基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究

发布时间：2020-07-09 21:11

【摘要】：遥感影像时间序列作为多时相影像的一种载体,蕴含着地物在空间和时间上的巨量信息,如何有效地挖掘这些时空信息对于遥感影像的应用具有至关重要的作用,而目前的数据挖掘方法往往对时间维信息利用不足,导致了各种问题的出现。循环神经网络(Recurrent Neural Network,RNN)对于时间序列挖掘具有天然的优势,已经成功应用在语音识别、计算机视觉等领域,并逐渐扩展到其他领域,在这种大潮流下,本文有意将循环神经网络模型引入到遥感图像的处理和分析中,目的在于借助该模型的优越性能解决遥感应用中的一些难题。为此,本文将循环神经网络模型应用在遥感影像时间序列的分类和变化检测中,根据循环神经网络的特点和本文的研究目标,提出了两种深度RNN模型用于MODIS影像时间序列分类,以此实现了北京市的土地覆盖分类;同时,将机器翻译领域应用广泛的“序列到序列”(sequence-to-sequence,seq2seq)模型应用在Landsat-8影像时间序列的变化检测中,以此实现了北京市昌平区的土地覆盖变化检测。本文围绕循环神经网络模型,对遥感影像时间序列的分类和变化检测中涉及的问题展开了一系列研究。论文的主要研究内容和创新点包括以下几点:(1)构建了两种深度循环神经网络模型用于遥感影像时间序列分类,一种为深度栈式LSTM(deep Stacked Long Short Term Memory,dSLSTM)模型,一种为深度双向LSTM(deep Bidirectional Long Short Term Memory,dBLSTM)模型。其中,深度栈式LSTM模型通过将LSTM进行堆叠构造出多层网络模型,深度双向LSTM模型通过将两个LSTM模型组合,实现对时间序列数据的“正向”和“逆向”处理,深度双向LSTM模型同样包含多层网络结构。实验表明,深度栈式LSTM模型和深度双向LSTM模型在遥感影像时间序列分类方面具有良好的性能,分类精度优于支持向量机和随机森林两种分类器,同时,选择合适的网络结构和参数能够提高两种模型的分类精度。(2)将机器翻译领域使用的seq2seq模型和注意力机制应用在土地覆盖变化检测中。利用seq2seq模型实现了遥感影像时间序列与地物状态序列之间的对应,并利用这种“序列到序列”的对应结构实现了土地覆盖变化信息的直接提取。为了提高变化检测的准确率,消除部分伪变化,在进行变化检测时将土地利用转移概率矩阵作为先验知识加入模型中进行辅助判断。实验表明,利用seq2seq模型进行土地利用覆盖变化检测是行之有效的,在变化检测精度方面优于连续变化检测和分类(Continuous Change Detection and Classification,CCDC)模型。(3)为了解决训练样本不足的问题,提出了面向遥感影像时间序列的数据增强方法,包括截断扩增、混合扩增、平移和缩放,其中,截断扩增方法是指通过将同类地物的光谱反射率时间序列截断之后再组合起来,来构造新的时间序列;混合扩增方法通过组合各种地类的纯净像元的时间序列,来模拟混合像元的时间序列;平移和缩放是指对原始时间序列进行小范围的平移、缩放,以模拟由于物候期提前或延迟所造成的时间序列变化,从而增加训练样本集的多样性。类似于截断扩增方法,本文还提出了一种模拟变化时间序列的方法,即利用选取的未发生变化的时间序列去构造变化时间序列,。实验表明,通过数据增强方法能够提高深度循环神经网络模型的分类能力,通过模拟获取的遥感影像时间序列同样能够训练变化检测模型,并且能够取得满足实际应用需求的变化检测结果,本文提出的面向遥感影像时间序列的数据扩增方法和生成方法是有效的。
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP183;TP751
【图文】：

植被指数,图层,时间序列,相对方位角

图 3-1 研究区位置示意图3.2 实验数据3.2.1 MODIS 时间序列本文采用 MODIS（Moderate Resolution Imaging Spectroradiometer）陆地专题产品 MOD13Q1（MODIS/Terra Vegetation Indices 16 Day I3 Global 250m SIN Grid）作为遥感影像时间序列分类的实验数据。MOD13Q1 是一种植被指数产品，主要包含四个光谱波段：蓝波段（blue：459 479 nm），红波段（red：620 670 nm），近红外波段（NIR：841 875 nm），以及中红外波段（MIR：2105 2155 nm），两个植被指数：归一化差分植被指数和增强植被指数（Enhanced Vegetation Index，EVI），以及像素可靠性（Pixel Reliability，RP）图层、植被指数质量图层、可视天顶角图层、太阳天顶角图层、相对方位角图层和合成天数图层。MOD13Q1 的

时间分布,影像,变化检测

基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究影像，但是由于云及云阴影等噪声的存在，每年实际可用的影像数量往往达不到23 景，如图 3-3 所示，为本文选取的符合质量要求的影像的时间分布。本文总共选取 52 景影像用于研究区的变化检测，其中， 2014 年有 10 景，2015 年 15 景，2016 年 15 景，2017 年 12 景。按照北京市的季节划分（宛敏渭，1980），影像拍摄日期在春季（3 月 8 日至 5 月 8 日）的有 11 景，在夏季（5 月 9 日至 9 月 12日）的 18 景，在秋季（9 月 13 日至 10 月 25 日）的有 6 景，在冬季（10 月 26日至翌年 3 月 7 日）的有 17 景。Landsat-8 影像虽然不像 MODIS 影像能够在时间上分布均匀，但是能够保证每年的影像在不同季节均有分布，将其应用在土地覆盖变化检测上是可行的，并且 30m 的空间分辨率能够详细地划定变化检测的位置和范围，适宜检测小地块的类型变化情况。

可视化,时间序列,影像,大气校正

34图 3-5 基于 t-SNE 的时间序列可视化andsat-8 影像去云处理发布的 Landsat-8 影像的处理格式为 Level 1T，已经进行了基，同一区域在不同时相影像上能够实现配准，无须再做几何校正大气、光照等因素对地物反射的影响，使不同年份获取的影像取的影像需要进行辐射定标和大气校正。本文针对 Landsat-8校正借助软件 ENVI5.1 实现，所选用的大气校正模型为 FLAAsight Atmospheric Analysis of Spectral Hypercubes）模型。

【参考文献】