在福建省，林木被分为3个区块，闽东区块为南戴云山东部湿暖南亚热带雨林小区.据闽东日报报道，在达21460万m2的有害生物发生面积中，森林虫害发生面积达18530万m2，病害发生面积为2930万m2.森林虫害发生面积中，松毛虫发生面积达4530万m2，柳杉毛虫发生面积达660万m2，其他的森林虫害还有竹广肩小蜂、刚竹毒蛾、木麻黄毒蛾和樟萤叶甲等.森林病虫害的发生面积较为广泛且分布呈分散状态.通过分类算法并结合遥感技术能快速地获得研究区域的影像分类，使用地理信息系统的空间分析能力并结合病虫害监测与预测模型对遥感图像进行分析从而开发出遥感监测与预测系统，这个系统将成为进行森林病虫害监测和预测的快速、有力工具.随着遥感技术的进步，各种图像增强、图像分类等传统图像分割处理方法的适应性受到限制，信息的有效提取精度受到影响.本文基于逆向传播网络-可扩展的delta-bar-delta（BPN-EDBD）算法分类器，将地理辅助信息包括数字高程模型 (DEM)、近红外光谱(NIR)与归一化差值植被指数(NDVI)加入预处理后的遥感影像，作为分类器的输入参数进行分类，提取不同健康状况的林分光谱特征值，与森林健康因子阈值相比较从而输出森林病虫害等级.本文将探讨一种对通用图像信息进行有效提取的方法，对遥感影像信息提取理论的重新认识及提取方法的更新而言具有重要的推动作用.

1 相关技术原理和方法

1.1 研究方法

森林病虫害的监测基础是森林的地形地貌及其分布，森林资源中的林木种类、数量等信息的获取，通过分类处理获取专业分类图像.无论是形态的或是生理的变化，都必然导致植物光谱反射与辐射特征的变化，在遥感图像上表现为光谱值的变化.感病植被在形态和生理上的变化是造成光谱变化的根本原因，森林类型不同，感染的病虫害不同，其光谱反应不同，这种光谱特征上的变化就是森林病虫害遥感监测的主要依据.不同类型的森林往往感染不同的森林病虫害，而不同的森林病虫害所引起的森林受损症状是不同的，有的病虫害导致森林反射光谱的显著变化，有的导致森林大量失叶，因此不同病虫害的遥感监测方法有所不同.目前主要的技术方法包括图像增强、图像分类和影像差技术，以及近年来发展出的更多、更复杂的图像处理方法、各种数学方法和GIS技术等.而本文采用图像分类法.

2001年，美国教育学家斯腾伯格等在美国学校发起“为智慧而教”运动，并在国际范围内掀起智慧教育的热潮［1］。受该热潮的影响，国内许多高职院校也积极开展智慧教育，探寻教育智慧、做智慧型教师、建构智慧课堂逐渐成为我国高等职业教育界热议的话题。

1.2 BPN-EDBD算法

在森林病虫害监测中，遥感图像分类的准确度决定了病虫害防治工作实施的有效性.神经算法是现今一个经典的网络算法，而BPN-EDBD算法是一种收敛方法，在加速收敛和提高图像分类的精准度上有很好的作用，将此算法应用在卫星遥感影像的图像分类中，是一种全新且更精准的分类方法.

张玉喜（2006）提出一个地区金融发展水平可以用金融总量、金融结构和金融效率指标衡量，考虑数据可得性，本文从金融总量、金融效率两方面衡量广西县域金融发展水平。

（1）在进行精度评价时，采用总体精度与 Kappa系数相结合的方法[6]，总体精度与 Kappa系数越高，精度越好.总体预测精度达到95%，Kappa系数达到 0.96.

女友没有动，只是把脸扑在我的胸膛。我扳过女友的脸，就吻……吻着，吻着，我突然一愣，推开她一看，是秀姐。

  

图1 神经网络结构

其中h为学习因子；φ为输出节点i的计算误差；O为输出节点j的计算输出；α为动量因子；n为神经元.

 

1.2.2 BP网络学习 经过反复的学习训练后，BP网络能够实现对类似样本的处理，通过神经网络的自学习形成模型.连接下层节点和上层节点之间的权重矩阵wij的设定和误差修正过程算法为

EDBD算法主要是通过对神经网络算法中的权重矩阵△w进行修改，对学习因子h和动量因子进行调节.调节公式为

1.2.3 EDBD算法 由于BP网络模型的训练时间较长，因此提出不同的改进算法来弥补这方面的不足.本文通过加入EDBD算法[5]，实现在学习过程中跳转和趋缓的加速收敛，使之能够更精准地进行遥感图像的分类.

自学习的模型循环学习方式加强了神经网络的收敛速度，但是还是存在缺陷即学习过程中的跳转或趋缓，训练时间较长.其影响主要体现在学习因子h和隐层节点数的变化上.算法的收敛速度取决于学习因子中输出误差大小的调整及迭代次数.隐含节点的数量决定了网络学习时间的长短，网络学习时间过长就影响收敛；网络学习时间过短，容错能力可能会变得极其差劲.

 

式中n为连接权重的序号，δ（n）则是序号为n的权重wij的梯度项，θ是权重校正因子，为常数，通常在0.3～0.7之间，本文取0.5.通过改进公式（2），改变收敛速度，收敛误差界值Emin，当Emin值较小时，学习效果好，但收敛速度慢，训练次数增加.如果Emin值较大时则相反.

2 森林病虫害信息提取技术的分析

（4）图像分类运算.图像分类运算是根据提取的影像特征，对影像空间进行分割，最后把相同特征参数的空间进行归类的过程，提取不同健康状况的林分光谱特征值，合并过程需要人工进行调整.

据飑线系统误差发展与湿对流区域关系密切的特点，从与湿对流区域密切相关的物理量(垂直运动，云中总水物质含量以及降水量)入手改进尺度化因子，令

2.1 森林病虫害信息提取的技术指标

1.2.1 逆向传播（BP）神经网络 BP神经网络是一种按误差逆传播算法训练的多层前馈网络，即反向传播学习算法[2]，是目前应用最广泛的神经网络模型之一.其结构主要由输入层（input）、隐层(hide layer)和输出层(output layer)组成[3]（如图1）.在算法过程中主要是通过反向传播不断调节隐层节点和输入节点、输出节点之间的连接强度值(权值)以及阙值，使误差沿梯度方向下降，经过反复的学习训练后BP网络能够实现对类似样本的处理，输出误差平方和最小的经过非线性转换的信息.BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程.

目前，现代科技的加速发展，新型的防水技术不断涌现，其中在地铁施工防水技术中电渗透防渗技术和UEA无缝防水技术是当下使用最广泛的。电渗透防渗系统是采用低电流的电磁场把混凝土中水分子采取排斥。它的工作原理就是使用液体电渗透性能产生电磁场，将混凝土结构中水成分进行电离，让水得到排出。由于电渗透防渗技术在操作上方便，并且成本相当低，最大的优点就是防水持久度高，可以将钢筋混凝土的寿命有所延长，同时水对结构的侵蚀可以大大降低。

（5）检验结果.这个步骤主要是评价分类的精度以及方法的可靠性.由于硬件与软件的限制，有时无法清楚地分辨地物对应的光谱或者纹理等遥感信息，因此完全符合要求的分类器是不存在的.由于“同物异谱”“异物同谱”现象以及错分或者漏分现象的存在，分类后必须进行精度与可靠性评价.本实验方法的总体预测精度达到95%，Kappa系数达到0.96，结果较为理想.

糖尿病患者服药依从性是决定其预后的重要影响因素。老年患者的依从性不仅与其年龄、文化程度和经济状况有关，还受到患者对疾病与治疗的知识、信念、心理状况以及患者所能得到的社会支持等因素的影响。而加强健康教育、改善家庭支持以及给予足够的心理支持是提高患者服药依从性的有效措施，并可通过这些措施将血糖控制在理想水平，延缓并发症的发生，延长寿命，提高生命质量。

（3）利用高分辨率遥感影像，构建森林健康监测因子，生成各森林健康监测因子专题图.

以现代机械制造工艺的内涵为标准，并对国内外机械制造理论的探究以及机械制造过程的实地考察，现代机械制造工艺的特点可以总结为以下六个方面：

2.2 影像的提取过程

对经过辐射校正、几何校正及最优波段组合融合后的遥感影像与DEM进行归一化处理，并对BPN-EDBD算法的结构与参数进行设定，构成一个良好的分类模式，然后使用此分类模式对局部区域特征地物信息进行自动提取.森林病虫害信息的影像提取过程如图2所示.森林病虫害信息的影像提取过程如下.

（1）图像数据的预处理.对获取的遥感图像进行几何校正、辐射校正、裁剪等.目的是通过预处理提高分类精度，使分类后的图像对比度强，结果清晰.

（2）训练样本选择.从预处理后的数据中选择最普遍、最能够代表一种地物分布规律的数据区域作为训练样本.地物类型尽量多，样本数尽可能多是样本选取的基本原则.在分类时，样本选择的最佳途径是选择地物类型繁多的区域.借助地图、航片或其他专题资料进行目视解译，在实地把地类数据与影像空间一一对应并加以标注.

2.2 工作曲线和检出限 分别移取一定量的多元素混合标准储备液，以5%硝酸稀释，配制浓度梯度分别为0.5、1、10、20、50、100 mg/L的K、Ca和Mg的多元素混合标准工作溶液。在线加入内标溶液，然后用ICP-MS测定，测得K、Ca和Mg元素的线性回归方程和相关系数，详细结果见表2。同时，取最低浓度的标准溶液进行分析，重复测定10次，以测定结果的3倍标准偏差计算方法的检出限，结果见表2。

（3）特征选择和特征提取.特征参数是可以反映影像地物种类的甄别工具，它可以是直接从影像中提取或通过间接计算得到.特征提取是为了得到最能反映地物类别的特征，通过特征提取算法对原特征进行处理得到新的效果更好的特征.

选取闽东地区的Landsat-8遥感数据进行预处理，在处理后的遥感影像中，加入经归一化处理的地理辅助信息DEM与NDVI，构建一个包含3个层次基于BPN-EDBD算法的神经网络结构，并设定其相关参数，使其构成一个良好的分类模式.然后通过实地调查，结合相关地理信息资料的研究确定分类体系与标准，选择训练样本进行BPN-EDBD算法的学习训练，提取不同健康状况的林分光谱特征值并与森林健康因子阈值相比较，输出林分病虫害等级分类结果.为此，在图像分类过程中，根据影像图中不同受害林分的光谱特征，将光谱较为“均一”的“区域”分成许多大大小小的光谱较为“均一”的“片域”来处理.当不同受害程度的林分光谱特征表现为较为近似时，或者图像上存在“同物异谱”“同谱异物”现象的信息的提取存在一定程度的极限性时，应充分考虑森林病虫害下的光谱与纹理特征变化，将二者结合起来，构建一种“BPN-EDBD算法”图像分割新技术，实现森林病虫害信息的有效提取.

（2）对遥感影像进行几何校正、影像融合、拼接、裁剪等预处理，确保不同数据之间可以较好地重叠.植被指数是实现地物遥感解译的重要参数.该指数能量化地反映植物状况，并排除非林地信息的干扰.

  

图2 森林病虫害信息的影像提取过程

（6）结果输出.输出不同色度的森林病虫害等级分类结果，截取部分图像的分类结果如图3所示.

  

图3 森林病虫害等级分类结果图

3 结论

本文运用BPN-EDBD算法增强遥感影像分类精度，构建一个良好的分类模式，并以闽东遥感影像分类为实例，实现森林病虫害等级分类并获得较理想的分类结果.但本文的分类方法是在传统的BP网络的基础上进行改进的，虽然实验验证了其优越性，但是依然存在不足之处，算法中的所有参数均是通过实验法进行优化筛选，虽然性能较好，但是不一定是最优解.因此寻找一种合适的参数优化方法是今后一个改进的着眼点.

参考文献：

[1]易文斌，唐 宏,杨晋科.面向对象的灾害信息遥感提取框架及其应用[J].自然灾害学报,2009,18（5）：157-162.

[2]朱晓亮，彭复员，杨述斌，等.基于多尺度形态学的弱目标图像处理方法[J].红外与激光工程,2012,31（6）：482-484.

[3]王崇倡，武文波，张建平.基于BP神经网络的遥感影像分类方法[J].辽宁工程技术大学学报,2009,28（1）：32-35.

[4]张世良.基于GISANN的宁德地质灾害风险评价系统研究[J].韶关学院学报,2014,35（12）：15-18.

[5]刘 炜，常庆瑞，郭 曼，等.冬小麦导数光谱特征提取与缺磷胁迫神经网络诊断[J].光谱学与光谱分析,2011,31（4）：1092-1096.

[6]刘艳杰，曾永年.基于SOM神经网络的城市土地覆盖遥感分类研究[J].测绘与空间地理信息,2012,35（6）：42-45.