Ein neuartiger Ansatz zur mehrfachen Veränderungserkennung basierend auf tri-temporaler logikverifizierter Veränderungsvektoranalyse im Raum posteriorer Wahrscheinlichkeiten

Detaillierte Landnutzungsänderungstrajektorien bieten eine bessere Gelegenheit, die Dynamik von Landoberflächenprozessen zu verstehen. Allerdings müssen die Änderungsinformationen, die in Trainingsproben enthalten sind und die normalerweise schwer zu erhalten sind, im Voraus bereitgestellt werden, um dieses Ziel in einem komplexen Szenario zu erreichen. In diesem Papier wurde ein neuartiger Ansatz zur mehrfachen Veränderungserkennung, nämlich die tri-temporale logikverifizierte Veränderungsvektoranalyse (TLCVA) im Raum der posterioren Wahrscheinlichkeiten (TLCVAPS), vorgeschlagen. Dieser Ansatz beseitigt die Abhängigkeit von Änderungsinformationen, die in Trainingsproben enthalten sind, während gleichzeitig die Erkennungsfehler durch die erstmalige Berücksichtigung der Änderungslogik verringert werden. Der vorgeschlagene Ansatz besteht aus drei Schritten, darunter: (1) Veränderungsvektor, der im Raum der posterioren Wahrscheinlichkeiten erzeugt wird, (2) binäre Veränderungserkennung über TLCVA und (3) Identifikation von Veränderungstrajektorien durch Kombination von Änderungsvektorwinkeln und logischer Verifizierung im Veränderungsmuster. Wir haben den vorgeschlagenen Ansatz an drei tri-temporalen Datensätzen angewendet, die in Nanjing, Xianning und Zhenjiang, China, gewonnen wurden. Die Ergebnisse bestätigten die Überlegenheit von TLCVAPS im Vergleich zu den aktuellsten Methoden zur mehrfachen Veränderungserkennung mit demselben Vorwissen.