2022 RS《Wetland Vegetation Classification through Multi-Dimensional Feature Time Series Using MDDTW》

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

Conclusions