CN111695440A - 基于雷达高度计的ga-svr湖泊水位测量与预测方法 - Google Patents

Abstract

本发明公开一种基于雷达高度计的GA‑SVR湖泊水位测量与预测方法，首先获取雷达高度计和湖泊的经纬度及待测区域的地理参数数据，同时基于Sar卫星提取湖泊的面积数据；并且对提取数据的进行误差纠正以提高原始数据的精度；然后将获取的湖泊面积数据和水位数据以结合时间序列构成训练数据集；接着结合GA算法，得到SVR模型的合适参数，使得到的SVR模型更接近实际数据；最后应用SVR模型，对数据集进行训练，并应用该模型对后续湖泊的水位进行估计。本发明所述方法基于雷达高度计及卫星测绘数据得到湖泊水位的原始数据，并且采用GA算法以及SVR算法模型可以更快，更有效的预测未来湖泊的水位情况，提高湖泊水位的测量和预测能力。

Description

基于雷达高度计的GA-SVR湖泊水位测量与预测方法

技术领域

本发明属于SVR模型回归预测应用技术，具体涉及一种基于雷达高度计的GA-SVR湖泊水位测量与预测方法。

背景技术

湖泊的水位是湖泊的重点特征之一，长时间的水位观测序列是地区气候的指示器。水位的上升和下降反映着地区气候以及人类活动对周边环境的影响。水位的稳定及规律性的变化也影响着人类的生产生活。但是传统的水位观测来自水位站的数据，由于资金，气候，地形，海拔等因素的影响，不是所有湖泊都具有水位站。所以遥感技术，雷达高度计的出现为观测水位提供了新途径，有利于对缺乏水位站的湖泊进行监控，指导当地的防灾减灾工作。

但由于卫星存在使用年份限制，并且在使用过程中由于降轨，升轨，维护等情况，存在某些年份数据的不准确和缺失。针对以上问题，提出用SVR进行回归预测，通过GA算法，以较快地训练速度得到合适的模型参数，进行SVR模型的建立。其中湖泊面积由Sar卫星获取，该卫星具有全天时全天候的特征，不会受云层，天气的影响。训练面积，水位，年份数据，为缺失的数据的进行补充。该方法是一种高效，精度高的水位监测方法。

发明内容

发明目的：为了克服上述现有技术中存在的不足问题，本发明提供一种基于雷达高度计的GA-SVR湖泊水位测量与预测方法，能够精确的提取出卫星中的水位数据，并且高效，精确的对于缺失的数据加以预测。

为了达到该发明目的，本发明提供一种基于雷达高度计的GA-SVR湖泊水位测量与预测方法，包括如下步骤：

(1)获取雷达高度计的原始数据，包括湖泊的经纬度、雷达高度及湖泊的地理参数，并修正水位测量数据的误差；

(2)获取Sar卫星原始图像，经过配准得到湖泊影像，根据主动轮廓算获取湖泊面积，将湖泊面积和步骤(1)中获取的水位数据构成数据集，通过筛选和插值的方式构成数据集；

(3)通过GA算法获取SVR模型的参数，并将参数代入SVR模型中训练；

(4)检验SVR模型预测的准确性，若满足设定的水位精度要求则进入步骤(5)，如果不满足预设的水位精度，则进入步骤(3)重新进行参数的选择和模型训练；

(5)将湖泊面积及其对应的数据采集时间代入模型中，包括对训练数据样本集中缺失数据的补充，然后预测之后对应时间点的湖泊水位数据。

进一步的，步骤(1)所述的原始数据为测量对应的月份平均水位和年度平均水量，先计算月平均水位时，并且剔除偏差大于0.5m的水位数据，后计算湖泊的年平均水位。

进一步的，步骤(2)所获取的Sar卫星原始图像进行预处理，包括旋转，裁剪，图像增强，然后使用C-V模型获取图像轮廓，最后进行面积的计算。

步骤(2)中筛选数据计算表达式如下所示：

ΔArea＝Area₁-Area₂

ΔLevel＝Level₁-Level₂

Area₁为当前的湖泊面积，Area₂为去年的湖泊面积，ΔArea反应面积变化情况；Level₁为当前的水位，Level₂为去年的水位，ΔLevel反应水位变化情况，

DArea＝ΔArea₁-ΔArea₂

DLevel＝ΔLevel₁-ΔLevel₂

DArea₁为当前湖泊的变化速度，ΔLevel反应当前水位变化速度，

式中，μ_le为水位变化比，反映的是实际面积和水位变化速度的关系，若该值小于-1，则表示该点存在面积扩张而水位减小的可能，并且对比较为剧烈，在训练时候对该数据增加权重。

更进一步的，通过在ENVI中增强图像，对初始轮廓进行标注，在Matlab中进行图像的叠加，得到测绘图像中的湖泊轮廓，并且将轮廓中的区域，通过比例还原出面积值，计算湖泊的实际面积。

进一步地，步骤(3)通过将GA算法，去修正SVR模型，进行模型参数的选择，减少了在选择上的反复尝试，以较快的速度找到了较为合适的模型，将GA算法用于优化SVR算法，降低了训练时间，同时构架了合适的预测模型。在GA算法中，一方面当迭代次数大于最大迭代数时结束训练，另一方面，在迭代次数大于一半，且前后训练的误差都较小时候会结束迭代。

进一步地，步骤(4)对训练完的结果进行检验。对于精度的要求是：一方面，测试集中，精度要求达到90％以上，另一方面是，是否能找到合适的k和b，使得模型和Level＝k*ln(Area)+b相匹配。通过神经网络中的梯度下降，寻找合适的k和b，若匹配度满足80％以上，则满足要求。在步骤(5)中，模型的拟合程度和预测精度较高。

有益效果：本发明与现有技术相比具有以下显著效果：

(1)优化训练集，将重要数据分配较高权重，使训练集更高效；

(2)SVR的回归预测在小样本的数据集中能得出比其他算法更好的结果，该模型也是在机器学习中常规使用的算法，具有较好的泛化能力；

(3)在SVR中运用核函数，避免了高维灾难的出现，减少了计算的复杂度；

(4)用GA算法计算SVR模型中适用的的参数，该算法可以在较短的时间内找到参数，建立合适的模型，使得整体更为高效，准确；

(5)运用雷达高度计监测常规手段无法监测的湖泊，同时调用GA-SVR算法，高效准确的补充了卫星的缺失数据。

附图说明

图1是本发明所述方法的流程示意图；

图2是本发明中SVR二维情况下的回归模型建立示意图；

图3是本发明中GA算法进行训练得到参数结果示意图；

图4是本发明所述水位数据样本训练及预测结果数据对比示意图。

具体实施方式

为了详细的阐述本发明所公开的技术方案，下面结合附图对本发明作更进一步详细说明。

如图1所示，本发明所述的一种基于雷达高度计的GA-SVR湖泊水位测量与预测方法，包括如下步骤：

第一步，获取雷达高度计的原始数据，提取误差，进行湖泊水位的计算，当前以Jason 1/2卫星，湖泊以呼伦湖为例，具体为：

(1)数据获取

根据湖泊所处的位置确定轨道号，下载相关的数据集。Jason卫星每运行一个完整的周期会有254条pass。该湖泊存在pass27和pass36经过，由于pass27数据靠近岸边，pass36则从中央穿过湖泊，所以在此步骤中选用pass36数据。根据湖泊所处的经纬度，进一步缩小数据集，确定相对位置的卫星数据。

(2)误差消除和水位计算

卫星上的星载微波雷达以地面为遥测靶。卫星的天线垂直向下发射一定频率的压缩脉冲信号，并且采集脉冲的发射时间。脉冲穿过大气，经过地面反射，通过采集的时间就算出卫星距离地面的高度，即，水位的计算公式如下：

GH＝Alt_sat-Ran_sat-Ran_cor-Hei_Geo

其中，GH是湖水的垂直高度，Alt_Sat是卫星的椭球高度，Ran_sat是卫星的观测距离，Ran_cor是观测误差，Hei_Geo是基于大地基准相对参考椭球的高度；观测误差主要为来自湿对流层，干对流层，电离层，潮汐和极潮修正。具体的计算如下：

Ran_cor＝Wet+Dry+Lono+Set+Pol

其中Wet是对流层湿修正，Dry是对流层干修正，Lono是电离层修正，Set是潮汐修正，Pol是极潮修正。由此计算出呼伦湖的从2002年到2016年的水位数据。

第二步，Sar卫星影像的图像导入，轮廓提取和面积计算

(1)图像导入

在ENVI5.3中使用Sarscape，进行具体的操作。使用基于轨道参数的基数估计方法获取Sar影像中的强度图数据。将获取的图像应用高斯滤波，滤除分布的噪点。其中颜色沉陷黑色的为湖泊本身，将其进行截取，作为初始图像。

(2)轮廓提取和面积计算

面积的提取采用基于区域的主动轮廓模型，具体为C-V模型，其原理是通过计算目标和背景信息之间的差异来推动主动轮廓朝向目标边界移动。C-V模型假定图像的同质区域的灰度值是常量，通过最小化基于区域的能量泛函，来实现最优分。

对于一个定义域在Ω内的图像I，C-V模型构造的能量泛函表示如下所示：

F(C,c₁,c₂)＝μL(C)+vA(C)+λ₁∫_inside(C)|I-c₁|²dx+λ₂∫_inside(C)|I-c₂|²dx

其中μ≥0，v≥0，λ₁,λ₂＞0是参数常量，用来控制各能量项的权重。L(C)为轮廓线C的长度，A(C)为C所包围区域的面积。c₁和c₂是两个常量，分别用来近似图像中轮廓线内部和外部的平均灰度。只有当轮廓曲线C位于目标边界时，式子取得极小值。通过在ENVI中增强图像，对初始轮廓进行简单的标注，在Matlab中进行图像的叠加，得到最终的湖泊轮廓。最后将轮廓中的区域，通过比例还原出面积值，算出呼伦湖的面积。

第三步，数据筛选

在实际中，往往湖泊面积增大，水位呈现上涨，在模型构建后也会有该规律的体现。但有些情况，湖泊面积增加或者萎缩，但水位是减小和增加的，这些数据点可能涵盖的信息更大，影响模型构建的准确性，需要我们重点关注。对于这些点，我们选用如下方法进行选择：

ΔArea＝Area₁-Area₂ΔLevel＝Level₁-Level₂

Area₁为当前的湖泊面积，Area₂为去年的湖泊面积，ΔArea反应面积变化情况；Level₁为当前的水位，Level₂为去年的水位，ΔLevel反应水位变化情况

DArea＝ΔArea₁-ΔArea₂DLevel＝ΔLevel₁-ΔLevel₂

DArea₁为当前湖泊的变化速度，ΔLevel反应当前水位变化速度

Max|DArea|为DArea中最大值的绝对值，Max|DLevel|为DLevel中最大值的绝对值。μ_le为水位变化比，反映的是实际面积和水位变化速度的关系，若该值小于-1，则该点存在面积扩张而水位减小的可能，并且对比较为剧烈，需要在训练时候对该数据增加训练的权重。

第四步，通过GA算法获取SVR模型所需参数

在进行样本中最优问题求解时，我们可以一个个进行计算，比较计算结果，得到最优方案。但当样本过多，远超计算能力，遗传算法(genetic algorithm，GA)能在相对较少的训练下，帮助得到相对较为合适的结果。GA算法借鉴了达尔文和孟德斯鸠的遗传学说，是一种高效，并行，全局搜索的方法。在进行样本训练时，可以自动获取和累积空间探索知识，自适应的指导较为合适的解。60年代末，Michigan大学的Holland就设计了遗传算法模拟和操作系统，和统计学的决策理论结合。建立了Schema定理和隐含并行原理。

选择是对群体进行有神优胜劣汰的操作，适应性高的个体被遗传到下一代的可能行较高，而适应性低的则遗传给下一代的概率低。其中较为简单和常用的是赌轮盘选择法。设种群数量为n，个体i的适应度F_i，则i被选择的概率为:

如式所示，该算法是一种回放式随机采集方法，每个个体遗传给下一代的概率是其适应度在整个种群个体适应度和的比例。该算法存在的问题是存在较大误差，有时适应度较高的个体也不一定能选上。

交叉是将选择出来的样本两两个体之间随机进行样本基因的交换，从而得到新的基因组合，有助于得到适应性更强的基因。常用的交叉算法是单点交叉法。具体操作是，在数据中随机设置一个交叉点，将前后数据进行交换，从而得到新的数据。如11000111和数据11110011在中间进行交叉，从而得到新的数据,11000011和11110111。

变异是将某个选择出的数据，单独的某位进行替换，从而得到新的数据。如将1001数据末位进行变异，得到1000。具体方法有基本位变异，均匀变异，边界变异，非均匀变异，高斯近似变异等。

GA的具体实施过程如下：

s1、评估样本中每个数据的适应性；

s2、应用赌轮盘算法，适应性强的，为父方母方遗传给下一代的概率越高；

s3、父方母方经过交叉，行成新的数据作为子代；

s4、子代产生变异，并对子方进行记录；

s5、重复s2，s3，s4步骤，直到满足设置的要求。

首先随机建立20个SVR模型，选出与实际最为接近模型。将该模型进行遗传变异，和实际中模型比较，得出MSE值和上一个模型对比，选出最优的进行遗传变异。由此循环知道达到遗传次数的上限，此处为200，或者遗产次数进行到150次，若前后两个模型差别很小，此处设置为0.0002，则结束训练，确定最优的一组参数。

第五步，将GA算法确定的参数，代入模型中建立SVR回归模型，完成对湖泊水位缺失数据的补充和预测。

SVR算法是支持向量机(Support Vector Machines,SVM)在回归领域的应用。贝尔实验室的Vapnik教授等人在20世纪80年代提出的建立在统计学理论基础上的半监督机器学习算法。SVM是一个二分类模型，通过寻找到一个超平面，对样本数据进行分割，遵循分割最大化原则，最终转化成凸二次规划问题求解。在可分，近似线性可分，线性不可分小样本训练中有较多应用。SVM模型如图2所示。其中w为目标直线的垂直向量，二维空间存在黑白两类样本点，可以找到无数条直线将这两类样本实现分类。但是只存在唯一的直线wx-b＝0，在实现正确划分同时，保证两边的间隔最大

在二维空间中寻找一条直线实现样本的分类。投射到三维空间，则是寻找一个最佳的平面进行划分。但对于复杂情况，则投射维度会呈爆炸式增长，使计算量和数据量增加迅速。由此引入核函数。样本和核函数进行搭配，简化投射时的计算，得到大间隔划分超平面模型：

f(x)＝w^Tx+b

将上述原理应用到回归领域，即得上式的模型，w和b为待确定的参数，这也是该设计重点研究的SVR算法。

模型建立过程中，核函数的选择，不敏感系数ε和惩罚参数C对其影响较大。

在低维解决不了的问题放到高维解决，为了避免产生高维灾难，寻找合适的核函数K(x，y),实现将高维的内积问题转化为低维的核函数问题。常见的核函数有线性核，多项式核，高斯核，sigmiod核：

线性核：

多项式核(d是多项式次数，当d＝1时退化为线性核)：

高斯核(δ>0)：

sigmiod核(β>0,θ>0)：

高斯核其参数少，只有核宽度系数δ，结合数据特点，这里选用高斯核作为映射的核函数。

在Matlab中选用LIBSVM建立SVR模型。调用svmtrain函数实现模型的建立，调用predict完成结果的预测。在建立的模型中则对应的是损失参数c，核函数中gamma函数设置g，和SVR损失损失函数p。在SVR模型建立时，是一个个的调试以上参数，使模型结构最优，任务量较大，所以以上三个参数的选择则是通过GA算法实现。

第六步，对训练完的结果进行检验，并将最后的模型结果用于缺失数据的预测补充

观察训练结束后的结果，若误差大则返回步骤三。对于精度的要求是：一方面，测试集中，精度要求达到90％以上，另一方面是，是否能找到合适的k和b，使得模型和Level＝k*ln(Area)+b相匹配。通过神经网络中的梯度下降，寻找合适的k和b，若匹配度达到80％以上，则满足要求。在面积较小时候，面积的变化越剧烈，水位变化也较大。但在湖泊面积较大时候，面积变化剧烈，水位却变动很小了。他们之间往往呈现近似的对数关系。所以通过单层的神经网络，可以较快地确认相关的参数，建立模型。

此次选用的结果，GA算法的迭代过程如图3所示，横轴为迭代次数，纵轴为与实际值的误差情况，选用的c为34.8249，g为0.85535.p为0.19177。将该参数建立的模型进行预测，得到图4，横轴为年份，纵轴为水位大小。实线为实际值，虚线为模型的预测结果，结果拟合程度较高。

Claims (7)

1.一种基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于，包括如下步骤：

(1)获取雷达高度计的原始数据，包括湖泊的经纬度、雷达高度及湖泊的地理参数，并修正水位测量数据的误差；

(2)获取Sar卫星原始图像，经过配准得到湖泊影像，根据主动轮廓算获取湖泊面积，将数据采集的时间，湖泊面积和步骤(1)中获取的水位数据构成数据集，通过筛选和插值的方式构成数据集；

(3)通过GA算法获取SVR模型的参数，并将参数代入SVR模型中训练；

(4)检验SVR模型预测的准确性，若满足设定的精度要求则进入步骤(5)，如果不满足预设的水位精度，则进入步骤(3)重新进行参数的选择和模型训练；

(5)将湖泊面积及其对应的数据采集时间代入模型中，得到结果包括对训练数据样本集中缺失数据的补充，未来时间点的湖泊水位数据预测。

2.根据权利要求1所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于：步骤(1)所述的原始数据为测量对应的月份平均水位和年度平均水量，先计算月平均水位时，并且剔除偏差大于0.5m的水位数据，后计算湖泊的年平均水位。

3.根据权利要求1所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于：步骤(2)所获取的Sar卫星原始图像进行预处理，包括旋转，裁剪，图像增强，然后使用C-V模型获取图像轮廓，最后进行面积的计算。

4.根据权利要求1所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于，步骤(2)中筛选数据计算表达式如下所示：

ΔArea＝Area₁-Area₂

ΔLevel＝Level₁-Level₂

Area₁为当前的湖泊面积，Area₂为去年的湖泊面积，ΔArea反应面积变化情况；Level₁为当前的水位，Level₂为去年的水位，ΔLevel反应水位变化情况；

DArea＝ΔArea₁-ΔArea₂

DLevel＝ΔLevel₁-ΔLevel₂

DArea₁为当前湖泊的变化速度，ΔLevel反应当前水位变化速度，

式中，μ_le为水位变化比，反映的是实际面积和水位变化速度的关系，若该值小于-1，则表示该点存在面积扩张而水位减小的可能，并且对比较为剧烈，在训练时候对该数据增加权重。

5.根据权利要求4所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于：通过在ENVI中增强图像，对初始轮廓进行标注，在Matlab中进行图像的叠加，得到测绘图像中的湖泊轮廓，并且将轮廓中的区域，通过比例还原出面积值，计算湖泊的实际面积。

6.根据权利要求1所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于：步骤(3)中通过GA算法修正SVR模型，进行模型参数的选择以实现模型参数的快速匹配，具体GA算法中，跌代结束条件包括如下两种情况：

(a)当迭代次数大于最大迭代数时结束训练；

(b)迭代次数大于一半，且前后迭代的训练误差较小时结束迭代。

7.根据权利要求1所述的基于雷达高度计的GA-SVR湖泊水位测量与预测方法，其特征在于：步骤(4)设定的精度的要求如下：

(A)在测试集的样本中，预测水位的精度要求达到90％以上；

(B)存在相应的系数k和b，使SVR模型训练出的结果和位面函数Level＝k*ln(Area)+b相匹配，k和b通过神经网络的梯度下降得到，匹配程度达到80％以上。

Images