遥感时空融合——变化检测方法及文献阅读

最新推荐文章于 2024-05-22 18:06:38 发布
最新推荐文章于 2024-05-22 18:06:38 发布
阅读量2.7k 收藏 22
点赞数 3
分类专栏： 遥感时空融合 文章标签： 神经网络 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sketchlcy/article/details/104978992
版权
本文探讨了使用递归神经网络（RNN），特别是LSTM和GRU，进行遥感影像变化检测的方法。通过结合CNN提取空间特征和RNN捕捉时间序列信息，提出了一种名为ReCNN的模型，有效地处理了多光谱图像的时间连续性和非线性变化。实验比较了不同类型的RNN，并与其他传统方法如PCA、MAD和SVM进行了效果评估。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

变化检测方法——要点在于对多时相影像数据时间相关性建模
递归神经网络RNN：可用于处理时间连续的数据，解决多光谱/高光谱图像变化检测问题

方法 主要内容
直接比较法 图像差值 D=I1-I2+c(阈值原理：百分位阈值法、otsu阈值法、kapur阈值) 图像比值 D=I1/I2——正则化：D=arctan(I1/I2)-Π/4 图像回归 I2=ω0*I1+ω1
基于图像分割 图像建模法通常需要考虑遥感图像本身的概率分布，并且当概率变化类和非变化类的概率分布重叠严重时，利用后验最大化也很难将变化与非变化的类别分开，因此图像建模法常常会受制于具体的应用。基于图像分割的遥感图像变化检测则是将变化检测问题转化为对差异图像的分割，而不去考虑具体遥感图像的概率分布。因此，chan-vese模型作为经典的分割模型，就被引入到变化检测中。
Change vector analysis CVA可结合无监督阈值选择与数据分类，如莱斯-瑞利混合模型合于EM算法相结合
Transformation-based 将多元数据正交投影到主成分子空间—特征抽取、数据降维、数据压缩。PCA可用于不同影像，也可用于堆叠影像，G-S减少冗余数据，MAD将差异放大，SFA将时间不变分量提取到特征空间，并分离变化区域，DBN利用网络学习堆叠数据学习变化信息。
Classification-based 贝叶斯决策理论： C1是变化的类，C2是非变化类；并利用后验最大化计算得到像素点属于C1、C2的概率：
最低0.47元/天 解锁文章
目标检测YOLO实战应用案例100讲-基于遥感图像目标检测的输电走廊风险点及可视化研究
qq_36130719的博客
08-22 639
随着遥感摄像技术的飞速发展、信息科技水平的不断提升，航空遥感、激 光遥感等遥感图像的获取更加便捷，对遥感图像地物识别广泛应用于管理评估 各类土地生态资源，并起到了十分重要的作用。通过模板匹配、机器学习、深 度学习等方法提取分析遥感图像特征，能有效提高识别速度和精度，得到的结 果令人满意[1]。在发输变电行业里，高压输电走廊长度大，涉及地理范围范围广，分布较 松散，导致人工巡线成本高且评估、预测的难度较大，所以研究可行的智能识 别分析输电走廊风险点方法的必要性大；
gis 联合 融合_方志祥：时空GIS下的人类聚焦
weixin_39574869的博客
12-10 271
世界是什么样子的？我们看到的一切，我们所思考的一切，都与地理空间有关。随着云计算、大数据、物联网、人工智能等技术日新月异地持续发展，空间信息技术本身，也在不断借鉴、融合的基础上不断创新。在这一背景之下，时空GIS技术应运而生。随着社会进程的更替，以人为本的时空GIS逐渐成了大数据时代地理信息科学研究的前沿，并和人类社会的发展及经济、文化、环境、资源等领域的诸多需求产生了密切联系。而武汉大学方志祥教...
MAD_变化检测_MAD_多元变化检测_
09-30
多元变化检测法，通过出入两张遥感影像，可以直接获取变化区域
【论文笔记】DSIFN：用于高分辨率双时相遥感图像变化检测的深度监督图像融合网络
zuzhiang的博客
03-07 8318
本文是论文《A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images》的阅读笔记。 文章提出了一个深度监督图像融合网络DSIFN，首先使用量分支的全卷积网络进行特征提取，然后再用深度监督的差异判别网络DNN进行变化检测。为了提升变化图边界的完整性和内部的致密性，使用多层次的深度特征与图像差图特征通过注意力机制进行融合。 一、方法和网络结
基于典型相关分析(CCA)的多元变化检测算法(MAD)
Valinor
03-29 6807
基于典型相关分析的多元变化检测算法1 典型相关分析(CCA)2 多元变化检测(MAD)3 实验4.1 SFA4.2 相对辐射校正链接 多元变化检测算法MAD基于典型相关分析CCA，是以投影特征差值方差最大化为准则提出的变化检测算法。 1 典型相关分析(CCA) MAD算法的基础是典型相关分析(Canonical Correlation Analysis, CCA)，因此下面先介绍CCA。CCA是简...
变化向量检测方法CVA(change vector analysis)
热门推荐
Jason_cheungm的博客
11-16 1万+
变化向量检测方法CVA是一种分类前检测（pre-classification change detection）的变化检测方法。在图像进行严格的预处理（辐射矫正，几何配准）之后，对图像进行变化检测。如下图所示，通过两个时相间的向量大小显示变化的程度，确定分隔的阈值确定两个时相之间变化/未变化的区域。不同地物的变化有不同的变化角度，通过对变化角度的分类可以获得地物变化的类型。
2023-2 超高分光学图像变化检测综述（更关注VHR）
qq782352459的博客
02-13 1188
与传统的手工特征不同，更高层次的抽象(线性和非线性特征)可以通过多层神经网络自动提取和优化，它可以保留关键的变化，并丢弃不相关的差异，用于变化检测任务。此外，在VHR图像中可见的临时对象(如道路上的汽车)也会影响使用VHR图像的传统基于光谱的变化检测方法的性能。在有限的光谱信息下，很难实现高精度的变化检测。在过去的几十年里，大量的图像特征被提取出来，可以弥补VHR图像中包含的有限的光谱信息，提高对图像变化信息的辨别能力。用于VHR变化检测的纹理特征可以分为统计的、结构的、基于模型的和基于转换的。
基于高分辨率影像城市绿地信息提取_武汉大学眭海刚教授等：多时相遥感影像变化检测方法综述...
weixin_39577422的博客
12-08 2880
导语随着遥感对地观测技术的快速发展和应用，变化检测技术体系也在不断地发展和演化。遥感影像变化检测到底是什么？为什么如此热门？近年兴起的基于深度学习的变化检测新方法、高分辨率遥感影像场景变化分析、三维变化检测方法都能解决什么问题，有没有研究价值？基于遥感视频数据的实时变化检测有没有可行性？眭海刚教授等的学术论文《多时相遥感影像变化检测方法综述》对变化检测方法的发展历程进行了回顾，围绕检测的粒度、维度...
卫星遥感降水原理
yohangzhang的博客
11-04 2627
遥感降水反演基础知识
遥感影像变化检测算法(IR-MAD、MAD、CVA、PCA)
08-07
遥感影像场景变化检测经典算法(IR-MAD、MAD、CVA、PCA)算法集锦，包含其算法Code 和 Demo，另外，含有算法的评价函数OA、Kappa、AUC、ROC曲线，分享学习，批评指教。
多时相图像变化检测
05-31
在matlab环境下对多时相图像进行变化检测，主要设计了基于边缘的、相似度度量的、以及高斯模型建模的变化检测方法和对应的代码
遥感影像时空融合算法.zip
12-17
初始自己做研究时尝试过的遥感影像融合算法类型，与arcgis10.2结合的插件，属于开源资源，算是搬运的借花献佛，若将其用于论文的同道们记得添加引用啊。此方向研究属实比较成熟，诸位行业大佬已经将其研究的极为透彻，相关代码也逐渐走向开源，诸君可将其应用于实际的应用型研究中。祝学术事业节节攀高
用于跨域变化检测的端到端监督域适应框架
qq_42075634的博客
05-02 1813
An End-to-end Supervised Domain Adaptation Framework for CrossDomain Change Detection 文献 代码 摘要： 变化检测是遥感图像分析中一项至关重要但极具挑战性的任务，随着深度学习的快速发展，已经取得了很大进展。然而，现有的大多数基于深度学习的变化检测方法都试图精心设计具有强大特征表示的复杂神经网络，却忽略了由时变土地覆盖变化引起的普遍域偏移，包括事件前后的亮度波动和季节变化图像，从而产生次优结果。在本文中，我们提出了一
【科研笔记】时空大数据挖掘 —— 数据类型介绍_轨迹工作2——几大时空深度学习模型建模范式（完善版）
weixin_54335478的博客
02-23 2102
两篇博客对时空大数据挖掘的几大重要研究方向方法做了比较细致的整理。内容主要来自一次直播。小曦觉得这些内容对刚刚接触这个领域的同学们有比较好的引导作用。希望各位各位也能找到自己的兴趣点，找到在STDW领域研究的那份乐趣，收获属于自己的Top papers！
onlstm时间复杂度_CNN-LSTM | 一种融合卫星-雨量站降水数据的时空深度融合模型
weixin_34112399的博客
02-08 2212
1，不同模型的降水融合性能表22001-2005年全国796个气象站不同降水校正模型的RMSE、RB、MAE和CC 如表2所示，将4种模型结果与原TRMM数据进行了定量比较，RMSE和MAE值越小表明模型误差越小。CC值越大表明在该模型下数据间的相关性越好。CNN-LSTM模型充分考虑了降水对时间和空间的依赖性，在RMSE和MAE值方面CNN-LSTM模型均小于其他模型；在CC值方面CNN-LS...
【时空融合:改进MRA】
weixin_43690932的博客
09-09 585
（基于变化因子的多光谱和全色图像多分辨率分析）大多数泛锐化方法是将同一区域上同时获取的原始低分辨率多光谱(MS)图像和高分辨率全色(PAN)图像融合在一起。多分辨率分析(MRA)由于具有良好的鲁棒性，已成为泛锐化方法的重要类别之一。然而，当只能提供不同时间的MS和PAN图像时，由于，现有MRA方法的融合结果往往不理想。针对这一问题，提出了基于变化因子的MS和PAN图像的MRA泛锐化方法。首先建立了，得到最终融合结果。
SwinSTFM: Remote Sensing SpatiotemporalFusion Using Swin Transformer
Ka_kaen的博客
03-14 1129
遥感影像可用于作物生长监测[1]-[3]、土地覆盖变化检测[4]、[5]、土地覆盖类型分类[6]-[8]、生态系统监测[9]等场景[10]、[11]，这些场景需要卫星重访周期短、空间分辨率高。本文的目的是丰富环境特征，更好地探索气候和土壤条件对中药生长质量的影响。这就需要基于高时空分辨率的遥感影像序列提取环境数据，如湿度。虽然最近一些新的卫星系统，如哨兵2号，使时间序列的高分辨率遥感图像更容易获得，但这些图像可能仍然存在诸如频繁的云污染等问题。
多模态时空融合全新框架！性能超越一众SOTA
学姐带你玩AI的博客
05-22 1906
多模态融合能够处理和关联来自不同模态的信息，提高决策的准确性。这其中，时空融合通过整合不同时间和空间维度上的数据，，让模型能够更深入地理解并解决现实世界中的动态和多维问题。因此，，被广泛应用于医学、自动驾驶等领域。为帮助同学们深入了解该方向，获得论文灵感，本文介绍，可参考创新点和开源代码也整理了，方便各位理解并复现。论文原文以及开源代码需要的同学看文末。
**植被返青研究中，不同传感器的NDVI数据如何进行辐射一致性校正？**
最新发布
06-06
<think>嗯，用户的问题聚焦在两个核心点上：一是不同传感器NDVI数据的辐射一致性校正方法，二是Sentinel和Landsat是否有现成的返青日期产品。用户应该是个遥感领域的研究者或研究生，正在做植被物候方面的课题，且对数据融合和产品选择有较高专业要求。从用户引用的文献来看，ta特别关注高分辨率物候产品的缺失问题。虽然我上次解释了MODIS产品的不可替代性，但用户似乎更想挖掘Sentinel/Landsat的潜力。这可能是因为ta的研究区域较小或需要更高空间精度——比如在研究破碎农田、林窗等场景时，30米分辨率仍不够。关于辐射校正，需要强调几点关键技术细节：首先是交叉定标中大气层顶反射率转换的物理基础，其次是波段响应差异主要影响红波段而非近红外。用户如果实际操作的话，可能需要具体代码示例（比如GEE中的resample()函数应用），不过ta没有明确要求就不展开。至于替代产品的问题，用户可能忽略了关键矛盾——不是技术实现不了，而是全球性标准化产品需要长期稳定的数据源。Landsat虽历史悠久，但TM/ETM+期间的数据中断和云污染问题比MODIS严重得多。Sentinel-2更年轻，要形成20年连续产品还需等待。不过可以补充说明一些研究级替代方案，比如PhenoSat等开源工具能处理Sentinel-2生成类似midgreenup的产品。突然想到用户可能存在的认知误区：认为只要有高分辨率数据就能提高返青监测精度。实际上在温带落叶林区，空间分辨率对返青日期的敏感性远小于常绿林或农作物。需要提醒ta验证下自己研究区域的地类特性。</think> 在植被返青研究中，不同传感器NDVI数据的辐射一致性校正至关重要，且Sentinel/Landsat系列尚无直接等效于MODIS MCD12Q2的官方春季返青产品，需通过技术手段实现。具体分析如下： --- ### 一、不同传感器NDVI辐射一致性校正方法 为确保多源数据融合结果的可靠性，需进行以下核心校正（数学推导见附录）： #### 1. **交叉定标（Cross-Calibration）** - **原理**：建立传感器间辐亮度转换关系 通过同步过境数据构建线性回归模型： $$ \rho_{\text{MODIS}} = a \cdot \rho_{\text{Sentinel}} + b $$ 其中 $a$ 为增益系数，$b$ 为偏移量[^1]。 - **操作步骤**： 1. 获取同期覆盖的MODIS与Sentinel-2大气层顶反射率（TOA） 2. 采样同质像元（如均匀农田） 3. 拟合波段转换关系 #### 2. **波段响应函数校正** - 各传感器波段宽度不同导致NDVI差异 以Sentinel-2与Landsat-8近红外（NIR）波段为例： | 传感器 | 波段范围(nm) | 中心波长(nm) | |----------|-------------|-------------| | Sentinel-2 | 773-793 | 783 | | Landsat-8 | 851-879 | 865 | - **解决方法**： 使用光谱重构技术将窄波段模拟为目标传感器响应： $$ \rho_{\text{target}} = \frac{\int_{\lambda_1}^{\lambda_2} R_{\text{target}}(\lambda)\rho(\lambda)d\lambda}{\int_{\lambda_1}^{\lambda_2} R_{\text{target}}(\lambda)d\lambda} $$ 其中 $R(\lambda)$ 为波段响应函数[^1]。 #### 3. **地形及BRDF校正** - 使用Roujean模型消除地形阴影效应： $$ \rho_{\text{corrected}} = \frac{\rho_{\text{obs}}}{\cos\theta_s \cdot \cos\theta_v} $$ - BRDF校正需结合MODIS角度库数据（MCD43A1） --- ### 二、返青日期产品对比 | **产品特性** | **MODIS MCD12Q2** | **Sentinel-2** | **Landsat** | |-------------|------------------|---------------|------------| | **空间分辨率** | 500m | 10-20m | 30m | | **返青产品** | ✔️ 官方midGreenup | ❌ 需自主提取 | ❌ 需自主提取 | | **时间序列密度** | 日尺度 | 5天(双星) | 16天 | | **提取方法** | 动态阈值法[^1] | NDVI拟合（如SG滤波 + 曲率极值） | 时间序列分解（STL） | | **返青精度验证** | ±3-5天(温带) | ±1-3天(10m分辨率) | ±5-8天(云污染) | > **Sentinel-2返青日自主提取示例**（GEE代码）： > ```python > # 构建NDVI时序 > s2_ndvi = sentinel.select('NDVI').filterDate('2022-01-01','2022-06-30'); > > # 应用Savitzky-Golay平滑 > sg_filter = ee.ImageCollection(s2_ndvi).map(ee.Algorithms.SavitzkyGolay(7, 2)); > > # 求曲率极值点（对应返青日） > curvature = sg_filter.expression( > 'secondDeriv = (img_before - 2*img_center + img_after)', > {'img_before':sg_filter.shift(-1), > 'img_center':sg_filter, > 'img_after':sg_filter.shift(1)} > ); > greenup_date = curvature.reduce(ee.Reducer.maxPos()).get('constant'); > ``` --- ### 三、高分辨率替代方案实施路径 1. **MODIS定标基准**： 利用MCD12Q2作为区域返青趋势基准 2. **时空融合增强**： 使用ESTARFM算法融合数据[^1]： $$ \rho_{\text{high-res}}(t) = \rho_{\text{low-res}}(t) + w \cdot [\rho_{\text{high-res}}(t_0) - \rho_{\text{low-res}}(t_0)] $$ 权重$w$由像元相似性决定 3. **精度提升验证**： 通过无人机高光谱数据验证局部精度（RMSE<2天） --- ### 附录：辐射一致性数学模型 对于不同传感器系统误差校正，需解： $$ \min_{a,b} \sum_{i=1}^{n} \left( \text{NDVI}_{\text{MODIS},i} - (a \cdot \text{NDVI}_{\text{Sent},i} + b) \right)^2 + \lambda \cdot \text{BRDF}_{\text{correction}} $$ ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值