CN104699966B - 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 - Google Patents
一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 Download PDFInfo
- Publication number
- CN104699966B CN104699966B CN201510102397.XA CN201510102397A CN104699966B CN 104699966 B CN104699966 B CN 104699966B CN 201510102397 A CN201510102397 A CN 201510102397A CN 104699966 B CN104699966 B CN 104699966B
- Authority
- CN
- China
- Prior art keywords
- insar
- trend
- field
- spatial
- gnss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,根据InSAR数据选择合适的趋势场;利用变差函数模型将去除趋势的残余量进行拟合,得到空间变差函数;依据GPS点位以及变差函数和趋势项构建克里金Kalman滤波中的空间场矩阵;使用EM估计估计克里金Kalman滤波模型中的模型参数;进行克里金Kalman进行滤波;在时空上进行插值得到高时空分辨率的形变序列。与现有的方法相比,本发明的变差函数以及趋势项的选取采用的是具有高空间分辨率的InSAR数据,而不是采用点位稀疏的GPS数据。因此本发明可以有效提高空间场的精度,并且得到高时空分辨率的形变序列。
Description
技术领域
本发明涉及一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法。
背景技术
GNSS数据具有高时间分辨率低空间分辨率的特点,InSAR数据具有高空间分辨率低时间分辨率的特点。如何融合这两种技术,将其优缺点互补,得到高时空分辨率的形变序列,是亟待解决的问题。克里金Kalman滤波是一种时空Kalman滤波的方法,它不仅考虑了时间上的相关性,也考虑了空间点位的相关性,并且还可以在时空上进行插值得到高时空分辨率的形变序列。而传统的克里金Kalman滤波针对的是单一的GNSS数据。GNSS数据的时间分辨率很高,基本上可以达到1天的分辨率。但是GNSS点位分布稀疏,GNSS基线有的长达几十公里,这并不能较好的体现空间上的相关性。因此直接使用GNSS来构建克里金的空间场是不合理的,需要综合使用具有高空间分辨率的InSAR数据来提高克里金Kalman滤波的空间场精度。
克里金Kalman滤波模型:
其中Z为观测值矢量,H为空间场,αt为待估状态量,Φ为状态转移矩阵。v为观测噪声,其期望为0,协方差矩阵为R。w为状态噪声,其期望为0,协方差矩阵为Q。
发明内容
本发明所要解决的技术问题是,针对上述现有技术的不足,提供一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法。
为解决上述技术问题,本发明所采用的技术方案是:一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,包括以下步骤:
1)计算InSAR数据的趋势场Finsar,并去除InSAR数据的趋势项;
2)采用曲面拟合的方式,利用所述趋势场Finsar构造曲面拟合趋势项的误差方程,使用最小二乘求得趋势项曲面的系数矩阵,计算去除趋势项的平稳残余项,选择变差函数模型,并利用所述平稳残余项拟合变差函数γ(h);
3)计算GNSS数据的空间趋势场矩阵Fgnss,利用上述变差函数γ(h)计算GNSS数据点位之间的空间协方差矩阵
4)根据GNSS数据的空间趋势场矩阵Fgnss以及空间协方差矩阵计算弯曲能量矩阵B;
5)利用所述弯曲能量矩阵B以及趋势场矩阵Fgnss构建克里金Kalman滤波的空间场H;
6)使用EM估计计算克里金Kalman滤波中的模型参数,进行克里金Kalman滤波;
7)进行时空插值,得到高时空分辨率的形变序列。
与现有技术相比,本发明所具有的有益效果为:本发明使用克里金Kalman融合GNSS和InSAR数据,其中克里金Kalman空间场中趋势项的选择和变差函数的拟合采用的是具有高空间分辨率的InSAR数据。现有的克里金Kalman采用的是单一的GNSS数据,但由于其点位稀疏的原因并不能得到精度高的空间趋势面以及平稳的残余项。本发明具体首先是采用InSAR数据使用曲面拟合的方式求得空间趋势曲面的系数矩阵,然后再计算平稳残余项,使用变异函数模型拟合残余项的变异函数,这能有效的提高计算空间场的精度,并可以在时空上插值得到高时空分辨率的形变序列。
附图说明
图1为本发明实施方法流程图;
图2(a)为GNSS数据实验变差函数值;图2(b)为InSAR数据实验变差函数值。
具体实施方式
如图1所示,本发明具体步骤为:
1)根据InSAR数据选择合适的趋势场
空间变量往往并不是平稳的,通常含有一个趋势。为了得到一个平稳的序列,需要先去除趋势项。常用的趋势场通常有常数场、线性场以及二次曲面场。若InSAR数据共有minsar个观测值,即坐标x,y以及观测值Zinsar均为维数为minsar*1的矢量。则:
(1)若趋势场为常数场,则趋势场Finsar为值全为1且维数为minsar*1的矢量,即:
Finsar=[1,1,...,1]′
(2)若趋势场为线性场,则趋势场Finsar为维数为minsar*3的矩阵,如下:
Finsar=[x′;y′;1]′
(3)若趋势场为二次曲面场,则趋势场Finsar为minsar*6的矩阵,如下:
Finsar=[(x2)′;(y2)′;(xy)′;x′;y′;1]′
2)去除趋势并拟合残余的空间协变差函数模型
(1)利用步骤1)中选择的趋势场拟合趋势项,即根据选择的趋势场,构造拟合趋势项的误差方程:
v=Finsarβ-Zinsar
(2)采用最小二乘估计得到趋势项的系数矩阵β:
β=(Finsar′Finsar)-1FinsarZinsar
(3)计算去除趋势项的平稳残余项矢量:
(4)计算残余项的变差函数值:
根据InSAR坐标计算InSAR点位每两点的距离,然后对距离进行分组,当距离落入[kh±ε(h)](k为常数,ε(h)为容差)范围内就分在同一组,认为这些点的距离为kh,统计落入[kh±ε(h)]范围内的距离数目,记为N(h),然后分别求出距离为kh实验变差函数值γ(h),其值的计算公式如下:
其中s为空间位置,h为空间距离,以及分别为平稳残余项矢量中位置为s及s+h的元素,N(h)为空间位置相距h的观测值数。
(5)变差函数拟合
常用的变差函数模型主要有球状模型、指数模型、高斯模型以及幂函数模型等。而球状模型是最能代表空间变化的模型,其函数模型为:
其中C0为块金值,C0+C为基台值,a为变程。
将步骤(4)中计算的变差函数值γ(h)选择球状模型进行函数拟合求得变差函数参数C0、C和a。
3)计算空间场矩阵H
(1)计算GNSS点位的空间协方差矩阵
依据步骤2)得到的空间协变差函数计算GNSS点位的空间协方差矩阵 中第ij行元素Σij是通过下式计算的:
σij=C0+C-γ(h)
其中C0+C为拟合出来的变差函数的基台值,γ(h)为GNSS点位相距h的变差函数值。
(2)计算趋势矩阵A以及弯曲能量矩阵B
其中Fgnss为GNSS数据的趋势场,维数为m*q。其构造方法和步骤1)中的一致,且选择的趋势场模型是相同的。
(3)计算空间场矩阵H
进行降维处理,将B进行谱分解:
B=UDU′ Bui=diui
其中ui是第i个特征向量,di是第i个特征值。mgnss为GNSS观测值数,diag(·)为求对角阵算子。将mgnss个特征值进行非降序排列:
而空间场的维数p是由下式决定的:
当e大于某一比例(一般为90%-95%)时即可得到p的取值。
空间场的计算如下式:
其中q为趋势场F的列数。
4)使用EM估计计算克里金Kalman滤波中的模型参数
EM估计是一种在数据缺失的情况下的极大似然估计。在Kalman滤波中完全数据为:{α0,αt,Zt}={α0,α1,...,αn,Z1,...,Zn},其中缺失数据是不可观测的待求状态量αt,已知数据是观测值Zt,Zt为t时刻的观测值。而待估计的模型参数为θ={μ,∑,Φ,Q,R},其中μ和Σ为初始状态参数α0的期望和协方差矩阵,Φ为状态转移矩阵,R和Q分别为观测噪声协方差矩阵与状态噪声协方差矩阵。完全数据的对数似然函数为:
因为缺失的数据αt,所以并不能直接极大化完全数据的对数似然函数来得到模型参数θ。需要采用EM估计估计模型参数θ。EM估计分为E步和M步。E步是在参数θk下计算完全数据的对数似然函数的期望,M步是指极大化完全数据的对数似然函数的期望求得新的参数θk+1。反复迭代E步和M步直到对数似然函数稳定且不再增加为止。具体步骤如下:
假设第k次迭代计算的模型参数值为θk={μk,Σk,Φk,Qk,Rk},则在第k+1次迭代中:
E步:计算完整数据的对数似然函数期望
其中tr(·)为求迹算子,并且
而是在参数为θk通过克里金Kalman向前向后滤波得到的,具体滤波流程如下:
定义Kalman向前向后滤波估计如下:
其方差-协方差矩阵为:
Kalman向前滤波:
计算t时刻的状态预报值:
计算预报值的协方差矩阵:
计算t时刻的增益矩阵:
计算t时刻的状态估值:
计算状态估值的协方差矩阵:
其中t=1,2,…,n,α0的期望为μ,协方差矩阵为Σ。
Kalman向后滤波:
计算向后滤波的t-1时刻的增益矩阵:
计算向后滤波的t-1时刻的状态估值
计算向后滤波的t-1时刻状态估值的协方差矩阵:
其中t=n,n-1,…,1。而t时刻与t-1时刻的状态估值之间的协方差矩阵可以由下式计算:
其中t=n,n-1,…,2,并且当t=n时
M步:通过最大化完全数据的对数似然函数的期望来求得新的模型参数值θk+1。对完全数据的对数似然函数的期望求导可得:
Φ=BA-1
Q=n-1(C-BA-1B′)
此时求得k+1次迭代的模型参数的新值θk+1={μk+1,Σk+1,Φk+1,Qk+1,Rk+1}。
完全数据的对数似然函数值可以由下式代替:
重复迭代E步与M步直到上式稳定不再增加为止。若稳定,则第k+1次迭代的新值θk+1就为EM估计所求得的模型参数最终估值。
5)克里金Kalman滤波
使用EM估计估计出来的模型参数进行克里金Kalman滤波,使用具有高时间分辨率的GNSS数据求得高时间分辨率的状态估值其主要是由5个迭代公式组成的:
t时刻状态量的预报值:
预报值的协方差矩阵:
增益矩阵:
t时刻状态量的估值:
估值的协方差矩阵:
6)时空插值预测
为得到高时空分辨率的成果,需要在时空上进行预测。
设Zt(s)表示在t时刻且位置为s未观测点的观测值,H*表示未观测点的空间场,其构建方法和构造已知点的方法一致,v*(t)表示Zt(s)的噪声。Zt为t时刻已知点的观测值,v(t)为量测噪声,Σv为其协方差矩阵。令ΣV、和使用2)步骤中拟合的协变差函数来描述。则克里金预报值为:
增加s的空间分辨率,所得到的Zt(s)就为高时空分辨率的成果。
预报值精度可由克里金方差表示:
实例分析:
图2(a)、图2(b)反映了GNSS数据和InSAR数据计算的空间实验变差值与距离分布情况。
由图2(a)图可知,GNSS监测点在空间上分布稀疏,根本不能体现形变数据在空间上的平稳性。所计算出来的实验变差函数值杂乱无章,这样变差函数值强制拟合出来的变差函数明显是不合理的。
由图2(b)图可知,InSAR点位在空间上分布密集,可以较好的体现出空间上的平稳性。所计算出来的实验变差函数值在小于变程时逐步升高,在大于变程时逐渐趋于稳定于基台值。这样拟合出来的空间变差函数具有一定的可靠性。
Claims (6)
1.一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,包括以下步骤:
1)计算InSAR数据的趋势场Finsar,并去除InSAR数据的趋势项;
2)采用曲面拟合的方式,利用所述趋势场Finsar构造曲面拟合趋势项的误差方程,使用最小二乘求得趋势项曲面的系数矩阵,计算去除趋势项的平稳残余项,选择变差函数模型,并利用所述平稳残余项拟合变差函数γ(h);
3)计算GNSS数据的空间趋势场矩阵Fgnss,利用上述变差函数γ(h)计算GNSS数据点位之间的空间协方差矩阵
4)根据GNSS数据的空间趋势场矩阵Fgnss以及空间协方差矩阵计算弯曲能量矩阵B;
5)利用所述弯曲能量矩阵B以及趋势场矩阵Fgnss构建克里金Kalman滤波的空间场H;
6)使用EM估计计算克里金Kalman滤波中的模型参数,进行克里金Kalman滤波;
7)进行时空插值,得到高时空分辨率的形变序列。
2.根据权利要求1所述的融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,所述步骤1)中,InSAR数据的趋势场Finsar计算方法为:若趋势场为常数场,则趋势场Finsar为值全为1且维数为minsar×1的矢量,即:Finsar=[1,1,...,1]′;若趋势场为线性场,则趋势场Finsar为维数为minsar×3的矩阵,即:Finsar=[x′;y′;1]′;若趋势场为二次曲面场,则趋势场Finsar为minsar×6的矩阵,即:Finsar=[(x2)′;(y2)′;(xy)′;x′;y′;1]′;其中,minsar为InSAR数据观测值的个数,InSAR数据观测值坐标x,y均为维数为minsar×1的矢量。
3.根据权利要求2所述的融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,所述步骤2)中,去除趋势项的平稳残余项矢量其中,Zinsar为观测值;趋势项曲面的系数矩阵β=(Finsar′Finsar)-1FinsarZinsar。
4.根据权利要求3所述的融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,所述步骤3)中,空间协方差矩阵中第ij行元素Σij通过下式计算:Σij=C0+C-γ(h);其中,γ(h)为变差函数,而s为空间位置,h为空间距离,以及分别为平稳残余项矢量中位置为s及s+h的元素,N(h)为以h为中心且给定的容差ε(h)为半径的观测值数,C0+C为变差函数的基台值。
5.根据权利要求4所述的融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,所述步骤4)中,弯曲能量矩阵其中,
6.根据权利要求5所述的融合GNSS和InSAR数据获取高时空分辨率形变序列的方法,其特征在于,空间场其中,dq+1、dq+2、…dp为弯曲能量矩阵B进行谱分解后的特征值;uq+1、uq+1、…up为弯曲能量矩阵B进行谱分解后的特征向量;p为空间场的维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102397.XA CN104699966B (zh) | 2015-03-09 | 2015-03-09 | 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510102397.XA CN104699966B (zh) | 2015-03-09 | 2015-03-09 | 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104699966A CN104699966A (zh) | 2015-06-10 |
CN104699966B true CN104699966B (zh) | 2017-05-17 |
Family
ID=53347078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510102397.XA Active CN104699966B (zh) | 2015-03-09 | 2015-03-09 | 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104699966B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058236B (zh) * | 2019-05-21 | 2023-04-07 | 中南大学 | 一种面向三维地表形变估计的InSAR和GNSS定权方法 |
CN110804912B (zh) * | 2020-01-06 | 2020-05-19 | 北京铁科工程检测有限公司 | 一种铁路线路及沿线区域形变信息的提取方法 |
CN111522006B (zh) * | 2020-06-29 | 2020-10-09 | 航天宏图信息技术股份有限公司 | 融合北斗和InSAR数据的地表沉降监测方法及装置 |
CN116659429A (zh) * | 2023-08-01 | 2023-08-29 | 齐鲁空天信息研究院 | 一种多源数据高精度时序地表三维形变解算方法和系统 |
CN117109426B (zh) * | 2023-08-28 | 2024-03-22 | 兰州交通大学 | 一种融合GNSS/InSAR观测资料的三维形变场建模方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646164A (zh) * | 2012-02-28 | 2012-08-22 | 黄波 | 一种结合空间滤波的土地利用变化建模方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311742B2 (en) * | 2009-01-23 | 2012-11-13 | The United States Of America, As Represented By The Secretary Of The Navy | Estimating photospheric velocities for space-weather prediction |
-
2015
- 2015-03-09 CN CN201510102397.XA patent/CN104699966B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646164A (zh) * | 2012-02-28 | 2012-08-22 | 黄波 | 一种结合空间滤波的土地利用变化建模方法及其系统 |
Non-Patent Citations (5)
Title |
---|
"Kriging Kalman滤波在变形监测中的应用";潘家宝,等;《测绘工程》;20140331;第23卷(第3期);第47-49页 * |
Integration of InSAR and GNSS Observations for the Determination of Atmospheric Water Vapour;F. Alshawaf et al;《Earth Observation of Global Changes》;20130228;第147-161页 * |
Space–time Kalman filter;Noel Cressie,et al;《Encyclopedia of Environmetrics》;20020430;第2045-2049页 * |
The Kriged Kalman filter;Kanti V. Mardia,et al;《TEST》;19980731;第217-285页 * |
基于GNSS/InSAR/GIS的活动断层地震危险性评估系统;许才军,等;《测绘学报》;20121031;第41卷(第5期);第661-669页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104699966A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104699966B (zh) | 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 | |
CN110503071B (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN106487358B (zh) | 一种机动目标转弯跟踪方法 | |
CN108880557B (zh) | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 | |
CN111753952A (zh) | 学习包括高斯过程的概率模型的参数 | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
CN110874502A (zh) | 基于多阶段试验数据折合的航天产品可靠性评估方法 | |
Luong et al. | Fast estimation of posterior probabilities in change-point analysis through a constrained hidden Markov model | |
Erhardt et al. | Modelling extremes using approximate Bayesian computation | |
CN104155629A (zh) | 一种冲击噪声背景下小快拍数信号波达方向估计方法 | |
CN112415468A (zh) | 一种基于多伯努利滤波的doa跟踪方法 | |
CN109034238A (zh) | 一种基于信息熵的聚类划分方法 | |
Fan et al. | Principal components in linear mixed models with general bulk | |
CN104463245B (zh) | 一种目标识别方法 | |
CN109540089A (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN117370913A (zh) | 光伏系统中异常数据的检测方法、装置以及设备 | |
Davy et al. | Generative supervised classification using dirichlet process priors | |
Zevallos et al. | Minimum distance estimation of ARFIMA processes | |
CN103268593B (zh) | 一种高光谱遥感影像中信号和噪声的分离方法 | |
Ferreira | The limiting distribution of the Gibbs sampler for the intrinsic conditional autoregressive model | |
CN103927716A (zh) | 一种计算目标跟踪过程中目标形变或遮挡程度的方法 | |
US7962318B2 (en) | Methods for optimizing system models and the like using least absolute value estimations | |
JP2019113962A (ja) | 解析装置、解析方法及びプログラム | |
Mark et al. | Bayesian inference of time varying parameters in autoregressive processes | |
CN118094210B (zh) | 一种基于欠定盲源分离的储能系统充放电行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200509 Address after: 517001 floor 1-4, plant incubator (Shenhe Jindi chuanggu), building e2-1, east of Xingye Avenue and north of Gaoxin 5th Road, Heyuan hi tech Development Zone, Guangdong Province Patentee after: Jingtong space technology (Heyuan) Co., Ltd Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University |