基于经验模态分解的遥感影像时间序列异常检测算法研究

Long and high frequency time series of remote sensing image data contains a large number of regular information. It is a very meaningful but challenging work to mine the information of changing pattern, scope, scale, trend and so on from the hotspots of attention and important targets, and to advance the current status of remote sensing from the most afterwards verification to the level of near real-time monitoring.This project focuses on anomaly detection using time series data. Based on analyzing the features of low and medium resolution remote sensing image time series and big data, and the natural disasters detection mode combined with typical cases, we use the empirical mode decomposition method to build a model to extract anomaly information from time series remote sensing image data. Firstly, we study the method of remote sensing image reconstruction for empirical mode decomposition analysis. Secondly, we analyses the physical process and relationship between the intrinsic mode functions and remainder come from the empirical mode decomposition, then study the method used for extracting the trend of remote sensing image time series based on the empirical mod decomposition. Eventually, facing the requirements of multi break points detection and remote sensing monitoring, we establish a model to extract anomaly information from remote sensing data from the trend of time series data, and provide technical support for the information mining and scientific decision making of kinds of industries..

长/高频次时间序列遥感影像数据中蕴含着大量的规律性信息，如何从中挖掘热点关注对象与重要目标的变化模式、范围、规模、趋势等信息，将遥感从目前大多进行事后验证的现状推进到近实时监测的水平，是非常有意义且具有挑战性的工作。本项目以时间序列异常检测为研究对象，在充分分析中低分辨率遥感影像时间序列特征以及大数据特性的基础上，结合典型案例分析自然灾害检测的方式，引入经验模态分解方法，从校正遥感时间序列影像数据出发，建立模型从遥感时间序列数据中提取异常变化信息。重点研究面向经验模态分解分析的时间序列遥感影像重构方法；分析经验模态分解形成的固有模态函数分量与余项的物理过程与相互关系，研究基于经验模态分解的遥感影像时间序列趋势项提取方法；最终面向多断点检测问题与遥感监测需求，构建从时间序列趋势项中提取遥感影像异常信息模型，为各行业信息挖掘与科学决策提供技术支持。

长/高频次时间序列遥感影像数据中蕴含着大量的规律性信息，如何从中挖掘热点关注对象与重要目标的变化模式、范围、规模、趋势等信息，是非常有意义且具有挑战性的工作。. 本项目以中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）的陆地产品为实验数据，分别选取了森林火灾、森林采伐和草原火灾3种异常事件实例，从校正遥感时间序列影像数据出发，建立基于经验模态分解的季节趋势分解模型，在此基础上分别研究基于趋势项、季节项的异常变化信息提取方法。. 首先，分析经验模态分解得到的固有模态函数与不同频率的变化在时间尺度、物理过程中的相互关系，提出一种基于经验模态分解的时间序列季节趋势分解方法。实验表明，该方法能自适应地获取反映时间序列内在波动特性的季节项和趋势项。. 其次，在前述经验模态分解提取趋势项的基础上，结合异常事件会引起时间序列结构性变化的特点，建立一种通过检测IMF的波动能量合成时间序列趋势项的方法，该方法在不影响异常信息检测的前提下，加入了尽可能多的固有模态函数；在此基础上，引入CUSUM算法进行趋势项断点检测，通过检测变化区间来代替变化点，使得在趋势项中更精确的判断异常事件发生位置及其时间点。实验表明，该方法对于突变性的异常和缓慢变化的异常都有较好的检测能力，并对亚像元级的变化具备检测能力。. 第三，为更好地说明基于趋势项进行异常信息检测的适用性，本项目利用显著性检验的方法剔除包含较多噪声的固有模态函数，得到细节信息尽可能丰富的季节项，并利用历史序列的季节项估计正常情况下季节变化的模式，将该估计值与新观测数据进行对比，检测异常引起的变化。针对不同应用需求，分别提出了离线和在线的检测方案。最后，分别从输入条件、适应条件及应用目标三方面对基于趋势项的异常检测与基于季节项的异常检测进行了分析说明。