论文部分内容阅读
土地资源是人类在地球上赖以生存最重要的资源。对特定时段内的土地资源和土地利用变化情况进行全面地监测和调查是进行土地资源管理的重要任务。持续、重复、大范围的卫星遥感观测一直都是进行地表覆盖变化检测的有效手段。随着遥感数据的大量累积和高时间分辨率遥感技术的发展，基于卫星影像时间序列的土地利用变化检测是近年来遥感领域的研究热点，新的遥感时间序列变化检测方法也层出不穷。 目前已有不少方法可以对土地利用变化进行有效检测，但仍存在许多问题，主要体现在对遥感数据的时间维信息利用不足、无法识别年内变化、算法复杂度过高、无法检测特定变化类型等方面。因此，需要研究如何在更高时间分辨率尺度上对土地利用变化的动态过程进行持续检测，以进一步挖掘和发挥卫星影像时间序列数据在土地利用动态遥感监测中的作用。 针对上述问题，本文以统计学习领域中的一种经典方法——隐马尔可夫模型(Hidden Markov Model，HMM)为基础，针对通用和特定类型的土地利用变化检测问题，分别研究了两种完整的变化检测方法，并对这两种方法的适用性进行了对比和分析。本文的主要研究内容和创新点如下: (1)提出了一种基于时间域滑动窗口的隐半马尔可夫模型(Hidden Semi-Markov Model，HSMM)相似度序列构建方法。该方法采用一个时间域滑动窗口逐段截取一条时间序列并计算子序列相似度，为了解决非循环结构的HSMM无法计算跨越两年的子序列输出概率的问题，本文设计了一种子序列重组方法，将每个观测值按照它在一年中出现的顺序重新排列，数学推导和数据实验表明，本文提出的方法能够计算和比较任意一条子序列的相似度。 (2)提出了一种基于HSMM相似度序列的土地利用变化检测方法。为了克服现有的基于时间序列模型的变化检测算法复杂度过高、分类精度低的缺陷，本方法根据HSMM相似度序列的连续、大幅下降检测变化点，然后采用训练好的模型分类变化后的时间序列以确定变化类型，并重新启动上述变化检测过程，从而自动、连续地检测土地利用变化检测。实验表明，本方法在不同的模型结构参数下的变化检测和分类精度均优于现有方法，并且在运算效率上有了很大提升。 (3)提出了一种基于层次隐马尔可夫模型(Hierarchical Hidden MarkovModel，HHMM)的新增建设用地占用耕地检测方法。针对面向特定类型的土地利用变化检测研究的不足，本文以建设用地占用耕地为例，采用HHMM描述耕地变化动态的多层次语义，然后以该模型为基础，通过输入的耕地序列推理隐含的土地利用类型，将变化检测和土地利用分类的过程融合到一个统一的理论模型中，只检测用户指定的变化类型而忽略其他变化。实验结果表明，本方法能够直接、精确地提取建设用地占用耕地区域，并在很大程度上解决伪变化过多的问题。此外，本算法也可以应用于其他特定类型的土地利用变化检测问题。