基于Sentinel-1时间序列数据的肥西县水稻提取研究

水稻生长过程中会产生物候信息,通过遥感影像可对这一信息进行监测。由于光学影像受云雨影响,存在数据缺失问题,合成孔径雷达数据可有效弥补光学影像缺点。文章以肥西县为例,通过Google earth engine平台,构建一种基于Sentinel-1时间序列数据的水稻种植信息提取方法。通过分析不同地类上SAR后向散射系数的时序特征,采用支持向量机和随机森林方法对所提取的水稻信息进行对比分析。结果表明,Sentinel-1时序数据能有效识别水稻物候生长特征。

基于Conv1D-LSTM混合模型的长时间序列日最高温预测研究

针对传统方法难以处理高维度数据捕捉气温数据中的非线性模式和复杂动态特征的问题,本文提出一种基于卷积神经网络(Conv1D)与长短期记忆网络(LSTM)相结合的混合模型,用于长时间序列高温预测研究。数据集包含北京市2014年至2023年间的气象数据,包括天气、日最低温、日最高温、风向等特征。通过特征工程处理,将天气和风向特征编码,并对温度特征归一化。构建的Conv1D-LSTM混合模型创新性地融合Conv1D以捕获时间序列中的局部特征,融合LSTM以学习长期依赖关系。与传统模型相比,该混合模型的均方根误差(RMSE)和平均绝对误差(MAE)分别降低约17.3%和20.5%,同时R2分数提高约1.06%,表明该模型具有更高的预测精度和泛化能力。

基于Sentinel-1A影像的原阳县玉米和水稻分类时间窗选择

使用遥感技术可以快速、准确地识别作物类型。本研究以河南省原阳县为试验区,基于Google Earth Engine(GEE)云平台,以玉米、水稻关键生育期的Sentinel-1A影像为数据源,分析各类地物的极化特征时序曲线。对6期Sentinel-1A影像进行穷举组合,使用随机森林算法对所有影像组合分类,分析各生育期影像对作物分类的重要性,选出玉米、水稻分类最佳时间窗。结果表明,作物生长中后期影像对作物分类更重要,其中玉米的乳熟期最重要,水稻的灌浆期最重要。全生育期影像组合中玉米的用户精度和生产者精度分别为90.43%和90.53%,水稻的用户精度和生产者精度分别为88.89%和89.01%。经过优选,大喇叭口期至成熟期为玉米分类最佳时间窗,相较于全生育期影像组合,此生育期影像组合的玉米用户精度和生产者精度分别提高了3.38个百分点和5.26个百分点;拔节期至成熟期为水稻分类最佳时间窗,相较于全生育期影像组合,此生育期影像组合的水稻用户精度和生产者精度分别提高了4.73个百分点和2.66个百分点。本研究结果可以为Sentinel-1A影像在原阳县及其附近区域的玉米、水稻种植结构监测研究提供理论依据。

双极化Sentinel-1数据在城市沉降监测中的对比研究

目的 针对地面沉降监测仅考虑VV极化Sentinel-1数据而忽略VH极化数据的问题,方法采用PS-InSAR和SBAS-InSAR技术处理延安新区2018年8月—2021年5月的84景双极化Sentinel-1数据,获取地面沉降信息,对比两种极化的沉降监测结果,探讨VH极化在不同实验方法中的意义,并提出一种双极化时序InSAR融合监测新方法。结果 结果表明,新区大部分区域为较稳定区域,形变速率为-8~8 mm/a,此外,还探测到3个较大的沉降区,分别位于桥儿沟流域、高家沟流域和新区东北部填方区域;Sentinel-1不同极化数据的监测结果相关性较高,形变趋势一致;VV极化数据整体优于VH极化,但部分区域VH极化数据得到的地表形变信息更详细;VV-VH极化PS-InSAR形变监测中,VH极化数据能够有效补充VV极化数据监测结果的不足,使结果更加密集,因此,与单一极化监测结果相比,VV-VH极化PS-InSAR形变监测更加详细地反演了地表变形情况;VV-VH极化SBAS-InSAR形变速率结果比单一极化数据相干性和稳定性更高。结论 基于双极化Sentinel-1数据的时序InSAR融合监测技术可以获得比单一极化数据更好的城市地表形变监测结果。

基于Sentinel-1A的南昌市时间序列InSAR地面沉降监测

本文基于2016-01~2018-07的Sentinel-1A数据,采用PS-InSAR和SBAS-InSAR时序处理方法获取南昌市主城区地面形变信息,对比2种监测结果,分析产生不均匀地面形变的原因。结果表明,2种时序技术的监测结果相关性较高,南昌市主城区的形变趋势为西北抬升、东南下沉。形变区空间分布存在梅岭抬升区、南昌西火车站沉降区、赣江东岸沉降区、邓家埠沉降区和南钢沉降区,主要受地质构造、含水层介质、地下水开采和城市建设等因素影响。

基于时间序列Sentinel-1A数据的水稻识别

基于时间序列的Sentinel-1A数据,利用光谱相似性方法(SSM)对广东省台山县汶村镇和海宴镇进行了水稻识别。首先将SSM应用于时间序列SAR图像中,计算光谱相似度;再通过设置阈值获得初始水稻种植面积图;最后消除斑点噪声,获得水稻种植面积图。结果表明,基于VH极化图像,利用SSM和阈值法获得的水稻种植面积图的总体精度最高为97.34%,Kappa系数为0.94。因此,时间序列Sentinel-1A数据对于识别水稻或其他作物具有很大的潜力。

结合时间序列Sentinel-1数据和面向对象的湿地信息提取方法

基于光学影像的遥感技术受云雨等天气条件影响较大,而合成孔径雷达(SAR)由于具有穿透能力可以很好的克服这一缺陷。本文以黑龙江流域扎龙湿地为研究区域,采用时间序列C波段双极化(VV、VH)Sentinel-1数据,结合面向对象的图像分析技术对扎龙湿地进行分类。对比分析了5种机器学习算法得出随机森林算法的精度最高,总体精度为88.43%,Kappa系数为0.8646,其中沼泽的制图精度达到84.68%,用户精度达到89.47%。使用Sentinel-1数据对扎龙湿地进行湿地信息提取的最佳时相为5月、7月和8月。

基于HJ-1A/1BCCD时间序列影像的水稻生育期监测

为了准确获得作物大面积生育期信息,指导农业生产管理和决策,基于2009、2010年湖南双季稻生育期间42景晴空HJ-1A/1B CCD影像,提出了一种基于小波分析的生育期估计方法:首先通过线性插值构建像元尺度上逐日的增强植被指数时间序列集,随后采用小波分析对其进行去噪重建,得到反映水稻生长过程的日时间序列曲线,最后通过曲线特征估计水稻的关键生育期。以抽穗期为例,利用湖南沅江市20个田块实地调查数据对估计结果进行了验证,并与基于非对称高斯函数及基于Savitzky-Golay滤波的方法进行了对比,结果表明基于小波分析的方法平均误差为3d左右,整体上不高于后2种方法误差,能较精确地估计双季稻抽穗期,提供了一种新的有效监测水稻生育期信息的方法。

基于MEM1谱分析的水文时间序列隐含周期特性研究

水文时间序列的隐含周期(本文将简单周期、复合周期及近似周期等统称为隐含周期)的识别、判定是一个重要而又较为困难的问题,相对成熟和有效的做法是对其进行频谱分析。建立在最大熵原理(POME)基础之上的MEM1谱分析,克服了传统谱分析方法的诸多不足,具有频谱光滑、分辨率高等独特优势。为此,以黄河花园口(秦厂)测站年径流系列、月径流系列和年最大洪峰流量序列隐含周期特性的研究为例,探讨了MEM1谱分析在水文时间序列隐含周期特性中的应用。

基于时间序列的GM(1,1)预测模型及应用

GM(1,1)是较常用的时间序列预测模型。文章在借鉴运用时间序列和GM(1,1)预测模型的理论基础上,实证研究了京津冀地区国际旅游人次数的发展趋势。笔者根据2000-2008年京津冀国际旅游人次数的原始时间序列数据,通过GM(1,1)模型对各因素进行关联度分析,并对原始数据进行生成处理,形成有较强规律性的新数据序列,然后建立相应的微分方程模型,预测了2009-2013年京津冀国际旅游人次数的未来发展趋势,也再次验证了GM(1,1)预测模型是建模精度等级为二级的合格模型。

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。

运用Sentinel-1A时序数据和动态时间规整算法提取稻虾田空间分布信息

针对稻虾田水稻移植期的不确定性给稻虾田空间分布信息提取带来的困难,运用SAR VH极化年时序数据、VV极化年时序数据以及调查区稻虾田各自极化的年时序数据通过标准化处理后,进行TWDTW方法(time-weighted dynamic time warping)计算,得到二波段(VH极化、VV极化)与调查区稻虾田年时序数据相似度空间分布栅格数据,再利用最大似然法进行监督分类,得到2016—2018年3年的监利县稻虾田空间分布栅格数据,分类结果与4块区域(龚场镇、福田寺镇、红城乡、白螺镇,面积分别是373.33、2200.00、126.67、240.00 hm 2)稻虾田实际分布图比较,其Kappa系数分别是0.79、0.80、0.75、0.90,介于0.75~0.90之间,说明运用Sentinel-1A时序数据和动态时间规整算法的提取方法是准确的。由于SAR传感器具有全天侯以及不受云层影响等特点,能定期获取研究区上空数据,相比光学传感器获得无云或者少云数据的不确定性,此方法能在实际操作中运用。

基于1DCNN-BiLSTM的航空发动机故障分类研究

随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提取时间维度局部特征的优势,以及BiLSTM处理非线性时间序列及利用双向上下文信息的特点,最后连接全连接层来学习双向时序依赖的特征信息,并使用softmax函数来诊断故障类别。在美国航空航天局公开的CMAPSS数据集上进行验证,将故障模式分为无故障、HPC故障(单一故障)、HPC&Fan故障(混合故障)三种类型。实验结果表明,与其他模型对比,所提模型具有较高的分类精度,这对提高航空发动机运行可靠性和进一步进行剩余使用寿命预测有一定的实用价值。

基于MODIS的HJ-1B热红外交叉辐射定标与时间序列建立

定量遥感应用迫切需要用到长时间序列数据,但历史数据的辐射精度不高,会给定量化遥感应用带来较大的不确定性。因此开展退役卫星历史数据的再定标,对于定量化应用具有极其重要的意义。为了获得定量遥感应用中较为精确的时间序列数据,文章选择已退役的HJ-1B卫星,基于MODIS数据,探索了HJ-1B红外发射谱段准SNO交叉定标方法,通过多年连续数据计算出利用典型场景红外发射谱段再定标系数的时间序列,并通过实验数据的反演对再定标结果进行检验。

基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。

利用SBAS-DInSAR技术提取腾冲火山区形变时间序列

基于6景JERS-1 L波段SAR影像,利用小基线集-合成孔径雷达干涉测量技术,通过线性形变相位、非线性形变相位、大气延迟相位以及地形残差相位的分离,提取了腾冲火山地区1995—1997年间地表形变时间序列(雷达视线向),与2003—2004年的GPS观测结果对比表明,SBAS-DInSAR技术提取地壳形变的精度可达亚厘米级。时间序列形变显示胆札-高田断裂两侧形变差异性显著,可能与其下方存在的地壳岩浆囊的活动有关。打鹰山地区地表形变揭示其下方可能存在隐伏断裂。

甲型H1N1流感病毒HA基因的简单重复序列预测

目的:探讨应用ARIMA模型对甲型H1N1流感病毒血凝素(hemagglutinin,HA)基因简单重复序列(simple sequencerepeats,SSRs)的相对丰度和相对密度值进行预测的可行性,为防控流感流行制定措施提供科学依据。方法:应用Eviews 6.0软件对1970～2007年38条同源性相对较高的甲流H1N1流感病毒HA核苷酸序列中SSRs的相对丰度和相对密度进行拟合,建立时间序列模型,用模型对2008～2010年SSRs的相对丰度和相对密度进行预测,并用实际数据评估模型预测效果,进而预测2011年数据。结果:ARIMA模型较好地拟合了既往相对丰度和相对密度的实际序列,对2008～2010年的相对丰度和相对密度的预测也获得了较好的预测效果。结论:ARIMA模型能较好地模拟甲型H1N1流感病毒HA基因中SSRs的相对丰度和相对密度的变动趋势,可用于SSRs相对丰度和相对密度值的短期预测和动态分析。

基于时间序列情境的网球专家预判优势——来自ERP的证据

知觉预判能力在竞技运动比赛中发挥着关键性的作用。本研究围绕知觉预判这一线索,以时间序列遮蔽为手段,借助事件相关电位技术(ERP),寻找网球专家预判优势的知觉加工特征。结果发现:(1)网球专家的预判准确性与反应速度具有显著优势,随着时间序列遮蔽点的推迟,准确性逐渐递增。(2)刺激呈现早期,网球专家诱发的N1波幅显著大于经验组和新手组被试,且受时间序列遮蔽影响显著;刺激呈现晚期,专家组在Pz点诱发的P3b波幅达到最大值,且潜伏期较早;PSW仅在专家与经验组中被发现,并且专家诱发时间显著早于经验组被试。结果说明网球专家经过多年的专业训练与比赛,知觉加工速度快且准确,早期注意唤醒程度高;网球专家具有专业情境记忆,预判过程中工作记忆表征被激活,以自上而下的方式进行信息加工,回忆检索的效率更高。

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.

基于SAR时间序列的建设用地扩展监测——以常州市新北区为例

随着城市化进程的不断加快,城市范围不断扩展,快速、准确掌握建设用地的变化对于城市的可持续发展至关重要。合成孔径雷达(synthetic aperture Radar,SAR)影像由于不受天气影响可以及时获取对地观测影像,使得基于SAR时间序列的建设用地扩展监测成为可能。SAR时间序列在发生建设用地扩展过程中存在2种时间序列形态结构,本文命名为“Z”形结构和“V”形结构,针对以往研究中只考虑“Z”形结构未考虑“V”形结构的情况,本研究提出一种基于时间序列自适应分段的建设用地扩展监测方法。对原始时间序列进行自适应分段,使用分段平均值作为特征值,最后使用决策树提取建设用地扩展区域。经验证,方法的正确率为89.60%,完整率为92.73%。研究表明:本文提出的方法能有效地监测建设用地扩展,相对于动态时间弯曲(dynamic time warping,DTW)方法,正确率提高1.80百分点,完整率提高1.27百分点;常州市新北区在2015—2019年间,建设用地共增加557.96 hm^2,主要扩展方向为南和东南方向。