【摘要】：遙感影像時間序列作為多時相影像的一種載體,蘊含著地物在空間和時間上的巨量信息,如何有效地挖掘這些時空信息對于遙感影像的應(yīng)用具有至關(guān)重要的作用,而目前的數(shù)據(jù)挖掘方法往往對時間維信息利用不足,導(dǎo)致了各種問題的出現(xiàn)。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)對于時間序列挖掘具有天然的優(yōu)勢,已經(jīng)成功應(yīng)用在語音識別、計算機視覺等領(lǐng)域,并逐漸擴展到其他領(lǐng)域,在這種大潮流下,本文有意將循環(huán)神經(jīng)網(wǎng)絡(luò)模型引入到遙感圖像的處理和分析中,目的在于借助該模型的優(yōu)越性能解決遙感應(yīng)用中的一些難題。為此,本文將循環(huán)神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在遙感影像時間序列的分類和變化檢測中,根據(jù)循環(huán)神經(jīng)網(wǎng)絡(luò)的特點和本文的研究目標,提出了兩種深度RNN模型用于MODIS影像時間序列分類,以此實現(xiàn)了北京市的土地覆蓋分類;同時,將機器翻譯領(lǐng)域應(yīng)用廣泛的“序列到序列”(sequence-to-sequence,seq2seq)模型應(yīng)用在Landsat-8影像時間序列的變化檢測中,以此實現(xiàn)了北京市昌平區(qū)的土地覆蓋變化檢測。本文圍繞循環(huán)神經(jīng)網(wǎng)絡(luò)模型,對遙感影像時間序列的分類和變化檢測中涉及的問題展開了一系列研究。論文的主要研究內(nèi)容和創(chuàng)新點包括以下幾點:(1)構(gòu)建了兩種深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型用于遙感影像時間序列分類,一種為深度棧式LSTM(deep Stacked Long Short Term Memory,dSLSTM)模型,一種為深度雙向LSTM(deep Bidirectional Long Short Term Memory,dBLSTM)模型。其中,深度棧式LSTM模型通過將LSTM進行堆疊構(gòu)造出多層網(wǎng)絡(luò)模型,深度雙向LSTM模型通過將兩個LSTM模型組合,實現(xiàn)對時間序列數(shù)據(jù)的“正向”和“逆向”處理,深度雙向LSTM模型同樣包含多層網(wǎng)絡(luò)結(jié)構(gòu)。實驗表明,深度棧式LSTM模型和深度雙向LSTM模型在遙感影像時間序列分類方面具有良好的性能,分類精度優(yōu)于支持向量機和隨機森林兩種分類器,同時,選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)能夠提高兩種模型的分類精度。(2)將機器翻譯領(lǐng)域使用的seq2seq模型和注意力機制應(yīng)用在土地覆蓋變化檢測中。利用seq2seq模型實現(xiàn)了遙感影像時間序列與地物狀態(tài)序列之間的對應(yīng),并利用這種“序列到序列”的對應(yīng)結(jié)構(gòu)實現(xiàn)了土地覆蓋變化信息的直接提取。為了提高變化檢測的準確率,消除部分偽變化,在進行變化檢測時將土地利用轉(zhuǎn)移概率矩陣作為先驗知識加入模型中進行輔助判斷。實驗表明,利用seq2seq模型進行土地利用覆蓋變化檢測是行之有效的,在變化檢測精度方面優(yōu)于連續(xù)變化檢測和分類(Continuous Change Detection and Classification,CCDC)模型。(3)為了解決訓(xùn)練樣本不足的問題,提出了面向遙感影像時間序列的數(shù)據(jù)增強方法,包括截斷擴增、混合擴增、平移和縮放,其中,截斷擴增方法是指通過將同類地物的光譜反射率時間序列截斷之后再組合起來,來構(gòu)造新的時間序列;混合擴增方法通過組合各種地類的純凈像元的時間序列,來模擬混合像元的時間序列;平移和縮放是指對原始時間序列進行小范圍的平移、縮放,以模擬由于物候期提前或延遲所造成的時間序列變化,從而增加訓(xùn)練樣本集的多樣性。類似于截斷擴增方法,本文還提出了一種模擬變化時間序列的方法,即利用選取的未發(fā)生變化的時間序列去構(gòu)造變化時間序列,。實驗表明,通過數(shù)據(jù)增強方法能夠提高深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型的分類能力,通過模擬獲取的遙感影像時間序列同樣能夠訓(xùn)練變化檢測模型,并且能夠取得滿足實際應(yīng)用需求的變化檢測結(jié)果,本文提出的面向遙感影像時間序列的數(shù)據(jù)擴增方法和生成方法是有效的。
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP183;TP751
【圖文】：

圖 3-1 研究區(qū)位置示意圖3.2 實驗數(shù)據(jù)3.2.1 MODIS 時間序列本文采用 MODIS（Moderate Resolution Imaging Spectroradiometer）陸地專題產(chǎn)品 MOD13Q1（MODIS/Terra Vegetation Indices 16 Day I3 Global 250m SIN Grid）作為遙感影像時間序列分類的實驗數(shù)據(jù)。MOD13Q1 是一種植被指數(shù)產(chǎn)品，主要包含四個光譜波段：藍波段（blue：459 479 nm），紅波段（red：620 670 nm），近紅外波段（NIR：841 875 nm），以及中紅外波段（MIR：2105 2155 nm），兩個植被指數(shù)：歸一化差分植被指數(shù)和增強植被指數(shù)（Enhanced Vegetation Index，EVI），以及像素可靠性（Pixel Reliability，RP）圖層、植被指數(shù)質(zhì)量圖層、可視天頂角圖層、太陽天頂角圖層、相對方位角圖層和合成天數(shù)圖層。MOD13Q1 的

基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的遙感影像時間序列分類及變化檢測方法研究影像，但是由于云及云陰影等噪聲的存在，每年實際可用的影像數(shù)量往往達不到23 景，如圖 3-3 所示，為本文選取的符合質(zhì)量要求的影像的時間分布。本文總共選取 52 景影像用于研究區(qū)的變化檢測，其中， 2014 年有 10 景，2015 年 15 景，2016 年 15 景，2017 年 12 景。按照北京市的季節(jié)劃分（宛敏渭，1980），影像拍攝日期在春季（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 影像雖然不像 MODIS 影像能夠在時間上分布均勻，但是能夠保證每年的影像在不同季節(jié)均有分布，將其應(yīng)用在土地覆蓋變化檢測上是可行的，并且 30m 的空間分辨率能夠詳細地劃定變化檢測的位置和范圍，適宜檢測小地塊的類型變化情況。

34圖 3-5 基于 t-SNE 的時間序列可視化andsat-8 影像去云處理發(fā)布的 Landsat-8 影像的處理格式為 Level 1T，已經(jīng)進行了基，同一區(qū)域在不同時相影像上能夠?qū)崿F(xiàn)配準，無須再做幾何校正大氣、光照等因素對地物反射的影響，使不同年份獲取的影像取的影像需要進行輻射定標和大氣校正。本文針對 Landsat-8校正借助軟件 ENVI5.1 實現(xiàn)，所選用的大氣校正模型為 FLAAsight Atmospheric Analysis of Spectral Hypercubes）模型。

【參考文獻】

相關(guān)期刊論文 前3條

1 尤淑撐;劉順喜;;一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法[J];地理與地理信息科學(xué);2010年03期

2 呂長春,王忠武,錢少猛;混合像元分解模型綜述[J];遙感信息;2003年03期

3 宛敏渭;;論北京物候季節(jié)的劃分與農(nóng)時預(yù)測[J];農(nóng)業(yè)氣象;1980年04期

本文編號：2747984