基于机器学习的卫星夜间灯光时间序列自适应建模以追踪城市变化过程
机器学习
2024-05-24 v1
摘要
遥感夜间灯光（NTL）独特地捕捉了对人类与生态福祉至关重要的城市变化过程，如城市化、社会政治冲突与流离失所、灾害影响、节假日以及日常人类活动模式的变化。尽管若干 NTL 产品具有全球覆盖，但影响光照的城市特有因素（如发展水平及社会经济文化特征）因城市而异，使得嵌入 NTL 特征中的城市过程难以刻画，限制了城市变化分析的可扩展性。本研究中，我们提出一种数据驱动方法，从每日卫星派生 NTL 数据记录中检测城市变化，该方法跨城市自适应，并能有效学习城市特有的时间模式。所提方法利用神经网络从过往数据记录中学习预测 NTL 特征，可使用大量无标注数据，免去标注工作。基于观测 NTL 相对模型预测之偏差，采用异常检测方式侦测城市变化。将模型预测与观测 NTL 比较亦可识别变化方向（正或负）并监测变化严重程度以追踪恢复情况。在模型落地中，我们选取来自不同地理区域、具有动态 NTL 时间序列的十个城市区域，基于 NTL 偏差展示了该方法在检测这些城市区域内不同驱动与速率变化过程的泛化能力。这一从每日遥感观测监测变化的可扩展方法高效利用海量数据，支撑持续监测与决策。
引用
@article{arxiv.2306.08501,
title = {Adaptive Modeling of Satellite-Derived Nighttime Lights Time-Series for Tracking Urban Change Processes Using Machine Learning},
author = {Srija Chakraborty and Eleanor C. Stokes},
journal= {arXiv preprint arXiv:2306.08501},
year = {2024}
}