基于BP神经网络的竹林遥感监测研究

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于BP神经网络的竹林遥感监测研究

施拥军,徐小军,杜华强,周国模,金伟,周宇峰

文章导航> 浙江农林大学学报> 2008> 25(4): 417-421

施拥军, 徐小军, 杜华强, 等. 基于BP神经网络的竹林遥感监测研究[J]. 浙江农林大学学报, 2008, 25(4): 417-421.

引用本文:

施拥军, 徐小军, 杜华强, 等. 基于BP神经网络的竹林遥感监测研究[J]. 浙江农林大学学报, 2008, 25(4): 417-421.

SHI Yong-jun, XU Xiao-jun, DU Hua-qiang, et al. Remote sensing image based bamboo forest monitoring with a back propagation（BP） neural network[J]. Journal of Zhejiang A&F University, 2008, 25(4): 417-421.

Citation:

SHI Yong-jun, XU Xiao-jun, DU Hua-qiang,et al. Remote sensing image based bamboo forest monitoring with a back propagation（BP） neural network[J].Journal of Zhejiang A&F University, 2008, 25(4): 417-421.

基于BP神经网络的竹林遥感监测研究

1.
浙江林学院环境科技学院，浙江临安 311300

详细信息

通信作者:周国模

中图分类号:S757.2；S758.4

Remote sensing image based bamboo forest monitoring with a back propagation（BP） neural network

1.
School of Environmental Sciences and Technology，Zhejiang Forestry College，Lin’an 311300，Zhejiang，China

More Information

Corresponding author:ZHOU Guo-mo

摘要:竹林信息提取对利用遥感技术估算竹林碳储量至关重要，高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块，采用BP神经网络（back propagation neural network）对ETM + （enhanced themativ mapper plus）遥感影像提取竹林信息，得到了较高的精度，生产精度和用户精度分别为84.04%和98.75%；同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明，Traingda算法函数分类精度最高，而Trainlm算法函数的训练时间最短。图3表3参17
- 森林经理学/
- BP神经网络/
- 竹林/
- 分类/
- 遥感/
- ETM+
Abstract:To estimate the carbon content of bamboo forest based on remote sensing，highly accurate data acquisition is necessary to reduce estimation errors. In this study，enhanced thematic mapper plus（ETM+） remote sensing data was used to extract bamboo forest data using a back propagation（BP） neural network. Matlab program language（Version 7.1） was used to compile the classification algorithm with algorithms of three training functions being compared；namely，Traingda-gradient descent backpropagation with adaptive learning rate backpropagation；Trainlm-levenberg-marquardt backpropagation；and Traingdm-gradient descent with momentum backpropagation. Results showed that for bamboo forest the BP neural network had a high classification accuracy with a producer accuracy of 84.0% and a user accuracy of 98.7%. Meanwhile，of the three different training functions Traingda had the highest classification accuracy，whereas Trainlm had the shortest training time. ［Ch，3 fig. 3 tab. 17 ref.］
- forest management/
- back propagation（BP） neural network/
- bamboo forest/
- classification/
- remote sensing/
- enhanced thematic mapper plus （ETM+）

[1]	栾景然, 冯国红, 朱玉杰.基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别. 浙江农林大学学报, 2022, 39(3): 671-678.doi:10.11833/j.issn.2095-0756.20210377
[2]	张瑜, 陈存友, 胡希军.应用投影寻踪分类技术的森林生态功能评价. 浙江农林大学学报, 2020, 37(2): 243-250.doi:10.11833/j.issn.2095-0756.2020.02.007
[3]	吴立周, 王晓慧, 王志辉, 方馨, 朱婷瑜, 丁丽霞.基于随机森林法的农作物高光谱遥感识别. 浙江农林大学学报, 2020, 37(1): 136-142.doi:10.11833/j.issn.2095-0756.2020.01.018
[4]	卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧.基于BP神经网络的马尾松人工林胸径-树高模型预测. 浙江农林大学学报, 2020, 37(4): 752-760.doi:10.11833/j.issn.2095-0756.20190486
[5]	童亮, 李平衡, 周国模, 周宇峰, 李翀.竹林鞭根系统研究综述. 浙江农林大学学报, 2019, 36(1): 183-192.doi:10.11833/j.issn.2095-0756.2019.01.023
[6]	王鹏程, 杨国栋, 张晓晨, 钟育谦, 翟飞飞, 张贵宝, 邱靖, 陈林, 王贤荣, 伊贤贵.宝华玉兰生存群落的自组织特征映射网络排序与分类. 浙江农林大学学报, 2019, 36(2): 255-263.doi:10.11833/j.issn.2095-0756.2019.02.006
[7]	赵久佳, 张晓丽.中国北方地区森林覆盖及反照率年际变化. 浙江农林大学学报, 2015, 32(5): 683-690.doi:10.11833/j.issn.2095-0756.2015.05.005
[8]	叶莉莎, 陈双林, 郭子武.竹林氮素循环与管理研究综述. 浙江农林大学学报, 2015, 32(4): 635-642.doi:10.11833/j.issn.2095-0756.2015.04.021
[9]	姚智, 张晓丽.基于WebGIS平台的森林郁闭度遥感反演信息系统研建. 浙江农林大学学报, 2015, 32(3): 392-398.doi:10.11833/j.issn.2095-0756.2015.03.009
[10]	张倩倩, 陈健, 江洪, 唐敏忠.结合纹理信息Hyperion高光谱影像分类. 浙江农林大学学报, 2013, 30(6): 880-886.doi:10.11833/j.issn.2095-0756.2013.06.012
[11]	王妮, 彭世揆, 李明诗.基于树种分类的高分辨率遥感数据纹理特征分析. 浙江农林大学学报, 2012, 29(2): 210-217.doi:10.11833/j.issn.2095-0756.2012.02.010
[12]	刘蔚漪, 范少辉, 苏文会, 刘广路, 余林.竹林不同界面水文效应研究. 浙江农林大学学报, 2011, 28(3): 486-493.doi:10.11833/j.issn.2095-0756.2011.03.022
[13]	崔瑞蕊, 杜华强, 周国模, 徐小军, 董德进, 吕玉龙.近30 a安吉县毛竹林动态遥感监测及碳储量变化. 浙江农林大学学报, 2011, 28(3): 422-431.doi:10.11833/j.issn.2095-0756.2011.03.012
[14]	郭徵, 江洪, 陈健, 程苗苗, 江子山, 余树全, 李土生3.基于遥感的杭州余杭森林景观格局变化. 浙江农林大学学报, 2010, 27(1): 36-43.doi:10.11833/j.issn.2095-0756.2010.01.006
[15]	白降丽, 彭道黎, 杨馥宁.森林资源信息分类及编码体系研究. 浙江农林大学学报, 2007, 24(3): 326-330.
[16]	葛静茹, 秦安臣, 赵雄伟, 孙秋华, 李明, 张锐, 贾哲.叠加分类及其在冀太行山区土地利用类型遥感解译中的应用. 浙江农林大学学报, 2007, 24(6): 681-685.
[17]	楼崇, 祝国民.浙江省竹林生态区划研究. 浙江农林大学学报, 2007, 24(6): 741-746.
[18]	丁丽霞, 王祖良, 周国模, 杜晴洲.天目山国家级自然保护区毛竹林扩张遥感监测. 浙江农林大学学报, 2006, 23(3): 297-300.
[19]	周国模, 吴延熊, 陈美兰, 张裕农.区域森林资源警素的分类研究. 浙江农林大学学报, 1999, 16(1): 20-23.
[20]	楼炉焕, 王彩霞, 王慧.果实类型分类探讨. 浙江农林大学学报, 1998, 15(1): 85-90.

链接本文:
https://zlxb.zafu.edu.cn/article/id/298
https://zlxb.zafu.edu.cn/article/zjnldxxb/2008/4/417

点击查看大图

计量

文章访问数:5573
HTML全文浏览量:305
PDF下载量:246
被引次数:0

基于BP神经网络的竹林遥感监测研究

1. 浙江林学院环境科技学院，浙江临安 311300

通信作者:周国模

刊出日期: 2008-08-20

中图分类号:S757.2；S758.4

关键词:

摘要:竹林信息提取对利用遥感技术估算竹林碳储量至关重要，高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块，采用BP神经网络（back propagation neural network）对ETM + （enhanced themativ mapper plus）遥感影像提取竹林信息，得到了较高的精度，生产精度和用户精度分别为84.04%和98.75%；同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明，Traingda算法函数分类精度最高，而Trainlm算法函数的训练时间最短。图3表3参17