基于多尺度遥感数据时空同化的土地覆盖变化时序监测方法研究

More and more open remotely sensed data have guaranteed the data resource for land cover change monitoring, however also brings new challenges of data processing and mining. Although remote sensing big data have been acquired, large amount of data with weak information cannot be used because of the lack of effective preprocessing methods for addressing the issues of scale inconsistence and cloud contamination. In addition, abundant spatiotemporal information are not adequately explored for land cover monitoring because of the lack of effective data mining method. This research proposal aims to 1) integrate cloud-removal and spatiotemporal blending methodology with data assimilation strategy, generating cloud-free data with high spatial resolution and temporal resolution; 2) develop an edge-based change detection method for time-series data, which links the pixel-based time series model and spatial structures of segmented-objects to address the issues of segmentation scale and geometric inconsistence. The proposed method is expected to adequately explore the joint information in the spectral, temporal and spatial dimensions, and accurately detect the location and date of land cover change.

越来越多的公开遥感数据源为土地覆盖变化遥感动态监测带来了数据保障，同时对数据处理与信息挖掘带来了新的挑战。当前，虽然遥感数据资源丰富，但是由于存在尺度不一、云污染严重等问题，大量包含弱信息的数据因为缺乏有效的预处理方法而无法得到利用；另一方面，高时空分辨率影像虽然包含了丰富的时空信息，但是由于缺乏有效的挖掘方法，未能充分服务于土地覆盖变化监测。本研究拟：1）研发基于同化策略的去云与时空融合一体化算法，重建高时空分辨率的无云遥感数据集，最大化利用多尺度、云污染遥感影像中的有效信息；2）研发基于对象边缘为主体的时序变化检测方法，联接像元时序模型与对象空间结构，克服多时相图像分割与像元时序模型在处理单元上的匹配难题，充分挖掘时-空-谱关联信息，实现土地覆盖变化位置与变化时间的精确监测。

近年来，遥感数据源的爆炸式增长与深度学习的快速发展为土地覆盖变化动态监测提供了数据与技术保障。但是，一方面遥感数据伴随着云污染、分辨率差异问题，亟需准确的无云数据筛选与多分辨率数据融合等重建方法；另一方面，深度学习虽然具备强大的时空谱特征挖掘能力，但其对大量训练样本的需求限制其广泛应用。在数据重建方面，本项目系统探讨了云检测网络的泛化性与网络结构作用，发现现有云检测训练数据集已足够保证网络的泛化性能，但瓶颈在于网络的光谱信息挖掘不足，据此提出优化光谱特征的轻量级云检测网络，有效筛选无云像元；从理论与模拟实验两方面分析现有时空融合算法受几何误差、辐射误差、分辨率差异等因素的影响，推荐FSDAF与Fit-FC为最优的两种融合算法并厘清二者在不同场景下的优缺点，为算法选择提供指导。在地表覆盖分类与变化检测方面，本项目依据已有土地覆盖数据产品的一致性分析，提出自动化生成大规模高分辨率地表覆盖遥感样本集，为深度网络的训练提供充足样本；针对耕地地块识别，引入对抗域适应方法增强神经网络模型的迁移能力，提高模型在无样本区域的表现；基于分类归属概率发展孪生变化检测方法，有效利用分类语义信息，降低变化检测网络对变化类型与变化时间点的样本需求，提高了深度学习在地表覆盖时序变化监测中的实用性。以上方法支撑了京津唐、珠三角与河西走廊区域的地表覆盖时序制图，以及中国区域油菜多年制图产品生产。此外，本项目还针对混合像元问题展开研究，提出F-MESMA不透水层盖度反演方法与TTM双项校正法，分别克服混合像元制图中的端元变异与面积偏差问题。