CN110991625B - 基于循环神经网络的地表异常现象遥感监测方法、装置 - Google Patents

基于循环神经网络的地表异常现象遥感监测方法、装置 Download PDF

Info

Publication number
CN110991625B
CN110991625B CN202010133968.7A CN202010133968A CN110991625B CN 110991625 B CN110991625 B CN 110991625B CN 202010133968 A CN202010133968 A CN 202010133968A CN 110991625 B CN110991625 B CN 110991625B
Authority
CN
China
Prior art keywords
sequence
training
moment
neural network
segment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010133968.7A
Other languages
English (en)
Other versions
CN110991625A (zh
Inventor
袁媛
陈一祥
李文梅
姜杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Guocheng Land Improvement Research Institute Co.,Ltd.
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010133968.7A priority Critical patent/CN110991625B/zh
Publication of CN110991625A publication Critical patent/CN110991625A/zh
Application granted granted Critical
Publication of CN110991625B publication Critical patent/CN110991625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于循环神经网络的地表异常现象遥感监测方法、装置，所述方法包括：将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列；依次向基于单层循环神经网络的解码器输入上一时刻的数值，使得依次得到对应于训练后段序列中的时刻的预测值；使用编码器‑解码器模型对未来时刻的观测地点进行预测。采用上述方案，可以挖掘历史序列整体上的变化规律并预测未来多个时刻的观测值，实现近实时异常监测、实时监控监管，同时所需的数据预处理及人工设定的经验参数较少，对实施者的经验和专业背景要求不高，适用于各种地理区域和土地覆被类型，方法可行性、稳健性和预测结果准确度较高。

Description

基于循环神经网络的地表异常现象遥感监测方法、装置
技术领域
本发明涉及数据处理领域，尤其涉及一种基于循环神经网络的地表异常现象遥感监测方法、装置。
背景技术
遥感时间序列数据记录了地表的连续变化过程，其随时间的变化模式深刻反映了多种自然地理过程和植被物候节律，具有周期性、趋势性与随机性相结合的复杂非线性特征。通过分析同一区域长期积累的历史遥感时间序列数据，挖掘其内在结构和时变规律，可以对多种由人类活动或自然灾害引起的异常现象进行近实时监测和早期预警。
现有的异常现象近实时监测和早期预警，所采用的遥感时间序列异常检测方案主要分为两类：基于时间序列分解的方案和基于预测的方案。基于时间序列分解的方案是将时间序列分解为趋势项、季节项和残差项的组合，并进一步从趋势项和随机项中检测异常点。基于预测的方法一般通过人工预设的解析模型去描述时间序列的历史变化模式，预测未来的观测值，并通过预测值与实际值之差检测异常变化。
然而，上述两种方案均存在弊端：一方面，基于时间序列分解的方案假设遥感时间序列符合严格周期性，且可采用线性函数对趋势项进行逼近，这与真实的地表变化规律不符；另一方面，基于预测的方案由于不同土地覆被类型的时域变化模式复杂多样，因而很难找到合适的数学模型反映时间序列内在的变化规律和本质特征，导致模型预测值与真实值之间往往存在较大误差，异常监测的精度并不理想。因此，上述两类方法均存在各自的缺陷，稳健性及适用性不强。
发明内容
发明目的：本发明旨在提供一种基于循环神经网络的地表异常现象遥感监测方法、装置。
技术方案：本发明实施例中提供一种基于循环神经网络的地表异常现象遥感监测方法，包括：
获取观测地点的观测值；
将所述观测地点的观测值按照时刻顺序形成历史序列；
令历史序列作为训练序列，将训练序列划分为训练前段序列和训练后段序列；
将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列；
依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一时刻的预测值，使得依次得到对应于训练后段序列中的时刻的预测值；
通过训练后段序列的各个时刻的预测值与观测值之间的误差，对编码器-解码器模型进行训练；
使用编码器-解码器模型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间的偏差大于设定的异常变化阈值，则表明观测地点存在异常现象。
具体的，排除出现异常现象的时刻所对应的时间区间；
选取与预测的目标时刻相邻的时间段内的观测值按照时间顺序形成历史序列
Figure 79474DEST_PATH_IMAGE001
，其中Ot表示t时刻的观测值，L表示历史序列的时刻的个数，若历史序 列中存在观测值的缺失，以-1进行填补。
具体的，划分得到包括n个时刻的训练前段序列为
Figure 507044DEST_PATH_IMAGE002
， 得到包括m个时刻的训练后段序列为
Figure 929060DEST_PATH_IMAGE003
，其中m≥n。
具体的，向双向循环神经网络中的前向循环神经网络按照正序输入训练前段序列
Figure 682253DEST_PATH_IMAGE004
，计算得到训练前段序列对应的前向隐藏状态序列
Figure 157096DEST_PATH_IMAGE005
；
向双向循环神经网络中的后向循环神经网络按照逆序输入训练前段序列
Figure 778570DEST_PATH_IMAGE006
，计算得到训练前段序列对应的后向隐藏状态序列
Figure 428995DEST_PATH_IMAGE007
；
将训练前段序列对应的前向隐藏状态序列和后向隐藏状态序列的各个时刻拼接 得到
Figure 618667DEST_PATH_IMAGE008
，其中，
Figure 111966DEST_PATH_IMAGE009
表示前向循环神经网络第j时刻对应的隐藏状态向量，
Figure 507437DEST_PATH_IMAGE010
表示后向循环神经网络第j时刻对应的隐藏状态向量；
编码器输出双向循环神经网络在训练前段序列中的各个时刻的观测值对应的隐 藏状态向量形成的前段隐藏状态序列
Figure 12368DEST_PATH_IMAGE011
。
具体的，基于当前预测时刻的隐藏状态向量，通过注意力模型抽取训练前段序列中的与当前预测时刻相关联的信息，预测得到下一时刻的预测值。
具体的，向单层循环神经网络输入观测值O s+n ，将hn作为初始隐藏状态向量对单层循环神经网络进行初始化。
具体的，向解码器输入观测值O s+n ，得到下一时刻的预测值，将下一时刻的预测值作为解码器的输入，得到下一时刻后的时刻的预测值，多次迭代后，得到对应于训练后段序列中的时刻的预测值。
具体的，
Figure 231997DEST_PATH_IMAGE012
，
Figure 822378DEST_PATH_IMAGE013
，
其中，
Figure 520076DEST_PATH_IMAGE014
表示编码器双向循环神经网络在第j时刻的隐藏状态向量，si表示解码器 单层循环神经网络在第i时刻的隐藏状态向量；
Figure 145092DEST_PATH_IMAGE015
表示通过对齐函数
Figure 535622DEST_PATH_IMAGE016
计算的hj与 si的匹配度，即注意力权重，
Figure 613299DEST_PATH_IMAGE016
定义为通过softmax函数归一化后的hj与si的向量内 积；ci定义为编码器在训练前段序列中的所有时刻输出的隐藏状态向量的加权和，即解码 器在第i时刻的上下文向量；
计算第i时刻的预测值
Figure 616153DEST_PATH_IMAGE017
采用以下公式：
Figure 95676DEST_PATH_IMAGE018
，
其中，f（）表示全连接层函数。
具体的，所述设定的异常变化阈值T，采用以下公式进行计算：
Figure 657107DEST_PATH_IMAGE019
，
其中，P表示预设的预测误差的出现概率，Fc（x）表示预测误差的互补累积分布函数，
Figure 222081DEST_PATH_IMAGE020
，
其中，
Figure 527160DEST_PATH_IMAGE021
表示预测误差的概率密度函数，选取历史序列中部分作为验证序列， 并划分为验证前段序列和验证后段序列，将验证前段序列输入编码器-解码器模型，得到与 验证后段序列中的时刻的观察值对应的预测值，验证后段序列上的预测误差为：
Figure 126769DEST_PATH_IMAGE022
，
其中，
Figure 859101DEST_PATH_IMAGE023
和
Figure 645792DEST_PATH_IMAGE024
分别表示第p个验证后段序列的第j个时刻对应的观测值和预 测值，
Figure 256027DEST_PATH_IMAGE025
表示第p个验证后段序列的第j个时刻的预测误差，
Figure 710142DEST_PATH_IMAGE025
对应的离散量
Figure 613376DEST_PATH_IMAGE026
分布符合概率密度函数
Figure 887362DEST_PATH_IMAGE027
，N为验证后段序列的观测值的数量。
本发明实施例中还提供一种基于循环神经网络的地表异常现象预测装置，包括：获取单元、序列建立单元、序列划分单元、第一训练单元、第二训练单元、反馈单元和使用单元，其中：
所述获取单元，用于获取观测地点的观测值；
所述序列建立单元，用于将所述观测地点的观测值按照时刻顺序形成历史序列；
所述序列划分单元，用于令历史序列作为训练序列，将训练序列划分为训练前段序列和训练后段序列；
所述第一训练单元，用于将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列；
所述第二训练单元，用于依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一时刻的预测值，使得依次得到对应于训练后段序列中的时刻的预测值；
所述反馈单元，用于通过训练后段序列的各个时刻的预测值与观测值之间的误差，对编码器-解码器模型进行训练；
所述使用单元，用于使用编码器-解码器模型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间的偏差大于设定的异常变化阈值，则表明观测地点存在异常现象。
有益效果：与现有技术相比，本发明具有如下显著优点：无需对时间序列数据的结构模式做特殊假定，采用循环神经网络作为编码器和解码器，可以挖掘历史序列整体上的变化规律并预测未来多个时刻的观测值，实现近实时异常监测、实时监控监管，同时所需的数据预处理及人工设定的经验参数较少，对实施者的经验和专业背景要求不高，适用于各种地理区域和土地覆被类型，方法可行性、稳健性和预测结果准确度较高。
附图说明
图1为本发明实施例中提供的编码器-解码器模型的示意图；
图2为应用于本发明实施例中的观测地点的数据；
图3为对应于图2的本发明实施例中的预测值与观测值的比对。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明实施例中提供的基于循环神经网络的地表异常现象预测方法的流程示意图，其中包括具体步骤，以下结合具体步骤进行详细说明。
步骤S101，获取观测地点的观测值。
在具体实施中，观测地点，即需要进行观测和预测的目标地点；观测值，通常表示为观测地点的历史遥感影像数据。影像，可以通过遥感卫星按照相同重访周期获取，也可以其他影像获取方式按照一定的时间规律获取。
步骤S102，将所述观测地点的观测值按照时刻顺序形成历史序列。
在具体实施中，按照时间从前向后的顺序，将遥感影像上逐个像素的观测值进行排列，可以得到该像素对应观测地点的历史序列。
本发明实施例中，排除出现异常现象的时刻所对应的时间区间；
选取与预测的目标时刻相邻的时间段内的观测值按照时间顺序形成历史序列
Figure 534244DEST_PATH_IMAGE001
，其中Ot表示t时刻的观测值，L表示历史序列的时刻的个数，若历史序 列中存在观测值的缺失，以-1进行填补。
在具体实施中，在历史序列或者观测值中排除异常现象的时刻所对应的时间区间，其中，异常现象通常是指火灾、植被病虫害等自然灾害，异常现象的时刻所对应的时间区间，通常是指在异常现象的时刻的前或/和后一段时间，例如，某年5月份观测地点出现异常现象，则该年作为时间区间被排除，原因在于避免异常现象以及异常现象的后续影响对模型训练的影响，保证预测结果的准确度。
在具体实施中，为了保证预测数据的准确度，因此选取与预测的目标时刻相邻的时间段内的观测值。例如，模型期望利用前三年的序列预测后一年的序列，目前已有2000~2019年的所有影像数据可以作为历史序列，则通过4年的时间窗口截取如下成对的训练前段序列和训练后段序列：前段序列：2000~2002年，后段序列：2003年；前段序列：2001~2003年，后段序列：2004年；前段序列：2002~2004年，后段序列：2005年；。。。；前段序列：2016~2018年，后段序列：2019年。
在具体实施中，在某些情况下，历史遥感影像数据（观测值）在某些时刻会因为影像获取情况较差而缺失，因此，可以在历史序列中以-1进行填补，在后续操作中，则会忽略该时刻。
在具体实施中，历史序列的时刻，可以是有规律的、离散的若干个时刻，每个时刻对应有观测值。
步骤S103，令历史序列作为训练序列，将训练序列划分为训练前段序列和训练后段序列。
在具体实施中，将历史序列的部分或全部作为训练序列，用作后续模型训练的样本数据。训练前段序列和训练后段序列，这两者之间在时间上没有重叠，两者在时间、时刻上具有对应关系。例如，训练前段序列为2017年，训练后段序列可以为2018年，训练前段序列：2016~2018年，训练后段序列：2019年。
本发明实施例中，划分得到包括n个时刻的训练前段序列为
Figure 842866DEST_PATH_IMAGE002
，得到包括m个时刻的训练后段序列为
Figure 917001DEST_PATH_IMAGE003
，其中m≥n。
步骤S104，将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列。
参阅图1，本发明实施例中提供的编码器-解码器模型的示意图。
在具体实施中，相比与现有技术中采用的地表异常现象的监控和早期预警的方案，本发明实施例中利用双向循环神经网络作为编码器，挖掘、发现输入的训练前段序列中的变化规律和数据之间的关系和相互影响，同时利用双向循环神经网络作为挖掘、发现的手段，相比于现有技术中采用的方案，针对某一时刻而言，除了可以挖掘该时刻之前（历史）的规律、趋势，还可以挖掘该时刻之后的规律、趋势，也即可以挖掘训练前段序列的全局信息、规律和趋势，可以更好反应历史数据信息与未来时刻的联系，保证预测结果的准确度和稳健性。
在具体实施中，双向循环神经网络的构建基础，可以采用LSTM（LSTM，Long Short-Term Memory/长短期记忆单元）或GRU（GRU，Gated Recurrent Unit/门控循环单元）。在训练前段序列输入双向循环神经网络之前，首先经过掩膜层（Masking），当某时刻的输入值等于掩膜值“-1”时，则该时刻将被编码器忽略。
在具体实施中，训练前段序列中的每个观测值输入双向循环神经网络后，可以得到对应的隐藏状态向量，隐藏状态向量反映该时刻的观测值和该时刻前后时刻的观测值之间的关系、规律和影响，属于中间值。训练前段序列中各个时刻的隐藏状态向量，即得到用于表征训练前段序列全局信息的前段隐藏状态序列。
本发明实施例中，向双向循环神经网络中的前向循环神经网络按照正序输入训练 前段序列
Figure 209442DEST_PATH_IMAGE004
，计算得到训练前段序列对应的前向隐藏状态序列
Figure 895901DEST_PATH_IMAGE005
；
向双向循环神经网络中的后向循环神经网络按照逆序输入训练前段序列
Figure 324608DEST_PATH_IMAGE006
，计算得到训练前段序列对应的后向隐藏状态序列
Figure 569645DEST_PATH_IMAGE007
；
将训练前段序列对应的前向隐藏状态序列和后向隐藏状态序列的各个时刻拼接 得到
Figure 818223DEST_PATH_IMAGE008
，其中，
Figure 806908DEST_PATH_IMAGE009
表示前向循环神经网络第j时刻对应的隐藏状态向量，
Figure 355701DEST_PATH_IMAGE028
表示后向循环神经网络第j时刻对应的隐藏状态向量；
编码器输出双向循环神经网络在训练前段序列中的各个时刻的观测值对应的隐 藏状态向量形成的前段隐藏状态序列
Figure 647005DEST_PATH_IMAGE011
。
步骤S105，依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一时刻的预测值，使得依次得到对应于训练后段序列中的时刻的预测值。
本发明实施例中，基于当前预测时刻的隐藏状态向量，通过注意力模型抽取训练前段序列中的与当前预测时刻相关联的信息，预测得到下一时刻的预测值。
本发明实施例中，向单层循环神经网络输入观测值O s+n ，将hn作为初始隐藏状态向量对单层循环神经网络进行初始化。
本发明实施例中，向解码器输入观测值O s+n ，得到下一时刻的预测值，将下一时刻的预测值作为解码器的输入，得到下一时刻后的时刻的预测值，多次迭代后，得到对应于训练后段序列中的时刻的预测值。
在具体实施中，依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，包括输入上一时刻的观测值和预测值，如图1所示，解码器的第一个输入O n （即O s+n ）是训练前段序列中的最后一个观测值（称A时刻），这个观测值所对应的下一时刻（称B时刻）的隐藏状态向量，由单层循环神经网络计算得到，反应了该时刻的历史规律和信息，解码器基于该观测值和由单层循环神经网络得到的下一时刻（B时刻）的隐藏状态向量，预测得到下一时刻（B时刻）的预测值。
在具体实施中，得到B时刻的预测值后，为了得到B时刻的下一时刻（C时刻）的预测 值，将B时刻的预测值作为输入，由单层循环神经网络得到C时刻的隐藏状态向量，通过注意 力模型由C时刻的隐藏状态向量和前段隐藏状态序列
Figure 507514DEST_PATH_IMAGE011
计算C时刻的上下文向 量，结合C时刻的隐藏状态向量，得到C时刻的预测值；……；由此不断进行迭代预测，得到对 应于训练后段序列中的时刻的预测值，同时方案优势在于可以实现挖掘历史序列整体上的 变化规律并预测未来多个时刻的观测值，近实时异常监测、实时监控监管，同时所需的数据 预处理及人工设定的经验参数较少，对实施者的经验和专业背景要求不高，适用于各种地 理区域和土地覆被类型，方法可行性、稳健性和预测结果准确度较高。
本发明实施例中，所述注意力模型采用以下公式：
Figure 175255DEST_PATH_IMAGE012
，
Figure 950793DEST_PATH_IMAGE013
，
其中，
Figure 678578DEST_PATH_IMAGE014
表示编码器双向循环神经网络在第j时刻的隐藏状态向量，si表示解码器 单层循环神经网络在第i时刻的隐藏状态向量；
Figure 26382DEST_PATH_IMAGE015
表示通过对齐函数
Figure 497815DEST_PATH_IMAGE016
计算的hj与 si的匹配度，即注意力权重，
Figure 614675DEST_PATH_IMAGE016
定义为通过softmax函数归一化后的hj与si的向量内 积；ci定义为编码器在训练前段序列中的所有时刻输出的隐藏状态向量的加权和，即解码 器在第i时刻的上下文向量；
计算第i时刻的预测值
Figure 247782DEST_PATH_IMAGE017
采用以下公式（将解码器在第i时刻的隐藏状态向量si和 解码器在第i时刻的上下文向量ci进行拼接得到
Figure 223828DEST_PATH_IMAGE029
，通过全连接层将
Figure 358006DEST_PATH_IMAGE029
映射为目 标时刻的预测值）（图1所示，FC，Fully Connected Layer）：
Figure 204740DEST_PATH_IMAGE018
，
其中，f（）表示全连接层函数。
在具体实施中，注意力模型（注意力机制）根据即将进行预测的时刻的隐藏状态向量，抽取相关联的训练前段序列中的信息加强了预测结果和历史规律信息之间的联系，相比现有技术，进一步提升预测结果的准确度。
步骤S106，通过训练后段序列的各个时刻的预测值与观测值之间的误差，对编码器-解码器模型进行训练。
在具体实施中，可以将训练后段序列的各个时刻的预测值与观测值之间均方误差（Mean Square Error，MSE）作为误差，将训练后段序列的实际观测值作为解码器的目标输出，对编码器-解码器进行训练，提升预测结果的准确度。
步骤S107，使用编码器-解码器模型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间的偏差大于设定的异常变化阈值，则表明观测地点存在异常现象。
在具体实施中，预测值与相应时刻实际获得的观测值之间的偏差，指在得到目标时刻的预测值后，当时间来到目标时刻时，实际获得的观测地点的观测值，上述预测值和观测值两者之间的偏差。
在具体实施中，通过设定异常变化阈值作为标准，可以确定在哪一个时刻观测地点存在异常现象。
本发明实施例中，所述设定的异常变化阈值T，采用以下公式进行计算：
Figure 900426DEST_PATH_IMAGE019
，
其中，P表示预设的预测误差的出现概率，Fc（x）表示预测误差的互补累积分布函数，
Figure 832609DEST_PATH_IMAGE020
，
其中，
Figure 36058DEST_PATH_IMAGE021
表示预测误差的概率密度函数，选取历史序列中部分作为验证序列， 并划分为验证前段序列和验证后段序列，将验证前段序列输入编码器-解码器模型，得到与 验证后段序列中的时刻的观察值对应的预测值，验证后段序列上的预测误差为：
Figure 737297DEST_PATH_IMAGE022
，
其中，
Figure 102420DEST_PATH_IMAGE023
和
Figure 521900DEST_PATH_IMAGE024
分别表示第p个验证后段序列的第j个时刻对应的观测值和预 测值，
Figure 997880DEST_PATH_IMAGE025
表示第p个验证后段序列的第j个时刻的预测误差，
Figure 84785DEST_PATH_IMAGE025
对应的离散量
Figure 496175DEST_PATH_IMAGE026
分布符合概率密度函数
Figure 29050DEST_PATH_IMAGE027
：
Figure 184088DEST_PATH_IMAGE030
，
其中，N为验证后段序列的观测值的数量，h为带宽（预设参数），
Figure 984553DEST_PATH_IMAGE031
为核函数（所 述核函数包括高斯核函数、Epanechnikov核函数等）。概率密度函数
Figure 566844DEST_PATH_IMAGE032
也可以通过例如 拟合的其他方式得到。
在具体实施中，Pr（X＞x）表示互补累积分布函数的定义。
在具体实施中，选取历史序列中部分作为验证序列，是选取历史序列中没有作为训练序列的其他全部或者部分的连续序列。
在具体实施中，通过预设的预测误差的出现概率，反推计算得到异常变化阈值。例如，设定预测误差的出现概率是3%，得到对应的异常变化阈值为Z，若预测值与对应的在预测值时刻实际获得的观测值进行比较，如果两者之间的偏差大于异常变化阈值，则表明对应的时刻观测地点出现异常现象。通过设定预测误差的出现概率，计算得到异常变化阈值，可以更加合理、科学的在数字上确定出现异常现象的标准，避免人工选取误差的主观性以及由于误差设置不合理而导致的漏检和错检现象，提高地表异常监测的可靠性。
参阅图2，其为应用于本发明实施例中的观测地点的数据；参阅图3，其为对应于图2的本发明实施例中的预测值与观测值的比对。
在具体实施中，图2所示，由三个常用于火烧迹地检测的遥感光谱指数构成，分别是增强型植被指数EVI（Enhanced Vegetation Index）、全球环境监测指数GEMI（GlobalEnvironment Monitoring Index）、归一化燃烧率NBR（Normalized Burn Ratio），定义如下：
Figure 85550DEST_PATH_IMAGE033
Figure 778700DEST_PATH_IMAGE034
Figure 433672DEST_PATH_IMAGE035
其中，R、NIR、B、SWIR分别对应于MODIS影像的地表反射率波段1、2、3、7。
通过MOD13Q1数据集包含的4个地表反射率波段计算上述光谱指数，并利用自带的Pixel_Reliability波段进行云雾/阴影检测，通过“-1”填补缺失数据。由于所选实验区（观测地点）11月至次年3月的影像大多被冰雪覆盖，数据质量不佳，因此在本实施例中只利用4-10月的影像进行变化分析（所选影像的DOY为97~305，每年14景，共126景）。
图3为图2所示的遥感时间序列在2009年的预测值与真实值的对比图。计算后向序列在各个时刻的预测误差，并与异常变化阈值进行比较。若连续3个时刻的预测值与真实值之间的偏差均大于异常变化阈值，且三种光谱指数的预测值均高于观测值（针对火烧迹地检测任务的附加条件），则判定发生异常，将首次检测到异常的时刻作为异常变化发生的时刻。对图3所示的遥感时间序列而言，第三个时相被判定为异常变化发生的时刻。
本发明实施例中还提供一种基于循环神经网络的地表异常现象预测装置，包括：获取单元、序列建立单元、序列划分单元、第一训练单元、第二训练单元、反馈单元和使用单元，其中：
所述获取单元，用于获取观测地点的观测值；
所述序列建立单元，用于将所述观测地点的观测值按照时刻顺序形成历史序列；
所述序列划分单元，用于令历史序列作为训练序列，将训练序列划分为训练前段序列和训练后段序列；
所述第一训练单元，用于将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列；
所述第二训练单元，用于依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一时刻的预测值，使得依次得到对应于训练后段序列中的时刻的预测值；
所述反馈单元，用于通过训练后段序列的各个时刻的预测值与观测值之间的误差，对编码器-解码器模型进行训练；
所述使用单元，用于使用编码器-解码器模型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间的偏差大于设定的异常变化阈值，则表明观测地点存在异常现象。
本发明实施例中，所述序列建立单元，还用于排除出现异常现象的时刻所对应的时间区间；
选取与预测的目标时刻相邻的时间段内的观测值按照时间顺序形成历史序列
Figure 547384DEST_PATH_IMAGE001
，其中Ot表示t时刻的观测值，L表示历史序列的时刻的个数，若历史序 列中存在观测值的缺失，以-1进行填补。
本发明实施例中，所述序列划分单元，还用于划分得到包括n个时刻的训练前段序 列为
Figure 428752DEST_PATH_IMAGE002
，得到包括m个时刻的训练后段序列为
Figure 191172DEST_PATH_IMAGE003
，其中m≥n。
本发明实施例中，所述第一训练单元，还用于用于表征训练前段序列全局信息的前段隐藏状态序列，包括：
向双向循环神经网络中的前向循环神经网络按照正序输入训练前段序列
Figure 966230DEST_PATH_IMAGE004
，计算得到训练前段序列对应的前向隐藏状态序列
Figure 890324DEST_PATH_IMAGE005
；
向双向循环神经网络中的后向循环神经网络按照逆序输入训练前段序列
Figure 118043DEST_PATH_IMAGE006
，计算得到训练前段序列对应的后向隐藏状态序列
Figure 418574DEST_PATH_IMAGE007
；
将训练前段序列对应的前向隐藏状态序列和后向隐藏状态序列的各个时刻拼接 得到
Figure 313718DEST_PATH_IMAGE008
，其中，
Figure 408713DEST_PATH_IMAGE009
表示前向循环神经网络第j时刻对应的隐藏状态向量，
Figure 625192DEST_PATH_IMAGE028
表示后向循环神经网络第j时刻对应的隐藏状态向量；
编码器输出双向循环神经网络在训练前段序列中的各个时刻的观测值对应的隐 藏状态向量形成的前段隐藏状态序列
Figure 463835DEST_PATH_IMAGE011
。
本发明实施例中，所述第二训练单元，还用于基于当前预测时刻的隐藏状态向量，通过注意力模型抽取训练前段序列中的与当前预测时刻相关联的信息，预测得到下一时刻的预测值。
本发明实施例中，所述第二训练单元，还用于向单层循环神经网络输入观测值O s+n ，将hn作为初始隐藏状态向量对单层循环神经网络进行初始化。
本发明实施例中，所述第二训练单元，还用于向解码器输入观测值O s+n ，得到下一时刻的预测值，将下一时刻的预测值作为解码器的输入，得到下一时刻后的时刻的预测值，多次迭代后，得到对应于训练后段序列中的时刻的预测值。
本发明实施例中，所述第二训练单元，还用于所述注意力模型采用以下公式：
Figure 354431DEST_PATH_IMAGE012
，
Figure 744961DEST_PATH_IMAGE013
，
其中，
Figure 822639DEST_PATH_IMAGE014
表示编码器双向循环神经网络在第j时刻的隐藏状态向量，si表示解码器 单层循环神经网络在第i时刻的隐藏状态向量；
Figure 324027DEST_PATH_IMAGE015
表示通过对齐函数
Figure 803550DEST_PATH_IMAGE016
计算的hj与 si的匹配度，即注意力权重，
Figure 256659DEST_PATH_IMAGE016
定义为通过softmax函数归一化后的hj与si的向量内 积；ci定义为编码器在训练前段序列中的所有时刻输出的隐藏状态向量的加权和，即解码 器在第i时刻的上下文向量；
计算第i时刻的预测值
Figure 821633DEST_PATH_IMAGE017
采用以下公式：
Figure 126712DEST_PATH_IMAGE018
，
其中，f（）表示全连接层函数。
本发明实施例中，所述使用单元，还用于所述设定的异常变化阈值T，采用以下公式进行计算：
Figure 460741DEST_PATH_IMAGE019
，
其中，P表示预设的预测误差的出现概率，Fc（x）表示预测误差的互补累积分布函数，
Figure 193074DEST_PATH_IMAGE020
，
其中，
Figure 510923DEST_PATH_IMAGE021
表示预测误差的概率密度函数，选取历史序列中部分作为验证序列， 并划分为验证前段序列和验证后段序列，将验证前段序列输入编码器-解码器模型，得到与 验证后段序列中的时刻的观察值对应的预测值，验证后段序列上的预测误差为：
Figure 495059DEST_PATH_IMAGE022
，
其中，
Figure 309694DEST_PATH_IMAGE023
和
Figure 88294DEST_PATH_IMAGE024
分别表示第p个验证后段序列的第j个时刻对应的观测值和预 测值，
Figure 752494DEST_PATH_IMAGE025
表示第p个验证后段序列的第j个时刻的预测误差，
Figure 540321DEST_PATH_IMAGE025
对应的离散量
Figure 973576DEST_PATH_IMAGE026
分布符合概率密度函数
Figure 923078DEST_PATH_IMAGE027
：
Figure 74574DEST_PATH_IMAGE036
，
其中，N为验证后段序列的观测值的数量，h为带宽，
Figure 134933DEST_PATH_IMAGE031
为核函数。

Claims (9)

1.一种基于循环神经网络的地表异常现象遥感监测方法，其特征在于，包括：获取观测 地点的观测值；将所述观测地点的观测值按照时刻顺序形成历史序列；令历史序列作为训 练序列，将训练序列划分为训练前段序列和训练后段序列；将训练前段序列输入基于双向 循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段隐藏状态序列； 依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解 码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一 时刻的预测值，使得依次得到对应于训练后段序列中的时刻的预测值；通过训练后段序列 的各个时刻的预测值与观测值之间的误差，对编码器-解码器模型进行训练；使用编码器- 解码器模型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间 的偏差大于设定的异常变化阈值T，则表明观测地点存在异常现象；所述设定的异常变化阈 值T，采用以下公式进行计算：
Figure 93915DEST_PATH_IMAGE001
，其中，P表示预设的预测误差的出现 概率，
Figure 940648DEST_PATH_IMAGE002
表示预测误差的互补累积分布函数，
Figure 744656DEST_PATH_IMAGE003
，其 中，
Figure 693152DEST_PATH_IMAGE004
表示预测误差的概率密度函数，选取历史序列中部分作为验证序列，并划分为验 证前段序列和验证后段序列，将验证前段序列输入编码器-解码器模型，得到与验证后段序 列中的时刻的观察值对应的预测值，验证后段序列上的预测误差为：
Figure 240808DEST_PATH_IMAGE005
， 其中，
Figure 942048DEST_PATH_IMAGE006
和
Figure 166224DEST_PATH_IMAGE007
分别表示第p个验证后段序列的第j个时刻对应的观测值和预测值，
Figure 851284DEST_PATH_IMAGE008
表示第p个验证后段序列的第j个时刻的预测误差，
Figure 202631DEST_PATH_IMAGE008
对应的离散量
Figure 23956DEST_PATH_IMAGE009
分布符 合概率密度函数
Figure 920499DEST_PATH_IMAGE004
，N为验证后段序列的观测值的数量。
2.根据权利要求1所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在 于，所述将所述观测地点的观测值按照时刻顺序形成历史序列，包括：排除出现异常现象的 时刻所对应的时间区间；选取与预测的目标时刻相邻的时间段内的观测值按照时间顺序形 成历史序列
Figure 827275DEST_PATH_IMAGE010
，其中
Figure 716734DEST_PATH_IMAGE011
表示t时刻的观测值，L表示历史序列的时刻的个 数，若历史序列中存在观测值的缺失，以-1进行填补。
3.根据权利要求2所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在 于，所述将训练序列划分为训练前段序列和训练后段序列，包括：划分得到包括n个时刻的 训练前段序列为
Figure 658145DEST_PATH_IMAGE012
，得到包括m个时刻的训练后段序列为
Figure 224124DEST_PATH_IMAGE013
，其中m≥n。
4.根据权利要求3所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在 于，所述将训练前段序列输入基于双向循环神经网络构建的编码器，得到用于表征训练前 段序列全局信息的前段隐藏状态序列，包括：向双向循环神经网络中的前向循环神经网络 按照正序输入训练前段序列
Figure 618197DEST_PATH_IMAGE014
，计算得到训练前段序列对应的前向 隐藏状态序列
Figure 311346DEST_PATH_IMAGE015
；向双向循环神经网络中的后向循环神经网络按照逆序 输入训练前段序列
Figure 107264DEST_PATH_IMAGE016
，计算得到训练前段序列对应的后向隐藏状 态序列
Figure 611189DEST_PATH_IMAGE017
；将训练前段序列对应的前向隐藏状态序列和后向隐藏状态序 列的各个时刻拼接得到
Figure 961398DEST_PATH_IMAGE018
，其中，
Figure 192660DEST_PATH_IMAGE019
表示前向循环神经网络第j时刻对应 的隐藏状态向量，
Figure 92351DEST_PATH_IMAGE020
表示后向循环神经网络第j时刻对应的隐藏状态向量；编码器输出双 向循环神经网络在训练前段序列中的各个时刻的观测值对应的隐藏状态向量形成的前段 隐藏状态序列
Figure 16445DEST_PATH_IMAGE021
。
5.根据权利要求4所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在于，所述依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测得到下一时刻的预测值，包括：基于当前预测时刻的隐藏状态向量，通过注意力模型抽取训练前段序列中的与当前预测时刻相关联的信息，预测得到下一时刻的预测值。
6.根据权利要求5所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在 于，所述依次向基于单层循环神经网络构建的解码器输入上一时刻的数值，计算下一时刻 的表征解码器输出范围内历史信息的隐藏状态向量，并基于所述前段隐藏状态序列，预测 得到下一时刻的预测值，包括：向单层循环神经网络输入观测值O s+n ，将
Figure 385109DEST_PATH_IMAGE022
作为初始隐藏状 态向量对单层循环神经网络进行初始化。
7.根据权利要求6所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在于，所述使得依次得到对应于训练后段序列中的时刻的预测值，包括：向解码器输入观测值O s+n ，得到下一时刻的预测值，将下一时刻的预测值作为解码器的输入，得到下一时刻后的时刻的预测值，多次迭代后，得到对应于训练后段序列中的时刻的预测值。
8.根据权利要求7所述的基于循环神经网络的地表异常现象遥感监测方法，其特征在 于，所述注意力模型采用以下公式：
Figure 905215DEST_PATH_IMAGE023
，
Figure 410145DEST_PATH_IMAGE024
，其中，
Figure 505140DEST_PATH_IMAGE025
表示编码器双向循环神经网络在第j时刻的隐藏状态向量，
Figure 361101DEST_PATH_IMAGE026
表示 解码器单层循环神经网络在第i时刻的隐藏状态向量；
Figure 183432DEST_PATH_IMAGE027
表示通过对齐函数
Figure 808449DEST_PATH_IMAGE028
计算 的
Figure 74345DEST_PATH_IMAGE029
与
Figure 886443DEST_PATH_IMAGE030
的匹配度，即注意力权重，
Figure 279510DEST_PATH_IMAGE031
定义为通过softmax函数归一化后的
Figure 759032DEST_PATH_IMAGE029
与
Figure 195830DEST_PATH_IMAGE030
的向量内积；
Figure 760804DEST_PATH_IMAGE032
定义为编码器在训练前段序列中的所有时刻输出的隐藏状态向量的加 权和，即解码器在第i时刻的上下文向量；计算第i时刻的预测值
Figure 659358DEST_PATH_IMAGE033
采用以下公式：
Figure 258967DEST_PATH_IMAGE034
，其中，f（）表示全连接层函数。
9.一种基于循环神经网络的地表异常现象遥感监测装置，其特征在于，包括：获取单 元、序列建立单元、序列划分单元、第一训练单元、第二训练单元、反馈单元和使用单元，其 中：所述获取单元，用于获取观测地点的观测值；所述序列建立单元，用于将所述观测地点 的观测值按照时刻顺序形成历史序列；所述序列划分单元，用于令历史序列作为训练序列， 将训练序列划分为训练前段序列和训练后段序列；所述第一训练单元，用于将训练前段序 列输入基于双向循环神经网络构建的编码器，得到用于表征训练前段序列全局信息的前段 隐藏状态序列；所述第二训练单元，用于依次向基于单层循环神经网络构建的解码器输入 上一时刻的数值，计算下一时刻的表征解码器输出范围内历史信息的隐藏状态向量，并基 于所述前段隐藏状态序列，预测得到下一时刻的预测值，使得依次得到对应于训练后段序 列中的时刻的预测值；所述反馈单元，用于通过训练后段序列的各个时刻的预测值与观测 值之间的误差，对编码器-解码器模型进行训练；所述使用单元，用于使用编码器-解码器模 型得到观测地点未来时刻的预测值，若预测值与相应时刻实际获得的观测值之间的偏差大 于设定的异常变化阈值T，则表明观测地点存在异常现象；所述设定的异常变化阈值T，采用 以下公式进行计算：
Figure 601086DEST_PATH_IMAGE001
，其中，P表示预设的预测误差的出现概率，
Figure 392370DEST_PATH_IMAGE002
表示预测误差的互补累积分布函数，
Figure 110927DEST_PATH_IMAGE003
，其中，
Figure 565042DEST_PATH_IMAGE004
表示预测误差的概率密度函数，选取历史序列中部分作为验证序列，并划分为验证前 段序列和验证后段序列，将验证前段序列输入编码器-解码器模型，得到与验证后段序列中 的时刻的观察值对应的预测值，验证后段序列上的预测误差为：
Figure 343642DEST_PATH_IMAGE005
，其 中，
Figure 132476DEST_PATH_IMAGE006
和
Figure 654724DEST_PATH_IMAGE007
分别表示第p个验证后段序列的第j个时刻对应的观测值和预测值，
Figure 963345DEST_PATH_IMAGE008
表 示第p个验证后段序列的第j个时刻的预测误差，
Figure 398000DEST_PATH_IMAGE008
对应的离散量
Figure 159283DEST_PATH_IMAGE009
分布符合 概率密度函数
Figure 485222DEST_PATH_IMAGE004
，N为验证后段序列的观测值的数量。
CN202010133968.7A 2020-03-02 2020-03-02 基于循环神经网络的地表异常现象遥感监测方法、装置 Active CN110991625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010133968.7A CN110991625B (zh) 2020-03-02 2020-03-02 基于循环神经网络的地表异常现象遥感监测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010133968.7A CN110991625B (zh) 2020-03-02 2020-03-02 基于循环神经网络的地表异常现象遥感监测方法、装置

Publications (2)

Publication Number Publication Date
CN110991625A CN110991625A (zh) 2020-04-10
CN110991625B true CN110991625B (zh) 2020-06-16

Family

ID=70081317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010133968.7A Active CN110991625B (zh) 2020-03-02 2020-03-02 基于循环神经网络的地表异常现象遥感监测方法、装置

Country Status (1)

Country Link
CN (1) CN110991625B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070270B (zh) * 2020-08-05 2022-12-20 杭州未名信科科技有限公司 一种时序预测的网络模型及使用方法
CN111931738B (zh) * 2020-09-28 2021-01-26 南京邮电大学 用于遥感影像的神经网络模型预训练方法、装置
CN112987675B (zh) * 2021-05-06 2021-07-23 北京瑞莱智慧科技有限公司 一种异常检测的方法、装置、计算机设备和介质
WO2023272520A1 (en) * 2021-06-29 2023-01-05 Siemens Aktiengesellschaft Anomaly detection method and apparatus for industrial equipment, electronic device, and storage medium
CN115458049B (zh) * 2022-06-29 2023-07-25 四川大学 基于双向循环神经网络的普适性抗瓜氨酸化多肽抗体表位预测方法及装置
CN116500240B (zh) * 2023-06-21 2023-12-29 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815910A (zh) * 2019-01-14 2019-05-28 广西师范学院 基于多源卫星数据时序特征的复杂地形条件下农作物类型识别方法
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法
US10572773B2 (en) * 2017-05-05 2020-02-25 Intel Corporation On the fly deep learning in machine learning for autonomous machines

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108267123A (zh) * 2018-01-23 2018-07-10 深圳市唯特视科技有限公司 一种基于边界框和距离预测的双流车载行人车辆预测方法
CN108427989B (zh) * 2018-06-12 2019-10-11 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN109508462B (zh) * 2018-10-25 2020-07-17 内蒙古工业大学 一种基于编码器-解码器的神经网络蒙汉机器翻译方法
CN109961192B (zh) * 2019-04-03 2021-11-26 南京中科九章信息技术有限公司 目标事件预测方法及装置
CN110751557B (zh) * 2019-10-10 2023-04-18 建信金融科技有限责任公司 一种基于序列模型的异常资金交易行为分析方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572773B2 (en) * 2017-05-05 2020-02-25 Intel Corporation On the fly deep learning in machine learning for autonomous machines
CN109815910A (zh) * 2019-01-14 2019-05-28 广西师范学院 基于多源卫星数据时序特征的复杂地形条件下农作物类型识别方法
CN109948117A (zh) * 2019-03-13 2019-06-28 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation;Kyunghyun Cho 等;《Computation and Language (cs.CL)》;20140930;第1-15页 *
Soft plus Hardwired attention: An LSTM framework for human trajectory prediction and abnormal event detection;Fernando, Tharindu 等;《arXiv: 1702.05552》;20171231;第466-478页 *
基于Bi-LSTM模型的轨迹异常点检测算法;韩昭蓉 等;《雷达学报》;20180711;第36-43页 *
基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究;林蕾;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20190415;正文第76页第2段-99页倒数第2段 *

Also Published As

Publication number Publication date
CN110991625A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110991625B (zh) 基于循环神经网络的地表异常现象遥感监测方法、装置
Du et al. Return period and risk analysis of nonstationary low-flow series under climate change
EP3112959B1 (en) Method for detecting anomalies in a water distribution system
CN110705457A (zh) 一种遥感影像建筑物变化检测方法
EP3482354A1 (en) Computer systems and methods for performing root cause analysis and building a predictive model for rare event occurrences in plant-wide operations
CN111639787A (zh) 一种基于图卷积网络的时空数据预测方法
Liu et al. A machine learning-based cloud detection algorithm for the Himawari-8 spectral image
Bain et al. Detecting the ITCZ in instantaneous satellite data using spatiotemporal statistical modeling: ITCZ climatology in the east Pacific
CN114648705B (zh) 一种基于卫星遥感的碳汇监测系统及方法
Ji et al. A generalized model to predict large-scale crop yields integrating satellite-based vegetation index time series and phenology metrics
CN115545334A (zh) 土地利用类型预测方法、装置、电子设备及存储介质
Zhong et al. Multi-factor intensity estimation for tropical cyclones in the western North Pacific based on the deviation angle variance technique
CN111931738B (zh) 用于遥感影像的神经网络模型预训练方法、装置
Petrou et al. Prediction of sea ice motion with recurrent neural networks
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN117540336A (zh) 时间序列预测方法、装置及电子设备
Trenary et al. Skillful statistical prediction of subseasonal temperature by training on dynamical model data
CN117192510A (zh) 一种双偏振雷达雨滴谱参数反演方法
Wendelberger et al. Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers
Kustiyo et al. Annual Forest Monitoring as part of Indonesia's National Carbon Accounting System
Colak et al. Prediction of extreme ultraviolet variability experiment (EVE)/extreme ultraviolet spectro-photometer (ESP) irradiance from solar dynamics observatory (SDO)/atmospheric imaging assembly (AIA) images using fuzzy image processing and machine learning
CN111325384B (zh) 一种结合统计特征和卷积神经网络模型的ndvi预测方法
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
Kitamoto et al. Digital typhoon: Long-term satellite image dataset for the spatio-temporal modeling of tropical cyclones
CN113469228A (zh) 一种基于数据流时空特征的电力负荷异常值辨识方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200410

Assignee: RUNDING Technology (Nanjing) Co., Ltd

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980006962

Denomination of invention: Remote sensing monitoring method and device of surface anomaly based on recurrent neural network

Granted publication date: 20200616

License type: Common License

Record date: 20201020

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211224

Address after: 211599 science and Technology Innovation Park, No. 8, Huyue East Road, Longchi street, Liuhe District, Nanjing, Jiangsu Province

Patentee after: Nanjing Guocheng Land Improvement Research Institute Co.,Ltd.

Address before: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing

Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: RUNDING Technology (Nanjing) Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980006962

Date of cancellation: 20220304