预测经济和金融时间序列:ARIMA与LSTM模型的比较

预测时间序列数据是经济学、商业和金融学中的一个重要主题。ARIMA模型在预测下一个时间序列滞后的精度和准确性方面表现出色。随着计算机计算能力的发展,产生了基于深度学习的新算法来预测时间序列数据,如长短期记忆(LSTM)。通过实证研究,基于深度学习的算法(如LSTM)优于传统算法,与ARIMA相比,LSTM获得的错误率平均降低在84%~87%之间,表明了LSTM对ARIMA的优越性。     

基于无人机影像的冬小麦深度学习分类

[目的]传统分类方法存在人为主观选择特征、模型无法在大范围泛化的问题,文章利用非监督特征学习的深度学习方法进行冬小麦识别,以解决传统分类方法无法在大范围进行自动化作物识别的不足。[方法]该文集成残差网络(Residual Nets,ResNets)和金字塔场景解析网络(Pyramid Scene Parsing Network,PspNets)构建Res.PspNet,进行冬小麦深度学习自动化分类。在山东全省获取80个村的无人机航拍影像,利用米级遥感影像和对应的标记样本作为"海量标记样本"训练土地覆盖识别模型,以此为基础模型迁移训练冬小麦分类模型,自动提取出冬小麦分布。[结果]实验结果表明,以训练出的土地覆盖数据作为基础模型训练冬小麦模型,收敛速度快,具有很好的泛化性,在不同农业景观调查村中均得到比较准确的结果。从整体验证区域来看,冬小麦总体精度达到了90%以上,区域冬小麦总面积精度达到99%。平原区冬小麦识别精度更高,总体精度达到了90%以上,区域面积精度达到99%,表明模型对冬小麦种植地块规整、生长状态均质的区域,识别精度较高,而山区由于地块破碎、冬小麦长势差异较大,空间卷积会弱化小麦特征且出现"同物异谱"现象,这影响了在该区域内冬小麦的识别精度。[结论]Res.PspNet卷积神经网络能够有效地学习出无人机影像的特征,实现了基于航片影像进行非监督自动化冬小麦"端—端"分类,这也将一定程度上降低冬小麦提取的工作量。     

基于深度学习模型的种植结构复杂区农作物精细分类研究

目的 卫星遥感技术具有覆盖范围广、探测周期短、调查成本低等优势而广泛应用于大区域农作物分类。然而在种植结构复杂区（如城乡结合部）,因其地块破碎、同期生长的作物种类多且分布分散,利用传统的统计分类或机器学习方法进行农作物分类时仍存在精度不高的问题。为提高种植结构复杂区农作物分类精度。方法 文章选取河北省廊坊市广阳区为研究区,以GF-1 PMS全色多光谱融合影像为数据源,采用U-Net、PSPNet及DeepLabv3+,3种深度学习模型进行农作物分类研究。分析模型参数对农作物分类精度的影响,评价3种深度学习模型的农作物分类精度,优选农作物精细分类方法。结果 （1）学习率与3种深度学习模型的分类精度呈正相关关系,较大的学习率（0.01,0.001）下,3种模型收敛速度快,分类精度高。批样本量与模型分类稳定性相关,批样本量设为100时,3种模型的分类稳定性最好。（2）相比PSPNet、DeepLabv3+模型,U-Net模型分类效果最好,总体分类精度为89.32%。（3）GF-1 PMS影像结合U-Net模型可有效提升种植结构复杂区农作物分类精度,大宗作物春玉米、夏玉米的分类精度在80%以上,花生、红薯、蔬菜小宗作物分类精度在60%以上。结论 该研究可为准确获取种植结构复杂区的农作物类型、面积及空间分布信息提供参考依据。     

多时相极化SAR数据的旱地作物分类研究

[目的]及时、准确地获取旱地作物类型、种植面积及空间分布信息,可为农业生产管理,国家粮食政策提供重要依据。文章主要是对河北省冀州市棉花、玉米、水体和建筑进行分类,比较不同时相及分类方法下RADARSAT-2数据对4种地物的分类精度。[方法](1)计算得到每个时相(2018年7月14日、8月7日、9月24日)全极化RADARSAT-2数据的39个特征;(2)结合随机森林分类器比较不同分解方法(Freeman分解、Yamaguchi分解、MCSM模型和Cloud分解)得到的特征对旱地作物的分类精度影响;(3)分析参与分类的特征数量和时相对分类精度的影响;(4)将多时相多特征相结合,确定研究区内旱地作物的最佳识别方案。[结果]不同分解方法得到的特征越多、分类精度越高;就仅使用单景影像而言,在9月24日(玉米成熟期早期、棉花吐穗期中期)总体分类精度最高;不同分解方法得到的极化特征之间有一定的相关性,同一时相下,增加参与分类的极化特征数量不能有效提高分类精度;使用3个时相上117个极化特征,结合随机森林分类器,可以得到最佳分类精度(总体分类精度达92.89%,Kappa系数为0.885 9)。[结论]结合多时相与多特征相RADARSAT-2数据,能够有效提高复杂种植结构下旱地作物的识别精度,该研究可为旱地作物种植面积的快速提取提供参考。     

基于无人机遥感可见光影像的农作物分类

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。     

结合Landsat 8和GF 1数据的冬小麦种植空间分布提取

[目的]为探讨多源中等分辨率数据在冬小麦种植时空分布上的应用。[方法]利用2017年冬小麦关键生育期的Landsat8 OLI(抽穗期)和时间序列的GF-1 WFV(2016—2017生育期)数据,在分析各个行政分区的地表覆盖状况、作物结构和地块破碎度差别的基础上,将行政区划分为3种类型不同的提取单元并建立了适合于各自分区的提取模型:(1)利用关键生育期的OLI数据,采用监督分类—神经网络方法提取结构单一、地块齐整的怀远县种植区;(2)基于WFV数据构建五河县及城区种植区的冬小麦全生育期NDVI时间序列曲线,根据NDVI的时间特征构建冬小麦提取的决策树分类模型提取结构较复杂、混合像元明显的五河县及城区种植区;(3)在对关键生育期OLI-NDVI数据合理分割的基础上,采用最大似然的面向对象分类法获取种植密集、地块破碎的固镇县种植区。[结果]提取结果采用混淆矩阵和当年度统计数据相结合的方法进行精度评价,结果表明:(1)怀远县提取出的冬小麦提取总体精度为97.91%,五河县及城区提取出的精度为97.62%,固镇县的精度为97.42%;(2)全区域冬小麦提取的总体精度为86.82%,Kappa系数为0.84。与当年度统计数据对比的结果表明:2017年蚌埠市的准确提取面积精度可达97.91%,提取面积数据小于蚌埠市统计年鉴提供的统计数据,与调查的实际种植地块基本一致。[结论]采用不同方法提取不同空间分布特征的冬小麦种植面积具有较好的精度,该方法可以为市域冬小麦面积提取提供技术参考。     

面向农业区划的作物种植结构遥感提取

[目的]尝试将作物种植结构提取结果由行政单元发展为基于相对均质的地理网格单元,解决当前农作物种植结构信息提取的空间局限性问题,文章在大尺度的土地利用/覆被分类与地块尺度的作物分类之间提出了作物种植结构单元概念,并构建了一种快速、低成本、准确的区域尺度作物种植结构提取方法。[方法]利用黑龙江省2014年250m分辨率的植被指数产品构建时间序列曲线提取物候信息,在耕地物候分区基础上对各物候区进行面向对象的多尺度分割,提取作物种植结构单元,利用光谱特征和NDVI指数构建特征空间,最终采用最邻近分类方法提取作物种植结构。[结果](1)利用MODIS时间序列数据提取物候特征进行多尺度分割的方法,能够有效的提取区域尺度农作物种植结构单元;(2)作物种植结构提取总体精度为95.70%;(3)黑龙江省2014年作物种植类型共有12种。其中,三江平原主要是水稻单一种植区、水稻混作区;松嫩平原以玉米单一种植区以及玉米-大豆混作区种植为主;西北部种植结构较复杂;东南部因地势等影响多种植玉米、大豆。[结论]利用物候数据进行种植结构提取可以有效划分农业区划,研究成果不仅为作物种植结构调整和农业发展布局提供科学依据,也是不同区域产量预测的基础,为合理布局农业生产、改进耕作制度以及引入和推广新产品等提供依据。     

基于集成深度学习模型的耕地地块提取

目的 耕地地块空间分布是农业生产管理和农业政策制定的重要基础信息。我国农业耕作方式和种植结构复杂,地块形状多样、均质性较低,基于Landsat 影像的传统方法难以实现地块的准确提取。方法 文章提出一种集成深度学习模型（Ensemble Deep Learning,EDL）,可以在高分辨遥感影像中实现地块提取。首先通过随机可放回的Bagging抽样方法得到不同的训练集,然后将训练集用于多个卷积神经网络（FCN、PspNet、SegNet、Unet）,逐像素计算相应的耕地边界概率,最后将概率图按照平均值进行集成,获得耕地地块边界,进而实现耕地地块的提取。结果 该文提出EDL方法提取耕地地块的总体精度达到96%,相较于FCN、SegNet、Unet提升了1%, 相较于PspNet提升了2%。相较于单个分类器, 集成深度学习模型可以减小偏差,提高地块提取的准确率结论 集成深度学习模型能够综合多个卷积神经网络的优点,提高分类精度,为耕地地块边界提取提供了新方法。     

基于纹理特征与MODIS NDVI时间序列的耕地面积提取研究

[目的]耕地是粮食安全的重要前提与保障,通过对MODIS时间序列数据的特征分析和提取,讨论了在大尺度条件下的耕地面积提取的可行方法,以期为当地合理利用耕地资源进行农业生产规划与布局提供参考。[方法]文章以呼伦贝尔市为研究区域,选择MOD13Q1为数据源,采用Savizky-Golay滤波方法对MODIS-NDVI时间序列进行滤波处理,并分析各地物间的时间变化特征,最后结合纹理特征信息进行CART决策树分类的结果比较。[结果](1) MODIS-NDVI时间序列能较好的区分不同的土地利用类型;(2) Savizky-Golay滤波降噪能够明显提高分类精度;(3)纹理特征的加入进一步反映地物间差异性;(4)该方法的总体分类精度为83. 72%,Kappa系数为0. 789,其中耕地的提取准确度为86. 33%。[结论]纹理特征使数据像元间的灰度相关性更加丰富,并通过提高像元之间的差异改善结果的精度。该文结果为进一步利用MODIS数据进行土地利用信息与农业资源调查提取提出了新思路。     

基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究

[目的]水稻在我国粮食生产中占有重要的地位,针对南方低山丘陵区地形复杂多样,地块破碎的环境特点,利用遥感数据时空融合方法对水稻分布进行提取研究对作物精准估产和政府决策具有重要意义。[方法]以衡阳县为研究区,基于增强型时空数据融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)将MODIS数据分别和GF-1WFV、Landsat 8影像进行数据融合,构建高时空分辨率的NDVI时间序列集,对NDVI序列进行滤波并获取各地物物候参数,采用决策树分类方法提取水稻种植面积。[结果](1)ESTARFM能有效融合MODIS和GF-1WFV、Landsat 8影像,其中Landsat 8数据的单波段融合效果(R_(NIR)=0.92,R_R=0.82)优于GF-1WFV融合结果(R_(NIR)=0.82,R_R=0.75),但NDVI结果相关性差异不大(Landsat:R_(NDVI)=0.93,GF-1WFV:R_(NDVI)=0.89);(2)利用决策树分类法进行地物分类,基于GF-1WFV融合数据的分类结果优于Landsat融合数据分类结果,其中GF-1WFV数据得到的分类结果总精度达到86.37%,单、双季稻的精度分别为62.26%与86.70%,Kappa系数达到0.80;而Landsat数据的分类总体精度为80.96%,单、双季稻精度分别为56.87%和70.74%,Kappa系数为0.72。[结论]GF-1WFV融合数据可用于获取精细的水稻种植分布;针对南方低山丘陵区,特别是地形复杂度较高的区域,GF-1 WFV数据比Landsat数据在水稻提取方面更具有优势。     

极化SAR旱地作物分类的后向消除特征选择研究

[目的]作物遥感分类是作物面积监测的核心问题,也是进一步开展农作物长势、产量等专题监测的前提。特征选择是作物遥感分类的关键步骤之一,能够有效提高作物遥感分类精度和效率。文章使用后向消除的特征选择方法明确最优特征集的大小和内容,比较不同优选特征集的分类效果分析4种特征排序方法的优劣。[方法]（1）提取河北省深州市旱地作物关键生长期（6月3日、6月27日、7月21日） RADARSAT-2数据的3类特征变量共114个。（2）比较基于不同度量方式的4种特征重要性排序方法,根据特征排序结果采用后向消除方法逐步简化特征变量,确定最优特征个数,得到优选特征集。（3）比较不同优选特征集在随机森林方法下的分类效果。[结果]特征排序方法中极限树的效果最好。使用极限树算法优选的特征集参与随机森林分类,能用最少的特征（11个）,达到最高的精度（92.63%）。并且与全部特征（114个）的分类结果相比,总体精度只下降了1.78%。[结论]后向消除特征选择优选出的特征集能够明确最优特征个数,能够在保障分类精度的同时有效提升分类效率,优选出的特征集可为同种种植结构下的旱地作物分类提供参考。     

基于星载极化SAR数据的农作物分类识别进展评述

［目的］农作物播种面积信息不仅可为农情监测和作物估产提供重要的数据保障，还是国家制定粮食政策和经济计划的重要依据。快速、准确地获取农作物播种面积信息能为农业生产管理提供决策支持。极化SAR不受云雨天气的影响，在农作物遥感监测方面具有巨大的应用潜力，有效利用极化SAR数据进行农作物识别研究对促进雷达技术在国家农业遥感监测和农业供给侧结构性改革中发挥更大作用具有重要意义。［方法］以星载极化SAR技术的发展过程为论述主线，从单、双极化SAR数据，单、双极化SAR数据结合光学影像，全极化SAR数据三个发展阶段，对极化SAR数据在农作物分类识别中的研究与应用进行总结，并对比分析不同的识别特征、融合算法以及分类算法的优缺点。［结果］以往研究存在以下不足：当前研究多以识别水稻为主，对于难以识别的旱地作物研究较少；目前对旱地作物识别精度不高，平均识别精度不足85%；缺乏对不同作物散射机制及其随时相变化的研究，导致分类算法机理性不足，普适性较差。［结论］在今后的研究中，旱地作物散射机制的定量确定，如何利用散射机制及其变化来提高旱地作物遥感识别精度和普适性；目前分类算法大都是基于光学影像设计，如何利用SAR特殊的成像方式优化设计适用于极化SAR数据的分类算法，得到更高的分类精度；如何更好的跟光学遥感等多源数据（光学数据、GIS数据等）结合来提高精度，将成为未来极化SAR农作物识别中三个亟需重点解决的问题。     

基于最小距离法的RADARSAT-2遥感数据旱地作物识别

利用雷达遥感技术进行作物识别是当前作物遥感监测的研究热点之一,但利用雷达遥感技术进行旱地作物识别的相关研究较少,该文以RADARSAT 2雷达遥感数据对两种旱地作物玉米和棉花进行识别。以河北省枣强县为研究区,对其区域内的玉米和棉花进行识别。首先分析了与卫星过顶时刻同步采集的作物参数与后向散射系数之间的相关性发现,在植株高度、生物量、作物含水量、叶面积指数这四个作物参数中,植株高度与后向散射系数的相关性最大,其次是作物含水量;同时,通过最小距离法应用多时相、多极化雷达遥感数据进行作物识别,其精度可达到85%,通过与资源三号光学遥感数据结合,其作物识别精度提高到了93%。研究结果表明,雷达遥感数据应用于旱地作物识别是可行的,雷达遥感数据与光学遥感数据的结合能提高旱地作物识别的精度。该研究为应用雷达遥感数据进行旱地作物识别提供了参考。     

农作物空间分布遥感制图发展方向探讨

[目的]农作物空间分布是农作物长势监测、病虫害监测和产量估测的基础数据,也是区域农作物种植结构优化调整、水土资源管理和政府宏观决策的重要支撑。近年来,遥感技术日益成为农作物空间分布制图的主要技术手段。[方法]文章从农作物遥感制图的现状与瓶颈出发,系统梳理了农作物空间分布遥感制图的未来发展趋势、重点方向以及存在的问题。[结果]总体看,未来农作物空间分布遥感制图呈现7个方面的发展趋势,即制图目标呈现多元化、制图单元从像元发展到地块、样本信息采集方法从线下发展到线上线下结合、众源制图数据的协同利用、制图方法从自动学习发展到深度学习;同时,标准化的农作物空间分布数据产品的研制及共享与信息服务也是未来需要重点关注的内容。[结论]面向当前和今后相当长时间内对高精度、高时效的农作物空间分布数据的迫切需求,农作物遥感制图需要从系统性和整体性的科学视角来开展综合研究,重点加强地面数据获取、多源数据协同、智能分类算法高效运行等关键技术研究,提升农作物空间分布数据产品生产能力。     

基于SAR遥感的北方旱地秋收作物识别研究

在我国北方旱地秋收作物生长关键期,云雨天气影响较大,无法及时、有效地获取光学遥感数据,因此利用雷达遥感进行旱地作物识别研究非常必要。文章以河北省衡水市为研究区,选择6期RADARAST-2全极化影像作为数据源,分类方法为随机森林法。首先通过对比不同时相间的组合结果,优选出了研究区典型秋收作物(玉米、棉花)的最佳识别时相及组合方式。其次,提取最优识别时相的后向散射信息、纹理信息、极化分解等3部分信息,依据信息间相互组合的结果及随机森林算法对变量的重要性评价,文中对上述3部分信息进行了重要性评估。结果表明:利用SAR识别旱地秋收作物时应着重关注作物生长前期的时相,其中玉米在6月27日单一时相下就可获得90%以上的高精度;棉花面积小、地块破碎,但通过6月3日与6月27日两个时相的结合也得到了70%以上的精度。在玉米识别中极化信息具有较大的贡献,极化变量的加入主要增加了玉米和建筑用地的可分离性,与单纯利用后向散射信息分类相比精度提高了近7%;同样,纹理信息和极化分解信息的加入也使棉花的精度提高了3%。最后,利用随机森林算法对变量的重要性评价机制,优选出对玉米识别最为重要的5个变量,依次为:VH、Alpha、Yamaguchi4-Odd、Freeman-Vol和Mean(HV)。该研究利用雷达数据进行旱地作物识别,验证了雷达影像对旱地秋收作物的识别能力,不仅保证了数据获取与天气状况的独立性,还凭借SAR独有的数据获取方式,为光学数据提供了补充。     

灌溉耕地空间分布制图研究进展

[目的]灌溉耕地空间分布是管理水资源、指导农业生产和监控环境变化的基础数据,遥感是获取灌溉耕地空间分布的重要手段。科学总结有关区域灌溉耕地空间分布制图的研究进展,可为遥感在该领域的应用研究提供参考。[方法]文章全面收集近年来国内外利用遥感提取灌溉耕地的文献资料,系统分析了灌溉耕地制图的特征选择和主要技术方法,并展望了未来的发展方向。[结果]从分类特征的角度看,气候、生产方式和设施等农业相关地域条件是灌溉耕地制图的必要参考;灌溉引起的水分或植被生长状况差异是主要依据;引入参量的时序变化特征或新的特征参量是对单一影像信息不完善的有效补充。从分类方法的角度看,不同分类方法多局限于局地或区域尺度,规则普适性不高,真值数据收集困难,难以适应大尺度下多样的地域条件,导致无法高效及时地生产更新相应规模且合适分辨率的产品,大区域灌溉制图的主要方式仍依赖空间分配模型。[结论]未来发展而言,自动分类技术和遥感影像资源的丰富已为高效生产灌溉分布地图提供了基础条件,整合数据资源、挖掘特征参量和优化分类方法等3个方面应是未来的主要发展方向。     

基于多源数据融合的地表覆盖数据重建研究进展综述

地表覆盖数据对于全球环境变化、生物多样性和发展政策制定有着重要意义。遥感已成为获取地表覆盖数据的重要手段。而目前的地表覆盖数据产品,如Globe Land30、FROM-GLC、MODIS Collection5、MODIS Cropland、Glob Cover、GLC2000等,存在数据精度不高、数据间一致性较差、与统计数据差异较大等问题。因此,基于多源数据融合的数据重建方法成为目前研究中的热点问题。文章检索了近10年关于多源数据融合在地表覆盖数据重建中的应用的相关文献,概括了多源数据在数据重建中的应用现状,并对基于多源数据融合的地表覆盖数据重建方法进行了归纳总结,重点评述了不同方法的特点及应用情况,阐明了各种方法的优势与不足,同时对存在的问题进行探讨并展望了未来基于多源数据融合的地表覆盖数据重建研究的发展方向。基于多源数据融合的数据重建方法包括基于多源遥感数据融合法以及基于多源遥感和非遥感数据融合法。该文在对基于多源遥感数据融合的数据重建方法进行论述时,主要讨论了其中应用最广泛的两种融合方法:基于数据一致性的融合法和基于回归分析的融合法。对于其他基于多源遥感数据融合的数据重建方法,如基于D-S证据理论融合法、基于数据集成融合法、基于统计模型融合法,也列举了最具代表性的相关文献进行论述。在对基于遥感数据和非遥感数据融合的数据重建方法进行论述时,主要讨论了其3种空间分配方法:完全依赖法、部分依赖法、动态依赖法。在对目前研究进行探讨的过程中,该文对其研究区域、数据源、地表覆盖类型、空间分辨率、融合方法和文献来源进行总结分析,并重点就融合方法展开讨论。围绕各种融合方法在数据重建中的运用,该文归纳出目前研究中存在的主要问题:研究对象和区域上的不足,研究区多为全球及欧美,其他区域的研究过少,研究对象多为所有地表覆盖类型和森林,对耕地和草地的研究过少;融合算法上的不足、重建结果精度上的不足。最后,指出基于多源数据融合的数据重建方法未来的发展方向,即综合运用两类方法,得到具有详细完整空间信息的长时间序列的地表覆盖数据集。