基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

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

基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究

戴芹, 陈雪, 马建文, 冯春

文章导航 > 武汉大学学报 ( 信息科学版) > 2005 > 30(6): 525-528

戴芹, 陈雪, 马建文, 冯春. 基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究[J]. 武汉大学学报 ( 信息科学版), 2005, 30(6): 525-528.

引用本文:

戴芹, 陈雪, 马建文, 冯春. 基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究[J]. 武汉大学学报 ( 信息科学版), 2005, 30(6): 525-528.

DAI Qin, CHEN Xue, MA Jianwen, FENG Chun. Analysis of Five Forms of Urban Expansion Identification Model Based on SOFM Classification Results of Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2005, 30(6): 525-528.

Citation:

DAI Qin, CHEN Xue, MA Jianwen, FENG Chun. Analysis of Five Forms of Urban Expansion Identification Model Based on SOFM Classification Results of Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2005, 30(6): 525-528.

基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究

¹ 中国科学院遥感应用研究所,北京市朝阳区大屯路9718信箱, 100101²北京师范大学地理与遥感学院,北京市新街口外大街19号,100875;³中国地质大学国土资源与高新技术研究中心,北京市海淀区学院路29号,100083

基金项目: 国家十五重点科技攻关计划资助项目(200BA9048072);国家863计划资助项目(2003AA1350802)

作者简介:
戴芹,博士生。主要研究方向为遥感数据模型与方法研究。

中图分类号: TP751;P237.4;P237.9

Analysis of Five Forms of Urban Expansion Identification Model Based on SOFM Classification Results of Remote Sensing Data

¹ Institute of Remote Sensing Applications, CAS, 9718 Box, Datun Road, Beijing 100101, China; ² Department of Geography, Beijing Normal University, 19 Xinjiekouwai Street, Beijing 100875, China; ³ Institute of Land Resources and High Techniques, China University of Geosciences, 29 Xueyuan Road, Beijing 100083, China;

Funds: 国家十五重点科技攻关计划资助项目(200BA9048072);国家863计划资助项目(2003AA1350802)

摘要: 使用了自主研发的自组织神经网络分类(SOFM)方法[1～3],选择了1988、1994、2001和2003年5～6月份TM+时间序列多光谱遥感数据,对北京城市增长方式进行了30m分辨率遥感时序数据的鉴别,包括填充式增长方式、扩张式增长方式、独立式增长方式、线状式增长方式和簇状增长方式,并绘制了三个时期的城市增长图。在此基础上,根据北京城市增长环线驱动的特点,分别对四环内、四环至五环、五环至六环1988～1994年、1994～2001年、2001～2003年的5种城市扩展方式面积进行了统计。
- 神经网络分类 /
- 城市五种增长方式鉴别模型 /
- 城市环线增长面积统计
Abstract: This paper applies the SOFM (self organized feature map of neural network) classification software, and choose the Landsat temporal TM images in Mays or Junes of 1988, 1994, 2001 and 2003 and applies the five forms of urban expansion identification model considering the ring roads. The results shows that infillment and expansion are the main forms in the three periods of urban growth process from 1988 to 2001, from 1994 to 2001 and from 2001 to 2003, while the linear branch and clustered branch are the main forms in the urban growth from 1994 to 2001 between the fifth and sixth ring roads.
- neural network classification /
- five forms of urban expansion identification model /
- statistics of urban ring expansion area

[1]	武雪玲, 杨经宇, 牛瑞卿. 一种结合SMOTE和卷积神经网络的滑坡易发性评价方法 . 武汉大学学报 ( 信息科学版), 2020, 45(8): 1223-1232. doi: 10.13203/j.whugis20200127
[2]	季顺平, 田思琦, 张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测 . 武汉大学学报 ( 信息科学版), 2020, 45(2): 233-241. doi: 10.13203/j.whugis20180481
[3]	李卫红, 闻磊, 陈业滨. 改进的GA-BP神经网络模型在财产犯罪预测中的应用 . 武汉大学学报 ( 信息科学版), 2017, 42(8): 1110-1116, 1171. doi: 10.13203/j.whugis20160911
[4]	何海清, 黄声享, 陈婷. 一种顾及粗差的径向神经网络高程曲面拟合法 . 武汉大学学报 ( 信息科学版), 2015, 40(4): 547-551. doi: 10.13203/j.whugis20130041
[5]	李冲, 李建成, 黄瑞金, 谭理. 考虑欧拉矢量的BP神经网络模型建立区域地壳运动速率场 . 武汉大学学报 ( 信息科学版), 2014, 39(3): 362-366. doi: 10.13203/j.whugis20120046
[6]	孙德勇, 李云梅, 王桥, 乐成峰. 利用高光谱数据估算太湖水体CDOM浓度的神经网络模型 . 武汉大学学报 ( 信息科学版), 2009, 34(7): 851-855.
[7]	吴柯, 牛瑞卿, 李平湘, 张良培. 基于模糊ARTMAP神经网络模型的遥感影像亚像元定位 . 武汉大学学报 ( 信息科学版), 2009, 34(3): 297-300.
[8]	高为广, 杨元喜, 张婷. 一种提高神经网络泛化能力的自适应UKF滤波算法 . 武汉大学学报 ( 信息科学版), 2008, 33(5): 500-503.
[9]	汤皓, 陈国兴. 基于GIS和神经网络模型的场地地震液化势风险评价 . 武汉大学学报 ( 信息科学版), 2007, 32(8): 727-730.
[10]	吕恒, 李新国, 曹凯. 基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究 . 武汉大学学报 ( 信息科学版), 2006, 31(8): 683-686.
[11]	王建梅, 覃文忠. 基于L-M算法的BP神经网络分类器 . 武汉大学学报 ( 信息科学版), 2005, 30(10): 928-931.
[12]	蔡永香, 郭庆胜, 桂志先, 丁虹. 基于地震-测井数据预测储层参数空间分布规律的神经网络模型 . 武汉大学学报 ( 信息科学版), 2005, 30(4): 366-370.
[13]	王志国, 陈立, 刘玉成, 张春燕. 遗传算子对径流预报神经网络模型的影响 . 武汉大学学报 ( 信息科学版), 2005, 30(11): 1020-1024.
[14]	罗名海. 利用CA模型进行城市空间增长动力的研究——以武汉市主城空间增长过程分析为例 . 武汉大学学报 ( 信息科学版), 2005, 30(1): 51-55.
[15]	王新洲, 邓兴升. 大坝变形预报的模糊神经网络模型 . 武汉大学学报 ( 信息科学版), 2005, 30(7): 588-591.
[16]	焦利民, 刘耀林. 土地适宜性评价的模糊神经网络模型 . 武汉大学学报 ( 信息科学版), 2004, 29(6): 513-516.
[17]	胡耀垓, 李伟, 胡继明. 一种改进激活函数的人工神经网络及其应用 . 武汉大学学报 ( 信息科学版), 2004, 29(10): 916-919.
[18]	樊红, 张祖勋, 杜道生, 张剑清. 基于神经网络模型求取注记配置最优解 . 武汉大学学报 ( 信息科学版), 1998, 23(1): 32-35.
[19]	黄文骞. 利用一种新的神经网络模型识别点状地图符号 . 武汉大学学报 ( 信息科学版), 1996, 21(1): 46-49.
[20]	江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20210192

WeChat

点击查看大图

计量

文章访问数: 641
HTML全文浏览量: 55
PDF下载量: 416
被引次数: 0

基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究

¹ 中国科学院遥感应用研究所,北京市朝阳区大屯路9718信箱, 100101²北京师范大学地理与遥感学院,北京市新街口外大街19号,100875;³中国地质大学国土资源与高新技术研究中心,北京市海淀区学院路29号,100083

基金项目: 国家十五重点科技攻关计划资助项目(200BA9048072);国家863计划资助项目(2003AA1350802)

作者简介:
戴芹,博士生。主要研究方向为遥感数据模型与方法研究。

收稿日期: 2005-03-28
修回日期: 2005-03-28
刊出日期: 2005-06-05

中图分类号: TP751;P237.4;P237.9

关键词:

神经网络分类 /

城市五种增长方式鉴别模型 /

城市环线增长面积统计

摘要: 使用了自主研发的自组织神经网络分类(SOFM)方法[1～3],选择了1988、1994、2001和2003年5～6月份TM+时间序列多光谱遥感数据,对北京城市增长方式进行了30m分辨率遥感时序数据的鉴别,包括填充式增长方式、扩张式增长方式、独立式增长方式、线状式增长方式和簇状增长方式,并绘制了三个时期的城市增长图。在此基础上,根据北京城市增长环线驱动的特点,分别对四环内、四环至五环、五环至六环1988～1994年、1994～2001年、2001～2003年的5种城市扩展方式面积进行了统计。

English Abstract

戴芹, 陈雪, 马建文, 冯春. 基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究[J]. 武汉大学学报 ( 信息科学版), 2005, 30(6): 525-528.

引用本文:

戴芹, 陈雪, 马建文, 冯春. 基于遥感数据SOFM网络分类的五种城市增长方式鉴别方法应用研究[J]. 武汉大学学报 ( 信息科学版), 2005, 30(6): 525-528.

DAI Qin, CHEN Xue, MA Jianwen, FENG Chun. Analysis of Five Forms of Urban Expansion Identification Model Based on SOFM Classification Results of Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2005, 30(6): 525-528.

Citation:

DAI Qin, CHEN Xue, MA Jianwen, FENG Chun. Analysis of Five Forms of Urban Expansion Identification Model Based on SOFM Classification Results of Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2005, 30(6): 525-528.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

我要投稿

投稿攻略

联系我们

二维码