|
|||||
|
|
| 利用遗传算法优化神经网络实现混合像元组分参数的反演 | |
| 作者单位： | 庄家礼（北京大学遥感与地理信息系统研究所北京100871） 陈良富（北京大学遥感与地理信息系统研究所北京 100871） 徐希孺（北京大学遥感与地理信息系统研究所北京 100871） |
| 基金项目： | 国家"九五”攀登预选项目95-预-38. |
| 摘 要： | 采用热红外多波段遥感数据反演陆面温度(LST),由于波段间信息高度相关,以及难以直接反演混合像元组分温度,使得LST的反演精度和应用价值都受到很大的限制.在建立非同温混合像元热辐射方向性模型基础上指出,热红外多角度遥感提供了反演组分温度的可能性,但是,由于该模型是采用蒙特卡洛方法模拟而建立起来的数值概念模型,采用一般反演方法很难同时提取所有参数信息.为了有效获取各参数信息,使用神经网络模型.由于待反演参数中,组分温度、土壤比辐射率和叶面积指数(LAI)都是多角度辐射亮度的非线性函数,然而,使用经典的误差后传(BP)算法容易陷入局部最优解区域;虽然遗传算法(GA)可以搜索到全局最优解,但在微机上实现算法速度太慢,因此,采用GA训练神经网络,得到网络权重,然后再以GA训练得到的权重作为BP算法的初始权重,继续训练神经网络,直到获得满意结果.这样既可以发挥BP算法快速寻优的特点,又能得到网络权重的最优组合.数值模拟的结果表明,基于非同温混合像元热辐射方向性模型,采用GA优化的神经网络模型反演多维参数效果比较理想. |
| 关 键 词： | 多角度热红外遥感 混合像元热辐射方向性模型 遗传算法 神经网络 |
| 文章编号： | 1007-4609(2000)增刊-0031-07 |
| 修稿时间： | 1999-12-15 |
Component Parameters of Mixed Pixel Inversion Using a Neural Network Trained byGenetic Algorithm |
|
| Abstract: | |
| Keywords: | |