Landsat时序数据估算森林生物量的研究进展

利用Landsat时序数据可以估测森林生物量及碳储量动态变化情况,为森林生物量、碳储量和气候变化研究提供更精确、更大尺度的反演基础。基于Landsat时间序列数据研究森林地上生物量的遥感估测方法,从数据处理、Landsat结合多源遥感数据估测生物量及模型构建3个方面进行总结和回顾,并提出研究建议与未来展望。

基于Landsat时序数据的高潜水位煤矿区植被扰动分析

我国东部矿区是重要的煤粮生产复合区,由于境内地势平坦,地下潜水位高,采空区形成的沉陷大多常年积水或季节性积水,所引起的土地、生态、环境问题尤为严重。植被作为矿区生态环境的重要组成部分,因外界干扰和环境要素的变化而具有动态特征。归一化差值植被指数(NDVI)是植被生长状况遥感监测的常用指示因子,基于NDVI时间序列数据的分析可以有效揭示植被的扰动效应。以安徽淮南顾桥矿为研究对象,基于2007—2018年Landsat NDVI时间序列数据的分级统计,以及热点分析、聚类与异常值分析和剖面线分析,研究NDVI值的时空变化特征,探讨煤矿开采沉陷对周围植被的扰动效应。研究表明:2007—2018年间顾桥矿植被生长状况整体良好,但植被覆盖离散程度在增大;NDVI分布具有明显的空间聚集特征,均为“高–高”聚类和“低–低”聚类,无异常出现;受煤炭开采影响,热点区减少,冷点区增加,热点向冷点的转化主要发生在沉陷积水区、德上高速和永幸河附近;沉陷积水区周围一定范围内存在明显的植被扰动,开采初期扰动较小,随着积水区范围的增长和时间的推移,扰动范围逐渐增大,最后趋于稳定,具有时序滞后性和时空累积性。研究成果为采煤沉陷区生态影响范围的确定及生态环境的恢复治理提供了参考。

基于Landsat时序数据的森林干扰监测

【目的】针对我国森林干扰频繁、干扰类型复杂多样的特点,采用时间序列轨迹分析方法进行森林干扰监测,为陆地森林生态系统碳循环和碳蓄积以及气候变化研究提供参考。【方法】以福建省长汀县为研究区,基于2000—2016年15期Landsat时序数据,采用时间序列轨迹分析(LandTrendr)方法,对时序轨迹进行适当分段和线性拟合以识别干扰变化,获取长汀县森林干扰信息。结合Google影像和全球30 m分辨率GDEM数字高程产品等辅助信息分析监测结果,并基于实地调查和像元2种方法进行精度评估和验证。【结果】2000—2016年长汀县森林干扰总面积192.49 km2,平均每年受扰动森林12.83 km2;2001年干扰量最小,不足1 km2;2004、2008和2009年森林受干扰较为严重,均在30 km2以上,约占当年森林面积的1.3%,共占干扰总面积的50%,其中2004年干扰面积高达32.85 km2;2003、2006、2007和2010—2011年干扰面积略大于10 km2,但均小于当年森林面积的0.6%,其余各年干扰面积远小于10 km2。森林干扰面积在个别年份波动较大,总体上随时间呈下降趋势。森林干扰持续时间主要为1~3年,发生在1年的干扰面积比例最大,达82%;森林干扰主要集中在长汀县东部非森林区域附近,随海拔升高干扰呈明显下降趋势,超过60%的干扰发生在中低海拔地区。结合Google影像目视解译,长汀县森林干扰主要是由森林火灾和人工砍伐造成的急剧干扰事件,且主要发生在非森林区域附近的低海拔地区。【结论】基于目视解译和实地调查结果与研究得到的干扰监测结果一致,干扰斑块可被完整提出,且边界准确清晰,细小干扰也能逐一识别。基于像元尺度精度验证的总体精度达96.26%,Kappa系数为0.92,各年份用户精度均在80%以上,除个别年份外,生产者精度均在75%以上,具有较高的监测精度。

基于改进生成对抗网络的时序数据异常检测

针对时序数据复杂的时间相关性,以及现有异常检测模型存在准确性低、训练不稳定等问题,提出一种结合BiLSTM和WGAN-GP的无监督时序数据异常检测模型。使用BiLSTM作为生成器和判别器的基础网络来捕获时序数据的时间相关性;为保证训练过程的稳定性,使用Wasserstein距离取代原有的衡量方法,在判别器损失中加入梯度惩罚项;将重构损失与判别损失相结合定义异常函数,采用局部自适应阈值方法判别异常,提高异常检测的准确性。为验证模型性能,在涉及多个领域的5类数据集上进行实验,其结果表明,该模型相比于Arima、LSTM等模型具有最高的平均F1分数。

面向NVM的IoT时序数据多态协作压缩策略

压缩策略是影响IoT时序数据存储系统性能的重要因素,而现有压缩策略缺乏针对NVM与IoT时序数据特性的优化机制。因此,提出了面向NVM的IoT时序数据多态协作压缩策略。首先,给出了IoT时序数据的组织结构。然后,针对IoT时序数据在一段时间内较稳定以及在用户态与内核态读写NVM适合的粒度差异较大的情况,设计了分层压缩策略。在用户态接收数据时,采用轻量级的数据压缩算法减少需存储的数据量,也减小了对IoT时序数据的存储效率的影响;针对IoT系统以查询和分析异常时序数据为主的特性,设计了深度压缩算法,在内核态对历史IoT时序数据进行深度压缩。其次,针对深度压缩历史IoT时序数据与存储新接收的IoT时序数据之间对NVM带宽的竞争,提出了写带宽保证的动态调整算法。最后,构建了面向NVM的IoT时序数据多态协作压缩策略原型PCCTSMS,并使用YCSB-TS工具进行测试与分析。实验结果表明,与InfluxDB、OpenTSDB、KairosDB和TVStore相比,PCCTSMS最高能提升161.3%的写吞吐率以及减少14.6%的存储空间。

时序数据缺失值插补方法研究与实现

传统时序缺失数据插补算法的稳定性低,且插补后的数据误差性大,无法保证插补后数据集的真实性;为此,提出一种基于改进的GAIN网络数据插补算法,通过融合Wasserstein判式,构建出GAIN-W时序数据缺失值插补模型。模型包含特征图提取、生成器组成与判别器构建三个模块;模块一,通过数据降维与标准化处理的方式提高数据的可操作性,并基于RW滑窗法提取时序数据的双通道二维特征;模块二,采用二维卷积层替代生成器的全连接层,提升不均匀间隔特征处理的准确性,并通过增加超参数λ,优化生成器的损失函数;模块三,基于三组全连接层解决判别器梯度爆炸的问题,并利用Wasserstein判式,学习数据分布并完成数据插补。仿真结果表明,在HEPC和BJPM2.5公开数据集中,与6类基线算法相比,GAIN-W算法插补处理后的数据集RMSE误差平均优化降低了47.00%,MAX误差平均缩减了24.00%,表明GAIN-W算法具有较高的精确性与稳定性。综上所述,GAIN-W轨迹时序数据缺失值插补算法解决了时序不均匀的问题,且降低了插补数据的误差,具有重要的仿真研究价值。

时序数据库关键技术综述

随着工业物联网(industrial Internet of things,IIoT)的不断发展,越来越多的设备和传感器开始连接到网络中,产生了大量的时间序列数据(简称“时序数据”),时序数据爆炸式的增长给数据库管理系统带来了新的挑战:持续高吞吐量数据摄取、低延迟多维度数据查询、高性能时间序列索引以及低成本数据存储.近年来时序数据库技术已经成为一个研究热点,一些学者对时序数据库技术进行了深入的研究,同时出现了一些专门用于管理时序数据的时序数据库,并且已经被应用在多个领域,成为工业物联网中不可缺少的关键组成.现有的时序数据库相关综述侧重于时序数据库的功能和性能比较,以及在特定领域中对时序数据库的选择建议,缺少对时序数据库持久化存储、查询、计算和索引等关键技术的研究,同时这些综述工作出现的时间较早,缺少对现代时序数据库关键技术的研究.对学术界时序数据存储研究和工业界时序数据库进行了全面的调查和研究,凝练了时序数据库的4类关键技术:1)时间序列索引优化技术;2)内存数据组织技术;3)高吞吐量数据摄取和低延迟数据查询技术;4)海量历史数据低成本存储技术.同时分析总结了时序数据库评测基准.最后,展望了时序数据库关键技术在未来的发展方向.

基于HTM-Attention的时序数据异常检测方法

针对现有工业时间序列数据异常检测算法并未充分考虑时序数据在时间相关性方面的研究问题,提出了一种改进的HTM(Hierarchical Temporal Memory)-Attention算法。该算法结合了HTM算法和Attention机制,能学习数据之间的时间依赖关系,并在单变量和多变量时序数据上得到验证。同时,通过引入Attention机制,算法可以关注输入数据中的重要部分,进一步提高了异常检测的效率和准确性。实验结果表明,该算法对不同类型的时间序列异常数据能进行有效地检测,并且比其他常用的无监督异常检测算法具有更高的准确率和更低的运行时间。该算法在工业时间序列数据异常检测的应用中具有较大的潜力。

时序数据分析的复杂化工过程异常智能溯源研究

对复杂化工过程异常工况进行智能推理溯源是实现安全关口前移、降低灾难性事故发生的有效途径。提出了一种基于Spearman-Apriori的化工过程异常智能溯源分析方法,旨在研究复杂化工过程异常工况发生的前置原因,并形成一种智能决策模型。针对化工工艺参数之间耦合性强、关联关系分析难度大的特点,引入Spearman相关系数,通过Spearman实时在线分析过程参数间的相关关系,并设置强关联阈值将Spearman相关系数分析与Apriori算法进行关联耦合,利用Apriori算法中的支持度和置信度二维挖掘各参数之间的超强关联规则。将该方法应用于合成氨工艺中合成工段的异常工况智能推溯,并选取氢氮比、管路工艺气流量、给水换热器冷凝剂流量等8个关键监测指标,研究发现氢氮比增大和给水换热器冷凝剂流量升高分别是导致合成塔入口压力超压、合成塔第一床层温度过低两组异常工况的前置原因,该分析结果与实际生产工艺相符,证明该方法可以有效地对化工过程异常原因进行推溯并筛选主要影响因素。研究为使用生产过程大数据实现化工过程异常智能溯源提供了理论基础,为进一步完善过程风险精细化管控提供了新思路。

基于双向循环插补网络的分布式光伏集群时序数据耦合增强方法

分布式光伏点多面广、局部渗透率高、安装环境复杂多变,真实可靠的量测数据是其性能分析、出力预测、运维调控的基础。然而,传感器故障和通信堵塞等因素会造成量测值缺失,恶化原始数据质量,进而影响配电网运行决策的准确性。传统数据修复方法只考虑单一量测值的分布特征,忽略了多维时序数据的潜在耦合关系,修复精度有限。为此,该文提出一种基于双向多阶段循环插补网络和Seq2SeqAttention的时序数据耦合增强方法,改进了循环插补网络的结构,并引入衰减机制,能利用少量未缺失数据,潜在地挖掘原始数据的整体分布规律,一次性对多个光伏场站完成高质量数据修复。实验结果表明,所提方法在高比例缺失情况下仍有良好的修复性能,可明显增强分布式光伏集群的基础数据质量,提升电网运营商对光伏集群的细粒度感知能力。

面向周期性工业时序数据的流式清洗系统

为了高效清洗具有时序性、周期性等特点的工业数据,首先利用分布式组件设计了一套流式清洗系统,系统以Mosquitto作为采集数据的汇集中心,以Flume为连接组件,以Kafka为缓冲组件,对接数据清洗组件,使系统具有高吞吐、大缓冲等优势。然后基于速度约束模型,设计了一种周期性数据清洗算法,综合工业数据的时序性、周期性、物理意义等特性,在原有速度约束算法基础上增加周期性检测和数据切片机制,以解决速度约束算法处理周期性数据的失真问题,提高可用度。最后文中以盾构掘进数据集为样本,验证了系统和算法的有效性,以及改进算法的适用性。

工业多元时序数据质量评估方法

现有的数据质量评估(DQA)方法通常只从特定数据质量维度(DQD)的基本概念分析,忽略了能够反映数据质量(DQ)关键信息的细粒度的子维度对评估结果的影响。针对上述问题,提出一种工业多元时序数据质量评估(IMTSDQA)方法。首先,对于待评估的DQD,如完整性、规范性、一致性、唯一性和准确性等进行细粒度划分,考虑同一DQD内或不同DQD间各子维度的相关性以确定这些子维度的度量;其次,对完整性的属性完整性、记录完整性、数值完整性,规范性的类型规范性、精度规范性,一致性的顺序一致性、逻辑一致性,唯一性的属性唯一性、记录唯一性,准确性的范围准确性、数值准确性等子维度进行权重分配,进而充分挖掘DQD的深层次信息,从而获得反映DQ详情的评估结果。实验结果表明,与现有的基于框架定性分析、依据DQD基本定义构建模型的方法相比,IMTSDQA能更详细、更全面地评估DQ,且不同DQD的评估结果更能客观准确地反映DQ问题。

考虑监测数据时序特征和空间分布的堆石坝参数反演研究

随着安全监测技术的发展,柔性智能位移计、管道机器人等新型监测技术逐步被用于堆石坝的安全监测。高堆石坝在其生命期内中积累了海量的监测数据,充分利用这些数据,开展参数反演分析,可以提高堆石坝数值模拟的准确性,有助于合理评估堆石坝安全性态。论文基于时间序列聚类从海量监测数据选择有代表性、多样性的测点组合,提取时序特征构造目标函数,反映堆石坝变形的时空演化特性,采用多目标优化算法进行堆石坝各分区的材料参数反演。与现有参数反演方法相比,本文方法能合理利用堆石坝大量监测数据,充分反映其在填筑、蓄水和运行过程中的变形发展和空间分布特性,基于反演分析的材料参数其计算沉降值与实测值吻合良好,能够显著提升参数反演的精度。

一种统计特征保持的时序数据库水印方案

数据库水印是保护数据库版权最有效的方法之一。然而,传统的数据库水印有一个潜在的缺点:水印的嵌入会改变数据的分布,从而影响数据库的使用和分析。考虑到大多数分析都是基于目标数据库的统计特征,保持统计特征的一致性是确保数据库可分析性的关键。由于统计特征分析往往是分组进行的,与传统的关系数据库相比,时序数据库(TSDBs)具有明显的时间分组特征,更具有分析价值。因此,本文提出了一种鲁棒的时序数据库水印算法,有效地保证了统计特征的一致性。基于TSDBs的时间分组特征,提出了一种基于线性回归、误差补偿和水印验证的三步水印方案RCV。根据线性回归模型和误差补偿的特性,该方案可以生成一组具有相同统计特征的数据。然后,基于验证机制对生成的数据进行验证,直到它可以传递目标的水印消息为止。与现有方法相比,该方法具有更好的鲁棒性和保持统计特征不变的能力。

基于时序遥感数据的城市国土空间动态监测方法研究

随着航空航天技术的发展,对地观测变得便捷、高效,使得建立时序遥感数据集开展连续的国土空间变化监测逐渐成为一种有效手段。本文通过固定的卫星平台、采用1个季度为间隔,获取连续的遥感数据,近地采取无人机摄影的方式进行补充,建立连续、完整的时序遥感数据,并进行人机交互式的解译、识别和分析,对研究城市区域开展4个季度时相的不间断获取和识别,并连续国土空间变化监测,对比分析新城区域和市中心区域的街镇变化图斑数量及组成占比,总结浦东新区建设用地变化图斑的周期性规律和趋势特点,为“上海2035”总规专题评估提供有效支撑。

基于迁移学习的交互时序数据可视化生成方法

为了解决时序数据间分布不一致的问题,使模式分析更容易应用于其他数据,提出基于迁移学习的交互式时序数据可视化生成方法,将迁移成分分析应用于时序数据提取的特征.将用户在其中一个时序数据上的分析作为标签,在该源域上训练分类器并应用到多个目标域,对多个不同目标域的时序数据的模式进行批量推荐.通过真实的天气数据和轴承信号数据的2个案例分析和专家访谈,验证了利用该方法能够提高时序数据探索的效率,减少数据分布不一致问题带来的影响,体现该方法的有效性和实用性.

基于自编码器-受限时序卷积网络的数据驱动配电网无功优化策略

配电网中可再生能源渗透率的提高带来了频繁的电压越限问题。作为一种被广泛研究的方法,无功优化方法已经成功应用到配电网中以降低网损、优化电压质量。该文提出一种基于自编码器-受限时序卷积网络的新型数据驱动配电网无功优化策略,该策略通过3个阶段来协调光伏逆变器、电容器组等多种多时间尺度的无功调节设备。首先,将无功优化问题建模为混合整数二阶锥规划问题,求解出历史最优无功调度策略;然后,使用历史运行数据和最优策略训练所提网络模型,并通过矫正层规避不合理结果;在实际运行中,训练好的模型依据系统测量值给出无功优化策略以应对配电网的波动。最后,通过改进IEEE 33节点算例仿真实验验证,所提方法能够达到混合整数二阶锥模型98.80%的准确度而仅消耗其7.14%的时间;与其他流行的深度学习方法相比,具有更佳的性能和更好的实用性。

基于弧度特征的火箭时序数据相似性评估

评估火箭时序数据的相似性是火箭时序数据分析的主要任务之一。动态时间规整算法是最具代表性的相似性度量算法,但由于其容易发生病态对齐现象,时刻点常被算法错误匹配,导致度量精度难以满足要求。为解决该问题,提出一种基于弧度特征的时序数据相似性评估算法。该算法充分考虑了原始时序特征和弧度特征,并采用时刻邻域信息进行计算,极大地提升了算法对序列局部形状的捕捉能力。将算法用于时间序列分类任务,在9个具有火箭数据类似特征的数据集上与4种相似度度量进行了对比,获得了26.04%以上的分类精度提升,证明了算法的有效性。

基于Landsat数据的重庆市热环境时空格局变化研究

针对当前热环境加剧对城市生态环境和人类健康带来的严重威胁,采用辐射传输方程法和Landsat数据对2001年和2019年重庆市主城九区地表温度(Land Surface Temperature,LST)进行反演,对研究区城市热环境时空变化进行研究。基于此选取景观指数和驱动因子对热力景观格局变化和热环境驱动机制进行研究。结果表明:①2001—2019年,重庆市主城九区城市热环境明显增强,高温区域明显增多且整体向北扩张,到2019年LST总体呈现“内高外低”的分布格局。②中温区最大斑块指数增长了近12倍,代替次低温区成为研究区优势斑块类型。斑块数量和密度均下降了约62%,说明重庆市主城区的热力景观总体上呈聚集化,连通性较强。③NDVI和DEM与LST呈负相关,NDBI与LST呈正相关,影响程度为NDBI>NDVI>DEM。

基于报警时序数据的水泥生产过程故障预警方法

实际的生产过程中报警系统往往仅用于给监控人员提供预警信息,缺少进一步的深入分析。在传统水泥生产过程中,会产生电流、温度、压力等报警时序数据,当某段工艺或设备发生异常报警时,这可能是由于设备故障、工艺问题、材料变化或其他不可预测的因素引起的。利用智能化数据检测手段,在生产数据发生跳变、斜率等报警时,将报警数据提取为报警时间序列,然后使用InceptionTime网络对报警时间序列进行水泥生产过程的故障预警,指引生产人员针对异常设备、工艺、材料进行及时分析和调整,有效防止水泥生产过程中的故障发生。