面向时间序列影像分析的时空立方体模型与计算方法

Resource shortage and environmental deterioration are major issues related to human survival. Satellite image time series (SITS) data play an indispensable role in resource investigation and environmental monitoring analysis. SITS data have three characteristics: spatiotemporal heterogeneity, spatiotemporal correlation and scale characteristics. How to express and utilize these three characteristics is the key to make full use of the advantages of SITS data to solve practical problems. This project proposes a "spatiotemporal cube modelling and computing methods for analyzing satellite image time series". Through establishing a series of models and methods for spatiotemporal-cubes based SITS segmentation, feature expression, classification, analysis and application, existing pixel-based SITS analysis methods are extended to spatiotemporal-cube based ones to integratively express the spatiotemporal heterogeneity, spatiotemporal correlation and scale characteristics of geographic features. Combining the deep learning and spatiotemporal-cube model, we explore the cube-based intelligent analysis and mapping method of SITS data, and lay the foundation for effectively monitoring and analyzing resources and environmental changes with high temporal and spatial resolution SITS data.

资源短缺和环境恶化是关乎人类生存的重大问题，时间序列卫星（SITS）数据在资源调查和环境监测分析中具有不可或缺的作用。SITS数据具有时空异质性、时空关联性和尺度特性三大特性，如何表达和利用这三个特点，是充分发挥SITS数据优势解决实际问题的关键。本项目提出“面向时间序列影像分析的时空立方体模型与计算方法”。通过建立基于时空立方体的SITS分割、特征表达、分类、分析应用等一整套系统性模型方法，将已有的基于像素的SITS分析方法提升到基于时空立方体的层次，统一表达地物特征的时空异质性、关联性和尺度特性。结合深度学习和时空立方体模型，探索基于立方体的SITS数据的智能分析和制图方法，为有效利用高时空分辨率SITS数据监测分析资源和环境变化问题奠定基础。

针对现有时序影像分析方法割裂时-空-谱信息，难以有效表达时序影像中地物的时空关联性、异质性等问题，项目创新性地提出了时空立方体概念，建立了”时空立方体模型→时空立方体分割→时空立方体特征表达→时空立方体分类识别→时空变化分析“的时序影像分析方法体系，突破了时序影像时空谱关联和异质性建模的难题，开创了时序影像多尺度、结构化分析的新思路。主要贡献如下：. （1）针对现有时序影像分析方法时-空-谱信息割裂的问题，提出了时空对象的概念，建立了多时空尺度的时间序列影像分割模型，克服了时序影像中地物的时空异质性、时空关联性和时空多尺度特性统一建模、表达的难题，是单时相面向对象分析方法在时空域的新拓展，综合考虑时空维度上的异质性，表达时序影像中的地物的时空特性。. （2）针对现有时序影像研究工作在时空特征的综合和准确表达上不足的问题，提出了基于时空对象的时序影像时空特征综合表达体系，综合定义了基于时空对象的光谱、时空纹理、空间几何和时间分布特征，解决了现有时序特征提取中时空信息表达的不全面不准确问题。. （3）针对现有研究在时序影像中时空上下文的建模和应用的局限性问题，基于时空对象模型，提出时空扩展的CRF分类模型（ST-CRF），综合建模和表达时序影像中地物的时空特征及语义关联关系，生成精细时间尺度下的年内土地覆盖制图结果。. （4）通过将已有的像素序列分析方法和时空对象单元耦合起来，建立基于时空对象的物候关键指标点检测方法，提取了年内农田变化阶段，获取了时序中农田的连续变化过程信息，为密集时序下的年内农业变化分析提供了有效地解决方法。. 项目发表论文16篇（SCI论文13篇），申请发明专利2项，并选取了具有典型时间变化特点的农业区进行实验验证，获取的精细时间尺度下的农业制图和年内变化分析结果可为农业资源的规划、精准农业估产、农业保护和管理提供高精度的本底辅助数据。