文章亮点
• 基于深度学习的时间序列变化检测模型。
• 每月使用10米和20米分辨率的合成Sentinel-2。
• 首次将语义分割应用于时间序列变化检测。
• 同时收集三个变化细节：地点、时间和内容。
• 可以提供任何给定时间的土地覆盖地图。
城市可持续发展过程伴随着频繁而复杂的土地覆盖变化，明晰准确的土地覆盖变化信息可以为城市管理提供科学数据。 为了在准确的时空尺度上表征城市发展，变化检测模型不仅需要提供变化的准确位置(Where)和时间(When)，还需要提供变化类型(What)的语义信息。因此，该项研究提出了一种基于深度学习的时态语义分割变化检测(TSSCD)方法，该方法可以同时获取变化的地点、时间和内容信息。TSSCD模型通过学习从光谱信息到土地覆盖类型的逐月映射，弥合了遥感时间序列突变与土地覆盖变化之间的语义鸿沟。研究实现了一个基于最经典的全卷积网络的时态语义分割模型，其中所有的二维卷积和操作都采用一维替换。 该研究在几个城市研究区对TSSCD进行了测试，结果显示TSSCD始终表现出良好的准确性。在大多数情况下，它优于BFAST和CCDC算法，除非只使用单个频谱带。同时，研究分析了训练TSSCD所需的最低数据要求。TSSCD目前面临的挑战是在训练数据分布之外实现强泛化。此外，通过灵活配置TSSCD可以实现对特定土地覆盖类型的变化检测。最后，该研究还探索了一种使用现有产品构建数据集的方法，以最大限度地减少数据标注工作，获得了有较希望的结果。但是，与完全手工标注相比，仍有一些差距。 综上所述，TSSCD模型提供了一种在时空尺度上准确表征城市可持续发展的新方法。
图5 2021年11月起S1、深圳研究区训练和测试样点空间分布及土地覆盖类型图7 在仅考虑指标波段的情况下，比较了BFAST与TSSCD在6个研究区域的变化检测精度图8 TSSCD模型对不同时间和变化类型的检测结果图10 基于TSSCD模型的土地覆盖分类和变化检测结果
图14 2017年12月-2021年11月不同土地利用类型变化趋势图15 六个研究区TSSCD模型在不同样本尺度上的分类和变化检测精度趋势图16 武汉研究区2021年11月起训练和测试样点空间分布及土地覆盖类型图17 两个研究区各土地覆盖类型光谱值分布差异及年内变化格局差异图18 基于混淆矩阵的土地覆盖分类和迁移实验中变化类型检测图20 以感兴趣的土地覆盖为重点的TSSCD模型检测结果
如需了解该篇文章的具体内容，可以通过期刊的以下网址链接查看：
https://doi.org/10.1016/j.rse.2024.114101。
论文引用↓
Haixu He, Jining Yan, Dong Liang, Zhongchang Sun, Jun Li, Lizhe Wang. Time-series land cover change detection using deep learning-based temporal semantic segmentation. Remote Sensing of Environment, 2024, 305, 114101.
