Introduction
Materials and Methods
1. Study Area
2. Data Set
2.1. Remote Sensing Data
2.2. Field Survey Data
3. Data Preprocessing
4. Methods
首先,基于 Sentinel-2 数据提取了植被指数 (NDVI、DVI、EVI、RVI)。其次,将 Mhalanobis 距离应用到 DTW 算法,将其从一维数据扩展到多维数据,从而计算多维时序之间的相似性。由于传统的 Mhalanobis 距离 基于样本集的协方差,无法精准地度量样本的相似性关系;本研究使用矩阵学习 (metric learning) 来训练 Mhalanobis 矩阵,从而解出相似性距离。最后,使用 KNN 分类器来提取湿地植物。总体步骤如 Figure 5 所示。
4.1. Multi-Dimensional Feature Time Series
4.2. Mahalanobis Distance-based Dynamic Time Warping
DTW:Dynamic Time Warping,动态时间规整 —— ww ^的CSDN博客
原本的 DTW 中,在计算两个点之间的距离时,使用欧氏距离 。
对于本实验构建的多维特征时序,如果使用欧氏距离,每个特征(植被指数)的权重相同,且会忽略特征之间的关系。然而,不同的特征与待测物标签的关系可能是不同的,且不同特征之间可能存在某些相关性。本实验使用 Mahalanobis distance 度量多维特征向量时序之间的局部距离。
Mahalanobis distance:用于度量一种分布和一个点之间的距离,可以有效计算两个未知样本集之间的相似性。
假设两个多维时序 X 和 Y 为:
其中,d 是特征的维度(个数),m 和 n 分别表示多维时序 X 和 Y 的长度。利用 Mahalanobis 距离 计算 局部距离(local distance) 的表达式为:
其中, 表示 X 的第 i 列,即 时间 i 时每个变量的值;同理,
表示 Y 的第 j 列,即 时间 j 时每个变量的值。PSD matrix ( M ) 名为 Mahalanobis matrix 。
其中, 是 从(1,1)到(i, j)的累积最小距离,
。
至此,就形成了 MDDTW,可以度量多维特征时序之间的相似性。
此处,最重要的问题是如何获取 Mahalanobis distance(即求解 Mahalanobis matrix)。传统的做法是使用协方差矩阵的逆作为M,协方差矩阵代表了数据内部的聚合关系。然而本研究中,仅表现数据内部的聚合关系是不够的;更重要的是建立样本属性和类别之间的关系。因此,本研究使用了一个 metric learning method。
4.3. Metric Learning for MDDTW
基于 Mahalanobis distance 的 metric learning 的目的是:给定一个训练样本及 X,获取一个正半定对称矩阵(positive semi-definite symmetric matrix) M,从而建立样本的特征向量之间的关系。这样的话,训练样本之间的相似关系会被保留,相同样本的距离更近,不同类型的距离很远。
有研究开发了一种新的 Mahalanobis distance metric 学习算法,该算法使用 triple constraint 和 information entropy,并在图像处理和模式识别领域成功应用。本研究使用此种新算法。
Mei, J.; Liu, M.; Karimi, H.R.; Gao, H. LogDet divergence-based metric learning with triplet constraints and its applications. IEEE Trans. Image Process. 2014, 23, 4920–4931.
Mei, J.; Liu, M.; Wang, Y.F.; Gao, H. Learning a Mahalanobis distance-based dynamic time warping measure for multivariate time series classification. IEEE Trans. Cybern. 2016, 46, 1363–1374.
Experiment and Results
为了确认基于 MDDTW 的分类方法的有效性,本研究比较了 4 种分类方法:Random Forest based on multitemporal (RF-Multitemporal)、Random Forest based on pixel-differential time series (RF-PDTS)、TWDTW、EDDTW
1. Experiment
2. Result
Discussion
1. Comparison of Vegetation Classification Methods
2. Influence of Parameters on MDDTW Performance