CN105372631A - 基于遗传-偏最小二乘算法的极化雷达反演方法及其应用 - Google Patents

Abstract

本发明公开了基于遗传-偏最小二乘算法的极化雷达反演方法及其应用，所述方法包括以下步骤：A.获取研究区的全极化雷达图像；B.极化分解雷达图像；C.在研究区选取采样点，测量样本特征参数数据；D.从分解图像中读取采样点对应的极化参数数据；E.基于遗传算法筛选出与样本特征参数密切相关的若干极化参数作为被选极化参数；F.基于偏最小二乘回归算法获得被选极化参数与样本特征参数的相关关系，建立反演模型；G.利用反演模型，生成研究区特征参数反演图。本发明的反演方法受人为因素影响小、数据基础充足合理、模拟精度高、误差小，应用该方法可探测地表目标特征，尤其是次地表纵向多层次的隐伏特征分析。

Description

基于遗传-偏最小二乘算法的极化雷达反演方法及其应用

技术领域

本发明涉及基于遗传-偏最小二乘算法的极化雷达反演方法及其应用。

背景技术

在遥感领域中，微波遥感由于波长长、能够全天时、全天候工作，在探测次地表隐伏目标特征等应用中具有其它遥感手段所不具备的优势。相对于我们对地球地表的认知，我们对于地球次地表的认知还不够丰富，而雷达技术无疑是探索次地表特征的有效手段。目前，微波遥感已经成功应用于地质、农业、土壤等多个领域。

极化是电磁波的电场特性，不同的散射体散射的雷达波包含了不同的极化信息，描述了不同的物理散射过程。极化雷达的发展经历了从单极化到双极化再到全极化的过程，而全极化数据为我们提供了最为丰富的极化信息。因此，全极化雷达数据常常被用来反演地表、次地表参量。然而，全极化雷达数据反演技术的前提是必须找到和地表、次地表参量密切相关的极化参数，这样才能建立准确的反演模型。因此，面对全极化数据给我们带来的大量的极化信息，对于极化信息的筛选至关重要。

现有的极化雷达反演技术大多采用单一极化参数反演方法，具体步骤如下：

①根据对研究区已有的认知，人为判断研究目标是哪一种散射机制；

②野外测量。在研究区采取若干样本，利用野外测试或者实验室样本测量的方法，获得研究目标的特征参数数据。

③基于对某些极化参数的物理散射机制已知的前提下，找到一个与该研究目标散射机制最相符的极化参数，利用极化分解等技术获得该极化参数数据；

④将该极化参数数据与研究目标的特征参数数据通过数据训练的方式建立简单的线性相关关系。

⑤根据该相关关系，输入极化参数图像，反演出研究区的特征参数图像。

该现有技术存在以下缺陷和不足：

①现有技术都是采用人为判断研究目标的散射机制的方法，其精度依赖于研究人员对研究目标的理解程度，人为误差较大。

②在雷达极化应用方面，现有技术仅仅采用那些已知物理散射机制的极化参数，并没有充分利用全极化数据给我们带来的丰富的极化信息，对于很多基于数学算法计算出来的极化参数缺乏应用。

③现有技术只用一个极化参数来模拟逼近研究目标的物理散射过程存在很大误差，尤其对次地表隐伏目标的描述。自然地物的散射机制非常复杂，大多数情况下很难用一个显著的物理过程来表达，而是多个物理过程的综合表现。

由此可见，如何能创设受人为因素影响小、数据基础充足合理、模拟精度高、误差小，同时更多地考虑了物理传播机制的新的极化雷达反演技术，实属当前重要研发课题之一。

发明内容

本发明的一个目的是提供基于遗传-偏最小二乘算法的极化雷达反演方法，使其受人为因素影响小、数据基础充足合理、模拟精度高、误差小，同时更多地考虑了物理传播机制，从而克服现有的极化雷达反演方法受人为因素影响大、数据基础薄弱、精度低、误差大的不足。

本发明的又一个目的是提供所述基于遗传-偏最小二乘算法的极化雷达反演方法的应用。

为实现上述目的，本发明采用如下技术方案：

基于遗传-偏最小二乘算法的极化雷达反演方法，包括以下步骤：A.获取研究区的全极化雷达图像；B.极化分解所述雷达图像获得不同的极化参数图像；C.在研究区均匀选取若干采样点，采集剖面样本，测量样本特征参数数据；D.从所述极化参数图像中读取所述采样点对应的极化参数数据；E.根据所述采样点的极化参数数据及样本特征参数数据，基于遗传算法筛选出与所述样本特征参数密切相关的若干极化参数，作为被选极化参数；F.根据所述被选极化参数数据及所述样本特征参数数据，基于偏最小二乘回归算法获得被选极化参数与样本特征参数的相关关系，建立反演模型；G.利用所述反演模型，生成研究区特征参数反演图。

进一步地，所述步骤B还包括对所述极化参数图像进行预处理，所述预处理包括：对所述极化参数图像进行几何校正，再对校正后的极化参数图像进行筛选，选出纹理特征明显的极化参数图像；所述步骤D中的极化参数图像为经所述预处理之后的极化参数图像。

进一步地，所述对校正后的极化参数图像进行筛选包括：在每个极化参数图像中选定一个相同的区域作为试验区，获取试验区极化参数的统计直方图；选择统计直方图具有单一主峰的极化参数图像作为纹理特征明显的极化参数图像。

进一步地，所述步骤B中的极化分解采用Cloude分解。

进一步地，所述步骤D中读取所述采样点对应的极化参数数据包括：在所述采样点附近划定一个区域，读取该区域极化参数的平均值作为该采样点的极化参数值。

进一步地，所述步骤F还包括评价所述反演模型的精度。

进一步地，还包括步骤H.分析研究区散射机理。

进一步地，所述分析研究区散射机理包括：根据所述被选极化参数与样本特征参数的相关关系，获得极化参数及其权重系数，按照权重系数从大到小的顺序排列各极化参数，各极化参数对应的物理散射过程顺序视为从主到次的顺序；根据所述极化参数与所述物理散射过程的排列顺序分析研究区的散射机理。

所述的基于遗传-偏最小二乘算法的极化雷达反演方法的应用，所述反演方法用于探测研究区次地表多层次隐伏特征。

进一步地，所述反演方法用于通过以下步骤探测研究区次地表多层次隐伏特征：沿研究区纵向采取不同层次的样本，测量每个层次样本的特征参数数据；利用所述反演方法，获得研究区不同层次的特征参数反演图，分析研究区次地表多层次隐伏特征。

由于采用上述技术方案，本发明至少具有以下优点：

(1)首次将遗传-偏最小二乘算法(GA-PLS)方法引入到雷达遥感的极化信息分析中，避开前期复杂的物理过程分析，减少人为误差，不做任何定量化假设，从数据级筛选极化信息通道。

(2)在雷达反演技术中，充分利用全极化数据极化分解计算出来的极化参数进行反演建模。

(3)能够实现多极化参数与目标特征参量之间的“多对一”式的相关分析，更准确地预测研究区地表、次地表特征规律。

(4)通过GA-PLS方法获取各个筛选极化参数及权重系数，结合各个极化参数所代表的散射过程分析，弄清研究区真实的微波信号物理传播过程。

(5)这种方法适用于微波信号物理传播过程复杂且没有主导散射机制目标的探测与特征反演方面。

(6)针对隐伏目标，能够获取其多层次的隐伏特征分布规律，有助于科学地认识该区域的次地表沉积特征，这是环境演变、古气候、沉积学等方面研究的新的科学数据支撑。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明的基于遗传-偏最小二乘算法的极化雷达反演方法的技术流程图。

图2A-2D分别是极化分解后特征值(l)、alpha、beta、delta极化参数图像。

图3是具有单一主峰的极化参数统计直方图。

图4是具有多峰的极化参数统计直方图。

图5是研究区散射机理分析过程示意图。

具体实施方式

本发明提供基于遗传-偏最小二乘算法的极化雷达反演方法及其应用，所述反演方法基于GA-PLS方法对极化信息进行筛选，受人为影响小、数据基础充足合理，模拟精度高、误差小。应用该方法可探测地表目标特征及次地表隐伏特征，尤其是可实现次地表纵向多层次的特征分析，加深对物理散射过程的认识。

整体而言，本发明基于遗传-偏最小二乘算法的极化雷达反演方法，包括以下步骤：A.获取研究区的全极化雷达图像；B.极化分解所述雷达图像获得不同的极化参数图像；C.在研究区均匀选取若干采样点，采集剖面样本，测量样本特征参数数据；D.从所述极化参数图像中读取所述采样点对应的极化参数数据；E.根据所述采样点的极化参数数据及样本特征参数数据，基于遗传算法筛选出与所述样本特征参数密切相关的若干极化参数，作为被选极化参数；F.根据所述被选极化参数数据及所述样本特征参数数据，基于偏最小二乘回归算法获得被选极化参数与样本特征参数的相关关系，建立反演模型；G.利用所述反演模型，生成研究区特征参数反演图。

其中，所述步骤B还包括对所述极化参数图像进行预处理的过程；所述步骤F还包括评价所述反演模型的精度的过程；进一步地，本发明的极化雷达反演方法还可包括步骤H.分析研究区散射机理。

上述反演方法通过对全极化雷达图像的极化分析以及基于GA-PLS建立反演模型，实现研究区特征参数反演。具体地，请参阅图1所示，本发明基于遗传-偏最小二乘算法的极化雷达反演方法的技术流程包括如下步骤：

第一步，获取研究区全极化雷达图像。选择全极化雷达图像是因为它包含了最全面的极化信息，可以计算出更多的极化参数，能够更全面地描述散射体的散射特征。

第二步，极化分解。极化分解技术是极化分析的主要手段，通过极化分解技术可以得到不同的极化参数，从不同的方面描述散射体的散射特性。例如，根据Cloude理论，散射体的相关矩阵按照特征值-特征向量的分解方法，输入全极化雷达图像，可以计算出特征值(l)、alpha、beta、delta等多种极化参数图像，分别如图2A-2D所示。

第三步，极化参数图像预处理。

极化参数图像的预处理分为两部分：

⑴首先，对所有极化参数图像进行几何校正；

⑵其次，初步筛选极化参数图像。对于一个选定的研究区，每个极化参数图像对研究区特征的表现能力各不相同。从极化参数图像的纹理特征来看，有的图像纹理清晰，有的图像纹理杂乱。因此，要对所有极化参数图像进行初步筛选，选出纹理特征明显的极化参数图像。

具体而言，初步筛选极化参数图像包括以下步骤：

首先，在所有的极化参数图像上选定一个相同的区域，利用遥感软件划定一个试验区；试验区可根据极化参数图像的纹理特征，在纹理均匀一致的区域选取。

其次，统计所有极化参数图像在该试验区上的直方图；

最后，分析所有极化参数图像的统计直方图形状，筛选极化参数图像。纹理特征明显的极化参数图像的统计直方图具有一个主峰(如图3所示)，因此，具有明显单峰的极化参数图像被选择；反之，纹理杂乱的极化参数图像的直方图是多峰的(如图4所示)，相应的极化参数图像则被去除，不参与后面的建模过程。

第四步，测量样本的特征参数值。实测特征参数可以是任何物理化学参数。在研究区均匀选取若干采样点，记录采样点的位置信息，采集剖面样本，测量样本特征参数值。

第五步，研究区采样点极化参数值提取。基于已选择的极化参数图像，在图像上读取各个采样点的极化参数值。由于雷达图像存在斑点噪声以及电磁波的干涉效应，优选地，可在采样点附近划定一个小区域，取该区域极化参数的平均值作为该采样点的极化参数值。

第六步，GA-PLS建模。建模过程分为两大部分：

⑴利用遗传算法(GA)筛选出与研究区特征参数密切相关(closecorrelation)的若干极化参数。遗传算法就是把所有自变量、因变量编码成二进制代码，基于遗传学原理，选择出与因变量最为相关的自变量组合。通过极化参数的筛选，可以有效地提高最终的反演精度。

⑵根据已选择的极化参数数据，基于偏最小二乘(PLS)回归方法建立反演模型。偏最小二乘回归方法原理如下：

假设样本容量为N，自变量的数据矩阵为X，因变量的数据矩阵为y。

首先，对X和y进行主成分分析，

X＝TP′+E

y＝UQ′+F

其中，T和U是得分矩阵(即主成分矩阵)，代表了X和y的主要信息，P和Q是载荷矩阵，E和F是残差矩阵。

其次，建立主成分T和U的回归方程

U＝BT

最后，计算最终反演模型

y＝Xb+c

其中，b是回归系数向量，c是残差向量。

基于上述GA-PLS原理，编写代码，将所有样本的极化参数数据和实测特征参数数据整理为数据表,读入已编好的程序中运行，得出最后的线性回归方程，从该方程中得到筛选出来的极化参数和相应的权重。线性回归方程如下：

y＝a×X₁+b×X₂+c×X₃+…

其中X_i(i＝1,2,3…)为筛选出来的极化参数，系数a、b、c是相应的权重，代表了相关性的大小，y是特征参数。

该步骤成功将GA-PLS算法引入到极化参数反演技术中，并且能够实现极化参数的筛选，找到与研究目标特征参量密切相关的若干极化参数。

在传统的极化参数反演技术中，都是在已知某一个极化参数的物理散射机制前提下，将这个极化参数与目标参量做相关分析。但是，自然地物的散射机制非常复杂，尤其是次地表隐伏目标的散射机理，可能是多个物理散射过程的叠加，而不仅仅是单一的物理散射过程。因而，在我们不清楚研究目标的散射机理时，可以利用遗传算法，从数据集的角度找到与目标参量密切相关的若干极化参数，更加清晰地了解研究目标的散射机理。

GA-PLS算法的优点是当自变量之间具有一定的相关性时，仍然能够建立可靠的反演模型而不受自变量相关性的干扰。极化分解所得的各个极化参数有些是相互独立的，有些具有一定的相关性，因而使用GA-PLS算法可以更好地应用于极化参数反演技术中。

第七步，精度评价。计算所有样本的均方根误差(RMSE)，评价模型的预测精度。

$RMSE=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{(y_i^{\′}-y_i)}^2}{N}}$

其中，y_i'和y_i分别是样本i的预测值和实测值。

第八步，根据反演模型，生成反演图。基于计算出来的反演公式，输入筛选出来的极化参数图像，利用遥感软件或编写代码生成最后的研究区特征参数反演图。

第九步，分析研究区散射机理。当雷达信号发射到地面后，地表及次地表都会发生散射。地表的散射机理我们很容易推断，因为在地表我们能够真实地看到目标物及其结构特征，但是在次地表，由于其结构特征复杂而且不易获得，因此很难判断其真实的物理散射过程。因此，本发明提出一种如图5所示基于数据分析的方法来推导研究区真实的散射机理。

研究区散射机理分析过程如下：

首先，基于GA-PLS建模结果，根据筛选出来的极化参数及其权重，按照权重系数从大到小的顺序依次排列极化参数；

其次，将每个极化参数对应的物理散射过程对应排列，其排列顺序就是各个物理散射过程从主到此的排列顺序；

最后，确定研究区真实的散射机理。

应用上述基于遗传-偏最小二乘算法的极化雷达反演方法，可探测研究区地表目标特征及次地表隐伏特征，尤其是次地表多层次的特征分析。由于雷达信号具有一定的穿透性，因此可以获得次地表在一定深度上的极化信息，利用这种反演算法可以得到次地表不同层次的特征参数反演图，在纵向上整体分析次地表的特征。

获得研究区次地表多层次特征反演图：首先，野外采样时要在研究区纵向上采取不同层次的样本，测量样本特征参数数据。然后，重复上述第一步到第八步，获得不同层次的特征参数反演图。传统的雷达反演技术大多是针对一个层次的分析，而本发明可以帮助我们进行次地表隐伏特征剖面的整体探测。

综上所述，本发明至少具有以下优点：

(1)首次将GA-PLS方法引入到雷达遥感的极化信息分析中，避开前期复杂的物理过程分析，减少人为误差，不做任何定量化假设，从数据级筛选极化信息通道。

(2)在雷达反演技术中，充分利用全极化数据极化分解计算出来的极化参数进行反演建模。

(3)能够实现多极化参数与目标特征参量之间的“多对一”式的相关分析，更准确地预测研究区地表、次地表特征规律。

(4)通过GA-PLS方法获取各个筛选极化参数及权重系数，结合各个极化参数所代表的散射过程分析，弄清研究区真实的微波信号物理传播过程。

(5)这种方法适用于微波信号物理传播过程复杂且没有主导散射机制目标的探测与特征反演方面。

(6)针对隐伏目标，能够获取其多层次的隐伏特征分布规律，有助于科学地认识该区域的次地表沉积特征，这是环境演变、古气候、沉积学等方面研究的新的科学数据支撑。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

Claims (10)

1.基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，包括以下步骤：

A.获取研究区的全极化雷达图像；

B.极化分解所述雷达图像获得不同的极化参数图像；

C.在研究区均匀选取若干采样点，采集剖面样本，测量样本特征参数数据；

D.从所述极化参数图像中读取所述采样点对应的极化参数数据；

E.根据所述采样点的极化参数数据及样本特征参数数据，基于遗传算法筛选出与所述样本特征参数密切相关的若干极化参数，作为被选极化参数；

F.根据所述被选极化参数数据及所述样本特征参数数据，基于偏最小二乘回归算法获得被选极化参数与样本特征参数的相关关系，建立反演模型；

G.利用所述反演模型，生成研究区特征参数反演图。

2.根据权利要求1所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述步骤B还包括对所述极化参数图像进行预处理，所述预处理包括：对所述极化参数图像进行几何校正，再对校正后的极化参数图像进行筛选，选出纹理特征明显的极化参数图像；

所述步骤D中的极化参数图像为经所述预处理之后的极化参数图像。

3.根据权利要求2所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述对校正后的极化参数图像进行筛选包括：

在每个极化参数图像中选定一个相同的区域作为试验区，获取试验区极化参数的统计直方图；

选择统计直方图具有单一主峰的极化参数图像作为纹理特征明显的极化参数图像。

4.根据权利要求1所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述步骤B中的极化分解采用Cloude分解。

5.根据权利要求1所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述步骤D中读取所述采样点对应的极化参数数据包括：

在所述采样点附近划定一个区域，读取该区域极化参数的平均值作为该采样点的极化参数值。

6.根据权利要求1所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述步骤F还包括评价所述反演模型的精度。

7.根据权利要求1-6任一项所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，还包括步骤H.分析研究区散射机理。

8.根据权利要求7所述的基于遗传-偏最小二乘算法的极化雷达反演方法，其特征在于，所述分析研究区散射机理包括：

根据所述被选极化参数与样本特征参数的相关关系，获得极化参数及其权重系数，按照权重系数从大到小的顺序排列各极化参数，各极化参数对应的物理散射过程顺序视为从主到次的顺序；

根据所述极化参数与所述物理散射过程的排列顺序分析研究区的散射机理。

9.权利要求1-8任一项所述的基于遗传-偏最小二乘算法的极化雷达反演方法的应用，其特征在于，所述反演方法用于探测研究区次地表多层次隐伏特征。

10.根据权利要求9所述的基于遗传-偏最小二乘算法的极化雷达反演方法的应用，其特征在于，所述反演方法用于通过以下步骤探测研究区次地表多层次隐伏特征：

沿研究区纵向采取不同层次的样本，测量每个层次样本的特征参数数据；

利用所述反演方法，获得研究区不同层次的特征参数反演图，分析研究区次地表多层次隐伏特征。