面向精细尺度耕地动态变化监测的循环神经网络时序预测模型研究

The high-resolution satellite image time series (HR-SITS) provide excellent data for high-frequency, fine-scale monitoring of cultivated land dynamics. It is promising for online anomaly monitoring using recurrent neural networks (RNN) to mine the nonlinear spatial-temporal variations of cultivated land and predict future time series. However, the existing methods neither effectively utilize the spatial information of the images nor solve the modeling distortion problem caused by irregular sampling and phenology shift. In view of this, this project will focus on designing a new time series prediction model based on RNN, which fully incorporates the spectral-spatial-temporal information in HR-SITS. The research contents of this project include: 1) semi-supervised learning for feature selection and dimension reduction, by means of combining classical spectral-spatial features with a convolutional sparse autoencoder; 2) feature sequence modeling and prediction based on attention mechanism and RNN encoder-decoder, in order to accurately model the spatial-temporal evolution process of cultivated land; adaptive abnormal detection in cultivated land, with the purpose of improving the robustness of dynamic monitoring. The research of this project will provide new theory and methods for near real-time remote sensing monitoring and promote the in-depth application of HR-SITS in all-day remote sensing monitoring of land resources.

高分辨率卫星影像时间序列（HR-SITS）为开展高频次、精细尺度的耕地动态变化监测提供了优良数据，利用循环神经网络（RNN）挖掘耕地的非线性时空变动机制并预测未来序列，有望实现异常变化的在线监测。然而，现有方法既未有效利用影像的空间信息，也未解决非等间隔采样和物候偏移导致的建模失真问题。针对此，本项目将重点设计融合HR-SITS时空谱信息的新型RNN时序预测模型，主要研究内容包括：1）经典光谱-空间特征与卷积稀疏自编码器结合的半监督学习，实现少量标注样本条件下的特征选取与降维；2）基于注意力机制与RNN编码器-解码器模型的特征序列建模与预测，建立序列变化与影像观测日期及物候状态之间的依赖关系，实现耕地时空演化过程的精准建模；3）耕地异常变化的自适应判别，提高动态监测的稳健性。项目成果将为近实时遥感监测提供新的理论与方法，推动HR-SITS在土地资源全天候遥感监测中的深入应用。

高分辨率卫星影像时间序列是耕地动态变化监测的主要数据源。本项目面向耕地“非农化”、“非粮化”监测的应用需求，利用深度时序网络模型开展了基于高分辨率卫星影像时间序列的耕地变化监测方法研究，在时序建模与预测、近实时异常监测、时序特征学习、多模态融合分类方面形成了一系列关键技术，能够提取多种类型的耕地变化，包括土地覆盖类型转换和农作物种植类型变化。.在时序建模与预测方面，提出一种基于循环神经网络编码器-解码器的遥感时序预测模型，通过引入注意力机制建立预测序列与历史序列的物候对齐关系，克服由于作物物候偏移引起的序列预测失真问题，实现对耕地序列的精准预测。在近实时异常监测方面，提出一种基于时域滑动窗口预测的地表异常变化动态判别方法，能够根据历史正常序列的预测误差概率分布自适应地确定异常现象的判定阈值，提高耕地变化监测的可靠性。在时序特征学习方面，提出一种面向高分辨率遥感时序影像的自监督特征学习方法，通过构造“缺失数据补全”的代理任务从海量、无标记遥感时序数据中自动学习高层时空上下文特征，能有效提高小样本条件下的遥感时间序列分类精度。在多模态融合分类方面，提出了一种基于监督对比学习的光学和SAR时序影像跨模态特征学习方法，通过缩小同类作物的多模态特征在低维潜空间内的距离，能提取具有作物辨识力和噪声鲁棒性的多模态特征，提高协同光学和SAR遥感时序影像的农作物分类精度。.本研究初步展现了上述方法在耕地动态变化监测和农作物种植结构提取中的应用潜力，本项目研究发展的方法还可用于其他类型的地表异常变化监测问题，如森林火烧监测，在国土、农业、减灾等行业应用中具有较好的可推广性。.