时间序列遥感变化检测.zip

# 时序遥感变化检测模型-Prophet ## 1. 参考论文 ### - offline model《A time-series classification approach based on change detection for rapid land cover mapping》2019 ## 2. Tips - $n$_$changepoints$设置为时间序列的长度，增加模型对于变化的敏感程度（默认为25）。 - $changepoint$_$range$设置为1，可以全时序做变化检测（默认为0.8） - $changepoint$\_$prior$\_$scale$视情况而定，默认为0.05，该值越大，模型拟合越好，但是容易过拟合，需要实验调试。 - 做时序遥感变化检测，需要设置模型的先验参数：$m.add$_$seasonality(name='yearly', period=365, fourier$\_$order=3)$，$fourier$_$order$为傅里叶拟合的阶数。 - 由于Prophet的官方模型并不提供精确的变化检测，所以我们采用经验模型定位变化点，即变化率最大的K个时刻所在的变化分布最左侧的时刻定义为变化点，该方法已经证明有效（仅针对MODIS），具体参考论文《Inter-comparison of four models for detecting forest fire disturbance from MOD13A2 time series》 - $m.plot$_$components(forecast)$代码可以查看年际变化和年内周期变化。 ## 3. Prophet模型安装 ``` pip install prophet ``` Prophet模型的优化使用L-BFGS，代码使用了pyStan，模型预测速度较快。 ## 4. 官方文档 python-api - [https://facebook.github.io/prophet/docs/quick_start.html#python-api](https://facebook.github.io/prophet/docs/quick_start.html#python-api)