用于卫星图像时间序列在线扰动检测的长短期记忆神经网络

用于卫星图像时间序列在线扰动检测的长短期记忆神经网络(中文9000字,英文PDF)
摘要
卫星图像时间序列（satellite image time series，SITS）包含大量的时间信息。通过分析这种类型的数据，可以探索关注对象的变化模式。地球表面的自然变化相对较慢，呈现出明显的模式。一些自然事件（例如火灾，洪水，植物病虫害）和人类活动（例如砍伐森林和城市化）将扰乱这种模式，并在地球表面造成相对深刻的变化。这些事件通常被称为干扰。然而，生态系统的干扰不容易从SITS数据中检测到，因为SITS包含有关干扰，物候变化和遥感数据噪声的综合信息。本文提出了一种新的SITS在线干扰检测框架。该框架基于长期短期记忆（long short-term memory，LSTM）网络。首先，LSTM网络由历史SITS训练。然后，训练的LSTM网络用于预测新的时间序列数据。最后，将预测数据与实际数据进行比较，并且明显的偏差揭示了干扰。使用中等分辨率成像光谱辐射计的16天组合物的实验结果说明了所提出的在线干扰检测方法的有效性和稳定性。
关键词：长期短期记忆；递归神经网络；在线干扰检测；卫星图像时间序列；SITS