论文部分内容阅读
随着遥感数据的大量累积和高时间分辨率遥感技术的发展，遥感影像时间序列分析，成为目前研究的热点之一。遥感影像时间序列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。 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，会扰乱地物的原有的演变规律，在遥感影像时间序列中表现为异常。本文研究遥感影像时间序列异常信息检测的算法。针对前人研究中存在的问题，在充分分析遥感影像时间序列变化特征的基础上，结合典型案例分析异常事件检测的方式，引入经验模态分解方法，建立季节趋势分解模型，并分别从中提取异常变化信息。 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，基于经验模态分解提取趋势项的思路，结合异常事件会引起时间序列结构性变化的特点，提出一种自动的适合于异常信息检测的趋势项合成方法。并在此趋势项中，检测异常事件及其发生的时间点。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，并对像元内的变化具备检测能力。 第三，基于经验模态分解提取季节项的思路，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。实验表明，离线异常检测方法，有较好的检测精度;而在线的检测方案，能够在时间序列时间分辨率的限制下进行异常事件的监测或预警。