[发明专利]一种面向时间序列遥感影像的土地利用分类方法

说明书

本发明公开了一种面向时间序列遥感影像的土地利用分类方法，包括以下步骤：对组成时间序列遥感数据的多光谱影像进行主成分分析，获取三个主成分的影像；对每个三波段影像进行预训练，提取出特征图像；特征图像按时间顺序依次输入半监督卷积长短期记忆网络模型进行训练；利用训练好的模型对最后一时相的影像进行预测分类，获得分类结果。本发明综合考虑了时间序列的时间上下文信息、遥感影像的空间和光谱特征信息，利用预训练模型以及半监督分类学习的方式，较好地解决了现有技术存在的问题，使得所述的土地利用分类方法更加适用于训练样本数据较少，且遥感影像数据缺失或者部分缺失的分类场景，获得了较好的土地利用分类结果。

技术领域

本发明属于遥感影像分析技术领域，涉及一种面向时间序列遥感影像的土地利用分类方法。

背景技术

随着遥感技术的不断发展，不断增加的多源遥感数据和累积的历史影像，使得多源、多时相对地观测的遥感数据更容易被获取。不断发展的技术和增长的需求使影像分类技术从单一特征转变为多特征的应用。近年来的研究证明，时间上下文特征有利于提高影像分类的准确性，如Kun JShunlin L等人利用时间序列数据对森林覆盖的提取分类优于单时相分类(参考文献：Jia K,Liang S,Zhang L,et al.Forest cover classificationusing Landsat ETM+data and time series MODIS NDVI data[J].InternationalJournal of Applied Earth Observation and Geoinformation,2014,33:32-38.)。由于时间序列数据集的高维度特征及不断智能化处理的需求增长，基于深度学习理论的方法已成为较为热门且表现较好的一类分类方法，如M.Rubwurm等人利用深度学习中的长短期记忆网络模型(LSTM)对多时相遥感数据进行土地利用分类，且分类精度优于卷积神经网络(CNN)及非深度学习的支持向量机(SVM)。基于深度学习的分类方法多种多样，但由于这类方法通常需要丰富多样的样本数据用于网络模型的训练，这对于长时间序列遥感数据集的收集增加了难度，尤其是标签数据，在实际中很难保证时间序列中每张影像都有对应的真实地表标签数据。此外，光学遥感影像的采集难以避免云雾遮挡的情况，由于云雾遮挡的不可避免和不确定性，也会导致连续影像的缺失，不仅阻碍了时间序列遥感影像的收集，还会影响分类的效果和精度。

根据目前的研究背景和技术，对于时间序列遥感数据的分类而言，主要存在以下问题有待解决：(1)时间序列遥感数据集的收集较为困难，尤其是在实际中缺乏相应的标签样本，严重阻碍了依赖训练样本的分类模型的发展和分类效果。(2)光学遥感影像的采集难以避免有云雾遮挡的情况，由于云雾遮挡的不可避免和不确定性，也会导致连续数据的缺失，这不仅阻碍了时间序列遥感影像的收集，也影响了分类的效果和精度。

发明内容

本发明的目的在于提供一种面向时间序列遥感影像的土地利用分类方法，本发明是一种端到端的分类方法，综合考虑了时间序列的时间上下文信息、遥感影像的空间和光谱特征信息，利用深度学习、预训练模型以及半监督分类的联合方式，较好地解决了现有技术存在的问题，使得所述的土地利用分类方法更加适用于训练样本的标签数据较少，且遥感影像数据缺失或者部分缺失的分类场景，获得了较好的土地利用分类结果。

本发明的目的是这样实现的，一种面向时间序列遥感影像的土地利用分类方法，包括以下步骤：

步骤1，对组成时间序列遥感数据的多光谱影像进行主成分分析，获取三个主成分的影像；

步骤2，对每个三波段影像进行预训练，提取出特征图像；

步骤3，特征图像按时间顺序依次输入半监督卷积长短期记忆网络模型进行训练；

步骤4，利用训练好的模型对最后一时相的影像进行预测分类，获得分类结果；