基于非线性时序预测的遥感影像时间序列异常变化检测算法研究

Long and high frequency remote sensing image time series data contains a large amount of regular information as well as information of anomalous changes derived from disaster and/or human activity. It is a very meaningful but challenging work to mine the information of spatial-temporal changing pattern and anomalous change of the region of interests and important targets, and to advance the current status of remote sensing monitoring from mostly post-event verification to the level of near real-time monitoring. Precise modeling and prediction of dynamic changes is a prerequisite for reliable detection of abnormal changes. It is difficult for present methods to reveal the inherent nonlinear dynamic characteristics of remote sensing time series, which limits the ability of the abnormal changes detection. To this end, this project focuses on study of abnormal change detection in remote sensing time series, combining the characteristics of nonlinear dynamic evolution and dynamic fluctuation of remote sensing time series. Three main aspects of this study are techniques of "non-equally-spaced sequence reconstruction ", "dynamic evolution prediction " and "dynamic fluctuation forecast". The study will further improve the reliability of detection of abnormal changes in remote sensing time series.

如何从遥感影像时间序列中挖掘出地表覆盖或重点关注对象的动态变化模式及异常变化信息，从而将遥感监测从目前以事后验证为主的现状，推进到地表异常变化近实时监测的水平，是富有意义和挑战性的工作。对地表动态变化进行精准地建模和预测，是对地表异常变化进行可靠检测的前提。然而现有方法较少考虑并揭示遥感时间序列固有的非线性动态变化特征，从而使得遥感时间序列异常变化检测的能力受到很大限制。针对此，本项目结合遥感时间序列的非线性动态演变和动态波动特征，基于非线性时序预测理论和方法，从“非等间距序列重构”、“动态演变预测”和“动态波动预测”三方面展开研究，重点构建遥感时间序列季节性变动机制转换和时间相依波动的预测模型、建立异常变化动态判别方法，进一步提高遥感时间序列异常变化检测的可靠性。

项目针对长时序遥感时间序列影像异常变化检测中的非线性分析问题，开展了遥感时间序列的重构方法、遥感时间序列非线性动态演变预测方法以及遥感时间序列动态波动中异常判别方法的研究。项目研究形成了基于质量标记信息的长时序光学影像插补重构方法，发展了基于差分干涉测量短基线集时序分析技术（SBAS-InSAR）的长时序雷达影像形变序列提取方法，以及基于长短期记忆神经网络（Long-Short Term Memory, LSTM）非线性时序模型的光学时序数据建模预测算法，发展了结合支持向量机（SVM）的光谱指数序列异常变化检测算法、结合永久散射体时序（Permanent Scatter-Time, PS-Time）非线性变化模型的雷达形变序列异常变化检测算法。项目选择的实验案例分别为地震诱发滑坡灾害、高寒干旱山地典型地质灾害、生态变化，实验验证了方法取得了良好的异常变化检测效果。. 本项目研究了长时序遥感数据的非线性特征和非线性动态变化中异常变化的检测方法。理论层面，项目创新性探索了时序遥感数据中的时变干扰特征。技术层面，项目系统性研究发展了非线性时序遥感数据异常检测分析的若干算法，较好解决了非线性时变扰动下的异常检测问题，弥补了传统监测采用目视解译、分类或多时相分析时效率低的短板，提高了时序遥感数据应用于地表变化监测的能力。. 项目研究初步展现了方法在多云多植被覆盖地区以及高寒干旱山区地质灾害监测中的应用潜力，有助于今后服务于中国西南多云多植被和西北高寒干旱山区的地质灾害监测。同时，在生态环境异常变化监测方面，展现了利用长时序遥感数据开展大区域高频次生态环境监测的空间和时间优势，为生态环境异常监测提供了一种新的解决思路。本项目研究发展的方法，还可以应用于其它表现为地表植被状态变化或者地形变化的灾害监测，在灾害、生态、农业、林业等行业监测应用中都具有很好的可扩展性和可移植性。