论文摘要
近年来，随着3S技术日新月异的发展，空间信息的采集、分析与应用进入了一个崭新的时代。作为空间信息采集的重要手段，遥感在很短的时间内，为土地资源调查、土地管理提供了大量宏观、同步的第一手信息，而且随着遥感信息获取技术的快速发展，这种数据提供能力越来越强，提取遥感信息或遥感数据，为资源调查、土地管理等学科服务，就显得尤为重要。本研究以内江市椑木镇为试验区，土地类型划分为水田、旱地、水体、建设用地、道路用地五类，选取LandSAT卫星的ETM影像为基础数据，在遥感分析软件ERDAS IMAGINE、数据处理软件MatLab平台上，结合野外调查，设计了以径向基函数神经网络算法(Radial Basic Function Neural Network，RBFNN)为基础的遥感分类方法，分类结果与传统的非监督分类算法、监督分类算法进行了比较，根据分类影像图计算了分类混淆矩阵及精度评价参数，分类精度的评价参数主要选用了：用户精度、生产精度、Kappa系数，根据分类混淆矩阵及评价参数，对分类结果进行了精度分析与评价，探讨了分类造成错分、漏分的原因。本研究分类算法的设计，主要分为训练样区的选择、RBFNN算法的建立、RBFNN算法的仿真、分类影像图的制图、分类结果的精度评价与分析五部分内容。其中，训练样区的选择，主要采用野外调查、室内预判方法，选择典型地块建立训练样区；RBFNN算法的建立，以训练样区所选择的遥感影像灰度值作为输入，训练RBFNN网络，训练好的网络记为net，网络训练时输入层节点数为6(遥感影像的波段数：TM1、TM2、TM3、TM4、TM5、TM7)，输出层节点数为5(结果分类的土地利用类型数目)；RBFNN算法的仿真，用sim函数，以遥感影像灰度值输入已经训练好的RBFNN网络：net，并输出分类结果，分类结果记为output；分类影像图的制图，利用文本工具与遥感图像转换工具，把output的结果转换为分类遥感图像；分类结果的精度评价与分析，主要通过计算分类影像的分类后混淆矩阵，以用户精度、生产精度、Kappa系数为指标，并对分类结果进行精度分析与评价。研究结果表明：(1)基于ERDAS IMAGINE、MatLab平台，针对川中丘陵区，建立了一套遥感影像的计算机自动解译技术，它主要有野外调查、建立训练样区、RBFNN网络的建立与仿真、分类图的制作、精度分析等步骤。(2) RBFNN算法的遥感土地分类精度与传统的非监督分类、监督分类(MLC)相比，总体Kappa系数分别提高了0.1708、0.0607；RBFNN算法的总体分类精度达到了0.7933，分类质量为很好(分类精度介于0.60～0.80)，接近极好(分类精度介于0.80～1.00)。(3)基于RBFNN算法的遥感土地分类，各土地利用类型的面积精度介于0.71～0.87之间，其中，旱地、水田为0.78，建设用地为0.71，道路为0.87，水体为0.83。总体上的实际面积误差率应该是各地类误差绝对值加权平均值之和，该值为22％，其总体面积精度为0.78。(4)基于RBFNN算法的遥感土地分类，各土地利用类型的分类精度介于0.73～0.82之间，在用户精度中，道路为0.79、水体为0.73、建设用地0.76、旱地为0.82、水田为0.80，在生产者精度中，道路为0.74、水体为0.73、建设用地为0.81、旱地为0.81、水田为0.81，分类质量为很好(分类精度介于0.60～0.80)、极好(分类精度介于0.80～1.00)，表明RBFNN算法能较好的提取出各土地利用类型信息。