[发明专利]一种遥感时间序列异常检测方法

说明书

技术领域

本发明属于遥感图像处理和信息提取领域，涉及遥感图像变化检测和地表覆盖异常信息提取，具体涉及一种基于遥感时间序列数据进行地表覆盖异常变化的检测以及异常信息提取的方法。

背景技术

地表覆盖的状态随着时间推移而不断变化，这些变化既包括正常变化，即周期性季节变化(如植被的发芽到茂盛到落叶)，也包括非正常变化，如地表覆盖类型的变化(如植被变成建成区、林地变为农田、旱地变为水田)，和地表覆盖状态的异常变化(如森林砍伐、过度放牧、洪水淹没、过火、植被病虫害等)。

利用遥感影像进行地表覆盖变化的研究已经非常广泛。传统的多时相方法(如分类后比较法、差值法等)一般选择不同年份的相同或相近时相影像进行分析，若影像时相不相近，区分地物的正常变化和非正常变化比较困难。多时相方法一般只能检测所选定时相的影像间是否发生变化，并未对变化类型(地表覆盖类型变化和地表覆盖异常变化)进行区分，且变化发生的时间段和变化强度是无法得知的。

高时间分辨率的遥感时间序列影像为地表覆盖的高频率长期观测和实时监测提供了可能。利用遥感时间序列影像，不仅可以避免传统的多时相方法中因为云覆盖而导致的数据缺失或时相不匹配问题，而且可以在不同时间尺度上(年内季节性、年际变化和长期趋势)表征地物状态变化的模式。

遥感时间序列是指：对相同空间位置的对象进行固定频率的遥感观测而获得的表征对象状态某种特征的时间序列数据。遥感时间序列异常是指：由于被观测对象状态的异常变化，遥感时间序列表现出非规则性的变化。遥感时间序列异常检测是指：通过某种方法，检测出遥感时间序列中的上述非规则性变化。

现有的遥感时间序列异常检测方法主要分为两类：基于时间序列分解的方法和基于预测的方法。基于时间序列分解的方法的基本思想是用STL分解法将时间序列分解为周期项、趋势项和残余项，进而检测周期项和趋势项中的结构性变化。基于预测的方法的基本思想是用一种模型(如SARIMA、高斯过程、卡尔曼滤波器等)对部分时间序列进行拟合，然后用模型进行预测，将预测值与实际观测值进行对比以判断是否发生异常。但是这两类方法都有不同缺陷。一方面，基于时间序列分解的方法假设遥感时间序列具有相同的周期性变化和线性的趋势变化，而实际上由于气温、降水、光照等的年际变化，地物状态每年的季节性变化并不是相同的，而且年际变化也并非线性的。这就导致时间序列分解误差较大，最终导致周期项和趋势项的结构性变化检测出现较多错误。另一方面，基于预测的方法，一是在建模时假定时间序列是没有异常的，而实际上时间序列是否存在异常是未知的和待检测的，二是用于建模的时间序列长度的选择是主观的，这些都会导致模型的鲁棒性降低。三是基于预测的方法只能按时间顺序逐步检测，且只能检测到一次异常，其后模型将失效。因此，上述两大类方法都有各自明显的缺陷，鲁棒性低，适用性不强。

因此，需要一种新的遥感时间序列异常检测方法，在避免上述问题的同时提高异常检测的精度，同时提取异常的相关信息。

发明内容

针对现有遥感时间序列异常检测方法存在的复杂度和错检率较高、多异常检测率低、异常信息不可靠等缺陷，本发明公开一种新的技术方案，可对遥感时间序列中存在的多个时间的异常同时进行检测，在显著性水平为α＝0.05时异常检测结果的整体置信度为95％、单个异常置信度大于99％，同时给出异常的时间、水平、程度和置信度信息。

本发明的基本思路为：首先将原始遥感时间序列数据进行一阶季节差分，得到的差分序列作为季节误差序列；对季节误差序列的均值和标准差进行稳健化估计，并将季节误差序列进行z标准化，得到的标准分数序列作为时间序列异常检验统计量序列；在给定的显著性水平和多重检验总体误差率控制下，计算检验统计量临界值；将检验统计量序列的绝对值与临界值相比较，满足预定条件时将其标记为异常点；由各个异常点的检验统计量，计算其p值，并转换为置信水平。通过上述流程检测出遥感时间序列中的异常，并得到异常的时间、水平、程度和置信度。

技术方案：实现本发明思路的技术方案流程如图1所示，具体流程描述如下：

A.从遥感时间序列影像中逐像素地提取时间序列数据，将时间序列表示为{Y_t：t＝1，2，...，n}，时间序列的长度为n，季节周期为s；

B.由时间序列{Y_t}计算季节误差序列{a_t：t＝s+1，s+2，...，n}；

C.对季节误差序列{a_t}的均值μ和标准差σ进行估计；