留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

从光谱到时谱——遥感时间序列变化检测研究进展

张立福 王飒 刘华亮 林昱坤 王晋年 朱曼 高了然 童庆禧

张立福, 王飒, 刘华亮, 林昱坤, 王晋年, 朱曼, 高了然, 童庆禧. 从光谱到时谱——遥感时间序列变化检测研究进展[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
引用本文: 张立福, 王飒, 刘华亮, 林昱坤, 王晋年, 朱曼, 高了然, 童庆禧. 从光谱到时谱——遥感时间序列变化检测研究进展[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
ZHANG Lifu, WANG Sa, LIU Hualiang, LIN Yukun, WANG Jinnian, ZHU Man, GAO Liaoran, TONG Qingxi. From Spectrum to Spectrotemporal: Research on Time Series Change Detection of Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
Citation: ZHANG Lifu, WANG Sa, LIU Hualiang, LIN Yukun, WANG Jinnian, ZHU Man, GAO Liaoran, TONG Qingxi. From Spectrum to Spectrotemporal: Research on Time Series Change Detection of Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666

从光谱到时谱——遥感时间序列变化检测研究进展

doi: 10.13203/j.whugis20200666
基金项目: 

国家自然科学基金重点项目 41830108

兵团重大科技项目 2018AA004

兵团重点领域创新团队 2018CB004

国家重点研发计划 2017YFC1500901

详细信息
    作者简介:

    张立福,博士,研究员,研究方向为高光谱遥感。zhanglf@radi.ac.cn

  • 中图分类号: P237

From Spectrum to Spectrotemporal: Research on Time Series Change Detection of Remote Sensing

Funds: 

Key Program of the National Natural Science Foundation of China 41830108

XPCC Major Science and Technology Project 2018AA004

XPCC Innovation Team in Key Areas 2018CB004

the National Key Research and Development Program of China 2017YFC1500901

More Information
    Author Bio:

    ZHANG Lifu, PhD, professor, specializes in hyperspectral remote sensing. E-mail: zhanglf@radi.ac.cn

  • 摘要: 地物的光谱信息是遥感数据的重要特征,对遥感光谱信息的利用经历了从黑白全色影像到多光谱、高光谱再到时间序列的发展历程。近年来,随着卫星遥感技术的发展和历史数据的积累,大量的重复观测数据被获取。长时序的遥感数据包含光谱维、时间维和空间维4个维度的信息,这在一定程度上能够避免同谱异物、同物异谱的现象。目前还没有统一的概念对长时序遥感数据进行描述,在光谱概念的基础上,提出时谱的概念,详细论述了时谱的理论方法和关键技术,首次尝试对时谱的理论体系进行构建。首先回顾了传统的遥感时间序列变化检测方法,分析传统变化检测方法的优点与不足;然后对时谱的理论方法进行阐述,介绍时谱在数据组织与存储、数据重构、特征深度挖掘和数据源4个方面的关键技术;并介绍基于时谱信息的典型农作物分类和变化检测方法,以期能够为时谱变化检测相关研究提供参考;最后对时谱变化检测研究进行了展望。
  • 图  1  基于分类的时间序列变化检测框架图

    Figure  1.  Diagram of Time Series Change Detection Based on Classification

    图  2  基于阈值的时间序列变化检测框架图

    Figure  2.  Diagram of Time Series Change Detection Based on Threshold of Index

    图  3  草地的光谱曲线与时谱曲线

    Figure  3.  Reflectance Spectral and Temporal Spectrum of Grass

    图  4  基于时谱分析的基本流程

    Figure  4.  Flowchart of Temporal Spectrum Analysis

    图  5  多维数据组织方式及5种新的多维数据存储格式

    Figure  5.  Multi-dimensional Dataset and Five New Integrated Storage Structures

    图  6  四种作物的不同指数时谱曲线

    Figure  6.  Temporal Spectrum Curves of Four Crops with Different Indices

    图  7  基于时谱信息的时间序列分析方法

    Figure  7.  Time Series Analysis Based on Temporal Spectrum Information

    图  8  光谱维变化检测原理图

    Figure  8.  Schematic Diagram of Time Series Change Detection Algorithm in Spectral Dimension

    图  9  空间维变化检测原理图

    Figure  9.  Schematic Diagram of Time Series Change Detection Algorithm in Spatial Dimension

  • [1] 童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5): 689-707 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605003.htm

    Tong Qingxi, Zhang Bing, Zhang Lifu. Current Progress of Hyperspectral Remote Sensing in China[J]. Journal of Remote Sensing, 2016, 20(5): 689-707 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605003.htm
    [2] Song X P, Hansen M C, Stehman S V, et al. Global Land Change from 1982 to 2016[J]. Nature, 2018, 560(7 720): 639-643 http://d.wanfangdata.com.cn/periodical/a2714be619d78f480f9736db0d8328b0
    [3] Lu D, Mausel P, Brondízio E, et al. Change Detection Techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2 365-2 401
    [4] 汤冬梅, 樊辉, 张瑶. Landsat时序变化检测综述[J]. 地球信息科学学报, 2017, 19(8): 1 069-1 079 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201708009.htm

    Tang Dongmei, Fan Hui, Zhang Yao. Review on Landsat Time Series Change Detection Methods[J]. Journal of Geo-Information Science, 2017, 19(8): 1 069-1 079 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201708009.htm
    [5] Zhu Z, Wulder M A, Roy D P, et al. Benefits of the Free and Open Landsat Data Policy[J]. Remote Sensing of Environment, 2019, 224: 382-385 http://www.sciencedirect.com/science/article/pii/S0034425719300719
    [6] Wardlow B, Egbert S, Kastens J. Analysis of Time-Series MODIS 250 m Vegetation Index Data for Crop Classification in the US Central Great Plains[J]. Remote Sensing of Environment, 2007, 108(3): 290-310
    [7] Zhu Z, Woodcock C E, Olofsson P. Continuous Monitoring of Forest Disturbance Using all Available Landsat Imagery[J]. Remote Sensing of Environment, 2012, 122: 75-91
    [8] Verbesselt J, Hyndman R, Zeileis A, et al. Phenological Change Detection While Accounting for Abrupt and Gradual Trends in Satellite Image Time Series[J]. Remote Sensing of Environment, 2010, 114(12): 2 970-2 980 http://www.sciencedirect.com/science/article/pii/S0034425710002336
    [9] Verbesselt J, Zeileis A, Herold M. Near Real-Time Disturbance Detection Using Satellite Image Time Series[J]. Remote Sensing of Environment, 2012, 123: 98-108 http://www.sciencedirect.com/science/article/pii/S0034425712001150
    [10] Howarth P J, Wickware G M. Procedures for Change Detection Using Landsat Digital Data[J]. International Journal of Remote Sensing, 1981, 2(3): 277-291
    [11] 李天宏, 韩鹏. 厦门市土地利用/覆盖动态变化的遥感检测与分析[J]. 地理科学, 2001, 21(6): 537-543 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX200106009.htm

    Li Tianhong, Han Peng. Land Use/Cover Change Detection and Analysis with Remote Sensing in Xiamen City[J]. Scientia Geographica Sinica, 2001, 21(6): 537-543 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX200106009.htm
    [12] 贾凌, 都金康, 赵萍, 等. 基于TM的海南省土地利用/覆盖动态变化的遥感监测和分析[J]. 遥感信息, 2003 (1): 22-25, 56 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200301009.htm

    Jia Ling, Du Jinkang, Zhao Ping, et al. Land Use Dynamic Monitoring in Hainan by TM Data[J]. Remote Sensing Information, 2003 (1): 22-25, 56 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200301009.htm
    [13] 翟卫欣, 程承旗, 陈波. 基于Landsat影像的雄安新区2014-2018年土地利用变化检测[J]. 地理信息世界, 2019, 26(4): 38-43 https://www.cnki.com.cn/Article/CJFDTOTAL-CHRK201904009.htm

    Zhai Weixin, Cheng Chengqi, Chen Bo. Land Use Change Detection Based on Landsat Image in Xiong'an New Area(2014-2018)[J]. Geomatics World, 2019, 26(4): 38-43 https://www.cnki.com.cn/Article/CJFDTOTAL-CHRK201904009.htm
    [14] 季顺平, 田思琦, 张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测[J]. 武汉大学学报·信息科学版, 2020, 45(2): 233-241 doi:  10.13203/j.whugis20180481

    Ji Shunping, Tian Siqi, Zhang Chi. Urban Land Cover Classification and Change Detection Using Fully Atrous Convolutional Neural Network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(2): 233-241 doi:  10.13203/j.whugis20180481
    [15] Sexton J O, Urban D L, Donohue M J, et al. Long-Term Land Cover Dynamics by Multi-Temporal Classification Across the Landsat-5 Record[J]. Remote Sensing of Environment, 2013, 128: 246-258 http://www.sciencedirect.com/science/article/pii/S0034425712003926
    [16] Chen J, Chen X H, Cui X H, et al. Change Vector Analysis in Posterior Probability Space: A New Method for Land Cover Change Detection[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(2): 317-321 http://ieeexplore.ieee.org/document/5597922/
    [17] Li H J, Li H Y, Wang J, et al. Monitoring High-Altitude River Ice Distribution at the Basin Scale in the Northeastern Tibetan Plateau from a Landsat Time-Series Spanning 1999-2018[J]. Remote Sensing of Environment, 2020, 247: 111 915 http://www.sciencedirect.com/science/article/pii/S0034425720302856
    [18] Pickens A H, Hansen M C, Hancher M, et al. Mapping and Sampling to Characterize Global Inland Water Dynamics from 1999 to 2018 with Full Landsat Time-Series[J]. Remote Sensing of Environment, 2020, 243: 111 792 http://www.sciencedirect.com/science/article/pii/S0034425720301620
    [19] Muttitanon W, Tripathi N K. Land Use/Land Cover Changes in the Coastal Zone of Ban Don Bay, Thailand Using Landsat 5 TM Data[J]. International Journal of Remote Sensing, 2005, 26(11): 2 311-2 323
    [20] McRoberts R E. Post-Classification Approaches to Estimating Change in Forest Area Using Remotely Sensed Auxiliary Data[J]. Remote Sensing of Environment, 2014, 151: 149-156
    [21] Coulter L L, Stow D A, Tsai Y H, et al. Classification and Assessment of Land Cover and Land Use Change in Southern Ghana Using Dense Stacks of Landsat 7 ETM+ Imagery[J]. Remote Sensing of Environment, 2016, 184: 396-409 http://www.sciencedirect.com/science/article/pii/S0034425716302693
    [22] Xu Y D, Yu L, Zhao F R, et al. Tracking Annual Cropland Changes from 1984 to 2016 Using Time-Series Landsat Images with a Change-Detection and Post-Classification Approach: Experiments from Three Sites in Africa[J]. Remote Sensing of Environment, 2018, 218: 13-31 http://www.sciencedirect.com/science/article/abs/pii/S003442571830419X
    [23] Paul S, Saxena K G, Nagendra H, et al. Tracing Land Use and Land Cover Change in Peri-Urban Delhi, India, over 1973-2017 Period[J]. Environ Monit Assess, 2021, 193: 52 http://www.researchgate.net/publication/348360448_Tracing_land_use_and_land_cover_change_in_peri-urban_Delhi_India_over_1973-2017_period/download
    [24] Wang J, Xiao X M, Liu L, et al. Mapping Sugarcane Plantation Dynamics in Guangxi, China, by Time Series Sentinel-1, Sentinel-2 and Landsat Ima-ges[J]. Remote Sensing of Environment, 2020, 247: 111 951 http://www.researchgate.net/publication/342343154_Mapping_sugarcane_plantation_dynamics_in_Guangxi_China_by_time_series_Sentinel-1_Sentinel-2_and_Landsat_images
    [25] Hu J R, Zhang Y Z. Seasonal Change of Land-Use/Land-Cover (LULC) Detection Using MODIS Data in Rapid Urbanization Regions: A Case Study of the Pearl River Delta Region (China)[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1 913-1 920
    [26] Xian G, Homer C, Fry J. Updating the 2001 National Land Cover Database Land Cover Classification to 2006 by Using Landsat Imagery Change Detection Methods[J]. Remote Sensing of Environment, 2009, 113(6): 1 133-1 147 http://www.sciencedirect.com/science/article/pii/S0034425709000340
    [27] 孙晓霞, 张继贤, 燕琴, 等. 遥感影像变化检测方法综述及展望[J]. 遥感信息, 2011, 26(1): 119-123 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXX201101022.htm

    Sun Xiaoxia, Zhang Jixian, Yan Qin, et al. A Summary on Current Techniques and Prospects of Remote Sensing Change Detection[J]. Remote Sensing Information, 2011, 26(1): 119-123 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXX201101022.htm
    [28] 张良培, 武辰. 多时相遥感影像变化检测的现状与展望[J]. 测绘学报, 2017, 46(10): 1 447-1 459 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710028.htm

    Zhang Liangpei, Wu Chen. Advance and Future Development of Change Detection for Multi-Temporal Remote Sensing Imagery[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1 447-1 459 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201710028.htm
    [29] Singh A. Review Article Digital Change Detection Techniques Using Remotely-Sensed Data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1 003 doi:  10.1080/01431168908903939
    [30] Soares V P, Hoffer R M. Eucalyptus Forest Change Classification Using Multi-date Landsat TM Data[J]. Proceedings of SPIE, 1995, 2 314: 281-291 http://proceedings.spiedigitallibrary.org/mobile/proceeding.aspx?articleid=977615
    [31] Mas J F. Monitoring Land-Cover Changes: A Comparison of Change Detection Techniques[J]. International Journal of Remote Sensing, 1999, 20(1): 139-152
    [32] Woodcock C E, Macomber S A, Pax-Lenney M, et al. Monitoring Large Areas for Forest Change Using Landsat: Generalization Across Space, Time and Landsat Sensors[J]. Remote Sensing of Environment, 2001, 78(1/2): 194-203 http://www.sciencedirect.com/science/article/pii/S0034425701002590
    [33] Huang Z, Jia X P, Ge L L. Sampling Approaches for One-Pass Land-Use/Land-Cover Change Mapping[J]. International Journal of Remote Sensing, 2010, 31(6): 1 543-1 554
    [34] Wang C, Xu M X, Wang X, et al. Object-Oriented Change Detection Approach for High-Resolution Remote Sensing Images Based on Multiscale Fusion[J]. Journal of Applied Remote Sensing, 2013, 7(1): 073696 doi:  10.1117/1.JRS.7.073696
    [35] Gil-Yepes J L, Ruiz L A, Recio J A, et al. Description and Validation of a New Set of Object-Based Temporal Geostatistical Features for Land-Use/Land-Cover Change Detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 121: 77-91
    [36] Tucker C J. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127-150
    [37] Huete A, Liu H, Leeuwen W J D. The Use of Vegetation Indices in Forested Regions: Issues of Linearity and Saturation[J]. International Geoscience and Remote Sensing Symposium on Remote Sensing, 1997, 4: 1 966-1 968
    [38] Zhang L F, Qiao N, Baig M H A, et al. Monitoring Vegetation Dynamics Using the Universal Normali-zed Vegetation Index (UNVI): An Optimized Vegetation Index-VIUPD[J]. Remote Sensing Letters, 2019, 10(7): 629-638
    [39] Lunetta R S, Knight J F, Ediriwickrema J, et al. Land-Cover Change Detection Using Multi-Temporal MODIS NDVI Data[J]. Remote Sensing of Environment, 2006, 105(2): 142-154
    [40] Huang C Q, Goward S N, Masek J G, et al. An Automated Approach for Reconstructing Recent Forest Disturbance History Using Dense Landsat Time Series Stacks[J]. Remote Sensing of Environment, 2010, 114(1): 183-198
    [41] Li X C, Gong P, Liang L. A 30-Year (1984-2013) Record of Annual Urban Dynamics of Beijing City Derived from Landsat Data[J]. Remote Sensing of Environment, 2015, 166: 78-90
    [42] Huang H B, Chen Y L, Clinton N, et al. Mapping Major Land Cover Dynamics in Beijing Using all Landsat Images in Google Earth Engine[J]. Remote Sensing of Environment, 2017, 202: 166-176
    [43] 周小成, 汪小钦, 吴波, 等. 城镇扩张的多源遥感图像动态监测分析[J]. 地球信息科学, 2008(3): 332-337 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX200803010.htm

    Zhou Xiaocheng, Wang Xiaoqin, Wu Bo, et al. An Analysis on Dynamic Monitoring of Urban Sprawal Using Multi-Temporal Remote Sensing Images from Multi-Source Based on the Knowledge[J]. Geo-Information Science, 2008(3): 332-337 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX200803010.htm
    [44] 樊勇, 朱曦, 张圣笛, 等. 基于多源遥感数据的淮河流域城镇扩张研究[J]. 农业机械学报, 2016, 47(11): 252-261 https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201611035.htm

    Fan Yong, Zhu Xi, Zhang Shengdi, et al. Urban Expansion of Huaihe River Basin Based on Multi-Source Remote Sensing Data[J]. Transactions of the Chinese Society of Agricultural Machinery, 2016, 47(11): 252-261 https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201611035.htm
    [45] Liu X P, Hu G H, Chen Y M, et al. High-Resolution Multi-Temporal Mapping of Global Urban Land Using Landsat Images Based on the Google Earth Engine Platform[J]. Remote Sensing of Environment, 2018, 209: 227-239
    [46] Gong P, Li X C, Zhang W. 40-Year (1978-2017) Human Settlement Changes in China Reflected by Impervious Surfaces from Satellite Remote Sensing[J]. Science Bulletin, 2019, 64(11): 756-763
    [47] Gong P, Li X C, Wang J, et al. Annual Maps of Global Artificial Impervious Area (GAIA) Between 1985 and 2018[J]. Remote Sensing of Environment, 2020, 236: 111 510
    [48] Wang Y B, Ma J, Xiao X M, et al. Long-Term Dynamic of Poyang Lake Surface Water: A Mapping Work Based on the Google Earth Engine Cloud Platform[J]. Remote Sensing, 2019, 11(3): 313
    [49] Feng L, Hu C M, Chen X L, et al. Assessment of Inundation Changes of Poyang Lake Using MODIS Observations Between 2000 and 2010[J]. Remote Sensing of Environment, 2012, 121: 80-92
    [50] Wang X X, Xiao X M, Zou Z H, et al. Tracking Annual Changes of Coastal Tidal Flats in China During 1986-2016 Through Analyses of Landsat Images with Google Earth Engine[J]. Remote Sensing of Environment, 2020, 238: 110987
    [51] Dong J W, Xiao X M, Menarguez M A, et al. Mapping Paddy Rice Planting Area in Northeastern Asia with Landsat 8 Images, Phenology-Based Algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154
    [52] Xiao X M, Boles S, Liu J Y, et al. Mapping Paddy Rice Agriculture in Southern China Using Multi-Temporal MODIS Images[J]. Remote Sensing of Environment, 2005, 95(4): 480-492
    [53] Nelson R F. Detecting Forest Canopy Change due to Insect Activity Using Landsat MSS[J]. Photogrammetric Engineering and Remote Sensing, 1983, 49(9): 1 303-1 314 http://europepmc.org/abstract/AGR/IND83103205
    [54] Jin S M, Sader S A. Comparison of Time Series Tasseled Cap Wetness and the Normalized Difference Moisture Index in Detecting Forest Disturbances[J]. Remote Sensing of Environment, 2005, 94(3): 364-372
    [55] Cunningham S, Rogan J, Martin D, et al. Mapping Land Development Through Periods of Economic Bubble and Bust in Massachusetts Using Landsat Time Series Data[J]. GIScience & Remote Sensing, 2015, 52(4): 397-415 doi:  10.1080/15481603.2015.1045277
    [56] Vorovencii I. A Change Vector Analysis Technique for Monitoring Land Cover Changes in Copsa Mica, Romania, in the Period 1985-2011[J]. Environmental Monitoring and Assessment, 2014, 186(9): 5 951-5 968
    [57] Bolton D K, Coops N C, Wulder M A. Characterizing Residual Structure and Forest Recovery Following High-Severity Fire in the Western Boreal of Canada Using Landsat Time-Series and Airborne LiDAR Data[J]. Remote Sensing of Environment, 2015, 163: 48-60
    [58] Parker B M, Lewis T, Srivastava S K. Estimation and Evaluation of Multi-Decadal Fire Severity Patterns Using Landsat Sensors[J]. Remote Sensing of Environment, 2015, 170: 340-349
    [59] Schroeder T A, Wulder M A, Healey S P, et al. Detecting Post-Fire Salvage Logging from Landsat Change Maps and National Fire Survey Data[J]. Remote Sensing of Environment, 2012, 122: 166-174
    [60] Zanotta D C, Bruzzone L, Bovolo F, et al. An Adaptive Semisupervised Approach to the Detection of User-Defined Recurrent Changes in Image Time Series[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(7): 3 707-3 719
    [61] Wold S, Esbensen K, Geladi P. Principal Component Analysis[J]. Chemometrics and Intelligent Laboratory Systems, 1987, 2(1/2/3): 37-52
    [62] Eastman J R, Fulk M. Long Sequence Time Series Evaluation Using Standard Principal Components[J]. Photogrammetric Engineering and Remote Sensing, 1993, 59(6): 991-996
    [63] Fung T, Ledrew E. Application of Principal Components Analysis to Change Detection[J]. Photogrammetric Engineering and Remote Sensing, 1987, 53(12): 1 649-1 658
    [64] Hirosawa Y, Marsh S E, Kliman D H. Application of Standardized Principal Component Analysis to Land-Cover Characterization Using Multitemporal AVHRR Data[J]. Remote Sensing of Environment, 1996, 58(3): 267-281
    [65] Yeh A G O, Li X. An Integrated Remote Sensing and GIS Approach in the Monitoring and Evaluation of Rapid Urban Growth for Sustainable Development in the Pearl River Delta, China[J]. International Planning Studies, 1997, 2(2): 193-210
    [66] Deng J S, Wang K, Deng Y H, et al. PCA-Based Land-Use Change Detection and Analysis Using Multitemporal and Multisensor Satellite Data[J]. International Journal of Remote Sensing, 2008, 29(16): 4 823-4 838
    [67] Deng J S, Huang Y B, Chen B J, et al. A Methodo-logy to Monitor Urban Expansion and Green Space Change Using a Time Series of Multi-Sensor SPOT and Sentinel-2A Images[J]. Remote Sensing, 2019, 11(10): 1 230
    [68] 邓劲松, 李君, 王珂. 基于多时相PCA光谱增强和多源光谱分类器的SPOT影像土地利用变化检测[J]. 光谱学与光谱分析, 2009, 29(6): 1 627-1 631 https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200906049.htm

    Deng Jinsong, Li Jun, Wang Ke. Detecting Land Use Change Using PCA-Enhancement and Multi-Source Classifier from SPOT Images[J]. Spectroscopy and Spectral Analysis, 2009, 29(6): 1 627-1 631 https://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200906049.htm
    [69] Gong P. Change Detection Using Principal Component Analysis and Fuzzy Set Theory[J]. Canadian Journal of Remote Sensing, 1993, 19(1): 22-29
    [70] Parmentier B. Characterization of Land Transitions Patterns from Multivariate Time Series Using Seasonal Trend Analysis and Principal Component Analysis[J]. Remote Sensing, 2014, 6(12): 12 639-12 665
    [71] de Almeida T I R, Penatti N C, Ferreira L G, et al. Principal Component Analysis Applied to a Time Series of MODIS Images: The Spatio-Temporal Variability of the Pantanal Wetland, Brazil[J]. Wetlands Ecology and Management, 2015, 23(4): 737-748
    [72] Li J H, Wang S S, Zhou F Q. Time Series Analysis of Long-Term Terrestrial Water Storage over Canada from GRACE Satellites Using Principal Component Analysis[J]. Canadian Journal of Remote Sensing, 2016, 42(3): 161-170
    [73] Zhang Z M, Ouyang Z Y, Xiao Y, et al. Using Principal Component Analysis and Annual Seasonal Trend Analysis to Assess Karst Rocky Desertification in Southwestern China[J]. Environmental Monitoring and Assessment, 2017, 189(6): 269
    [74] Kassawmar N T, Rao K R M, Abraha G L. An Integrated Approach for Spatio-temporal Variability Analysis of Wetlands: A Case Study of Abaya and Chamo Lakes, Ethiopia[J]. Environmental Monitoring and Assessment, 2011, 180(1-4): 313-324
    [75] Gómez C, Wulder M A, White J C, et al. Characterizing 25 Years of Change in the Area, Distribution, and Carbon Stock of Mediterranean Pines in Central Spain[J]. International Journal of Remote Sensing, 2012, 33(17): 5 546-5 573 doi:  10.1080/01431161.2012.663115
    [76] Mostafiz C, Chang N B. Tasseled Cap Transformation for Assessing Hurricane Landfall Impact on a Coastal Watershed[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 736-745
    [77] Allen H, Simonson W, Parham E, et al. Satellite Remote Sensing of Land Cover Change in a Mixed Agro-Silvo-Pastoral Landscape in the Alentejo, Portugal[J]. International Journal of Remote Sensing, 2018, 39(14): 4 663-4 683
    [78] Kennedy R E, Yang Z Q, Cohen W B. Detecting Trends in Forest Disturbance and Recovery Using Yearly Landsat Time Series: 1. LandTrendr-Temporal Segmentation Algorithms[J]. Remote Sensing of Environment, 2010, 114(12): 2 897-2 910
    [79] Kennedy R, Yang Z Q, Gorelick N, et al. Implementation of the LandTrendr Algorithm on Google Earth Engine[J]. Remote Sensing, 2018, 10(5): 691
    [80] Kennedy R E, Yang Z Q, Cohen W B, et al. Spatial and Temporal Patterns of Forest Disturbance and Regrowth Within the Area of the Northwest Forest Plan[J]. Remote Sensing of Environment, 2012, 122: 117-133
    [81] Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsat-Derived Disturbance and Recovery History and LiDAR to Map Forest Biomass Dyna-mics[J]. Remote Sensing of Environment, 2014, 151: 124-137
    [82] Grogan K, Pflugmacher D, Hostert P, et al. Cross-Border Forest Disturbance and the Role of Natural Rubber in Mainland Southeast Asia Using Annual Landsat Time Series[J]. Remote Sensing of Environment, 2015, 169: 438-453
    [83] Kennedy R E, Yang Z Q, Braaten J, et al. Attribution of Disturbance Change Agent from Landsat Time-Series in Support of Habitat Monitoring in the Puget Sound Region, USA[J]. Remote Sensing of Environment, 2015, 166: 271-285
    [84] Senf C, Pflugmacher D, Wulder M A, et al. Characterizing Spectral-Temporal Patterns of Defoliator and Bark Beetle Disturbances Using Landsat Time Series[J]. Remote Sensing of Environment, 2015, 170: 166-177
    [85] Yang Y J, Erskine P D, Lechner A M, et al. Detecting the Dynamics of Vegetation Disturbance and Recovery in Surface Mining Area via Landsat Imagery and LandTrendr Algorithm[J]. Journal of Cleaner Production, 2018, 178: 353-362
    [86] Filippelli S K, Falkowski M J, Hudak A T, et al. Monitoring Pinyon-Juniper Cover and Aboveground Biomass Across the Great Basin[J]. Environmental Research Letters, 2020, 15(2): 025004
    [87] Myroniuk V, Bilous A, Khan Y, et al. Tracking Rates of Forest Disturbance and Associated Carbon Loss in Areas of Illegal Amber Mining in Ukraine Using Landsat Time Series[J]. Remote Sensing, 2020, 12(14): 2 235 http://www.researchgate.net/publication/342898105_Tracking_Rates_of_Forest_Disturbance_and_Associated_Carbon_Loss_in_Areas_of_Illegal_Amber_Mining_in_Ukraine_Using_Landsat_Time_Series
    [88] Zhu L H, Liu X N, Wu L, et al. Long-Term Monitoring of Cropland Change near Dongting Lake, China, Using the LandTrendr Algorithm with Landsat Imagery[J]. Remote Sensing, 2019, 11(10): 1 234
    [89] He T T, Xiao W, Zhao Y L, et al. Identification of Waterlogging in Eastern China Induced by Mining Subsidence: A Case Study of Google Earth Engine Time-Series Analysis Applied to the Huainan Coal Field[J]. Remote Sensing of Environment, 2020, 242: 111 742
    [90] Verbesselt J, Hyndman R, Newnham G, et al. Detecting Trend and Seasonal Changes in Satellite Image Time Series[J]. Remote Sensing of Environment, 2010, 114(1): 106-115
    [91] Verbesselt J, Hyndman R, Zeileis A, et al. Phenological Change Detection While Accounting for Abrupt and Gradual Trends in Satellite Image Time Series[J]. Remote Sensing of Environment, 2010, 114(12): 2 970-2 980
    [92] Lambert J, Drenou C, Denux J P, et al. Monitoring Forest Decline Through Remote Sensing Time Series Analysis[J]. GIScience & Remote Sensing, 2013, 50(4): 437-457
    [93] Chen L F, Michishita R, Xu B. Abrupt Spatiotemporal Land and Water Changes and Their Potential Drivers in Poyang Lake, 2000-2012[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 98: 85-93
    [94] Dutrieux L P, Verbesselt J, Kooistra L, et al. Monitoring Forest Cover Loss Using Multiple Data Streams, a Case Study of a Tropical Dry Forest in Bolivia[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 107: 112-125
    [95] Hutchinson J M S, Jacquin A, Hutchinson S L, et al. Monitoring Vegetation Change and Dynamics on US Army Training Lands Using Satellite Image Time Series Analysis[J]. Journal of Environmental Management, 2015, 150: 355-366
    [96] Grogan K, Pflugmacher D, Hostert P, et al. Mapping Clearances in Tropical Dry Forests Using Breakpoints, Trend, and Seasonal Components from MODIS Time Series: Does Forest Type Matter?[J]. Remote Sensing, 2016, 8(8): 657
    [97] Fang X, Zhu Q, Ren L, et al. Large-scale Detection of Vegetation Dynamics and Their Potential Drivers Using MODIS Images and BFAST: A Case Study in Quebec, Canada[J]. Remote Sensing of Environment, 2018, 206: 391-402
    [98] Geng L Y, Che T, Wang X F, et al. Detecting Spatiotemporal Changes in Vegetation with the BFAST Model in the Qilian Mountain Region During 2000-2017[J]. Remote Sensing, 2019, 11(2): 103
    [99] Zhu Z, Woodcock C E, Olofsson P. Continuous Monitoring of Forest Disturbance Using all Available Landsat Imagery[J]. Remote Sensing of Environment, 2012, 122: 75-91
    [100] Zhu Z, Woodcock C E. Continuous Change Detection and Classification of Land Cover Using all Available Landsat Data[J]. Remote Sensing of Environment, 2014, 144: 152-171
    [101] Zhu Z, Fu Y C, Woodcock C E, et al. Including Land Cover Change in Analysis of Greenness Trends Using all Available Landsat 5, 7, and 8 Images: A Case Study from Guangzhou, China (2000-2014)[J]. Remote Sensing of Environment, 2016, 185: 243-257
    [102] Zhu Z, Gallant A L, Woodcock C E, et al. Optimizing Selection of Training and Auxiliary Data for Operational Land Cover Classification for the LCMAP Initiative[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 122: 206-221
    [103] Pengra B, Gallant A, Zhu Z, et al. Evaluation of the Initial Thematic Output from a Continuous Change-Detection Algorithm for Use in Automated Operational Land-Change Mapping by the US Geological Survey[J]. Remote Sensing, 2016, 8(10): 811
    [104] Brown J F, Tollerud H J, Barber C P, et al. Lessons Learned Implementing an Operational Continuous United States National Land Change Monitoring Capability: The Land Change Monitoring, Assessment, and Projection (LCMAP) Approach[J]. Remote Sensing of Environment, 2020, 238: 111 356
    [105] Chai B H, Seto K C. Conceptualizing and Characterizing Micro-Urbanization: A New Perspective Applied to Africa[J]. Landscape and Urban Planning, 2019, 190: 103 595
    [106] Fu P, Weng Q H. A Time Series Analysis of Urbanization Induced Land Use and Land Cover Change and Its Impact on Land Surface Temperature with Landsat Imagery[J]. Remote Sensing of Environment, 2016, 175: 205-214
    [107] Sulla-Menashe D, Friedl M A, Woodcock C E. Sources of Bias and Variability in Long-Term Landsat Time Series over Canadian Boreal Forests[J]. Remote Sensing of Environment, 2016, 177: 206-219
    [108] Kussul N, Lavreniuk M, Skakun S, et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 778-782
    [109] Cai Y P, Guan K Y, Peng J, et al. A High-Performance and In-Season Classification System of Field-Level Crop Types Using Time-Series Landsat Data and a Machine Learning Approach[J]. Remote Sensing of Environment, 2018, 210: 35-47
    [110] Srivastava S, Vargas-Muñoz J E, Tuia D. Understanding Urban Landuse from the Above and Ground Perspectives: A Deep Learning, Multimodal Solution[J]. Remote Sensing of Environment, 2019, 228: 129-143
    [111] Lyu H B, Lu H, Mou L C. Learning a Transferable Change Rule from a Recurrent Neural Network for Land Cover Change Detection[J]. Remote Sensing, 2016, 8(6): 506
    [112] Zhong L H, Hu L N, Zhou H. Deep Learning Based Multi-Temporal Crop Classification[J]. Remote Sensing of Environment, 2019, 221: 430-443
    [113] Zhang C, Sargent I, Pan X, et al. Joint Deep Learning for Land Cover and Land Use Classification[J]. Remote Sensing of Environment, 2019, 221: 173-187
    [114] Ienco D, Interdonato R, Gaetano R, et al. Combining Sentinel-1 and Sentinel-2 Satellite Image Time Series for Land Cover Mapping via a Multi-Source Deep Learning Architecture[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 158: 11-22
    [115] Wang Y D, Li Z W, Zeng C, et al. An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 769-782
    [116] Zhou B, Okin G S, Zhang J Z. Leveraging Google Earth Engine (GEE) and Machine Learning Algorithms to Incorporate in Situ Measurement from Di-fferent Times for Rangelands Monitoring[J]. Remote Sensing of Environment, 2020, 236: 111 521
    [117] Pinto M M, Libonati R, Trigo R M, et al. A Deep Learning Approach for Mapping and Dating Burned Areas Using Temporal Sequences of Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 160: 260-274
    [118] Jiang H, Hu H, Zhong R H, et al. A Deep Learning Approach to Conflating Heterogeneous Geospatial Data for Corn Yield Estimation: A Case Study of the US Corn Belt at the County Level[J]. Global Change Biology, 2020, 26(3): 1 754-1 766
    [119] Li X C, Gong P, Liang L. A 30-Year (1984-2013) Record of Annual Urban Dynamics of Beijing City Derived from Landsat Data[J]. Remote Sensing of Environment, 2015, 166: 78-90
    [120] 张立福, 陈浩, 孙雪剑, 等. 多维遥感数据时空谱一体化存储结构设计[J]. 遥感学报, 2017, 21(1): 62-73 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201701006.htm

    Zhang Lifu, Chen Hao, Sun Xuejian, et al. Designing Spatial-Temporal-Spectral Integrated Storage Structure of Multi-Dimensional Remote Sensing Images[J]. Journal of Remote Sensing, 2017, 21(1): 62-73 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201701006.htm
    [121] 张立福, 孙雪剑, 张霞, 等. 时空谱多维数据格式(MDD)结构与计算机配套系统[J]. 全球变化数据学报, 2017, 1(2): 121-135 https://www.cnki.com.cn/Article/CJFDTOTAL-QQSJ201702001.htm

    Zhang Lifu, Sun Xuejian, Zhang Xia, et al. Spatial Spectrum Multi-dimensional Data Format Structure and Computer Supporting System[J]. Journal of Global Change Data & Discovery, 2007, 1(2): 121-135 https://www.cnki.com.cn/Article/CJFDTOTAL-QQSJ201702001.htm
    [122] 李儒, 张霞, 刘波, 等. 遥感时间序列数据滤波重建算法发展综述[J]. 遥感学报, 2009, 13(2): 335-341 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200902024.htm

    Li Ru, Zhang Xia, Liu Bo, et al. Review on Methods of Remote Sensing Time-Series Data Reconstruction[J]. Journal of Remote Sensing, 2009, 13(2): 335-341 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200902024.htm
    [123] 张霞, 李儒, 岳跃民, 等. 谐波改进的植被指数时间序列重建算法[J]. 遥感学报, 2010, 14(3): 437-447 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201003005.htm

    Zhang Xia, Li Ru, Yue Yuemin, et al. Improved Algorithm for Reconstructing Vegetation Index Image Time Series based on Fourier Harmonic Analysis[J]. Journal of Remote Sensing, 2010, 14(3): 437-447 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201003005.htm
    [124] Zhu X X, Tuia D, Mou L C, et al. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources[J]. IEEE Geoscience and Remote Sensing Magazine, 2017, 5(4): 8-36
    [125] 朱曼. 典型农作物时空谱特征分析及可分离性评价研究[D]. 北京: 中国科学院空天信息创新研究院, 2020

    Zhu Man. Research on the Spatial-Temporal-Spectral Characteristics and Separability Evaluation of Typical Crops[D]. Beijing: Aerospace Information Research Institute, Chinese Academy of Sciences, 2020
    [126] 张霞, 焦全军, 张兵, 等. 利用MODIS_EVI图像时间序列提取作物种植模式初探[J]. 农业工程学报, 2008, 24(5): 161-165 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU200805036.htm

    Zhang Xia, Jiao Quanjun, Zhang Bing, et al. Preliminary Study on Cropping Pattern Mapping Using MODIS_EVI Image Time Series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(5): 161-165 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU200805036.htm
    [127] Zhang X, Sun R, Zhang B, et al. Land Cover Classification of the North China Plain Using MODIS_EVI Time Series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(4): 476-484
    [128] 张霞, 帅通, 杨杭, 等. 基于MODIS EVI图像时间序列的冬小麦面积提取[J]. 农业工程学报, 2010, 26(S1): 220-224 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU2010S1041.htm

    Zhang Xia, Shuai Tong, Yang Hang, et al. Winter Wheat Planting Area Extraction Based on MODIS EVI Image Time Series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(S1): 220-224 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU2010S1041.htm
    [129] Zhai Y G, Qu Z Y, Hao L. Land Cover Classification Using Integrated Spectral, Temporal, and Spatial Features Derived from Remotely Sensed Images[J]. Remote Sensing, 2018, 10(3): 383
    [130] Lin Y K, Zhang L F, Wang N, et al. A Change Detection Method Using Spatial-Temporal-Spectral Information from Landsat Images[J]. International Journal of Remote Sensing, 2020, 41(2): 772-793
    [131] Zeileis A. A Unified Approach to Structural Change Tests Based on ML Scores, F Statistics, and OLS Residuals[J]. Econometric Reviews, 2005, 24(4): 445-466
  • [1] 张春森, 李国君, 崔卫红.  一种基于矢量数据的遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2021, 46(3): 309-317. doi: 10.13203/j.whugis20190131
    [2] 眭海刚, 冯文卿, 李文卓, 孙开敏, 徐川.  多时相遥感影像变化检测方法综述 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 1885-1898. doi: 10.13203/j.whugis20180251
    [3] 程子桉, 庞小平, 赵羲, 季青.  1978~2014南极海冰边缘线长度时间序列变化 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1463-1468. doi: 10.13203/j.whugis20150263
    [4] 佃袁勇, 方圣辉, 姚崇怀.  一种面向地理对象的遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2014, 39(8): 906-912. doi: 10.13203/j.whugis20130053
    [5] 魏立飞, 钟燕飞, 张良培, 李平湘.  多波段信息融合的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2014, 39(1): 8-11.
    [6] 林怡, 刘冰, 陈映鹰, 潘琛.  多特征差分核支持向量机遥感影像变化检测方法 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 978-982.
    [7] 李雪, 舒宁, 李井冈, 刘小利.  基于特征贡献选择的遥感影像变化检测方法研究 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1158-1162.
    [8] 归庆明, 李涛, 衡广辉.  时间序列异常值探测的Bayes方法及其在电离层VTEC数据处理中的应用 . 武汉大学学报 ● 信息科学版, 2011, 36(7): 802-806.
    [9] 申邵洪, 万幼川, 龚浩, 赖祖龙.  遥感影像变化检测自适应阈值分割的Kriging方法 . 武汉大学学报 ● 信息科学版, 2009, 34(8): 902-905.
    [10] 马国锐, 眭海刚, 李平湘, 秦前清.  基于核函数度量相似性的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 19-23.
    [11] 董明, 张海涛, 祝晓坤, 陈春希.  基于遥感影像的地图道路网数据变化检测研究 . 武汉大学学报 ● 信息科学版, 2009, 34(2): 178-182.
    [12] 万幼川, 申邵洪, 张景雄.  基于概率统计模型的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2008, 33(7): 669-672.
    [13] 袁修孝, 宋妍.  基于边缘特征匹配的遥感影像变化检测预处理方法 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 381-384.
    [14] 张鹏, 蒋志浩, 秘金钟, 党亚民.  我国GPS跟踪站数据处理与时间序列特征分析 . 武汉大学学报 ● 信息科学版, 2007, 32(3): 251-254.
    [15] 马国锐, 眭海刚, 李平湘, 秦前清.  一种遥感影像核变化检测方法 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 597-600.
    [16] 张剑清, 朱丽娜, 潘励.  基于遥感影像和矢量数据的水系变化检测 . 武汉大学学报 ● 信息科学版, 2007, 32(8): 663-666.
    [17] 张晓东, 李德仁, 龚健雅, 秦前清.  遥感影像与GIS分析相结合的变化检测方法 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 266-269.
    [18] 徐丽华, 江万寿.  顾及配准误差的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2006, 31(8): 687-690.
    [19] 张路, 廖明生, 盛辉.  基于正交变换的多通道遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2004, 29(5): 456-460,469. doi: 10.13203/j.whugis2004.05.018
    [20] 李德仁.  利用遥感影像进行变化检测 . 武汉大学学报 ● 信息科学版, 2003, 28(S1): 7-12.
  • whdxxbxxkxb-46-4-451.mp4
  • 加载中
图(9)
计量
  • 文章访问数:  1979
  • HTML全文浏览量:  843
  • PDF下载量:  417
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-09
  • 刊出日期:  2021-04-05

从光谱到时谱——遥感时间序列变化检测研究进展

doi: 10.13203/j.whugis20200666
    基金项目:

    国家自然科学基金重点项目 41830108

    兵团重大科技项目 2018AA004

    兵团重点领域创新团队 2018CB004

    国家重点研发计划 2017YFC1500901

    作者简介:

    张立福,博士,研究员,研究方向为高光谱遥感。zhanglf@radi.ac.cn

  • 中图分类号: P237

摘要: 地物的光谱信息是遥感数据的重要特征,对遥感光谱信息的利用经历了从黑白全色影像到多光谱、高光谱再到时间序列的发展历程。近年来,随着卫星遥感技术的发展和历史数据的积累,大量的重复观测数据被获取。长时序的遥感数据包含光谱维、时间维和空间维4个维度的信息,这在一定程度上能够避免同谱异物、同物异谱的现象。目前还没有统一的概念对长时序遥感数据进行描述,在光谱概念的基础上,提出时谱的概念,详细论述了时谱的理论方法和关键技术,首次尝试对时谱的理论体系进行构建。首先回顾了传统的遥感时间序列变化检测方法,分析传统变化检测方法的优点与不足;然后对时谱的理论方法进行阐述,介绍时谱在数据组织与存储、数据重构、特征深度挖掘和数据源4个方面的关键技术;并介绍基于时谱信息的典型农作物分类和变化检测方法,以期能够为时谱变化检测相关研究提供参考;最后对时谱变化检测研究进行了展望。

English Abstract

张立福, 王飒, 刘华亮, 林昱坤, 王晋年, 朱曼, 高了然, 童庆禧. 从光谱到时谱——遥感时间序列变化检测研究进展[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
引用本文: 张立福, 王飒, 刘华亮, 林昱坤, 王晋年, 朱曼, 高了然, 童庆禧. 从光谱到时谱——遥感时间序列变化检测研究进展[J]. 武汉大学学报 ● 信息科学版, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
ZHANG Lifu, WANG Sa, LIU Hualiang, LIN Yukun, WANG Jinnian, ZHU Man, GAO Liaoran, TONG Qingxi. From Spectrum to Spectrotemporal: Research on Time Series Change Detection of Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
Citation: ZHANG Lifu, WANG Sa, LIU Hualiang, LIN Yukun, WANG Jinnian, ZHU Man, GAO Liaoran, TONG Qingxi. From Spectrum to Spectrotemporal: Research on Time Series Change Detection of Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2021, 46(4): 451-468. doi: 10.13203/j.whugis20200666
  • 不同波长的电磁波在与地物的相互作用(辐射、反射、散射、极化等)过程中会呈现出不同的特征,遥感技术就是利用这些光谱信息来区分地物的物理性状、化学成分等,从而达到地物识别的目的。对遥感光谱信息的利用经历了从黑白全色影像到多光谱再到高光谱的发展历程,其中高光谱在光谱数量和光谱分辨率上的提升显著地丰富了光谱信息,能够展现更多的地物细节,极大地提高了遥感识别地物的能力和精度[1]

    遥感光谱已经应用到了人类诸多的生产生活领域,其中包括土地利用/覆盖的变化检测。自古以来,人类通过对土地资源的利用和改造来获取食物、能源和居住空间,而土地利用/覆盖的变化又影响着地球表面的生态系统(包括地表能量平衡、碳循环、水循环和物种多样性等),进而影响着人类的生存环境[2]。对地球表面的土地利用/覆盖进行变化检测,有助于理解人与自然之间的关系和相互作用的过程,从而可以更好地管理和利用土地资源[3]。变化检测是根据不同时间的多次观测来确定地表覆盖状态变化的过程,遥感对地观测作为一种先进、成熟的技术手段,可以快速、宏观、动态地获取地表影像,为解决土地覆盖的变化检测提供了重要数据支撑[4]。可见,遥感变化检测需要使用多个时相的光谱信息,从而使遥感数据的维度从三维提升到了四维。类似于光谱的概念,不同时间的遥感特征序列就构成了时谱。特别是随着2008年Landsat数据对公众免费开放下载,历史遥感影像的获取成本大为降低[5]。时谱从时间这一全新的维度上刻画地物特征,为解决变化检测问题提供了更加广阔的思路:(1)时谱所提供的时间维度特征可以在一定程度上解决同谱异物、同物异谱的问题[6],从而精确识别出地表变化信息;(2)基于时谱的变化检测不受季节和植被物候的限制:通过对时谱曲线的重构或分解来消除不同时相植被物候的影响,从而消除季节因素引起的伪变化[7];(3)基于时谱的变化检测能够捕捉到地物长期而缓慢的变化趋势[8],进而分析地表随时间的变化规律;(4)时谱因其较高的时间分辨率可以实现对变化时间的精确提取;(5)时谱使实时变化检测成为可能,通过对时谱序列的拟合和分解,实现对诸如森林火灾、偷砍偷伐等突发事件的实时预警[9]

    本文首先回顾了传统的遥感时间序列变化检测方法,并在光谱概念的基础上提出时谱的概念,总结时谱分析中面临的关键问题及挑战,然后从当前趋势和未来前景两个角度对基于时谱分析应用进行展望。

    • 较为传统和常用的遥感时间序列变化检测方法是基于分类的变化检测,根据输入到分类器的影像时相的不同有两种策略:一种是分类后比较法(post classification comparison,PCC),即先根据单时相影像进行分类,然后比较不同时相的分类结果获取变化检测信息;另一种是时间序列直接分类法,即将时间序列数据作为整体输入到分类器获取变化信息。基于分类的时间序列变化检测框架如图 1所示。

      图  1  基于分类的时间序列变化检测框架图

      Figure 1.  Diagram of Time Series Change Detection Based on Classification

    • 分类后比较法是指首先将同一区域不同时相的遥感数据进行独立分类,然后对分类后的结果进行叠加、统计等分析,从而获得变化检测结果。分类后比较法的思想雏形起始于20世纪80年代初期,Howarth等[10]首次利用这一思想,基于两幅Landsat数据对土地覆盖类型变化的信息进行了提取。随着计算机技术和遥感技术的发展,该方法在诸多行业得到广泛的应用。在土地利用/覆盖动态变化分析方面,利用多期Landsat数据,通过监督分类或非监督分类的方法对影像数据进行分类,分析土地利用/覆盖的动态变化情况[11-15],如Chen等[16]提出基于分类后验概率空间的分析方法(change vector analysis in posterior probability space,CVAPS),对后验概率进行变化向量分析,避免了误差累积效应;在环境生态方面,Li等[17]利用1999-2018年447幅河流冰期陆地卫星影像,对八宝流域的河流冰情进行长时间序列的监测;Pickens等[18]利用Landsat TM/ ETM/ ETM+ /OLI影像生成1999-2018年全球内陆水资源地图,并对全球内陆水资源状况进行分析。此外,基于分类后比较的变化检测方法在海岸线、城市扩张、植被、农作物等变化检测方面也有广泛的应用[19-26]

      分类后比较法具有以下优势:(1)通过对每个时相的影像进行分类,能够避免多源传感器带来的辐射归一化问题[27];(2)能够提供变化前后的信息,如土地利用发生变化的类型、时间、位置等;(3)理论上,该方法对于时间序列的长度是没有限制的。然而,该方法也存在一些缺陷:(1)该方法的基础是对每个时相的影像都进行挑选并逐一分类,造成工作量庞大;(2)该方法的变化检测精度在很大程度上依赖于分类精度,每一个时相的分类误差都会被累积,最终影响变化检测的精度[28-29];(3)由于对不同时相的影像的分类是一个相互独立的过程,没有考虑时相间的相关性,忽视了一些植被在生长周期内的变化,因此造成不合理的变化检测结果。尽管分类后比较法存在精度和时相方面的缺陷,但由于其方法简单,逻辑清晰,至今为止,仍然是一种常用的时间序列变化检测方法。

    • 为了减小和避免分类后比较法分类精度累积的问题,有学者将时间序列数据输入到分类器,直接进行分类和提取变化信息,即时间序列直接分类法[30]。Mas[31]比较了时间序列直接分类法和主成分分析(principal component analysis,PCA)等不同变化检测方法在墨西哥沿海地区的变化检测精度;Woodcock等[32]将森林变化信息分为森林发生变化和无变化两种类型,采用人工神经网络方法获取了俄勒冈州的森林变化信息;Huang等[33]提出将土地利用发生变化和未变化的样本作为不同的样本类型,进行交叉组合,形成“from-to”类型,直接对两期遥感影像进行分类获取变化信息;Wang等[34]通过分割的分类方法获取变化信息,并在高分辨率机载和SPOT5遥感图像上取得较高精度;类似地,也可以将统计特征和光谱特征输入到分类器中直接提取变化信息,如Gil-Yepes等[35]通过提取半方差、交叉半方差等特征和光谱特征,采用决策树分类的方法分析了西班牙东南部穆尔西亚的农作物变化信息。

      时间序列直接分类法的显著优点是可以避免分类后比较法中多次分类带来的误差累积,但是带来了样本选择的问题,该方法需要获取大量准确的“from-to”样本信息,才能获取精度较高的变化信息,造成人为干预较多。对长时序遥感数据来说,获取变化类型的样本是一项工作量庞大且较为复杂的工作,需要耗费大量的时间。

    • 对单一地物类型的变化检测而言,通常采用阈值法,即针对特定的检测目标,如森林、水、城镇等,通过设置光谱特征、具有一定物理意义的特征作为检测指标,或者将最大值、最小值、均值等统计指标作为检测指标,根据检测目标的检测指标在时间上表现出的规律,设置一定的阈值来进行分类或变化信息的提取(如图 2所示),该方法常用于提取植被、城镇、水体和农田等变化信息。

      图  2  基于阈值的时间序列变化检测框架图

      Figure 2.  Diagram of Time Series Change Detection Based on Threshold of Index

      在植被变化检测方面,通常计算归一化植被指数(normalized difference vegetation index,NDVI)[36]、增强型植被指数(enhanced vegetation index,EVI)[37]、通用归一化植被指数(universal normalized vegetation index,UNVI)[38]等,根据研究区特征,结合地物特征,设置阈值进行变化信息的提取[39-41],如Huang等[42]通过计算北京市1985-2015年每年所有可获取的Landsat数据,合成年度最大及最小NDVI值,构建年度最大、最小NDVI时间序列,设置阈值,获取植被增加和减少的空间分布;在城镇建筑物变化检测方面,周小成等[43]和樊勇等[44]基于阈值法和多种分类器的方法研究了城镇扩张问题;Liu等[45]通过提出一种新的指数:归一化城镇综合指数(normalized urban areas composite index,NUACI),用于提取和分析全球典型城市建筑区扩张情况,例如纽约、东京等;Gong等[46-47]基于长时序NDVI、改进的归一化差异水体指数(modified normalized difference water index,MNDWI)、短波红外波段,实现对全球不透水面的绘制;在水资源变化检测方面,Wang等[48]和Feng等[49]通过计算NDVI、EVI、MNDWI、浮藻指数(floating algae index,FAI),利用时间序列Landsat和MODIS数据对鄱阳湖水体的时空动态变化进行了分析;Wang等[50]通过计算NDVI、EVI等指数,分析了中国沿海滩涂的年际时空变化;在农田变化检测方面,Dong等[51]和Xiao等[52]通过Landsat 8数据、MODIS数据构建NDVI、EVI等指数序列,分析了水稻种植情况。

      阈值法的另一个分支是基于时间序列遥感光谱数据或者具有一定物理意义的特征信息数据,对其同一位置进行差值或者比值比较,当差值或者比值超过阈值或者通过统计检验,则认为发生了变化。该方法常用于植被变化信息提取[53-55],如Vorovencii[56]通过NDVI等植被指数作差值和比值,分析了罗马尼亚西比乌县的土地覆盖变化情况。该方法在林地火点信息提取、森林砍伐等方面也有广泛的应用[57-60]

      基于阈值法的时间序列变化检测方法计算非常方便,充分利用了时间信息,能够弥补分类法造成的误差累积问题,但是要求时间序列数据具有一致性,经过严格的辐射和大气纠正以排除多源传感器对原始数据或者特征信息的影响;阈值的确定依赖于经验和不同地区的特性,且无法直接反映具体的地物类型变化信息。

    • 从时间序列影像中提取出的特征信息能够突出变化地物信息,获取或增强影像的光谱特征和纹理特征,提高变化检测精度,这类方法统称为图像变换法,较为常用的图像变换方法有:小波变换、灰度共生矩阵、PCA和缨帽变换方法(Kauth-Thomas transformation,K-T变换)等。使用此类方法的前提一般是在原始时间序列数据的基础上提取特征指数,例如NDVI、EVI等,然后将具有N个时相的时间序列特征指数看作是具有N个波段的多维影像数据,最后进行图像变换。

    • PCA方法起源于文献[61-62],它的核心思想是将原来众多的特征,通过协方差矩阵计算和特征值分解,将原始的数据变换成一组各维度无关的特征,常用于提取主要特征分量,以此来突出变化信息。PCA方法在时间序列变化分析中广泛应用于植被变化分析、土地利用/覆盖变化信息提取等方面[63-65],如Deng等[66-68]提出了一种基于PCA增强和混合分类的方法,综合利用多时相、多传感器的遥感数据,检测土地利用/覆盖变化信息,取得了较高的变化检测精度;Gong[69]则通过对差分影像而不是原始影像做主成分分析,以此来提取变化信息;Parmentier[70]通过PCA方法分析了2001-2009年间阿拉斯加烧毁和未烧毁地区NDVI、地表温度和反照率的变化趋势;Almeida等[71]利用PCA方法分析了潘塔纳尔湿地的时空变化特征;Li等[72]利用PCA方法对加拿大2003-2013年的陆地储水进行了时空变化分析;Zhang等[73]提出一种结合PCA和年际趋势分析的方法对中国西南喀斯特石漠化进行了分析评估。通过以上分析可见PCA方法一般通过突出变化信息提高检测的精度,但该方法没有考虑各个成分之间的物理含义。在主成分分析中仅考虑了在特征空间中的特性,忽略了空间特征和地物的生长信息。

    • K-T变换是1976年Kauth和Thomas在研究植被的生长过程时提出的,它的核心思想是将N波段的影像看作N维空间,每一个像元都是这个N维空间中的一个点,各波段的数值决定了像元的位置。经过K-T变换的前3个分量分别为反映土壤亮度的亮度分量、绿度分量和湿度分量。K-T变换常用于植被变化信息的提取,如Kassawmar等[74]基于该方法绘制了埃塞俄比亚的Abaya和Chamo湖区从1986年到2000年间湿地时空分布,并分析了湿地在时间和空间上的变化情况;Gómez等[75]使用Landsat时间序列影像,基于K-T变换的方法分析了西班牙中部松林从1984-2009年的分布变化情况;Mostafiz等[76]利用K-T变换分析了美国“鲍勃”飓风登陆后,植被覆盖和景观的时空动态变化;Allen等[77]提出一种基于K-T变换和变化向量分析的方法,突出植被增加和损失的区域,对葡萄牙南部的蒙塔多森林牧场25年间的土地利用/覆盖变化进行了分析。由于K-T变换突出了植被信息,因此在其他变化信息分析中具有局限性,一般不常使用。

    • 为了得到更精确的变化检测结果,一般需要考虑数据图像序列集在时间上的关系,因此学者们提出了多种基于模型的方法。基于模型的方法一般以统计假设为前提,通过构建时空变化模型来实现变化检测,其优点是可以有效克服噪声和光照影响,简化问题,缺点是建模困难,同时模型的正确与否、模型的精度直接决定变化检测的结果。典型的模型有基于陆地卫星检测干扰和恢复的趋势算法(Landsat-based detection of trends in disturbance and recovery,LandTrendr)模型、加性季节和趋势分解与断点识别算法(breaks for additive season and trend,BFAST)模型、森林扰动连续检测算法(continuous monitoring of forest disturbance algorithm,CMFDA)、连续土地覆盖变化检测和分类(continuous change detection and classification,CCDC)模型等。

    • LandTrendr模型是由Kennedy等[78]提出的,该方法以年为时间间隔,收集每年相似时间的Landsat时间序列数据进行时间分割获取植被扰动信息。LandTrendr的核心算法是时间分割算法,其操作流程主要包括轨迹提取、潜在分割点确定、时间序列轨迹拟合以及模型优化4个步骤。LandTrendr算法基于光谱或者提取的指数时间序列轨迹进行分割,从而检测到变化信息,但该算法是逐像元计算,没有考虑像元之间的空间关系,只能给出变化的年份,不能明确“from-to”信息。LandTrendr算法也集成了Google Earth Engine平台,能够快速访问应用[79],常用于检测林地的干扰和恢复[80-87]、湿地土地覆盖类型等信息变化检测[88-89]

    • Verbesselt等[90-91]基于MODIS 16天合成的NDVI时间序列数据,提出BFAST模型。该模型的核心思想是:将原始NDVI时间序列数据分解为季节成分、趋势成分和残差三部分,通过谐波模型和分段线性模型分别拟合季节成分和趋势成分,使用基于最小二乘的移动加和(ordinary least squares residuals-based moving sum,OLS-MOSUM)方法测试季节序列和趋势序列是否存在变化点,变化点的个数由贝叶斯信息准则(Bayesian information criterion,BIC)确定,位置由最小二乘法估算。该方法具有较好的理论基础,检测到的变化是基于统计意义上的变化,常用于MODIS、Landsat等遥感影像的NDVI和EVI数据检测植被等变化信息[92-98]。虽然BFAST方法能够确定发生变化的时间和空间位置,但是无法给出确切的变化信息,即“from-to”信息,同时该方法是逐像元检测,没有考虑空间信息。

    • Zhu等[99]提出CMFDA算法,用于萨凡河流域的森林扰动检测,将研究区所有可用的Landsat影像逐像元进行拟合反射率,通过对比反射率的观测值和拟合值之间的差异来进行变化检测。该方法没有考虑空间特征,同时在建立预测模型时,需要大量稠密的数据。

      在CMFDA模型的基础上,Zhu和Woodcock[100]提出了CCDC模型,该模型将变化检测目标从森林扰动扩展到多种土地覆盖变化类型,并且根据变化检测结果进行土地覆盖分类。该方法的变化衡量标准为预测值相对于观测值的偏离程度,模型以3倍均方根误差作为判断地物类型变化的依据。目前CCDC模型已经在遥感影像时间序列变化检测领域得到广泛应用,例如土地变化监测、评估和预测[101-104]、城市扩张变化信息提取[105-106]、森林扰动信息提取等[107]。CCDC模型是基于所有可用的Landsat时间序列进行分析,没有分类误差累积问题,但是它是逐像元计算,没有考虑空间特征,会造成很多噪声。

    • 随着深度学习的兴起,基于深度学习的遥感时间序列变化检测研究引起研究者的兴趣。深度学习是基于端到端的机制进行自动化的学习,它不依赖于人类的先验经验,在农作物分类和变化检测方面具有广泛的应用[108-110],但是目前自动挖掘和获取影像的时空特征仍有一定的难度。Lyu等[111]首次将长短期记忆模型应用到土地利用/覆盖变化检测中;Zhong等[112]设计了两种深度学习模型:基于长短期记忆模型和基于一维卷积层模型,开发了基于深度学习的遥感时间序列分类框架,并与支持向量机、随机森林和极端梯度提升算法进行了对比;Zhang等[113]提出了结合多层感知器和卷积神经网络的联合深度学习模型,挖掘时间序列数据的光谱和空间特征,从而获取土地利用/覆盖和变化信息;Ienco等[114]针对哨兵1号和哨兵2号影像数据提出了一种双神经网络模型,增加空间和时间依赖,用于提高土地利用/覆盖和变化检测的效率。深度学习模型还应用于火灾区域检测、城市水体提取及变化分析、玉米产量估产和牧场管理监控等方面[115-118]

    • 传统的遥感时间序列变化检测存在以下问题:(1)在光谱维上,诸如LandTrendr、BFAST等算法利用某一个波段或某一种植被指数,舍弃大量可能有用的其他波段的信息,同时针对不同的变化检测目标,还存在光谱特征选取的问题;(2)在时间维上,限于可显式表达的、具有物理意义的物候特征(如生长季开始时间、生长期长度等),对时序特征的挖掘较浅,同时对各个时间点的一系列离散图像数据分别进行处理,输出多个不同时间点的离散光谱立方体数据,仅针对单一像元的时间序列数据进行分析,忽略了像元邻域的空间信息;(3)在空间维上,前述的算法大多是以单个像元作为研究对象,仅对单个像元的时间序列曲线进行分析,没有考虑像元之间的空间相关性,部分融合空间特征的算法对空间信息的利用依然很少[119];同时通过深度学习自动获取影像的时-空特征仍有一定的难度。

      究其原因,主要是遥感时序数据包含了时、空、谱三个维度的信息,然而对其存储和处理的方式仍然是将其分解为多个三维数据来进行操作,仍是一系列不同时相离散的三维立方体数据,没有对遥感时序数据的四维信息进行统一的管理和分析。因此,本文提出时谱的理论并总结了相关关键技术,以期能够推动时序遥感数据方面的研究。

    • 将复色光,如太阳光等,经过棱镜、光栅等分光后,将被色散开的单色光按照波长或频率大小排列,形成的图案称为光谱。在遥感中,将不同地物的反射辐射参量随波长的变化而形成的曲线称为反射光谱曲线。典型植被(草地)的反射光谱曲线如图 3(a)所示。

      图  3  草地的光谱曲线与时谱曲线

      Figure 3.  Reflectance Spectral and Temporal Spectrum of Grass

      定义1 时谱:将遥感探测器获得的地物辐射光谱信号值或经过特定处理后得到的光谱参量值按照获取时间顺序排列组成的图形称为时谱。NDVI时谱图像如图 3(b)所示。

      将同一地物目标时间序列上时谱数值组成的曲线称为时谱曲线。草地的NDVI和MODIS MOD09A1波段1、2、3、4的时谱曲线如图 3(c)所示。

      基于上述概念,本文归纳了时谱分析的一般流程,如图 4所示。在数据层中,对多时相的原始遥感数据进行处理,包括数据几何纠正、拼接裁剪等,应注意,在使用多源数据构成时谱时,要着重考虑数据同化的问题;在存储层,将时谱数据存储为时-空-谱一体化的数据格式,根据不同的应用需求,5种时空谱一体化存储格式可以相互转换;在应用层,根据变化检测和分类等应用目标,进行特征参量的时谱提取和增强处理。

      图  4  基于时谱分析的基本流程

      Figure 4.  Flowchart of Temporal Spectrum Analysis

    • 时谱数据的组织和存储是进行时谱分析的基础。针对时谱数据的组织和存储问题,张立福等[120]根据时间序列遥感影像具有多时相、多光谱、多空间的特点,提出一种多维数据格式(multi-dimensional dataset,MDD),将数据的空间、时间和光谱构建成一个四维数据集,以此来实现对遥感信息的统一管理。MDD数据集记录的信息不仅包括时间-空间-光谱信息,还包括属性信息(影像时间、数据大小和投影信息),能够在数据集的基础上对时间维进行扩展。MDD可根据多维数据存储顺序的不同分为5种基本的数据存储格式:TSB(temporal sequential in band)、TSP(temporal sequential in pixel)、TIB(temporal interleaved by band)、TIP(temporal interleaved by pixel)和TIS(temporal interleaved by spectrum)。多维数据组织方式及5种新的多维数据存储格式如图 5所示,图 5中,T1T2T3分别表示时间1、时间2和时间3;B1、B2、B3分别表示波段1、波段2和波段3;(R1C1)、(R2C2)、(R3C3)、(R4C4)分别表示像元1、像元2、像元3和像元4;Row表示行;Column表示列。5种多维数据存储结构可以相互转换,它们在不同应用中各具优势:TSB格式易于进行光谱运算,可以提取一个或多个时间所有波段组成的光谱立方体数据;TSP格式易于进行光谱导数、积分等运算;TIB格式易于提取单个波段的时间序列数据;TIP格式易于对像元的时谱数据进行处理;TIS格式易于提取像元光谱曲线的时间序列数据。同时,张立福团队配套研发了多维分析软件模块(multi-dimensional data analysis,MDA),集成于多维遥感分析软件(multi-dimensional analysis of remote sensing,MARS)中,实现了MDD数据构建、打开、转换,时谱、光谱和光谱特征参量立方体提取,以及不同维度的分析与显示功能[121]

      图  5  多维数据组织方式及5种新的多维数据存储格式

      Figure 5.  Multi-dimensional Dataset and Five New Integrated Storage Structures

    • 在构建时谱数据时,由于原始遥感数据不可避免地会受到天气、云及阴影等的影响,因此时谱数据总会受到来自云覆盖、大气等随机因素的干扰,造成一些随机噪声[122]。同时,受到卫星重访周期的影响,会造成时谱数据间隔较长。为了准确提取时谱特征,首先需要对时谱数据进行插值和滤波重构。常用的插值方法有二次样条插值、三次样条插值、等间距样条插值等,常用的滤波方法有Savitzky-Golay滤波、小波变换、惠克特滤波、时间序列谐波分析法(harmonic analysis of time series,HANTS)、基于傅里叶谐波分析的改进算法[123]等。目前的插值和滤波方法都是基于单个像元,没有考虑地理空间相关性,因此需要发展基于空间的时谱数据重构方法。

    • 目前针对光谱特征的利用已有诸多研究和成果,包括诸如NDVI、NDWI、归一化建筑指数(normalized difference building index,NDBI)、通用归一化植被指数(universal normalized vegetation index,UNVI)等适用于不同地物的光谱指数,以及深度学习算法在高光谱图像分类中的应用[124],这些对光谱信息的深度挖掘和充分利用极大地提升了遥感技术应用的广度和效果。然而,对于时谱特征的利用,目前多限于可显式表达或具有物理意义的物候特征,如时谱曲线的最大值、植被生长季开始时间、生长期长度等,对时谱特征利用的深度远不如光谱。因此,构建简洁高效的时谱指数、利用深度神经网络深度挖掘时谱特征,以实现对时谱信息的充分利用,是当前时谱分析的关键技术之一。

    • 时谱数据还不够丰富。目前时谱的构建都是采用诸如MODIS、Landsat、哨兵2号等多光谱卫星影像,存在着空间分辨率和光谱分辨率不足的问题,使得时谱的应用受到较大制约,只能用于大尺度、粗类别的地物识别和变化检测。获取时谱数据需要长期对同一区域进行循环往复地观测,使用机载或地面观测平台固然可以获取更高分辨率的影像,但难以覆盖到大范围甚至全球区域,且经济成本也会数十倍甚至数百倍地增加。因此,提高时谱数据的数量和质量是时谱应用的关键之一。

    • 基于时谱特征分类的方法,首先组织时间序列遥感影像数据,构建MDD数据集,然后按照一定原则提取光谱、时谱特征和空间特征,最后根据提取的光谱、时谱特征和空间特征进行时间序列变化检测。图 6为玉米、水稻、棉花和大豆的时谱图。从UNVI、NDVI、EVI、宽范围动态植被指数(wide dynamic range vegetation index,WDRVI)4个指数的时谱中可以看出玉米和水稻的曲线形态与大豆和棉花不同,从而可以将玉米和水稻较好地和大豆、棉花区分开来。基于此,对典型农作物的时空谱特征信息进行提取和归纳,并以此为根据构建作物识别的最佳特征集,实现大宗作物精准识别分类[125]。张霞等[126-128]基于MODIS EVI时谱数据,构建了冬小麦的物候特征,提取了华北平原冬小麦面积,取得了较好的效果:总体平均误差为11.62%,提取精度大于85%,土地覆盖分类总体精度达到75%以上。

      图  6  四种作物的不同指数时谱曲线

      Figure 6.  Temporal Spectrum Curves of Four Crops with Different Indices

      翟涌光等[129]基于多维遥感数据提出基于光谱-时相空间特征(spectral-temporal-spatial,STS)的分类方法,如图 7所示。该方法首先构建MDD数据集,将时间序列数据按照TIS格式进行存储;然后基于拉普拉斯映射提取了光谱-时相特征向量,其中近邻图直接根据动态时间规整(dynamic time warping,DTW)的相似性矩阵来构建,根据最小生成树算法进行空间分割,其中最小生成树由基于DTW相似性矩阵的权重图来创建;最后,采用基于分割图的多数投票方法对基于像元的分类图进行后处理,生成最终的分类图结果。该方法在美国的伊利诺伊州、南科他州和德克萨斯州及中国东北均取得了较好的成果。

      图  7  基于时谱信息的时间序列分析方法

      Figure 7.  Time Series Analysis Based on Temporal Spectrum Information

    • 林昱坤等[130]基于时谱信息的理论提出了融合时空谱信息的时间序列变化检测方法,通过在时间维、光谱维和空间维上同时进行检测获取地表覆盖的变化信息,如图 7所示。其详细流程为:

      1)根据Landsat影像序列构建MDD时谱数据,将时谱数据分解为季节成分、趋势成分和残差。同时在时间维获取的季节组分上基于OLS-MOSUM初始化断点并检验断点是否存在[131],采用贝叶斯信息准则确定断点的最佳位置。

      2)在光谱维上,由于每个波段的断点位置可能不完全匹配,因此通过设定一个置信区间,将每个波段之间跨度小于等于3幅图像的断点设置为匹配的断点。由于不同地表覆盖类别的显著特征因波段而异,例如,在近红外波段和红波段,植被特征明显;而裸地特征则表现在可见光波段,因此各波段的断点位置不尽相同。当匹配的断点位置出现在3个或3个以上的波段时,则认为该像元为变化像元。

      本文使用2001-2007年Landsat影像,时间分辨率为16 d,一年有23景,7年共138景影像,按照影像获取时间排序为时序1,2…138。为方便描述,以时序位置1表示2001年获取的第1景Landsat影像,时序位置2表示Landsat获取的第2景影像,时序位置24表示2002年获取的第1景数据,以此类推。如图 8所示,每个波段都检测到了不同位置的断点,在2004-2005年,蓝波段检测到了断点位置70,如图 8(a)所示;绿、红波段都检测到了断点位置73,如图 8(b)8(c)所示;短波红外波段2检测到了断点位置69,如图 8(f)所示。断点70、73和69的时间跨度小于等于3,因此判断时序位置70发生了变化。同理,在2005-2006年间发生2次变化,分别位于时序位置96(如图 8(a)8(b)8(c)所示)和115(如图 8(d)8(e)8(f)所示),因此该像元共发生了3次变化,位置分别为时序70、96和115。结合前面步骤获取的断点位置和通过随机森林分类获取的分类结果来确定像元是否发生变化。只有当波段在同一位置有断点,并且分类结果表明断点前后的地表覆盖类型不同时,像元才会被判定为变化。当地表覆盖变化的年份对应于在时间序列变化检测计算的断点年份时,该像元被识别为变化;否则,该像元被视为未变化。

      图  8  光谱维变化检测原理图

      Figure 8.  Schematic Diagram of Time Series Change Detection Algorithm in Spectral Dimension

      3)由于在时间和光谱维度上忽略了空间相关性,而地表覆盖变化在空间上是显著且空间相关的,如果变化的像素在空间上是独立的,则该像素可能是伪变化,因此在空间维度上采用滑动窗口的方法抑制噪声伪变化。假设窗口内共有n个像素,如果有n/2个像素是变化像素,则认为中心像素是变化像素,否则,认为中心像素没有发生变化。空间维变化的检测原理如图 9所示。

      图  9  空间维变化检测原理图

      Figure 9.  Schematic Diagram of Time Series Change Detection Algorithm in Spatial Dimension

    • 本文分别从光谱、时间、空间角度出发,总结了传统遥感时间序列变化检测方法存在时空谱信息挖掘不足的问题,并针对上述问题提出了时谱的概念,时谱即由光谱反射率或光谱指数按照时间先后顺序排列而成的特征曲线。基于时谱概念,本文介绍了时谱在数据组织与存储、数据重构、特征深度挖掘和数据源4个方面的关键技术,并给出了基于时谱数据在农作物分类和变化检测上的应用,以期能够为时谱分析的研究和应用提供参考。并从当前趋势和未来前景两个方面对时谱分析应用进行了展望,主要表现在以下几个方面:

      1)当前多源遥感影像时谱分析亟待发展

      当前时谱分析大多基于同源遥感影像的分析,然而同源数据由于观测周期、空间分辨率、数据缺失等因素,无法提供合适的实验数据。随着传感器技术的发展,多源遥感数据的综合利用提供了全方位多角度的数据信息,然而多源数据间的差异性为时谱构建及后续的分类、变化检测等应用带来极大的困难。因此,如何充分发挥多源遥感数据的优势,发展有效的时谱分析方法,是当前的发展趋势。

      2)当前深度学习时谱分析方法仍需探索

      随着“地球大数据”的不断增加以及计算机的快速发展,大量基于深度学习的方法涌现出来。在时谱分析中,深度学习仍具有以下三方面问题:(1)为了更充分利用影像的时谱、空间等多层次信息,需要探索更为深层鲁棒的网络结构;(2)深度学习模型的泛化迁移能力仍需进一步研究探索;(3)深度学习对训练样本的数量要求较高,而地物类型较为复杂,构建不同地物类型的时谱库具有一定的难度。尽管深度学习时谱分析存在上述问题,基于深度学习的时谱分析仍具有巨大的发展空间与潜力。

      3)未来量子计算机的发展为实时时谱分析提供可能

      当前遥感卫星影像、无人机影像、地表辅助数据呈现井喷的态势,而如何构建星空地一体化的时谱分析数据,并对其进行深度挖掘,为用户实时提供个性化的产品是备受关注的发展方向。国内量子计算机的问世为实时时谱分析插上了腾飞的翅膀,期待量子计算机在遥感时谱分析方向提供更广阔的应用领域。

参考文献 (131)
补充材料:
whdxxbxxkxb-46-4-451.mp4

目录

    /

    返回文章
    返回