據(jù)的維數(shù)和規(guī)模又較大，影響了網(wǎng)絡(luò)的訓(xùn)練效率，運(yùn)行速度較慢，進(jìn)而降低了基于光譜信息的分類質(zhì)量。

BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)勢(shì)體現(xiàn)在計(jì)算過程大量并行、高速分布、能高速處理大量數(shù)據(jù)，對(duì)數(shù)據(jù)類型、分布函數(shù)和相關(guān)性沒有苛刻限制，能實(shí)現(xiàn)各種非線性映射和求解各種十分復(fù)雜和高度非線性的分類問題。

4 結(jié)論

本研究基于小興安嶺帶嶺林管局Landsat5-TM遙感數(shù)據(jù)和2012年森林資源二類調(diào)查數(shù)據(jù)，采用相同的樣本數(shù)，分別利用元胞自動(dòng)機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法對(duì)研究區(qū)的森林類型信息進(jìn)行了識(shí)別提取，元胞自動(dòng)機(jī)方法的總體精度達(dá)到88.712 1%，Kappa系數(shù)為0.829 1； BP神經(jīng)網(wǎng)絡(luò)算法的總體分類精度為86.671 3%，Kappa系數(shù)為0.798 4。2種方法的分類精度均較高，達(dá)到了識(shí)別森林類型信息的分類目的，并分別獲得了研究區(qū)的森林類型分布圖。

元胞自動(dòng)機(jī)方法充分考慮了影像的空間結(jié)構(gòu)特征以及相鄰地物之間的相互影響關(guān)系，其以元胞為基本單位，以單波段像元均值為對(duì)象，采用最小距離法求取進(jìn)化規(guī)則進(jìn)行演化，可有效降低光譜混淆引起的漏分和錯(cuò)分現(xiàn)象，分類精度較高；同時(shí)，樣本數(shù)據(jù)的維數(shù)低、參數(shù)少，使得網(wǎng)絡(luò)的運(yùn)行速度較快。

BP神經(jīng)網(wǎng)絡(luò)分類方法能利用已知類別遙感圖像樣本集的先驗(yàn)知識(shí)，自動(dòng)提取識(shí)別規(guī)則； 但獲得的樣本數(shù)據(jù)維數(shù)較高，數(shù)據(jù)量大，為多波段的像元均值。其自適應(yīng)能力強(qiáng)，能夠解決信息缺失的問題，且能充分利用原始影像的光譜信息。

由于Landsat-TM影像的空間分辨率相對(duì)較低，研究區(qū)內(nèi)針葉林、闊葉林和針闊混交林的分布存在交叉現(xiàn)象，導(dǎo)致利用森林資源二類調(diào)查數(shù)據(jù)獲取的樣本中存在誤差，利用進(jìn)化規(guī)則進(jìn)行演化時(shí)影響最終的分類結(jié)果。為了獲得更高的分類精度，需要在后續(xù)研究中對(duì)樣本數(shù)據(jù)獲取方法進(jìn)行更深入的探討，或者可以進(jìn)一步考慮引入地學(xué)知識(shí)(海拔、坡度、坡向)和植被指數(shù)等數(shù)據(jù)進(jìn)行分類。為了獲得更詳細(xì)的森林資源監(jiān)測(cè)信息，采用元胞自動(dòng)機(jī)方法，在森林類型分類基礎(chǔ)上，可以考慮加入林齡和郁閉度信息作為分類條件。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行森林類型分類時(shí)，為了保證網(wǎng)絡(luò)的穩(wěn)定性和分類精度，可以考慮在算法上進(jìn)行改進(jìn)，同時(shí)可加入各種輔助信息(地理信息、地學(xué)信息)以提高分類精度。

本次分類方法采用的分類規(guī)則及閾值具有區(qū)域適用性，是針對(duì)試驗(yàn)區(qū)的影像及地物特征所指定的，應(yīng)用于其他區(qū)域的影像分類時(shí)，需要根據(jù)實(shí)際情況進(jìn)行相應(yīng)的調(diào)整。

賈 坤，李強(qiáng)子，田亦陳，等.2011. 遙感影像分類方法研究進(jìn)展. 光譜學(xué)與光譜分析，31(10)： 2618-2623.

(Jia K，Li Q Z，Tian Y C，etal. 2011. A review of classification methods of remote sensing imagery. Spectroscopy and Spectral Analysis，31(10)： 2618-2623. [in Chinese])

競(jìng) 霞, 王錦地, 王紀(jì)華, 等. 2008. 基于分區(qū)和多時(shí)相遙感數(shù)據(jù)的山區(qū)植被分類研究. 遙感技術(shù)與應(yīng)用, 23(4)： 394-397.

(Jing X, Wang J D, Wang J H,etal. 2008. Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images. Remote Sensing Technology and Application, 23(4)： 394-397. [in Chinese])

柯新利，鄧祥征，何書金.2010. 地理元胞自動(dòng)機(jī)模型的尺度敏感性及原因.地理研究，29(5)： 863-872.

(Ke X L, Deng X Z, He S J. 2010. Scale sensitivity and its causality for geo-cellular automata modelling. Geographical Research, 29(5)： 863-872.[in Chinese])

李永亮，林 輝，孫 華，等.2010.基于BP神經(jīng)網(wǎng)絡(luò)的森林樹種分類研究.中南林業(yè)科技大學(xué)學(xué)報(bào)，30(11)： 43-46.

(Li Y L, Lin H, Sun H,etal. 2010. Study on forests species classification based on BP neural network. Journal of Central South University of Forestry & Technology, 30(11)： 43-46. [in Chinese])

凌 峰，張秋文，王 乘，等.2005. 基于元胞自動(dòng)機(jī)模型的遙感圖像亞像元定位.中國(guó)圖象圖形學(xué)報(bào)，10(7)： 916-921.

(Ling F, Zhang Q W, Wang C,etal. 2005. Sub-pixel mapping of remote sensing images based on cellular automata model. Journal of Image and Graphics, 10(7):916-921. [in Chinese])

劉 華，陳永富，鞠洪波，等.2012.美國(guó)森林資源監(jiān)測(cè)技術(shù)對(duì)我國(guó)森林資源一體化監(jiān)測(cè)體系建設(shè)的啟示. 世界林業(yè)研究， 25(6):64-68.

(Liu H, Chen Y F, Ju H B,etal. 2012.Inspiration of forest resources monitoring in USA for integrated forest resources monitoring system in China. World Forestry Research,25(6):64-68.[in Chinese])

滕 剛，陳 玉，吳 倩. 2010. 基于元胞自動(dòng)機(jī)各向異性擴(kuò)散模型的圖像分割算法. 計(jì)算機(jī)工程與設(shè)計(jì)，31(16)： 3666-3669.

(Teng G, Chen Y, Wu Q. 2010.Image segmentation based on lattice Boltzmann anisotropic diffusion model. Computer Engineering and Design, 31(16)： 3666-3669. [in Chinese])

王仲君，王能超，馮 飛, 等. 2007．元胞自動(dòng)機(jī)的演化行為研究.計(jì)算機(jī)應(yīng)用研究，24(8)： 38-41．

(Wang Z J,Wang N C, Feng F,etal. 2007. Research on evolved behavior of cellular automata. Application Research of Computers，24(8)： 38-41．[in Chinese])

王海軍，張文婷，賀三維，等. 2010. 利用元胞自動(dòng)機(jī)和模糊C均值進(jìn)行圖像分割.武漢大學(xué)學(xué)報(bào):信息科學(xué)版，35(11)： 1288-1291.

(Wang H J, Zhang W T, He S W,etal. 2010. An image segmentation method based on cellular automata and fuzzyC-means. Geomatics and Information Science of Wuhan University，35(11)： 1288-1291.[in Chinese])

汪少華，張茂震，趙平安, 等.2011. 基于TM影像、森林資源清查數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)的森林碳空間分布模擬.生態(tài)學(xué)報(bào), 31(4)： 998-1008.

(Wang S H, Zhang M Z, Zhao P A,etal. 2011. Modelling the spatial distribution of forest carbon stocks with artificial neural network based on TM images and forest inventory data. Acta Ecologica Sinica, 31(4)： 998-1008.[in Chinese])

嚴(yán)恩萍，林 輝，莫登奎，等. 2010. 基于ALOS數(shù)據(jù)的遙感植被分類研究. 中南林業(yè)科技大學(xué)學(xué)報(bào), 30(11)： 37-42.

(Yan E P, Lin H, Mo D K,etal. 2010. Vegetation classification based on ALOS data. Journal of Central South University of Forestry & Technology, 30(11)： 37-42. [in Chinese])

袁金國(guó). 1999. 森林植被遙感分類研究. 河北師范大學(xué)報(bào):自然科學(xué)版，23(2)： 274-277.

(Yuan J G. 1999. Study of forest vegetation classification with remote sensing. Journal of Hebei Normal University:Natural Science, 23(2)： 274-277.[in Chinese])

Bone C, Dragicevic S, Roberts A.2006.A fuzzy-constrained cellular automata model of forest insect infestations. Ecological Modelling. Ecological Modelling,192(1/2)： 107-125.

Brenner J C, Christman Z, Rogan J.2012. Segmentation of Landsat thematic mapper imagery improves buffelgass (Pennisetumciliare) pasture mapping in the Sonoran Desert of Mexcio. Applied Geography, 34: 569-575.

Clarke K C, Hoppen S. 1997. A self-modifying cellular automaton model of historical urbanization in the San Francisco bay area. Environment and Planning B: Planning and Design, 24(2)： 247-261.

Chattopadhyay S, Adhikari S, Sengupta S,etal. 2000. Highly regular, modular, and cascadable design of cellular automata- based pattern classifier. IEEE Transactions on Very Large Scale Integration Systems,8(6)： 724-735.

Deutsch E S. 1972. Thinning algorithms on computation theoretic aspects of cellular automata. Communication of the ACM, 15(9)： 827-837.

Goodenough D G, Dyk A, Niemann K O,etal. 2003. Processing Hyperion and ALI for forest classification. IEEE Transactions on Geoscience and Remote Sensing, 41(6)： 1321-1331.

Ganguly N. 2003. Cellular automata evolution : theory and applications in pattern recognition and classification. Bengal: PhD thesis of Bengal Engineering College.

Kocabas V, Dragicevic S. 2006.Assessing cellular automata model behaviour using a sensitivity analysis approach. Computers Environment & Urban Systems,30(6)： 921-953.

Mitsova D, Shuster W, Wang X. 2011.A cellular automata model of land cover change to integrate urban growth with open space conservation. Landscape & Urban Planning,99(2)： 141-153.

Mathey A H, Krcmar E, Dragicevic S,etal. 2008. An object-oriented cellular automata model for forest planning problems. Ecological Modelling,212(3)： 359-371.

Paul R L.2006.Training cellular automata for image processing.IEEE Transactions on Image Processing, 15(7)： 2076-2087.

Sun X Y, Du H Q, Han N,etal. 2014. Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification. Journal of Applied Remote Sensing, 8(1):801-807.

Sternberg S R. 1980. Language and architecture for parallel image processing. Pattern Recognition in Practice, Amsterdam,35.

Verbeke L P C, Vancoillie F M B, De wulf R R. 2004. Reusing back-propagating artificial neural network for land cover classification in tropical savannahs. International Journal of Remote Sensing,25(14)： 2747-2771.

Van Wijk M T, Rodriguez-Iturbe I. 2002.Tree-grass competition in space andtime: Insights from a simple cellular automata model based onecohydrological dynamics. Water Resources Research,38(9)： 18-1-18-15.

Wolfram S. 1983. Statistical mechanics of cellular automata. Reviews of Modern Physics,55(3)： 5686-5697.

Weller A F, Harris A J, Ware J A. 2006. Artificial neural networks as potential classification tools for dinoflagellate cyst images: a case using the self-organizing map clustering algorithm. Review of Palaeobotany and Palynology,141(3/4)： 287-302.

(責(zé)任編輯 石紅青)

Comparison of Landsat-TM Image Forest Type Classification Based on Cellular Automata and BP Neural Network Algorithm

Tian Jing Xing Yanqiu Yao Songtao Zeng Xujing Jiao Yitao

(ResearchCenterofForestOperationsandEnvironment,NortheastForestryUniversityHarbin150040)

【Objective】 The results of forest resources monitoring with remote sensing are often affected by the method of forest type classification, so this study proposed a forest type classification method based on cellular automata (CA), and the proposed method was tested with a Landsat-TM imagery, aiming at improve the classification accuracy, obtained results can be provide a technique support for remote sensing monitoring of forest resource. 【Method】The study area was located in Dailing Forestry Management Bureau of Lesser Khingan Range, based on a good quality Landsat5-TM imagery covering the study area acquired in 2010 and forest inventory data of the study area in 2012, by using window method to obtain the 5thband mean pixel value of all classes as center cluster, and the Moore model as the framework, the cell as the basic unit, the pixel mean value as the object, and the minimum distance method to obtain evolutionary rules, the judging criteria is that the distance between 8 cell which around the center cell and the each center cluster is the nearest as well as the number of pixels is largest which the center cell belongs to the this category. By compared to BP neural network classificationto illustrate the classification accuracy of the cellular automata. 【Result】 The forest type classification based on cellular automata resulted in an overall accuracy and Kappa coefficient of respectively 88.712 1% and 0.829 1, especially user accuracy of needle forest, broad-leaved forest and mixed forest respectively 73.60%, 92.94% and 94.13%, this results show that forest type identification is obtained the ideal result. BP neural network classification method achieved the overall accuracy of 86.671 3%, Kappa coefficient of 0.798 4.So the two classification methods can effectively identify the forest type information.【Conclusion】 The cellular automata model used in remote sensing image forest type classification can make up the problem of the low classification accuracy caused by the low spatial resolution of TM imagery, it alsocan effectively improve the classification accuracy. And the cellular automata classification method can contribute to monitor the forest resource change and also provide an effective way to improve the efficiency of forest resources monitoring in large-scale areas.

cellular automata; BP neural network; forest type classification; pixel value; landsat5-TM imagery

10.11707/j.1001-7488.20170204

2016-04-15；

2016-11-06。

林業(yè)公益性行業(yè)科研專項(xiàng)(201504319)。

S771.8

A

1001-7488(2017)02-0026-09

*邢艷秋為通訊作者。