[發明專利]基于循環神經網絡的地表異常現象遙感監測方法、裝置

有效

• 申請號: 202010133968.7
• 申請日: 2020-03-02
• 公開（公告）號: CN110991625B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 袁媛;陳一祥;李文梅;姜杰
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00;G06K9/62;G01N21/17;G01N21/55
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于循環神經網絡的地表異常現象遙感監測方法、裝置，所述方法包括：將訓練前段序列輸入基于雙向循環神經網絡構建的編碼器，得到用于表征訓練前段序列全局信息的前段隱藏狀態序列；依次向基于單層循環神經網絡的解碼器輸入上一時刻的數值，使得依次得到對應于訓練后段序列中的時刻的預測值；使用編碼器?解碼器模型對未來時刻的觀測地點進行預測。采用上述方案，可以挖掘歷史序列整體上的變化規律并預測未來多個時刻的觀測值，實現近實時異常監測、實時監控監管，同時所需的數據預處理及人工設定的經驗參數較少，對實施者的經驗和專業背景要求不高，適用于各種地理區域和土地覆被類型，方法可行性、穩健性和預測結果準確度較高。

技術領域

本發明涉及數據處理領域，尤其涉及一種基于循環神經網絡的地表異常現象遙感監測方法、裝置。

背景技術

遙感時間序列數據記錄了地表的連續變化過程，其隨時間的變化模式深刻反映了多種自然地理過程和植被物候節律，具有周期性、趨勢性與隨機性相結合的復雜非線性特征。通過分析同一區域長期積累的歷史遙感時間序列數據，挖掘其內在結構和時變規律，可以對多種由人類活動或自然災害引起的異常現象進行近實時監測和早期預警。

現有的異常現象近實時監測和早期預警，所采用的遙感時間序列異常檢測方案主要分為兩類：基于時間序列分解的方案和基于預測的方案。基于時間序列分解的方案是將時間序列分解為趨勢項、季節項和殘差項的組合，并進一步從趨勢項和隨機項中檢測異常點。基于預測的方法一般通過人工預設的解析模型去描述時間序列的歷史變化模式，預測未來的觀測值，并通過預測值與實際值之差檢測異常變化。

然而，上述兩種方案均存在弊端：一方面，基于時間序列分解的方案假設遙感時間序列符合嚴格周期性，且可采用線性函數對趨勢項進行逼近，這與真實的地表變化規律不符；另一方面，基于預測的方案由于不同土地覆被類型的時域變化模式復雜多樣，因而很難找到合適的數學模型反映時間序列內在的變化規律和本質特征，導致模型預測值與真實值之間往往存在較大誤差，異常監測的精度并不理想。因此，上述兩類方法均存在各自的缺陷，穩健性及適用性不強。

發明內容

發明目的：本發明旨在提供一種基于循環神經網絡的地表異常現象遙感監測方法、裝置。

技術方案：本發明實施例中提供一種基于循環神經網絡的地表異常現象遙感監測方法，包括：

獲取觀測地點的觀測值；

將所述觀測地點的觀測值按照時刻順序形成歷史序列；

令歷史序列作為訓練序列，將訓練序列劃分為訓練前段序列和訓練后段序列；

將訓練前段序列輸入基于雙向循環神經網絡構建的編碼器，得到用于表征訓練前段序列全局信息的前段隱藏狀態序列；

依次向基于單層循環神經網絡構建的解碼器輸入上一時刻的數值，計算下一時刻的表征解碼器輸出范圍內歷史信息的隱藏狀態向量，并基于所述前段隱藏狀態序列，預測得到下一時刻的預測值，使得依次得到對應于訓練后段序列中的時刻的預測值；

通過訓練后段序列的各個時刻的預測值與觀測值之間的誤差，對編碼器-解碼器模型進行訓練；

使用編碼器-解碼器模型得到觀測地點未來時刻的預測值，若預測值與相應時刻實際獲得的觀測值之間的偏差大于設定的異常變化閾值，則表明觀測地點存在異常現象。

具體的，排除出現異常現象的時刻所對應的時間區間；

選取與預測的目標時刻相鄰的時間段內的觀測值按照時間順序形成歷史序列，其中O_t表示t時刻的觀測值，L表示歷史序列的時刻的個數，若歷史序列中存在觀測值的缺失，以-1進行填補。