基于MODIS NDVI时间序列数据的藏北草地类型识别

选取西藏自治区申扎县北部部分区域作为藏北草原的典型代表区进行研究。对区域内2009年全年23期MODIS NDVI数据收集处理,得到23个波段的时间序列数据。通过Savitzky-Golay滤波算法优化时间序列数据并对不同类型的时间序列曲线做对比分析,提取分类的特征波段。最后采用非监督分类法把研究区分为沼泽草甸、高寒草甸、中盖度草原、低盖度草原、裸地和水体6种类型,并结合地形数据分析了其中4种草地类型的空间分布特征。一系列的处理结果及分析内容证明了MODIS NDVI时间序列数据在藏北草地类型识别方面的可行性和适用性。     

基于质量权重的Savitzky-Golay时间序列滤波方法

归一化植被指数(NDVI)时间序列数据因含有大量噪声,给其应用带来诸多不便,甚至产生错误结果。自适应Savitzky|Golay滤波器能够有效地抑制突降噪声,但在对高值噪声的抑制和突降非噪声数据的保护方面存在不足。将MODIS VI产品中的质量因子作为权重,提出基于质量权重的Savitzky|Golay滤波方法,经验证该方法能够保持高质量NDVI数据的稳定性和相关性,并能够有效抑制噪声的影响。     

环境星NDVI时间序列重构方法研究

利用目前时间序列曲线重构中较为常用的非对称高斯函数拟合、Double-Logistic曲线拟合、S-G滤波和时间序列谐波分析法对环境星NDVI时间序列进行重构处理。分析了上述4种植被指数时间序列重构方法对环境星数据的适用性。实验结果表明,对于环境星数据,在4种方法中非对称高斯函数拟合、Double-Logistic曲线拟合法更适用于对植被地物的时间序列进行重构,对照参考数据,其重构曲线对植被物候的表达有较高的一致性;而时间序列谐波分析法对原始数据的扰动最小,适用于非植被地物的时间序列重构;S-G滤波在4种方法中的重构效果最差。     

基于NDVI变化检测的滑坡遥感精细识别

随着遥感技术的发展,高分辨率的卫星影像数据逐渐丰富,滑坡灾害的信息提取被进一步推进,当前滑坡灾害应急调查主要以目视解译和野外调查为主,费时费力,难以满足灾后救援的迫切需求。面向像元和面向对象的单时相滑坡遥感信息提取方法等存在着滑坡过识别、误识别的问题。因此,在此提出以滑坡前后多时相遥感影像为数据源的变化检测滑坡识别方法,首先根据归一化植被指数（NDVI）进行基于像元的变化检测确定滑坡预选区,再结合面向对象的几何规则完成滑坡的精细识别,这种基于变化检测和几何规则相结合的方法能有效排除道路、建筑、裸地等光谱特征与滑坡相似的非滑坡部分。以九寨沟滑坡为例,采用高分一号8 m分辨率多光谱相机2015年8月1日的影像（滑前）以及2017年8月16日的影像（滑后）作为数据源,进行滑坡识别实验。结果表明,和面向对象的单时相方法相比,基于变化检测和几何规则相结合的多时相方法滑坡提取的精度较高,制图精度高达88.80%,用户精度高达81.19%,都大幅超过面向对象单时相法的精度,漏分误差及错分误差分别下降23.22%和11.72%,可为有效组织滑坡灾后救援与重建工作提供可靠依据。     

NDVI 时间序列数据集重建方法述评

基于NOAA/AVHRR、SPOT/VEGETATION 以及MODIS 等卫星影像得到的归一化植被指数(NDVI,Normalized Difference Vegetation Index) 时序资料已经在植被动态变化监测、宏观植被覆盖分类和植物生物物理参数反演方面得到了广泛的应用, 但由于受云层、天气等因素的影响,NDVI 数据集存在大量的噪声, 因此对NDVI 时间序列数据集进行重建, 提高NDVI 数据集质量的研究逐步受到关注。对近年来普遍使用的几种NDVI 时间序列数据集重建方法(最大值合成、最佳指数斜率提取、中值迭代滤波、时间窗内的线性内插、傅里叶变换、S2G 滤波) 进行了详细介绍并评述了这些方法的优缺点。     

汶川地震应急的遥感解译

本文介绍了汶川地震中遥感解译的方法,数据源的选择、解译方法和解译标志的建立是地震解译的方法和步骤,在应急救灾阶段,人工目视解译是最快捷的方法。     

基于融合NDVI和EVI时间序列的遥感影像分类研究

通过比较分析发现同一地物的NDVI和EVI时间序列变化规律具有一定差异,据此,提出结合NDVI和EVI植被指数时间序列的分类方法,结果表明比单独使用NDVI或EVI时间序列总体精度要提高2.7%,kappa系数提高0.04。     

有监督时间序列分割与状态识别算法

时间序列分割与状态识别是一项重要的时间序列挖掘任务,可用于识别被监测对象的运行状态,然而目前多数无监督时间序列分割算法得到的结果无法满足用户的状态识别期望。为实现符合用户意图的时间序列分割,提出一种有监督的时间序列分割算法。构造特征集合并自动训练特征概率模型参数,以此构建特征高斯概率分布模型进行相关序列的特征设计,同时利用匹配损失计算和改进的贪心策略设定特征权重约束,通过增加分割位置约束条件及增量计算2种优化方式提高分割效率。在多个真实数据集上的实验结果表明,与pHMM和AutoPlait算法相比,该算法可以全面表达状态类别,对时间序列进行更精准的分割。     

时间序列模型的Delphi编程实现

在许多工程系统中,由于时间序列模型特有的优点,该模型常常作为系统识别模型来使用.本文给出一种基于时间序列的系统识别模型的Delphi实现方法,并给出具体的源程序代码.     

利用模糊时间序列进行短时交通流预测

短时交通流预测在交通控制中起着基础的作用.本文利用模糊时间序列提出了一种新的短时交通流预测模型,并且在此模型基础上提出了一种算法.此算法和以往算法最大的不同就是能够处理历史数据是语言变量的预测问题.最后通过北京紫竹桥的实测数据和其它预测算法比较验证了本文提出算法的有效性和实用性.     

Identification of Lags in Nonlinear Autoregressive Time Series Using a Flexible Fuzzy Model

This work proposes a method to find the set of the most influential lags and the rule structure of a Takagi–Sugeno–Kang (TSK) fuzzy model for time series applications. The proposed method resembles the techniques that prioritize lags, evaluating the proximity of nearby samples in the input space using the closeness of the corresponding target values. Clusters of samples are generated, and the consistency of the mapping between the predicted variable and the set of candidate past values is evaluated. A TSK model is established, and possible redundancies in the rule base are avoided. The proposed method is evaluated using simulated and real data. Several simulation experiments were conducted for five synthetic nonlinear autoregressive processes, two nonlinear vector autoregressive processes and eight benchmark time series. The results show a competitive performance in the mean square error and a promising ability to find a proper set of lags for a given autoregressive process.     

北京一号小卫星NDVI时间序列重建方法研究

利用目前使用较广泛的Savitzky-Golay滤波拟合法和傅立叶谐波分析法对NDVI时间序列进行滤波处理,分析植被指数时间序列滤波重建方法对北京一号小卫星数据的适用性。试验结果表明,较之Savitzky-Golay方法,傅立叶谐波改进算法的重建结果更能体现地物的物候变化规律,且对原始数据的扰动较小,更有利于基于植被指数时间序列的土地覆盖分类及作物估产等定量应用,比较适合于北京一号小卫星NDVI时间序列的重建。     

HJ-1A NDVI与MODIS NDVI时间序列提取植被物候特征对比研究

以HJ-1A和MODIS为数据源,通过动态阈值法提取物候特征参数,对HJ-1A NDVI和MODIS NDVI时间序列进行植被物候特征提取进行定性和定量比较,通过比较结果,提出HJ-1A NDVI数据在该应用中存在的问题,促进国产中空间高时间分辨率影像数据在植被物候信息提取研究中的应用,提高其在生态系统研究中的应用价值。结果表明:在SOS、EOS和LOS以及TOMS几个主要的物候时间点上,MODIS NDVI时间序列的标准差较小,所得物候数据更为集中,偏离度较小,所得物候数据较稳定;而HJ-1A NDVI时间序列所得物候数据的标准差较大,数据偏离程度较大,而在POS、BOS和AOS等表征植被生命周期中生长幅度数据上,其标准差较小,离散程度小。     

多变量时间序列例外模式的识别

多变量时间序列(MTS)在金融、医学、科学、工程等领域是非常普遍的.本文提出一种在MTS中识别异常模式的方法.采用自底向上的分割算法将MTS分割成互不重叠的子序列,使用扩展的Frobenius范数来计算2个MTS子序列之间的相似性,通过K-均值聚类将MTS子序列分为若干个类.根据异常模式的定义,从这若干个类中识别出异常模式.在2个实际数据集上进行实验,实验结果验证算法的有效性.     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

时间序列中的多重分形分析

讨论了多重分形在时间序列分析中的应用，并分别针对一些噪声序列、受干扰信号序列，计算了其多重分形广义维数，试图探索一种新的方法，为时间序列的分析提供新的依据。在信号处理中，尤其在雷达信号处理中有很好的应用前景。     

基于多时相环境星NDVI时间序列的农作物分类研究

时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ-1A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了"椒盐现象",适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ-1A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。     

利用傅里叶谐波分析法的时序数据周期迭代辨识算法

对时序数据进行周期辨识能有助于人们认识事物的本质。针对现有的时序数据其周期辨识算法存在着辨识精度低及计算成本高的问题,提出了一种具有基频迭代机制的周期辨识算法。该算法首先基于方差分析法从原始序列中析出其周期长度的整型估算值,然后,以任意小的频率间隔在估算值区间内进行傅里叶谐波的迭代拟合,最后,基于最小拟合残差和的准则来确定最优的周期成分。实验表明,该算法不仅具有良好的计算效能,而且还能精确地辨识出与序列样本长度无关的周期成分。     

基于时序分析的微弱表情识别方法

依赖现有夸张的表情图像序列数据库,将微弱表情看成是整个夸张表情图像序列中的前面一段,提出基于时序分析的微弱表情识别方法.首先融合二值图像和灰度图像序列的光流运动场,提取眉毛、鼻子和嘴巴的动作方向及强度共5维特征序列.接着采用夸张表情特征序列训练隐马尔科夫模型(HMM),分析特征序列与夸张表情的关系.通过HMM前向学习识别微弱表情序列.同时采用Boosting算法提高识别精度.在Cohn Kanade表情数据库上进行实验验证,取得较好的实验效果.