2019年《A time-series classification approach based on change detection for rapid land cover mapping》-CSDN博客

本文链接：https://blog.csdn.net/qq_40292148/article/details/129854969

Introduction

1. Post-classification change detection methods

2. Time-series change detection and classification methods

Prophet and DTW based LULC-TSCCD

1. Prophet-based change-point detection in a long time-series

1.1. Background knowledge of Prophet

1.2. Prophet-based change-point detection

2. DTW-based time-series classification

2.1. Background knowledge of DTW

2.2. DTW-based time-series classification

Evaluation and experiments

Conclusions

Appendix

Introduction

2 种 LULC-TSC 分类算法。LULC-TSC 的应用及其意义。

LULC-TSC ：Land-Use/Land-Cover Time-Series Classification，土地利用/覆盖时序分类

现存算法的缺点。解决方案：具有更大灵活性和更好噪声适应性的时间拟合与分类算法。

Taylor, S.J., Letham, B., 2018. Forecasting at scale. Am. Stat. 72 (1), 37–45.

Pencue-Fierro, E.L., Solano-Correa, Y.T., Corrales-Mu noz, J.C., Figueroa-Casas, A., 2016. A semi-supervised hybrid approach for multitemporal multi-region multisensor landsat data classification. IEEE J. Select. Top. Appl. Earth Observ. Remote Sens. 9 (12), 5424–5435.

Zaidi, S.M., Abolghasem, A., Azizan, A.S., Ngien, S.K., Aanak Gisen, J.I., 2017. Landsat-5 time series analysis for land use/land cover change detection using NDVI and semi-supervised classification techniques. Polish J. Environ. Stud. 26 (6), 2833–2840.

LULC 分类的 2 种常见算法：

1. Post-classification change detection methods

分类后的变化检测，顾名思义，指：基于待观测范围内的所有数据进行单相分类，比较和分析每个时相之间的差异，从而获得最终的时间序列分类结果。

缺点：(1) 这种方法并未考虑地表覆盖的时间独立性（temporal dependency）以及每个时间点提取的特征有何不同。这显然与自然现象不符。(2) 这类算法通常是监督学习，需要大量的训练数据。对于较长的时间序列 LULC 分类问题，很难在时相获取完整且正确的特征。

文章说的有点绕，个人认为：单相分类割裂了连续时序的完整特征，直觉上不太合理。

2. Time-series change detection and classification methods

为每个像元构建一个相关联的时间序列；分析并拟合特征在时间维度上的变化，估测并确认断点(breakpoint)；分割时序，再对子时序进行分类；最后，得到时序分类结果。

Prophet and DTW based LULC-TSCCD

1. Prophet-based change-point detection in a long time-series

1.1. Background knowledge of Prophet

Prophet 是一种模块化回归模型（modular regression model），其参数易于理解，可以利用专业知识进行调节。

该算法将时间序列拆解成三个部分：trend、seasonality、holiday。上式中，g(t) 是 trend 函数，描述了时间序列中的非周期性变化。s(t) 表示周期性变化，比如每周或每年的 seasonality。h(t) 表示 holidays 的影响，holiday 指潜在的不规则事件。是误差项，代表了模式无法适应的一些特殊变化，一般认为是正态分布的。