本发明涉及卫星遥感领域，尤其适用于土地覆盖和土地利用的变化检测，具体涉及一种先逐年分类后轨迹分析的时间序列变化检测方法。
背景技术：
1、开展土地利用/覆盖变化检测，具有重大的现实意义和科学价值。遥感对地观测技术已成为土地利用/覆盖变化检测的主要技术手段，遥感卫星可对地表任意区域实现快速重访，时效性高、成本低，尤其是对于大范围、多期次的变化检测任务。
2、时间序列遥感影像指的是时间范围较长、时间分辨率较高，并且能够周期地、稳定地获取的遥感影像。相比于传统的双时相影像，基于时间序列遥感影像的变化检测更具优势：时间序列影像能精确检测变化发生的时间，能识别地物的动态变化过程，且时序影像提供的“时谱”从全新维度增加了遥感数据的信息含量，为土地利用/覆盖变化检测提供了更加广阔的思路。
3、遥感时间序列变化检测需要解答三个主要问题：是否发生了变化、发生了什么变化(即变化类型)、何时发生了变化(即变化时间)。然而，当前已有的时间序列变化检测方法对变化时间和变化类型的检测各有侧重，难以兼得：常规的分类后比较法(如文献vu h td,tran d d,schenk a,et al.land use change in the vietnamese mekong delta:newevidence from remote sensing[j].science ofthe total environment,2022.)虽然可以通过分类准确地给出变化前后的土地类型，但需要对每期影像独立分类，工作量大，因而所采用的时序数据通常时间分辨率较低，常用于年际或更长时间间隔的变化检测，变化时间只能精确到年份，难以检测出更具体、更精确的变化时间(如具体月份或具体哪一天)；虽然通过对密集时序轨迹的拟合和断点检测(如ccdc算法，见文献zhu z,woodcock ce.continuous change detection and classification of land cover using allavailable landsat data[j].remote sensing of environment,2014,144:152-171)，可以较为精确地提取发生变化的具体时间，但对于土地变化类型的确定仅依赖于少数几个季节项的拟合系数，即分类时能够使用的特征数量较少，未能充分挖掘时序影像的“时-空-谱”特征最大化分类精度，难以保证变化类型的检测精度。可见，当前的时间序列变化检测方法难以同时精确检测变化时间和变化类型。
技术实现思路
1、为解决上述问题，本发明提出了一种先逐年分类后轨迹分析的时间序列变化检测方法，该方法先以“年”为时间尺度，通过对遥感时序影像“时-空-谱”特征的深度挖掘实现逐年分类，基于各年的类别序列判断变化类型和变化年份，进而以变化年份的时序轨迹作为分析对象检测变化发生的具体时间。
2、本发明的技术方案是：
3、第一方面，本发明提供一种先逐年分类后轨迹分析的时间序列变化检测方法，所述检测方法包括以下步骤：
4、s1：获取研究区域多年的遥感时序影像，进行时序影像预处理，构成无异常值的地表反射率时间序列和植被指数时间序列；
5、s2：构建深度学习网络，挖掘并融合“时-空-谱”特征，对土地覆盖进行逐年分类；
6、s3：根据各年的类别序列判断是否发生变化，比较相邻年份的土地类型判断变化，并确定发生变化的年份和变化类型；
7、s4：对变化年份的时序曲线进行轨迹分析，检测发生变化的具体时间。
8、所述步骤s1中的时序影像预处理包括：基于fmask4.0算法识别包括云、云影和冰雪在内的异常像元，并予以剔除；计算植被指数；对植被指数时序曲线进行中值滤波和自适应sg滤波，获得重构植被指数时间序列；
9、地表反射率时间序列为多光谱影像数据，在多光谱影像数据中进行土地类型的标注，在同一张多光谱影像数据中相同土地类型的像元为一个样本，为每个样本标注土地类型，全年的相同类型样本构成样本集。
10、步骤s2中：以“年”作为时间尺度，利用深度学习强大的特征提取能力，构建双分支的深度神经网络结构，对植被指数时间序列采用循环神经网络挖掘时序特征，对全年的多光谱影像采用卷积神经网络来顾及空间相关性，二者输出的结果进行特征合并获得“时空谱”特征，最后经过全连接层进行特征融合，以实现各年的土地覆盖的像元的精确分类。
11、所述双分支的深度神经网络结构的一个分支以全年的多光谱影像输入，采用cnn卷积神经网络，cnn卷积神经网络中同时引入通道注意力机制senet；另一个分支以植被指数时间序列作为输入，采用rnn网络，所述rnn网络为lstm、gru、pb-gru中的一种。
12、所述cnn卷积神经网络包括多个senet模块和多个卷积模块，senet模块和卷积模块依次交替连接，二者数量相同，最后一个卷积模块的输出连接全连接层作为输出。
13、所述步骤s3判断变化的具体过程为：基于各年土地覆盖的分类结果，比较相邻年份的土地类型判断是否发生了变化，并对可能存在的伪变化予以滤除，从而确定研究区变化前后的土地类型和变化可能发生的年份。
14、所述步骤s4中，对变化年份的时序曲线进行轨迹分析的具体过程为：基于变化前类型和变化后类型的变化像元计算其植被指数中值时序作为参考时序；假设每一个时间点均为潜在的变化时间点，在该点截断两条参考时序，取前者的前段和后者的后段拼接成新的组合时序，当组合时序与变化时序最相似时，对应的时间点即为变化时间；所述变化时序为变化年份的植被指数时间序列。
15、采用欧氏距离作为时序轨迹相似性的度量，即计算组合时序和变化时序这两条时序轨迹上所有对应点的均方根误差rmse，对于每一个可能的变化时间点，均构建与之对应的组合时序，相应地均与变化时序计算出一个rmse值，计算出所有时间点的rmse即可得到一条rmse曲线，rmse曲线上的最小值对应的时间点即为检测出的发生变化的时间点；此时对应时间点的组合时序和变化时序最相似。
16、在步骤s3中确定的变化可能发生的年份有两个年份，在轨迹分析时需要对可能的两个年份的植被指数时间序列均进行变化时间的检测，变化时序为变化前类型年份的植被指数时间序列或者为变化后类型年份的植被指数时间序列。
17、第二方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述方法的步骤。
18、与现有技术相比，本发明的有益效果是：
19、提出了一种先逐年分类后轨迹分析的时间序列变化检测方法，在充分利用遥感时序影像“时-空-谱”信息的基础上，实现对土地覆盖变化类型和变化时间的精确检测，为遥感时间序列变化检测提供新的技术方法。
20、相对于现有分析对象为全年ndvi的平均值(相当于一年只有一个数值)，最终只能分析出变化发生在哪一年来说，本发明方法分析对象是全年的时序曲线，时序上所有点的值都会参与分析，最终分析的变化时间更加精确。
21、为了使本发明的目的、技术方案和分析方法更加清楚，本发明提供如下附图说明：
1.一种先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于，所述检测方法包括以下步骤：
2.根据权利要求1所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：所述步骤s1中的时序影像预处理包括：基于fmask4.0算法识别包括云、云影和冰雪在内的异常像元，并予以剔除；计算植被指数；对植被指数时序曲线进行中值滤波和自适应sg滤波，获得重构植被指数时间序列；
3.根据权利要求1所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：步骤s2中：以“年”作为时间尺度，利用深度学习强大的特征提取能力，构建双分支的深度神经网络结构，对植被指数时间序列采用循环神经网络挖掘时序特征，对全年的多光谱影像采用卷积神经网络来顾及空间相关性，二者输出的结果进行特征合并获得“时空谱”特征，最后经过全连接层进行特征融合，以实现各年的土地覆盖的像元的精确分类。
4.根据权利要求3所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：所述双分支的深度神经网络结构的一个分支以全年的多光谱影像输入，采用cnn卷积神经网络，cnn卷积神经网络中同时引入通道注意力机制senet；另一个分支以植被指数时间序列作为输入，采用rnn网络，所述rnn网络为lstm、gru、pb-gru中的一种。
5.根据权利要求4所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：所述cnn卷积神经网络包括多个senet模块和多个卷积模块，senet模块和卷积模块依次交替连接，二者数量相同，最后一个卷积模块的输出连接全连接层作为输出。
6.根据权利要求1所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：所述步骤s3判断变化的具体过程为：基于各年土地覆盖的分类结果，比较相邻年份的土地类型判断是否发生了变化，并对可能存在的伪变化予以滤除，从而确定研究区变化前后的土地类型和变化可能发生的年份。
7.根据权利要求1所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：所述步骤s4中，对变化年份的时序曲线进行轨迹分析的具体过程为：基于变化前类型和变化后类型的变化像元计算其植被指数中值时序作为参考时序；假设每一个时间点均为潜在的变化时间点，在该点截断两条参考时序，取前者的前段和后者的后段拼接成新的组合时序，当组合时序与变化时序最相似时，对应的时间点即为变化时间；所述变化时序为变化年份的植被指数时间序列。
8.根据权利要求7所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：采用欧氏距离作为时序轨迹相似性的度量，即计算组合时序和变化时序这两条时序轨迹上所有对应点的均方根误差rmse，对于每一个可能的变化时间点，均构建与之对应的组合时序，相应地均与变化时序计算出一个rmse值，计算出所有时间点的rmse即可得到一条rmse曲线，rmse曲线上的最小值对应的时间点即为检测出的发生变化的时间点；此时对应时间点的组合时序和变化时序最相似。
9.根据权利要求7所述的先逐年分类后轨迹分析的时间序列变化检测方法，其特征在于：在步骤s3中确定的变化可能发生的年份有两个年份，在轨迹分析时需要对可能的两个年份的植被指数时间序列均进行变化时间的检测，变化时序为变化前类型年份的植被指数时间序列或者为变化后类型年份的植被指数时间序列。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可实现权利要求1-9任一所述方法的步骤。
