基于深度学习的遥感时间序列在线异常检测算法

Change detection in satellite image time series (SITS) is a hotspot of remote sensing research and one of the core works in remote sensing dynamic monitoring. To achieve near real-time online disturbance detection, this research applies deep learning to SITS prediction and focuses on remote sensing spatiotemporal information mining. Firstly, aiming at the problem of seasonal fluctuation dislocation of SITS, which caused by climate change, disturbing the training of deep neural network, seasonal fluctuation alignment method of SITS is studied to provide sufficient and effective training samples for deep learning. Secondly, based on the non-stationary and non-linear characteristics of SITS, deep neural network is used to learn the essential evolution law from SITS with complex characteristics adaptively, and establish an objective and effective prediction model to realize the online disturbance detection framework. Finally, according to the time axis evolution mode of the “space field” of SITS, this research uses the spatial neighborhood information to construct the spatial-temporal spectral model of SITS, and further expands the algorithms and models of the previous SITS analysis methods. This research is the continuation and development of the existing research results. Related research can further enhance the level of remote sensing information mining and near real-time monitoring and warning. Therefore, this research has important theoretical and practical significance.

遥感时间序列变化检测是目前遥感研究的热点，是遥感动态监测的核心工作之一。本课题将深度学习应用于遥感时间序列预测，重点研究遥感时空规律挖掘方法，实现异常事件的近实时在线检测。首先，针对气候变化引起时间序列季节波动错位而干扰深度神经网络训练的问题，研究遥感时间序列季节波动对齐方法，为深度学习挖掘时间序列演变规律提供充足有效的训练样本；其次，围绕遥感时间序列非平稳非线性的特性，研究利用深度神经网络，从复杂特性的遥感时间序列中自适应地学习本质的演进规律，建立客观有效的预测模型，实现在线异常检测框架；最后，针对遥感时间序列“空间场”的时间轴演进方式，利用空间邻域信息，构建遥感时间序列数据的时空谱模型，进一步扩展原有时间序列分析方法的算法和模型。本项目是申请人已有研究成果的延续和拓展，相关研究可进一步提升遥感信息挖掘和近实时监测预警的技术水平，具有重要的理论和现实意义。

由灾害等自然因素（例如火灾、洪灾、病虫害等）或人类活动（例如森林砍伐、城市化等）引起的事件，会扰乱地物原有的演变规律，在遥感影像时间序列中表现为异常。本项目针对目前在线异常检测研究中存在的问题，在充分分析遥感影像时间序列变化特征的基础上，考虑LSTM深度学习网络能够自适应学习序列内在波动规律的优势，结合典型案例分析异常事件检测的方式，基于LSTM网络，分别从时间维度和结合时空信息的不同方面，研究遥感影像时间序列异常信息在线检测的算法，提取异常变化信息。.首先，针对遥感影像时间序列中不同时间尺度的变化互相叠加干扰的问题，提出一种基于LSTM网络预测的在线异常检测框架，从序列的时间维度检测异常。实验表明，LSTM能够有效地学习遥感影像时间序列波动的内在规律，进行准确的预测，为在线异常检测提供有力的保障。.其次，针对单像素时间序列算法对遥感数据空间信息挖掘不足的问题，从数据的角度出发，基于LSTM预测的在线检测框架，考虑空间自相关性，通过邻域构造时空张量，结合时空信息进行LSTM网络训练和预测。实验表明，LSTM能够从邻域构建的时空张量中有效学习到遥感影像时间序列中的时空演变规律，在一定空间邻域范围内能够有效改善单像素的LSTM预测效果。.第三，针对时空张量的方法挖掘空间信息有限的问题，从网络结构的角度出发，考虑卷积结构对空间特征提取的优势，基于一种带有卷积结构的ConvLSTM网络，更充分地挖掘时空信息。实验表明，ConvLSTM引入的卷积结构能够更好地融合时空信息，获取比LSTM网络更优的预测效果，有效抑制异常检测中的虚警；同时，ConvLSTM轻量级的网络结构，能够极大程度节省网络的训练时间，具有更高实用价值。