基于GA-BP神經網絡的臨洪河口濕地土地覆蓋分類算法研究

何 爽, 盧 霞, 張 森, 李 珊, 唐海童, 鄭 薇, 林 輝, 羅慶齡

基于GA-BP神經網絡的臨洪河口濕地土地覆蓋分類算法研究

何 爽, 盧 霞, 張 森, 李 珊, 唐海童, 鄭 薇, 林 輝, 羅慶齡

(江蘇海洋大學 海洋技術與測繪學院, 江蘇 連云港 222005)

針對傳統分類方法易受到“同物異譜”和“同譜異物”影響, 致使河口濕地覆蓋分類精度較低的問題, 提出一種基于遺傳算法優化BP神經網絡分類算法。以江蘇省臨洪河口濕地為研究區, 選用哨兵Sentinel-2影像, 經輻射校正、大氣校正和圖像裁剪等預處理后, 構建基于自適應遺傳算法優化的BP神經網絡算法開展臨洪河口濕地土地覆蓋分類研究, 并與傳統BP神經網絡、支持向量機和隨機森林算法進行精度比較。研究結果表明: 遺傳算法優化后的BP神經網絡算法開展河口濕地土地覆蓋分類的總精度為96.162 7%, Kappa系數為0.952 0; 與傳統BP神經網絡、支持向量機和隨機森林分類算法的分類總精度相比, 分別提高了7.359 7%、11.677 9%和6.042 4%; 對應的Kappa系數也相應提高了0.090 8、0.118 0和0.074 8; 有效解決了河口濕地土地覆蓋分類精度低的問題。遺傳算法優化后的BP神經網絡可實現河口濕地土地覆蓋的高精度分類, 促進濕地資源的合理開發和保護, 為實現海洋生態文明建設提供技術支撐。

河口濕地; Sentinel-2; 土地覆蓋分類; 遺傳算法; 神經網絡

河口濕地生態系統是地球上生產力最高的生態系統之一, 河口濕地附近的土地往往具有極高的生產力, 它為全球數百萬人提供了各種商品價值和生態服務價值[1]。江蘇省臨洪河口濕地類型多樣, 物種豐富, 對該濕地的開發主要包括圍墾種植、鹽田生產和港口建設。近年來, 因交通設施建設、農業種植、漁業養殖等快速發展導致臨洪河口濕地系統萎縮, 嚴重影響了濕地中各種動植物的棲息空間, 濕地生態功能受到一定程度的破壞[2]。因此, 對河口濕地土地覆蓋進行高精度地識別至關重要。

土地覆蓋是指自然營造物和人工建筑物所覆蓋的地表諸要素的綜合體, 包括地表植被、土壤、湖泊、沼澤濕地及各種建筑物(如道路等), 具有特定的時間和空間屬性[3]。在識別河口濕地土地覆蓋方面, 衛星遙感影像具有無國界限制、覆蓋面積廣、觀測具有周期性、數據客觀等諸多特點[4], 而Sentinel-2衛星影像在開源遙感數據中分辨率較高, 其空間分辨率為10 m級別的影像數據, 可以清晰展示衛星覆蓋范圍內地表類型情況[5]。但是, 由于河口濕地土地覆蓋類型復雜, 在遙感影像上的光譜特征和空間特征高度相似, 往往存在“同物異譜”和“同譜異物”的現象, 僅僅依靠光譜差異開展土地覆蓋分類, 難以得到較高的分類精度。

目前, 濕地土地覆蓋遙感分類算法大體上可分為基于統計計算和基于空間數據的挖掘技術兩大類[6]。曾有學者利用監督分類和非監督類對臨洪河口濕地進行植被遙感分類[7], 還有學者開展臨洪河口濕地的保護和規劃[8]、海岸岸線變化監測[9]等研究。前人研究表明: 最小距離、最大似然等傳統監督分類方法往往出現較多的錯分和漏分現象[10-11], 而BP神經網絡分類算法具有較強的學習能力, 很好地適應濕地紋理豐富的遙感影像, 與遺傳算法有效結合確定初始權重等優勢, 較好地解決分類過程中“同物異譜”和“同譜異物”的問題[12-13]。

國內已有學者應用BP神經網絡分類算法對鹽城濱海濕地土地覆蓋進行分類研究[14]; 國外也曾有學者利用BP神經網絡進行了湖泊濕地景觀分類[15], 但這些研究指出基于BP神經網絡構建的濕地覆被模型不具有普適性, 且需要增加更多的訓練樣本或使用改良的BP神經網絡模型來提高分類精度。

鑒于此, 本文采用遺傳算法優化的BP神經網絡算法, 選用Sentinel-2高分辨率遙感影像對江蘇省臨洪河口濕地土地覆蓋進行遙感分類, 深入探討了遺傳算法優化BP神經網絡隱藏層神經元節點數和初始權重分析, 并與傳統的BP神經網絡、支持向量機和隨機森林算法進行對比, 實現了臨洪河口濕地土地覆蓋遙感的自動分類與智能提取, 為濕地資源的合理開發和保護決策提供技術支撐。

1 數據和方法

1.1 研究區概況

臨洪河口濕地位于江蘇連云港市三大主城區(贛榆區、海州區、連云區)相交接的區域, 是新沭河下游入海段, 從太平莊閘至入海口全長15.69 km, 濕地公園總面積達2 353.10 hm2。臨洪河口濕地類型多樣, 物種豐富, 主要覆蓋類型包括堿蓬, 大米草, 養殖區等。研究區具體范圍如圖1所示。

圖1 研究區地理位置

1.2 遙感數據獲取和處理

1.2.1 遙感數據的獲取和預處理

選取2020年5月26日分辨率為10 m的哨兵2號(Sentinel-2)遙感影像作為數據源。對遙感影像主要進行輻射校正、大氣校正和圖像裁剪等預處理; 在此基礎上, 為減少波段信息冗余, 選擇哨兵數據B2、B3、B4、B8、歸一化水體指數(NDWI)和歸一化植被指數(NDVI)進行相關性分析, 以信息量判斷最佳波段組合, 以組合波段間相關系數之和最小為依據, 得出: 如圖2所示，采用B8、NDVI和B2進行RGB假彩色合成, 可較好地識別濕地土地覆蓋類型。

1.2.2 訓練樣本的選擇和可分離性分析

根據第三次全國土地調查土地分類體系和中國濱海濕地分類系統[16], 結合研究區土地覆蓋現狀實地調查, 確定了7個土地覆蓋類型, 分別是河流、潮灘、大米草、堿蓬、養殖區、道路、裸露地。在調查過程中對實測樣點地物類型采樣留檔, 以實現對訓練樣本更精確分類, 提高后續評價精度和主要地物覆蓋分類質量。

利用Jefferies-Matusita (JM)系數值判別方法來識別訓練樣本的可分離性。當JM系數在0~2之間, 越接近2, 分離性越好; 小于1.8, 需要重新選擇樣本; 小于1時考慮合并樣本。訓練樣本之間的JM系數計算結果如表1所示。從表中可看出: 訓練樣本之間的JM值均在1.8~2.0之間, 樣本的可分離性較好。

1.3 遺傳算法優化的BP神經網絡分類算法

1.3.1 方法簡介

遺傳算法(Genetic algorithm, GA)是模擬達爾文進化理論的一種自適應全局優化概率搜索算法[17]。首先, 將遙感分類問題求解表示成基因型(如常用的二進制編碼串), 通過交叉、變異等遺傳算子產生新一染色體群。依據各種收斂條件, 從新老群體中選出適應環境的個體, 最后收斂到適應環境個體上, 求得問題最優解。

圖2 RGB(B2、B8、NDVI)假彩色合成

表1 訓練樣本的Jeffries-Matusita系數值

注: “—”表示兩地物類別相同

遺傳算法優化BP神經網絡主要分為: BP神經網絡結構確定和遺傳算法優化權值和閾值兩部分。其中, BP神經網絡的拓撲結構根據樣本的波段數及輸出參數的通道數確定遺傳算法優化的參數的個數, 從而確定編碼長度。神經網絡的權值和閾值一般是通過隨機初始化為[–0.5, 0.5]區間的隨機數, 這個初始化參數對網絡訓練的影響很大, 但是又無法準確獲得, 對于相同的初始權重值和閾值, 網絡的訓練結果一樣, 引入遺傳算法是為了優化最佳的初始權值和閾值。

1.3.2 BP神經網絡結構設計

BP網絡結構的確定一般遵循以下兩條指導原則: 對于一般的識別分類的問題, 三層網絡可以很好地解決問題; 在三層網絡中, 隱藏層神經網絡個數2和輸入層神經元個數1之間有近似關系:

研究區包含7種土地覆蓋類型的訓練樣本及背景共8個輸入參數, 3個輸出參數, 設定隱藏層神經元個數為17, 設置BP神經網絡結構為8-17-3; 即輸入層有8個節點, 隱藏層有17個節點, 輸出層有3個節點, 共有187個權值, 20個閾值; 因此, 遺傳算法的優化參數的個數為207。隱藏層神經元的傳遞函數采用logsig對數型激活函數, 輸出層神經元的傳遞函數采用線性函數purelin激活函數。這兩個函數都可微分, 便于利用BP訓練網絡。經過反復訓練, 選擇網絡的顯示間隔為10, 最大收斂次數設為20 000, 收斂誤差設為0.001, 學習速率為0.01, 網絡訓練到19 959次收斂, 從而達到最佳。本文所選用的BP神經網絡結構設計如圖3所示, 其中, WI表示輸入層權重矩陣, WL為隱含層權重矩陣。

1.3.3 基于遺傳算法的BP神經網絡算法模型參數設定

采用自適應調整遺傳策略[18], 交叉概率(c)與變異概率(m)能夠隨著適應度大小而改變。其主要思想是當群體中各個體的適應度趨于一致或者趨于局部最優時, 交叉概率與變異概率增加, 而當群體適應度分散時, 交叉概率與變異概率減小。同時, 對于適應度值高于群體平均適應度值的個體, 對應于較低的交叉概率與變異概率, 使該個體得以保護進入下一代; 而低于平均適應度值的個體, 相對于較高的交叉概率與變異概率, 使該個體被淘汰掉。因此自適應的交叉概率與變異概率能夠提供相對于某個解的最佳交叉概率與變異概率。自適應策略在保持群體多樣性的同時, 保證了遺傳算法的收斂性。

根據式(2)—(5)調整自適應遺傳算法的c和m:

其中,1,2,3,4均為小于1的常數,c是交叉概率,c, max是最大交叉概率,c, min是最小交叉概率,m是變異概率,m, max是最大變異概率,m, min是最小變異概率,max為最大進化代數,為當前進化代, 而avg為群體平均適應度,′是交叉的兩個個體的最大適應度,是變異個體的適應度值。

本研究中遺傳算法具體參數設定如下, 種群大小為50, 設置最大遺傳代數為300代, 變量的二進制位數為10, 交叉概率區間為[0.5, 0.9], 變異概率為0.01, 代溝設置為0.95。

為檢驗遺傳算法優化后的BP神經網絡訓練效果, 對比分析傳統BP神經網絡算法與遺傳算法優化后的BP神經網絡算法, 其參數設置及特征數據集選取一致。傳統BP神經網絡訓練和遺傳算法優化BP神經網絡訓練的均方差(Mean square error, MSE)如圖4、圖5所示。對比兩圖發現: 經遺傳算法優化的BP神經網絡通過調整權重改進網絡, 訓練過程中均方差達到0.004 6, 提高了近0.006 4。因此, 遺傳算法優化后的BP神經網絡模型可用于研究區土地覆蓋分類。

由圖4、圖5發現, 遺傳算法優化后的BP神經網絡收斂速度有所提升, 在5 000次左右達到均方誤差的閾值, 而BP神經網絡在12 000左右才趨于平緩達到收斂。從表3可以看出, 遺傳算法優化后BP神經網絡擬合優度(2)為0.96明顯高于優化前的BP神經網絡(0.89), 總體精度和Kappa系數分別提高了7.36%和0.09, 用時也比較短。在前50次迭代過程中, 未收斂的次數明顯小于優化前的BP神經網絡, 說明遺傳算法優化的BP神經網絡性能優于優化前的BP神經網絡, 分類效果更好。

圖4 傳統BP神經網絡訓練的MSE

圖5 遺傳算法優化BP神經網絡的MSE

表2 不同BP神經網絡算法結果對比

注:2表示擬合優度, 指回歸線對預測值的擬合程度, 越接近1, 擬合程度越好

1.4 分類精度評價方法

使用每類地物至少280個測試樣本分類精度進行驗證分析, 驗證精度的因子包含有混淆矩陣、總體精度、Kappa系數、錯分誤差、漏分誤差、每一地物類型的生產者精度和用戶精度, 并與相同條件下的傳統BP神經網絡、支持向量機和隨機森林分類結果進行對比, 統計四種分類算法間精度的差異。

2 結果與分析

2.1 臨洪河口濕地土地覆蓋分類結果

選用基于遺傳算法優化的BP網絡分類算法、BP神經網絡分類算法、支持向量機分類算法(Support vector machines, SVM)和隨機森林(Random forest)４種算法應用到江蘇省臨洪河口濕地得到濕地土地覆蓋分類。為了便于開展分類算法精度比較分析, 根據研究區7種土地覆蓋類型, 選擇RBF(徑向基)核函數為SVM算法核函數[19-20], 選定懲罰系數為20, gamma參數設為0; 選擇樹的數量為100以及特征數量采用平方根方式的隨機森林算法[21-24]; 二者選取與BP神經網絡一致的特征數據集; 在此基礎上, 進行聚類、Majority/Minority分析等分類后處理, 最終得到研究區土地覆蓋分類結果如圖6所示。

2.2 分類精度評價分析

在得到基于遺傳算法優化BP神經網絡、傳統BP神經網絡、支持向量機和隨機森林算法的臨洪河口濕地土地覆蓋分類結果基礎上, 利用實地調查的驗證樣本數據計算混淆矩陣開展分類精度評價, 結果如表3—表6所示。

從表3—表6中可以看出: 遺傳算法優化的BP神經網絡分類算法得到的總體精度為96.162 7%, Kappa系數為0.952 6; 隨機森林總體精度及Kappa系數也相對較高分別為90.120 3%和0.877 8; 而支持向量機分類算法以及BP神經網絡得到的分類結果總體精度分別為84.484 8%和88.803 0%, Kappa系數分別為0.834 6和0.861 8。從總體精度看, 遺傳算法優化后BP神經網絡分類方法與支持向量機分類算法相比, 分類精度大幅提升(總體精度提高了11.677 9%, Kappa系數增加了0.118), 與傳統BP神經網絡和隨機森林分類算法相比, 總體精度分別提高了7.359 7%和6.042 4%, Kappa系數分別增加了0.090 8和0.074 8; 最終優化后BP神經網絡分類結果與實際臨洪河口濕地土地覆蓋空間分布吻合度最高。

表3 基于遺傳算法優化的BP神經網絡的土地覆蓋分類精度評價結果統計

注: 總體精度96.162 7%, Kappa系數0.952 6。

圖6 不同分類算法的臨洪河口濕地土地覆蓋分類

a: 遺傳算法優化后BP神經網絡; b: 傳統BP神經網絡; c: 支持向量機; d: 隨機森林

表4 基于傳統BP神經網絡的土地覆蓋分類精度評價結果統計

注: 總體精度88.803 0%, Kappa系數0.861 8。

表5 基于SVM的土地覆蓋分類結果精度評價統計

注: 總體精度84.484 8%, Kappa系數0.834 6。

表6 基于RF的土地覆蓋分類結果精度評價統計

注: 總體精度90.120 3%, Kappa系數0.877 8。

由表3、表4和土地覆蓋分類圖6a、圖6b可以發現: 遺傳算法優化的BP神經網絡相較于傳統BP神經網絡, 遺傳算法優化的BP神經網絡更好的適應江蘇省臨洪河口濕地的土地覆蓋實際地物分布。傳統BP神經網絡可較好提取出潮灘、大米草、河流這三類地物的信息, 而對于道路的提取效果較差, 其生產者精度僅為53.24%, 漏分較為嚴重, 主要漏分為裸露地和潮灘兩類地物類型; 反觀傳統BP神經網絡對于裸露地的地物類型分類結果, 生產者精度明顯高于用戶精度, 即道路和潮灘地物類型被錯分為裸露地的地物類型。主要還是因為道路、裸露地及潮灘的紋理特征高度相似, 傳統BP神經網絡沒有很好區分。從表3分析得出, 遺傳算法優化的BP神經網絡對于紋理特征相似度高的潮灘、道路和裸露地三種地物的提取精度均有所提升, 錯分漏分現象減少。

根據土地覆蓋分類圖6c得出, SVM分類算法對于養殖區及裸露地的區分效果不佳, 在養殖區的地物類型中, 由于覆蓋大量河流資源, 受潮水影響, 加之道路與河流的紋理特征相似, 導致養殖區內很多裸露地的田埂沒有提取出來。結合表5可以看出, SVM分類算法中道路地物類型的生產者精度高于用戶精度, 依然主要錯分為潮灘和裸露地, 說明SVM分類算法未能在這三種地物之間找到嚴格的分類界限。

從表6可以看出: RF分類算法相較于傳統BP神經網絡和支持向量機, 生產者精度和用戶精度均有所提升, 但是對于裸露地的分類效果不佳, 主要還是受潮水影響, 僅依靠光譜特征, 無法區分出養殖區內裸露地的田埂。再根據土地覆蓋分類圖6d可以發現, RF分類算法對于各地物類型的邊緣的處理, 沒有遺傳算法優化的BP神經網絡效果好。

綜合比較以上4種分類算法, 遺傳算法優化后BP神經網絡算法可較好地適應地物的紋理和光譜特征, 生產者精度和用戶精度均較高, 減少了錯誤分類, 提高了總體分類精度; 遺傳算法可擴展到任何維度以及對本身知之甚少的遙感影像進而實現快速全局尋優, 是一種求解遙感影像類似復雜系統問題的通用框架, 與BP神經網絡結合, 可大大提高分類精度且在訓練過程中, 收斂速度更快, 網絡模型更穩定。

3 結論與討論

如何提高遙感影像分類精度一直是遙感圖像處理中的熱點問題。本研究以江蘇省臨洪河口濕地為研究區, 利用遺傳算法優化的BP神經網絡、傳統BP神經網絡、支持向量機和隨機森林四種分類算法開展臨洪河口濕地土地覆蓋分類算法研究。通過以上研究, 得到如下結論:

1) 應用4種分類算法得到江蘇省臨洪河口濕地土地覆蓋分類, 總體分類精度分別為96.162 7%、88.803 0%、84.484 8%、90.120 3%, Kappa系數分別為0.952 6、0.861 8、0.834 6、0.877 8; 分類精度從高到低依次為遺傳算法優化的BP神經網絡、隨機森林、傳統BP神經網絡、支持向量機; 遺傳算法優化的BP神經網絡具有最高精度的河口濕地土地覆蓋分類, 且與江蘇省臨洪河口濕地真實地物高度吻合。比較四種分類算法, 遺傳算法優化的BP神經網絡在一定程度上減少了地物像元的混分現象。表明在江蘇省臨洪河口濕地土地覆蓋分類中, 遺傳算法優化的BP神經網絡具備更好的可行性及適用性。

2) 基于遺傳算法優化后BP神經網絡算法的河口濕地土地覆蓋分類精度最高, 可能原因是: 首先, BP神經網絡優于傳統分類方法, 對于數據分布特征沒有任何假定前提。其次, BP神經網絡分類算法基于非線性函數, 可處理復雜數據集, 準確識別模型, 且可采用多源數據提取潛在信息以提高分類精度。最后, 遺傳算法善于總結復雜的全局最優化問題, 具有較強的全局尋優能力, 自適應遺傳算法在搜索適應性、廣度等方面優于BP神經網絡。結合兩種技術, 可以較好地提取土地覆蓋類型, 搜索全局最優解, 實現河口濕地土地覆蓋的高精度分類, 具有較強的推廣應用性。

本研究僅基于Sentinel-2遙感影像的分類算法研究, 在構建分類模型中, 僅對遺傳算法采用自適應調整遺傳參數, 在保持種群多樣性的同時保證算法收斂性, 未來可以考慮在遺傳算法的變異策略中進行優化改進, 以及對不同BP神經網絡的激活函數進行對比分析以作進一步研究。此外, 還需嘗試構建深度學習的卷積神經網絡算法, 以進一步拓展濱海濕地土地覆蓋分類算法。

[1] 張舒昱, 李兆富, 徐鋒, 等. 基于多時相無人機遙感影像優化河口濕地景觀分類[J]. 生態學雜志, 2020, 39(9): 3174-3184. Zhang Shuyu, Li Zhaofu, Xu Feng, et al. Optimization of estuary wetland landscape classification based on multi-temporal UAV remote sensing images[J]. Journal of Ecology, 2020, 39(9): 3174-3184.

[2] 陳廣成, 周巖, 金嬌, 等. 連云港臨洪河口濕地公園的保護與恢復規劃探討[J]. 林產工業, 2019, 56(9): 48-50. Chen Guangcheng, Zhou Yan, Jin Jiao, et al. Discussion on the protection and restoration planning of Lianyungang Linhong River Mouth Wetland Park[J]. Forest Products Industry, 2019, 56(9): 48-50.

[3] 邵亞婷, 盧霞, 葉慧, 等. 濱海濕地土地覆蓋面向對象分類及變化監測[J]. 海洋科學, 2020, 44(1): 52-66. Shao Yating, Lu Xia, Ye Hui, et al. Object-oriented classification and change monitoring of coastal wetland land cover[J]. Marine Sciences, 2020, 44(1): 52-66.

[4] 趙忠明, 高連如, 陳東, 等. 衛星遙感及圖像處理平臺發展[J]. 中國圖象圖形學報, 2019, 24(12): 2098-2110. Zhao Zhongming, Gao Lianru, Chen Dong, et al. Satellite remote sensing and image processing platform development[J]. Journal of Image and Graphics, 2019, 24(12): 2098-2110.

[5] 田穎, 陳卓奇, 惠鳳鳴, 等. 歐空局哨兵衛星Sentinel- 2A/B數據特征及應用前景分析[J]. 北京師范大學學報(自然科學版), 2019, 55(1): 57-65. Tian Ying, Chen Zhuoqi, Hui Fengming, et al. Data characteristics and application prospect analysis of the Sentinel-2A/B satellite of ESA[J]. Journal of Beijing Normal University (Natural Science Edition), 2019, 55(1): 57- 65.

[6] 張策, 臧淑英, 金竺, 等. 基于支持向量機的扎龍濕地遙感分類研究[J]. 濕地科學, 2011, 9(3): 263-269. Zhang Ce, Zang Shuying, Jin Zhu, et al. Research on Zhalong Wetland Classification Based on Support Vector Machines[J]. Wetland Science, 2011, 9(3): 263-269.

[7] Wang X, Gao X, Zhang Y, et al. Land-Cover classification of coastal wetlands using the RF algorithm for Worldview-2 and Landsat 8 images[J]. Remote Sensing, 2019, 11(16): 1927.

[8] 孫可寅, 劉秀梅, 朱麗向. 臨洪河口濕地保護與利用的幾點思考[J]. 水利技術監督, 2013, 21(4): 26-28. Sun Keyin, Liu Xiumei, Zhu Lixiang. Some thoughts on protection and utilization of wetland in Linhong River Estuary[J]. Technical Supervision in Water Resources, 2013, 21(4): 26-28.

[9] 梅雪琴, 謝宏全, 王亞娜, 等. 基于Landsat的連云港臨洪河海岸岸線變化分析[J]. 科技創新導報, 2018, 15(7): 145-146, 148. Mei Xueqin, Xie Hongquan, Wang Yana, et al. Analysis of Coastline Change of Linhong River in Lianyungang Based on Landsat[J]. Science and Technology Innovation Herald, 2018, 15(7): 145-146, 148.

[10] 劉翔, 劉會玉, 林振山, 等. 基于Landsat OLI影像的鹽城濱海濕地分類方法對比研究[J]. 濕地科學, 2017, 15(5): 689-696. Liu Xiang, Liu Huiyu, Lin Zhenshan, et al. Comparative study on classification methods of coastal wetlands in Yancheng based on Landsat OLI images[J]. Wetland Science, 2017, 15(5): 689-696.

[11] 陳富龍, 王超, 張紅. 改進最大似然遙感影像分類方法-以SAR影像為例[J]. 國土資源遙感, 2008(1): 75-78. Chen Fulong, Wang Chao, Zhang Hong. Improved Maxi-mum Likelihood Remote Sensing Image Classification Method-Taking SAR Image as an Example[J]. Remote Sensing for Land and Resources, 2008(1): 75-78.

[12] 曹兆偉, 林寧, 徐文斌, 等. 基于BP神經網絡的東嶼島遙感影像分類[J]. 海洋通報, 2016, 35(5): 587-593.Cao Zhaowei, Lin Ning, Xu Wenbin, et al. Remote sen-sing image classification of Dongyu Island based on BP neural network[J]. Ocean Bulletin, 2016, 35(5): 587-593.

[13] 可華明, 陳朝鎮, 張新合, 等. 遺傳算法優化的BP神經網絡遙感圖像分類研究[J]. 西南大學學報(自然科學版), 2010, 32(7): 128-132. Ke Huaming, Chen Chaozhen, Zhang Xinhe, et al. Research on remote sensing image classification of BP neural network optimized by genetic algorithm[J]. Journal of Southwest University (Natural Science Edition), 2010, 32(7): 128-132.

[14] 肖錦成, 歐維新, 符海月. 基于BP神經網絡與ETM+遙感數據的鹽城濱海自然濕地覆被分類[J]. 生態學報, 2013, 33(23): 7496-7504. Xiao Jincheng, Ou Weixin, Fu Haiyue. Classification of coastal natural wetland cover in Yancheng based on BP neural network and ETM+ remote sensing data[J]. Acta Ecologica Sinica, 2013, 33(23): 7496-7504.

[15] YuHai Bao, Jianbin Ren. Wetland landscape classification based on the BP neural network in dalinor Lake Area[J]. Procedia Environmental Sciences, 2011, 10: 2360-2366.

[16] 牟曉杰, 劉興土, 閻百興, 等. 中國濱海濕地分類系統[J]. 濕地科學, 2015, 13(1): 19-26. Mou Xiaojie, Liu Xingtu, Yan Baixing, et al. China coastal wetland classification system[J]. Wetland Science, 2015, 13(1): 19-26.

[17] 童小華, 張學, 劉妙龍. 遙感影像的神經網絡分類及遺傳算法優化[J]. 同濟大學學報(自然科學版), 2008, 36(7): 985-989. Tong Xiaohua, Zhang Xue, Liu Miaolong. Neural network classification and genetic algorithm optimization of remote sensing images[J]. Journal of Tongji University (Natural Science Edition), 2008, 36(7): 985-989.

[18] 王海軍. AGA-BP模型在遙感影像分類中的應用研究[J]. 計算機測量與控制, 2017, 25(5): 212-214. Wang Haijun. The application research of AGA-BP model in remote sensing image classification[J]. Computer Measurement and Control, 2017, 25(5): 212-214.

[19] 鄒青青, 戚曉明, 王晶, 等. 利用Landsat 8多光譜數據的濕地信息提取方法比較研究[J]. 濕地科學, 2018, 16(4): 479-485. Zou Qingqing, Qi Xiaoming, Wang Jing, et al. Comparative study of wetland information extraction methods using Landsat 8 multispectral data[J]. Wetland Science, 2018, 16(4): 479-485.

[20] 姚云軍, 張澤勛, 秦其明, 等. 基于支持向量機的遙感影像濕地信息提取研究[J]. 計算機應用研究, 2008, 25(4): 989-990, 995. Yao Yunjun, Zhang Zexun, Qin Qiming, et al. Research on wetland information extraction from remote sensing images based on support vector machine[J]. Application Research of Computers, 2008, 25(4): 989-990, 995.

[21] Whiteside T G, Boggs G S, Maier S W. Comparing object- based and pixel-based classifications for mapping savannas[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(6): 884-893.

[22] Liu J, Feng Q, Gong J, et al. Land-cover classification of the Yellow River Delta wetland based on multiple end-member spectral mixture analysis and a Random Forest classifier[J]. International Journal of Remote Sensing, 2016, 37(8): 1845-1867.

[23] 劉家福, 李林峰, 任春穎, 等. 基于特征優選的隨機森林模型的黃河口濱海濕地信息提取研究[J]. 濕地科學, 2018, 16(2): 97-105.Liu Jiafu, Li Linfeng, Ren Chunying, et al. Research on the Yellow River Estuary coastal wetland information extraction based on the random forest model of feature opti-mization[J]. Wetland Science, 2018, 16(2): 97-105.

[24] 劉舒, 姜琦剛, 馬玥, 等. 基于多目標遺傳隨機森林特征選擇的面向對象濕地分類[J]. 農業機械學報, 2017, 48(1): 119-127. Liu Shu, Jiang Qigang, Ma Yue, et al. Object-oriented wetland classification based on multi-objective genetic random forest feature selection[J]. Transactions of the Chinese Society of Agricultural Machinery, 2017, 48(1): 119-127.

Research on classification algorithm of wetland land cover in the Linhong Estuary, Jiangsu Province

HE Shuang, LU Xia, ZHANG Sen, LI Shan, TANG Hai-tong, ZHENG Wei, LIN Hui, LUO Qing-ling

(School of Marine Technology and Geomatics, Jiangsu Ocean University, Lianyungang 222005, China)

estuary wetland; Sentinel-2; land cover classification; genetic algorithm; neural network

Aiming at the problem that traditional classification methods are susceptible to “same matter with different spectrum” and “same spectrum with foreign matter”, resulting in low classification accuracy of estuary wetland coverage, a BP neural network classification algorithm optimized based on genetic algorithm is proposed. The Linhong Estuary wetland in Jiangsu Province was taken as the research area. The Sentinel-2 remote sensing image were chosen and was preprocessed by the radiometric correction, atmospheric correction and image cropping. Due to this, a BP neural network algorithm optimized by adaptive genetic algorithm was conducted to develop the Linhong Estuary wetland land cover classification research. The comparison was performed through classification accuracy among BP neural network algorithm optimized by adaptive genetic algorithm, traditional BP neural network, support vector machine and random forest algorithm. The research results indicated that the total accuracy of BP neural network algorithm optimized by genetic algorithm for estuary wetland land cover classification is 96.162 7%, and the Kappa coefficient is 0.952 0. It was higher than that of the total classification accuracy of traditional BP neural network, support vector machine and random forest classification algorithm. The total accuracy of BP neural network algorithm optimized with adaptive genetic algorithm, traditional BP neural network, support vector machine and random forest algorithm has increased by 7.359 7%, 11.677 9%, and 6.042 4%, respectively. The corresponding Kappa coefficient has also been increased by 0.090 8, 0.118 0, and 0.074 8, respectively. The problem of low accuracy of estuary wetland land cover classification is effectively solved. The BP neural network optimized by genetic algorithm can realize high-precision classification of estuary wetland land cover, promote the rational development and environmental protection of wetland resources, and provide technical support for the construction of marine ecological civilization.

National Natural Science Foundation of China , No. 41506106; “Haiyan Plan” Project of Lianyungang City in 2019; A Project Funded by the Priority Academic Program Development of Jiangsu Higher Education Institutions (PAPD); Jiangsu Province Marine Technology First-Class Professional Construction Project ; Jiangsu Province Graduate Practical Innovation Project in 2019 , No. SJCX19_0962; Jiangsu Province Graduate Student Practice Innovation Project , in 2020]

Aug.14, 2020

TP751

A

1000-3096(2020)12-0044-10

10.11759/hykx20200814002

2020-08-14;

2020-09-25

國家自然科學基金(41506106); 2019年連云港市“海燕計劃”項目; 江蘇高校優勢學科建設工程資助項目(PAPD); 江蘇省海洋技術一流專業建設項目; 2019年江蘇省研究生實踐創新項目 (SJCX19_0962); 2020年江蘇省研究生實踐創新項目

何爽(1995-), 男, 江蘇宿遷人, 碩士研究生, 主要從事濱海濕地環境遙感動態監測方面的研究, E-mail: 1198077924@qq.com; 盧霞, 通信作者, 教授, E-mail: luxia1210@163.com

(本文編輯: 劉珊珊)