在加拿大大草原地区使用闭式连续神经网络进行Landsat时间序列重建

科学领域:

• 遥感 遥感 遥感 遥感
• 地理空间分析的研究.
• 机器学习 机器学习

背景情况:

• 陆地卫星档案提供了超过50年的关键地球观测数据,用于研究景观动态.
• 陆地卫星数据的挑战包括低时间频率和不规则的晴天观测,阻碍了多时间分析.
• 精确的卫星时间序列重建对于有效地覆盖土地和监测土地利用变化至关重要.

研究的目的:

• 为了评估一种新的深度学习方法,封闭式连续深度神经网络 (CFC) 集成在一个称为CFC-mmRNN的循环神经网络 (RNN) 中,用于重建历史的Landsat时间序列.
• 为了将CFC-mmRNN方法的性能与Landsat数据的既定连续变化检测 (CCD) 方法进行比较.
• 评估CFC-mmRNN在处理稀疏和不规则的卫星观测数据中的有效性,以改进时间序列重建.

主要方法:

• 实施CFC-mmRNN模型用于重建Landsat时间序列数据从1985年到现在在加拿大大草原.
• 使用光谱带准确度指标,对CFC-mmRNN与连续变化检测 (CCD) 方法进行比较分析.
• 评估模型在不规则的卫星数据中捕获复杂的时间模式的能力.

主要成果:

• 在所有光谱频段中,CFC-mmRNN方法在CCD方法上表现出优越的性能.
• 精度的提高范围在33%至42%之间,这表明时间序列重建的精度显著提高.
• CFC方法有效地处理了Landsat数据的特征性稀疏性和不规则性,改善了时间模式检测.

结论:

• CFC-mmRNN深度学习技术在重建Landsat历史时间序列方面取得了重大进展.
• 这种增强的重建能力支持更准确的遥感应用和环境监测.
• 未来的研究可以将CFC应用扩展到MODIS和Sentinel-2等更高密度数据集,以获得更广泛的环境洞察力.