一种针对长时间序列卫星遥感光谱特征的误差改正方法技术

本发明专利技术公开了一种针对长时间序列卫星遥感光谱特征的误差改正方法，包括如下步骤:获取Landsat5/8遥感影像数据，计算遥感生态指数；通过Sen+MK分析检验绿度、湿度、热度和干度的时间序列栅格数据是否存在突变。本发明专利技术通过获取卫星遥感影像数据，计算遥感生态指数RSEI，通过结合Sen分析和MK检验算法检验绿度等各分量时间序列栅格是否存在突变，如果存在突变，则送入E3d

【技术实现步骤摘要】
一种针对长时间序列卫星遥感光谱特征的误差改正方法


[0001]本专利技术涉及卫星遥感
，具体来说，涉及一种针对长时间序列卫星遥感光谱特征的误差改正方法。

技术介绍

[0002]生态环境(ecological environment)是指影响人类生活的水、土壤、植被等多个自然要素及其相互作用的总称，是关系到社会和经济可持续发展的复杂生态系统。随着人类社会现代化进程的加快，生态环境与人类生活之间的脆弱关系遭到破坏，出现大气污染、土地荒漠化、生物多样性破坏等现象，长此以往甚至影响人类的生存。因此，亟需一种可大范围、可量化的生态环境综合评价方法，在保护植被、维持生态系统稳定等方面具有十分重要的作用。
[0003]卫星遥感是一种通过传感器快速、大范围获取目标处连续光谱特征的技术，通过五十多年的发展逐渐成为对地观测系统中的重要组成部分，并广泛应用于植被变化、城市规划、气候变化、海岸线动态监测等方面。Normalized Difference Vegetation Index(NDVI)以及Enhanced Vegetation Index(EVI)通过放大植被在红、近红外波段与其他地物的光学结构差异，评价区域内的地上生物量、植被覆盖率等情况，是遥感领域常用的生态研究评价指标。健康发展。结合AVHRR NDVI3g以及气候数据集分析了1982
‑
2011年间结合NDVI数据、多种统计理论，对实验区域内长时间序列的土地荒漠化演变程度进行评价。结合季节变化、海拔高度变化改进了NDVI、EVI的反演模型，并基于此分析了黄石河上游流域(Upper Yellowstone River Basin,UYRB)麋鹿饲料丰度的时空变化。结合Landsat、ASTER卫星数据反演城市区域的地表温度(LST)、NDVI、归一化差异积聚指数(NDBI)，分析植被、城市集聚对城市热岛效应的影响，实验结果表明城市绿地可以削减热岛效应、促进城市生态中国东北区域植被对气候变化的响应，发现气候变化通过降水影响生态发展。总结了卫星遥感在农业方面的应用，并从作物轮作、种植模式和种植技术等三方面论述NDVI等评价方法的优缺点。基于Theil
‑
Sen Median、Mann
‑
Kendall以及Hurst指数等理论分析了中国黄河流域2000
‑
2010年的NDVI空间分布变化，实验结果表明NDVI变化可以表示实验区域内植被生态的变化，但不能代表其他自然要素的演变。单一要素难以全面评价区域整体生态质量以及分布变化情况，为此提出了由多个自然要素组成的遥感生态指数(Remote Sensing based Ecological Index,RSEI)，该指数利用主成分分析耦合了植被指数、湿度分量、地表温度和建筑指数等4个评价指标，它们分别代表了绿度、湿度、热度和干度等4大生态要素，并在大型城市群、沿海区域、干旱荒漠区域、裸露矿区等各种条件下的生态评价工作中得到广泛应用。
[0004]上述研究围绕卫星遥感影像生态评价进行了全面而深入的探讨，但是在成像过程中，遥感影像质量不可避免受到大气湍流、太阳高度角等因素的影响，最终影响光谱指标反演精度，这些影像上的缺失值、异常值对长时间序列分析的影响不可忽视。
[0005]针对上述问题，目前还没有有效的解决方法。

技术实现思路

[0006]针对相关技术中的上述技术问题，本专利技术提出一种针对长时间序列卫星遥感光谱特征的误差改正方法，能够克服现有技术的上述不足。
[0007]为实现上述技术目的，本专利技术的技术方案是这样实现的：
[0008]一种针对长时间序列卫星遥感光谱特征的误差改正方法，包括如下步骤:
[0009]S1获取Landsat5/8遥感影像数据，计算遥感生态指数，遥感生态指数RSEI定义如下：
[0010]RSEI＝f(VI,WET,LST,NDBSI)
[0011]其中式中，VI为植被指数，Wet为湿度分量，LST为地表温度，NDBSI为建筑和裸土指数两者均值，依次对应绿度G、湿度W、热度T和干度D；
[0012]S2通过Sen+MK分析检验绿度、湿度、热度和干度的时间序列栅格数据是否存在突变，如果存在则送入E3d
‑
LSTM时空变化预测网络模型；
[0013]S3基于E3d
‑
LSTM时空变化预测网络模型，并结合Sen分析对时间序列栅格中的异常信息进行校正，根据前后时间节点的栅格修正缺失值以及异常值；基于修正的异常值，结合RSEI指数，通过MK检验分析水库流域生态环境的变化趋势；
[0014]S3的E3d
‑
LSTM具体步骤如下：
[0015]S31将3D
‑
Conv模块融入到LSTM中以将所提取的高级卷积特征纳入随时间变化的递归数组中；
[0016]S32 Classifier通过模型拟合栅格特征判断每个像素的类别，橘红色箭头表示短期信息流，表示从影像中提取到的目标位置信息；蓝色箭头表示长期信息流，表示从一个周期性数据中提取的时间函数高级特征；
[0017]S33通过LayerNorm对短期、长期特征进行整合，RECALL转换机制修正；具体的RECALL转换机制如下：
[0018][0019][0020][0021][0022][0023]其中，表示输入的时间序列数据组，X
t
表示3D
‑
Conv提取的特征矩阵，表示前一个时间标记的信息即memory state，表示前一个时间标记的隐藏状态，圆柱体表示高维门运算。
[0024]进一步地，步骤S1的具体操作步骤如下：
[0025]S11根据Landsat5/8遥感影像数据，依次计算植被指数VI、湿度分量Wet、地表温度LST、建筑和裸土指数两者均值NDBSI；
[0026]S12结合结合主成分分析法PCA进行综合评估，其中第一分量为最终的RSEI计算结果。
[0027]进一步地，Sen+MK分析中的关键分量定义如下：
[0028][0029][0030][0031][0032]式中，Z表示显著性统计量，S表示统计斜率，s(S)表示统计梯度，n表示时间序列跨度，i、j表示RSEI对应的年份序列数，sgn仅代表符号函数。
[0033]本专利技术的有益效果：本专利技术通过获取卫星遥感影像数据，计算遥感生态指数RSEI，通过结合Sen分析和MK检验算法检验绿度等各分量时间序列栅格是否存在突变，如果存在突变，则送入E3d
‑
LSTM时空变化预测网络模型；最后通过结合E3d
‑
LSTM模块提出的一种新的memory state转换机制RECALL，从时间、空间两个维度实现对异常值和不连续值的误差纠正，进而可以有效地评价生态环境的变化趋势。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对长时间序列卫星遥感光谱特征的误差改正方法，其特征在于，包括如下步骤：S1获取Landsat5/8遥感影像数据，计算遥感生态指数，遥感生态指数RSEI定义如下：RSEI＝f(VI，WET,LST,NDBSI)其中式中，VI为植被指数，Wet为湿度分量，LST为地表温度，NDBSI为建筑和裸土指数两者均值，依次对应绿度G、湿度W、热度T和干度D；S2通过Sen+MK分析检验绿度、湿度、热度和干度的时间序列栅格数据是否存在突变，如果存在则送入E3d
‑
LSTM时空变化预测网络模型；S3基于E3d
‑
LSTM时空变化预测网络模型，并结合Sen分析对时间序列栅格中的异常信息进行校正，根据前后时间节点的栅格修正缺失值以及异常值；基于修正的异常值，结合RSEI指数，通过MK检验分析水库流域生态环境的变化趋势；S3的E3d
‑
LSTM具体步骤如下：S31将3D
‑
Conv模块融入到LSTM中以将所提取的高级卷积特征纳入随时间变化的递归数组中；S32 Classifier通过模型拟合栅格特征判断每个像素的类别，橘红色箭头表示短期信息流，表示从影像中提取到的目标位置信...

【专利技术属性】
技术研发人员：么嘉棋，曹永强，李静，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：