环境星归一化植被指数时间序列滤波算法比较

由于环境卫星成像条件和卫星平台的限制,针对环境卫星归一化植被指数(HJ NDVI)时间序列中存在较多噪音的现象,该文比较分析了Savitzky-Golay(S-G)滤波法、非对称高斯函数拟合法(AG)、双逻辑曲线拟合法(DL)和时间序列谐波分析法(Hants)4种滤波算法。建立了南京市典型植被类型区域的HJ NDVI时间序列,对4种滤波方法进行实验。对比纯像元样点、样区的滤波结果以及滤波后5类典型植被的分类精度,评价4种滤波方法的滤波效果,并利用MODIS NDVI时序数据验证结果可靠性。结果表明:滑动窗口大小为5的S-G滤波的滤波效果最佳。该研究结论为基于HJ NDVI时间序列的应用研究滤波方法选择提供参考。     

基于TIMESAT的3种时序NDVI拟合方法比较研究——以藏北草地为例

以藏北地区2007～2009年MODIS 16 d合成的NDVI时间序列为例,介绍了基于TIMESAT 2.3软件的3种主要拟合算法--非对称高斯函数(AG)拟合、双Logistic曲线(D-L)拟合和Savitzky-Golay(S-G)滤波法的基本原理和实现流程;重点从拟合重建NDVI时间序列对原始NDVI值上包络...     

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。     

时序NDVI数据集重建方法评价与实例研究

时序NDVI数据集已经成功地应用于全球与区域环境变化、植被动态变化、土地覆盖变化和植物生物物理量参数反演等方面的研究。受到大气条件和传感器自身因素的制约,虽然经过严格的预处理,时序NDVI数据集仍包含很多噪声,影响其进一步的应用。首先介绍了近几年来普遍使用的6种时序NDVI数据集的重建方法：改进的最佳指数斜率提取法、均值迭代滤波法、Savitzky-Golay滤波法、傅立叶变换法、非对称高斯函数拟合法和时间序列谐波分析法 |然后采用这几种方法对张掖地区2007年和2008年10 d最大值合成的SPOT/VEGETATION的时序NDVI数据进行了重建,对重建结果进行了比较和评价 |最后对人为的噪声序列进行重建,对重建结果的优缺点进行评价。     

基于MODIS时间序列数据的春尺蠖虫害遥感监测方法研究——以新疆巴楚胡杨为例

春尺蠖虫害近年在新疆天然胡杨林区暴发成灾,严重威胁天然胡杨林的生存和绿色屏障功能的发挥。由于胡杨林面积大且胡杨树体高大,传统监测方法难以满足对胡杨林春尺蠖虫害进行快速监测的需求。以新疆巴楚县夏马勒林场为研究区,通过2014年至2017年上半年MODIS数据重构了NDVI时间序列数据集,并采用滤波技术进一步拟合了NDVI时间序列曲线。对比分析了3种滤波方法的效果,发现S-G滤波在拟合的同时较好的保留了原始曲线的细节,且全局拟合能较好地减弱异质性,使得植被覆盖空间连续性较好。通过飞机防治区样本点NDVI时间序列数据年际对比和与未飞防区样本点年内对比分析和突变点检测发现,飞机生物药剂喷洒手段针对春尺蠖病虫害有较明显防治效果,与地面虫口数量调查结果一致,且飞防效果具有一定延续性。研究结果表明通过胡杨林NDVI时间序列来监测分析春尺蠖病虫害可行。     

3种滤波算法对NDVI高质量数据保真性研究

标准MODIS NDVI产品时间序列仍然存在噪声,必须在利用前处理。理想的去除噪声算法,应该最大限度地去噪,同时最大限度地保留原数据中无噪声像元的真值。以往的研究大多关注不同滤波算法对噪声的处理能力,往往忽略不同算法在滤波处理时对原始高质量数据保真性的研究。基于Timesat 2.3时序滤波工具所提供的3个滤波算法,探讨了原始数据质量差异对滤波算法的保真性的影响以及不同滤波算法对原始高质量数据保真性的差异,通过对比分析发现非对称高斯算法(AG)对原始高质量数据保真性最高,双逻辑曲线拟合算法(DL)性能次之,SG算法拟合结果的保真性较差。     

Logistic函数方法拟合多时序NDVI数据的改进研究

单Logistic函数曲线拟合法是NDVI时间序列重建及物候遥感中关键物候期划分的重要方法之一。虽然该方法不需要设定阈值或经验系数、较适应于不同环境区域的物候遥感监测,但是在山区NDVI噪音较大的情形下,其拟合精度仍会受到较大影响。选取秦岭中部山区为研究区,在分析了多年NDVI时间序列数据特征基础上,利用山区NDVI数据序列最大值相对于最小值更为稳定的特性,对传统单Logistic模型求解方法进行改进,采用更为稳定的参数构建模型以提高NDVI时间序列重建的精度。基于秦岭样区MODIS NDVI多年遥感数据,分别在保持植被生长季特征能力和保留高质量原始真值程度两方面对原方法与改进方法的计算结果进行比较。研究表明改进的方法在上述两个方面都具有更好的效果。在植被指数噪音较大的山区,改进的方法对NDVI时间序列重建表现出更好的适用性,可为复杂的山区物候遥感相关研究提供参考。     

基于数据拟合的城市轨道交通客流量时间序列模型优化分析

为确保行车调度、预防处理轨道交通突发事故,通过曲线拟合充分发掘客流量时间序列趋势性,基于客流量时间分布数据,以整体拟合与自动分段拟合两种分析方法,针对B市多个地铁站客流量,优化分析时间序列模型.优化结果表明,相比整体拟合方法,自动分段拟合可较好去除客流量时间序列趋势,有效提高时间序列预测精确度;自动分段拟合不需要人工,可避免人为失误,既保障了客流量时间序列预测精确性,又实现了自动智能优化,在很大程度上为行车调度与应急安全管控奠定了技术基础.     

利用NOAA数据分析中国地区植被覆盖变化周期

对中国地区连续数年的改进的高解析度传感器（AVHRR）均一化植被指数（NDVI）时间序列数据进行研究，利用时间序列谐波分析（HANTS）算法对NDVI数据进行去云处理，同时计算NDVI时间序列的特征分量，用以分析地表植被覆盖的生长周期性变化特性，从而了解地表植被覆盖情况。研究HANTS之后提取出的NDVI傅里叶特征分量。得知0频率表明了全年植被覆盖率均值，1、2频率谐波分量简明地描述了观测点的全年与半年幅值与相位值；1频率谐波的幅值表明了全年中植被生产率的变化，1频率谐波的相位值表明了植被绿度的时间变化快慢；2频率谐波表示的是半年的植被覆盖强度以及时间变化率。     

狄克松检验的时空信息加权SG时间序列滤波法北大核心CSCD

为准确重构受连续云雾污染NDVI时间序列,提高拟合曲线保真性,提出一种狄克松检验并融合时空信息的加权SG滤波法(SGDST)。首先,利用狄克松检验对像元生成一条标准参考曲线;其次,利用参考曲线和时空信息在目标像元邻域内找到相似像元,通过整合相似像元数据生成预处理序列;最后,通过加权SG滤波法对处理后NDVI序列进行平滑,获得高质量NDVI时序数据。采用2010—2019年MODS13Q1_NDVI数据,与SG滤波法、DL拟合法和AG法对比。结果表明:在拟合曲线时,SGDST方法能准确重构连续多期缺失数据的时间序列,有效保留局部波峰波谷细节特征;处理顽固噪声时,可避免过度修正有效低值;与其他3种方法相比,SGDST法的均方根误差和绝对平均误差小于0.0853像元,占拟合总像元比例最大,保真度最高。     

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。     

基于时态边缘算子的时间序列分段线性表示

时间序列的分段线性表示算法通常基于单一的启发式规则,难以适用于不同数据特征的时间序列。借鉴了边缘算子的思想来提取时间序列的边缘点,提出了一种基于时态边缘算子的时间序列分段线性表示算法。在来自不同领域的公开数据集上进行的实验结果表明：与两种主要的分段线性表示算法相比,该算法具有更好的拟合性能,并且更为稳定,能够适用于各类不同数据特征的时间序列。     

基于时序MODIS EVI匹配的棉花信息提取以新疆博乐市为例

增强植被指数(EVI)是植被生长状态及植被覆盖度的指示因子,其时序数据也已成为基于物候特征开展大区域植被和土地覆盖分类的基本手段。利用Savitzky-Golay滤波对MODIS EVI 16 d合成时间序列数据进行重建,并利用2006~2010年重建得到的时序数据建立棉花理想时序EVI曲线,通过比较待分类像元与理想曲线欧氏距离的方法,提取新疆博乐市棉花种植分布。使用2011年实地调查的棉花地块为感兴趣区,利用混淆矩阵对2011年棉花种植分布的提取结果进行精度检验,总体精度为82.31%。结果表明:利用多年数据建立的理想时序EVI曲线提取棉花种植分布有效可行。     

煤矿瓦斯传感器人工调校噪声数据处理方法

传统噪声数据处理方法对输入数据有一定的要求,且运行时间较长。而煤矿瓦斯传感器人工调校噪声数据存在数量少、质量差、时间不一致、易受环境影响等问题,采用传统噪声处理方法难以滤除该噪声数据。针对上述问题,提出了一种煤矿瓦斯传感器人工调校噪声数据处理方法。采用数据平均值填充煤矿瓦斯传感器浓度数据缺失值;采用多时间粒度构建煤矿瓦斯传感器浓度数据的特征集和样本集;采用高斯函数、混合高斯函数、二项式函数、三项式函数、分段二项式函数5种曲线拟合函数拟合人工调校噪声数据,并基于最小二乘法确定拟合函数参数,根据拟合效果得到最优的拟合函数;通过分析人工调校噪声数据得出该噪声数据与瓦斯浓度上升的斜率、峰值、调校前后浓度差等基本特征有关,根据这些基本特征识别出人工调校噪声数据并删除。实验结果验证了该方法的有效性。     

融合QA-SDS的MODIS NDVI时序数据重构

基于云南省MOD13Q1时序数据,对比分析了不同质量设置(UI5、UI5-CSS、UI3、UI3-CSS)和不同时序重构方法(简单线性插值、Savitzky-Golay滤波、非对称高斯函数拟合法和双逻辑函数拟合法)组合下NDVI时序重构效果。结果表明:NDVI时序中无效像元数和最大间隙长度在时间和地域上的分布差异受气候干、雨季影响显著。非对称高斯函数拟合法和双逻辑函数拟合法的稳健性和拟合效果较优。NDVI时序中无效像元最大间隙长度是衡量数据质量优劣和时序重构可行性的重要指标,雨季降水和多云天气过于集中是影响云南省境内部分地区时序重构质量提升的关键。基于重构NDVI时序,云南省全境NDVI时空分布呈现雨季大于干季、西部大于东部、南部高于北部、河谷大于山地的特征。     

长时间序列NDVI数据重建方法比较研究进展

长时间序列遥感数据集被广泛应用于全球或区域环境变化、植被动态变化、土地覆盖变化和植物生物物理参数反演等研究,受云、气溶胶、太阳高度角和地物二向反射等因素的影响,这些数据集本身存在很多噪声,限制了数据的深入分析和应用,因此,数据重建是应用前的重要工作。在总结归纳现有时间序列重建方法的基础上,综述了重建方法比较研究的成果,深入比较了常用重建方法对参数的设置要求,分析了目前对重建效果的评价方法以及存在的问题,同时对时间序列数据重建通用软件及其发展作了详细介绍。最后提出了时间序列重建以后的研究重点和发展方向,以期为长时间数据重建研究和应用提供帮助。     

采用分段特征表示的异常序列检测算法

时间序列的有监督异常检测方法通常依赖于数据的标签，不仅会消耗大量时间进行数据标注，而且难以适用于无法给定标签的数据集。为解决异常序列检测中的标注问题，提出一种采用分段特征表示的异常序列检测方法。该方法采用分段聚合思想对时间序列进行标准化计算，并得到时序数据的特征表示，可提高无标签时间序列异常检测的可靠性。将表示后的特征划分为异常序列相关特征和无关特征，剪枝异常序列无关特征，可减少这些特征对检测结果的不利影响。为有效量化不同序列之间的差异性，提出一种面向时间权重分析的时间序列相似性度量方法，并构建时间序列的相似度矩阵，用于计算序列之间的相似度，可适用于无标签的时间序列中。在此基础上，根据相似度矩阵来计算每个子序列的异常分数，将其用于异常子序列的判定。通过合成数据集和真实数据集的实验对比表明：该方法节省了计算开销，提高了算法运行的时间效率和异常序列检测的准确率。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究

叶面积指数Leaf Area Index(LAI)是表征植被冠层结构的一个重要参数,因大气条件等因素影响,使MODIS LAI数据产品中存在数据缺失、质量较低等问题,严重影响LAI数据集的应用。以江西省为研究区,综合利用像元质量分析、S-G滤波和年序列异常值检测滤波技术对2009～2013年MODIS LAI时序产品数据集进行重建研究。结果表明:阔叶林高质量像元占比最低,仅为51.76%,各类别低质量与反演失败像元整体占比达到20%～30%。针对数据集质量偏低的问题,提出了综合滤波方法。相较于S-G滤波法,重建后的高质量像元的LAI均值与原始均值更趋一致,中高质量像元重建后与原始数据的相关系数达到0.97,具有更好的保真性。对中低质量像元重建的异常值进行了滤波,填充了空值区,降低了标准偏差,较好地识别和修复了低值区或异常点,整体稳定性更好,能有效地拟合时序变化曲线。     

基于集成LSTM自编码器的多维时间序列异常检测

针对长短时记忆网络自编码器(LSTM-AE)在多维时间序列(MTS)上异常检测效率低的问题,提出一种基于集成LSTM-AE(LAE)的MTS异常检测模型。该模型集成多个LSTM-AE分别重构正常MTS各子序列,并将各重构误差作为MTS的局部特征;利用全连接网络自编码器(FCAE)对各重构误差数据进行拟合,学习MTS数据的全局特征;根据FCAE的重构误差进行异常检测。在三个公共MTS数据集上的实验表明,与基准方法相比,在Precision、Recall和F₁＿score三个评价指标下分别最大提升0.058 4、0.118 4和0.078 6。