CN112014842A - 高分三号全极化sar数据的有效波高估计方法及系统 - Google Patents
高分三号全极化sar数据的有效波高估计方法及系统 Download PDFInfo
- Publication number
- CN112014842A CN112014842A CN202010973527.8A CN202010973527A CN112014842A CN 112014842 A CN112014842 A CN 112014842A CN 202010973527 A CN202010973527 A CN 202010973527A CN 112014842 A CN112014842 A CN 112014842A
- Authority
- CN
- China
- Prior art keywords
- sar
- neural network
- polarization
- network model
- sar image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000010287 polarization Effects 0.000 claims abstract description 115
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 16
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 102000011104 Wiskott-Aldrich Syndrome Protein Family Human genes 0.000 description 2
- 108010062653 Wiskott-Aldrich Syndrome Protein Family Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种高分三号全极化SAR数据的有效波高估计方法及系统。该方法包括：获取待估计SAR图像的雷达入射角；分别计算待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像的交叉谱实部；分别计算VV、HH、VH各极化通道的方位向截断波长；分别计算VV、HH、VH各极化通道上的SAR图像的归一化方差；将VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差输入深度残差神经网络模型的全连接分支，得到待估计SAR图像对应的海浪有效波高度。本发明提供的海浪有效波高估计方法具有简便快捷、精度高的优势。
Description
技术领域
本发明涉及海浪有效波高估计领域，特别是涉及一种高分三号全极化SAR数据的有效波高估计方法及系统。
背景技术
海浪是最为常见的海洋现象之一，同时也是台风等海洋灾害以及海洋内部能量的间接表现形式。海浪有效波高的准确观测，对海上工程建设、海洋灾害预警预报、海洋航行保障等均有着重要意义。与传统的浮标、船舶等海上单点测量方式相比，合成孔径雷达(Synthetic Aperture Radar，SAR)遥感卫星以其全天时、全天候观测，高分辨率、大幅宽覆盖等优势，已经成为目前重要的卫星遥感海浪观测手段。
2016年8月10日成功发射的高分三号是我国首颗C波段SAR卫星。高分三号卫星具有高分辨率、大成像幅宽、多成像模式等特点，能够全天时、全天候监视监测全球海洋，为海洋应用研究提供了大量高质量的遥感观测数据。其中高分三号卫星的波模式、全极化条带模式具有全极化成像的能力，可以同时获取同极化(VV和HH极化通道)和交叉极化(VH和HV极化通道)的信息，是进行海洋有效波高探测的理想星载SAR数据源。
目前的高分三号SAR有效波高反演方法主要包括两种类型。第一类方法首先进行由SAR图像到海浪方向谱的反演，再由海浪方向谱积分计算有效波高，如PFSM和Q-P方法。第二类方法通过建立有效波高与雷达入射角、归一化雷达散射截面、截断波长等参数的简单的回归模型进行反演，如CSAR_WAVE2和QPCWAVE_GF3方法。但是，以上方法存在流程复杂、精度不高的问题。
发明内容
本发明的目的是提供一种简便快捷、精度高的基于高分三号全极化SAR数据的海浪有效波高估计方法及系统。
为实现上述目的，本发明提供了如下方案：
一种高分三号全极化SAR数据的有效波高估计方法，包括：
获取待估计SAR图像；
获取所述待估计SAR图像的雷达入射角；
分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
可选的，所述交叉谱实部的计算方法包括：
确定某一极化通道上SAR图像的多普勒谱，并基于多普勒谱对所述SAR图像进行分视处理，得到多个SAR子视图像；
根据所述SAR子视图像的强度计算所述SAR子视图像对应的海浪相对调制；
根据相邻SAR子视图像的海浪相对调制，计算交叉周期图；
根据所述交叉周期图计算所述SAR图像的交叉谱实部。
可选的，所述方位向截断波长的计算方法包括：
对某一极化通道上SAR图像的交叉谱实部进行逆傅里叶变换，并计算自协方差函数；
采用高斯函数拟合自协方差函数，估算所述极化通道的截断波长。
可选的，所述归一化方差的计算方法包括：
根据
计算某一极化通道上SAR图像归一化方差NV，其中，I为所述极化通道上SAR图像的强度。
可选的，在对海浪有效波高度估计之前，还包括：
分别对深度残差神经网络模型的各输入参数进行归一化处理。
可选的，在对海浪有效波高度估计之前，还包括：对深度残差神经网络模型进行训练：
构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；
以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。
可选的，在对深度残差神经网络模型进行训练之前，还包括：
分别对各样本数据进行归一化处理。
本发明还提供了一种高分三号全极化SAR数据的有效波高估计系统，包括：
待估计SAR图像获取模块，用于获取待估计SAR图像；
雷达入射角获取模块，用于获取所述待估计SAR图像的雷达入射角；
交叉谱实部计算模块，用于分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
方位向截断波长计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
图像归一化方差计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
深度残差神经网络模型估计模块，用于将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
可选的，所述系统还包括：深度残差神经网络模型训练模块，用于对深度残差神经网络模型进行训练，具体包括：
深度残差神经网络模型构建单元，用于构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；
深度残差神经网络模型训练单元，用于以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。
可选的，所述系统还包括：
归一化模块，用于对深度残差神经网络模型的各输入参数进行归一化处理。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的高分三号全极化SAR数据的有效波高估计方法及系统，充分利用了高分三号卫星的VV、HH和VH三个极化通道的SAR数据信息，并且构建了带有残差卷积网络的深度学习模式，实现了对海浪有效波高简便快捷、高精度地反演。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的高分三号全极化SAR数据的有效波高估计方法流程图；
图2为本发明实施例1中深度残差神经网络模型的残差单元的结构示意图；
图3为本发明实施例1中深度残差神经网络模型的结构图；
图4为本发明实施例1中的精度验证效果图；
图5为本发明实施例2提供的高分三号全极化SAR数据的有效波高估计系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1，本实施例提供了一种高分三号全极化SAR数据的有效波高估计方法，该方法包括：
步骤101：获取待估计SAR图像。
步骤102：获取所述待估计SAR图像的雷达入射角，该雷达入射角可以从高分三号数据的incidence.xml文件中读取。
步骤103：分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部，具体的计算方法可以如下：
第一步，比如，对待估计SAR图像在VV极化通道上的SAR单视复图像，求取多普勒(Doppler)谱，并进行分视处理，得到3个SAR子视图像，再计算每个子视图像的海浪相对调制mi：
其中，Ii为每个子视图像的图像强度。
第二步，对于每两个相邻子视图像，计算交叉周期图：
其中，
为
的FFT变换。
第三步，计算SAR图像交叉谱的实部P：
其中，Re表示取实部运算。
同样的，可采用以上方法对待估计SAR图像在HH和VH极化通道上的SAR图像的交叉谱实部进行求取。
步骤104：分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长。具体可采用以下方法计算方位向截断波长：
对步骤103中得到的VV、HH、VH三个极化通道的SAR图像交叉谱的实部，进行逆傅里叶变换，计算自协方差函数；并利用高斯函数拟合自协方差函数，估算VV、HH、VH三个极化通道的截断波长λc。使用的高斯函数C(x)的表达式为：
其中，x为方位向上的空间距离。
步骤105：分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差，具体计算方法可以如下：
根据以下公式计算SAR图像的归一化方差NV：
其中，I为相应极化通道的SAR图像的强度，var表示方差运算。
步骤106：将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
在本实施例中，在步骤106之前，还包括：
分别对深度残差神经网络模型的各输入参数进行归一化处理。
在本实施例中，深度残差神经网络模型的具体训练过程可以如下：
步骤1：读取高分三号波模式的全极化SAR图像和有效波高模式数据
步骤1.1：SAR图像数据读取与质量控制
读取高分三号波模式的全极化SAR图像，并将其裁剪为5×5km大小的图像；对SAR图像进行质量控制，通过专家人工解译的方式筛选SAR图像，去除包含降雨、海冰、海面油膜等非海浪信息的数据；得到VV、HH、VH三个极化通道的SAR图像。
步骤1.2：根据高分三号SAR图像的成像时间和经纬度，利用WaveWatchIII(WW3)海浪数值预报模型，计算得到与SAR图像时间和空间相同步的有效波高数据。
步骤2：对高分三号波模式的全极化SAR图像进行预处理
步骤2.1：读取SAR图像的雷达入射角
从高分三号数据的incidence.xml文件中读取SAR雷达入射角。
步骤2.2：对SAR图像进行交叉谱估计，获得VV、HH、VH三个极化通道的交叉谱实部
基于VV、HH、VH三个极化通道，对每一个通道的单视复图像进行以下处理：
2.2.1：根据步骤1.1得到的相应极化通道SAR单视复图像，确定为多普勒(Doppler)谱，并进行分视处理得到3个SAR子视图像，再计算每个子视图像的海浪相对调制mi：
其中，Ii为每个子视图像的图像强度。
2.2.2：对于每两个相邻子视图像，计算交叉周期图：
其中，
为
的FFT变换。
2.2.3：计算SAR图像交叉谱的实部P：
其中，Re表示取实部运算。
步骤2.3：计算VV、HH、VH三个极化通道的方位向截断波长
对步骤2.2得到的VV、HH、VH三个极化通道的SAR图像交叉谱的实部，进行逆傅里叶变换，计算自协方差函数；并利用高斯函数拟合自协方差函数，估算VV、HH、VH三个极化通道的截断波长λc。使用的高斯函数C(x)的表达式为：
其中，x为方位向上的空间距离。
步骤2.4：计算VV、HH、VH三个极化通道的图像归一化方差
对于VV、HH、VH三个极化通道，由以下公式计算归一化方差NV：
其中，I为相应极化的SAR图像的强度，var表示方差运算。
步骤3：构建卷积深度学习模型所需的样本数据集
步骤3.1：将步骤2获取的高分三号波模式SAR图像的一维数值特征：雷达入射角，和VV、HH、VH三个极化通道的方位向截断波长、图像归一化方差；以及二维谱特征：VV、HH、VH三个极化通道的交叉谱的实部，作为样本；将步骤1.2获取的同步的有效波高模式数据，作为该样本的标签。
步骤3.2：对样本集的每一个特征值分别进行归一化处理：
其中，F为步骤2中得到的SAR图像的数值特征和谱特征值，Fn为归一化后的特征值。
步骤3.3：将样本数据集随机分割为训练集和测试集
以高分三号卫星轨道为单位，将数据集打乱顺序，并选择前70％轨道的样本子集作为训练数据集，其余作为测试数据集。
步骤4：构建深度学习神经网络，并利用计算机GPU进行训练。
如图2所示，本实施例的神经网络由深度残差卷积和全连接两个分支组成，具体结构设计可以如下：
步骤4.1：搭建残差单元
如图3所示，通道数为N的残差单元的结构可以如下：
第一步是卷积层，卷积核大小为3×3，步长为1；第二步是卷积层，卷积核大小为3×3，步长为1；第三步是一个线性残差连接，即对第一步的输入使用逐点卷积，即卷积核大小为1×1，步长为1，并将结果与第二步的卷积输出相加；第四步是使用Relu的激活函数；第五步是使用批标准化；第六步是一个最大池化层。
步骤4.2：搭建深度残差卷积分支
第一步，将高分三号全极化SAR二维谱特征，即VV、HH、VH三个极化通道的交叉谱的实部作为输入，连续使用三组步骤4.1所搭建的残差单元，其通道数分别为16，16，32。
第二步，将第一步的输出的二维张量展平至一维。
第三步，连续使用二个密集连接层。每一层具有256个隐藏单元，并使用Relu的激活函数，和30％比率的随机失活(Dropout)正则化方法。
第四步，使用一个具有128个隐藏单元的密集连接层，并使用Relu的激活函数，和30％比率的随机失活(Dropout)正则化方法。
步骤4.3：搭建全连接分支
将高分三号全极化SAR的数值特征，即雷达入射角，和VV、HH、VH三个极化通道的方位向截断波长、图像归一化方差，作为输入，连续使用四个密集连接层。每一层具有64个隐藏单元，并使用Relu的激活函数，和30％比率的随机失活(Dropout)正则化方法。
步骤4.4：将深度残差卷积、全连接两个分支相连接，融合高分三号全极化SAR的图像特征和数值特征的深度学习结果；再连续使用四个密集连接层，每一层具有64个隐藏单元，并使用Relu的激活函数，最终输出有效波高，完成神经网络的构建。
步骤4.5：由计算机GPU利用训练数据集，训练深度残差卷积神经网络直至其收敛。
训练时采用Nadam(Nesterov Adaptive Moment Estimation)优化器进行模型优化，Nadam模型的参数设为：β1＝0.9，β2＝0.999；共进行60轮训练，每一批训练的数据量大小为32；初始学习率设为0.01，每20轮训练后学习率下降至原来的1/10。
步骤4.6：模型训练完成后，保存最优模型结构和最优参数集。
与现有技术相比，本发明具有以下优势：
1、精度高：本发明充分利用了高分三号SAR数据的全极化信息，即综合利用了VV、HH、VH三个极化通道的交叉谱、截断波长、图像归一化方差作为样本特征输入。其次，本发明使用了卷积深度神经网络架构：采用多个卷积层挖掘了交叉谱的信息，并将全极化SAR的二维谱特征和一维数值特征的深度学习结果进行了融合。而且残差单元特有的跳跃式线性残差连接的结构，有效避免了模型训练过程中的梯度消失问题，适用于SAR海浪反演这一类物理机制复杂的非线性反演问题。参见图4，本发明提供的方法的有效波高反演均方根误差(RMSE)为0.35m，散布系数(SI)为13.35％，均明显优于现有的CSAR_WAVE2(RMSE:0.57m，SI:22％),PFSM(RMSE:0.63m,SI:24％),Q-P(RMSE:0.71m,，SI:26％)和QPCWAVE_GF3(0.54m，SI:20.64％)算法(参见论文Zhu等2018，Wang等2018)。
2、反演耗时少，简便快捷：经试验，本发明构建的神经网络模型，在一台NVIDIAP2000型号的GPU上，对23000景5×5km的高分三号波模式全极化SAR图像，进行60轮次的训练，约耗时25分钟，即可快速收敛。另外，由于对高分三号SAR数据进行有效波高反演时，可以直接使用步骤4.6中已保存最优模型结构和最优参数集，极大简化了现有反演流程。
实施例2
参见图5，本实施例提供了一种高分三号全极化SAR数据的有效波高估计系统，该系统包括：
待估计SAR图像获取模块501，用于获取待估计SAR图像；
雷达入射角获取模块502，用于获取所述待估计SAR图像的雷达入射角；
交叉谱实部计算模块503，用于分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
方位向截断波长计算模块504，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
图像归一化方差计算模块505，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
深度残差神经网络模型估计模块506，用于将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
作为本实施例的一种实施方式，该系统还包括：
归一化模块，用于对深度残差神经网络模型的各输入参数进行归一化处理。
深度残差神经网络模型训练模块，用于对深度残差神经网络模型进行训练，具体包括：
深度残差神经网络模型构建单元，用于构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
深度残差神经网络模型训练单元，用于以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种高分三号全极化SAR数据的有效波高估计方法，其特征在于，包括：
获取待估计SAR图像；
获取所述待估计SAR图像的雷达入射角；
分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
2.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述交叉谱实部的计算方法包括：
确定某一极化通道上SAR图像的多普勒谱，并基于多普勒谱对所述SAR图像进行分视处理，得到多个SAR子视图像；
根据所述SAR子视图像的强度计算所述SAR子视图像对应的海浪相对调制；
根据相邻SAR子视图像的海浪相对调制，计算交叉周期图；
根据所述交叉周期图计算所述SAR图像的交叉谱实部。
3.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述方位向截断波长的计算方法包括：
对某一极化通道上SAR图像的交叉谱实部进行逆傅里叶变换，并计算自协方差函数；
采用高斯函数拟合自协方差函数，估算所述极化通道的截断波长。
4.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，所述归一化方差的计算方法包括：
根据
计算某一极化通道上SAR图像归一化方差NV，其中，I为所述极化通道上SAR图像的强度。
5.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，在对海浪有效波高度估计之前，还包括：
分别对深度残差神经网络模型的各输入参数进行归一化处理。
6.根据权利要求1所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，在对海浪有效波高度估计之前，还包括：对深度残差神经网络模型进行训练：
构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；
以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。
7.根据权利要求6所述的高分三号全极化SAR数据的有效波高估计方法，其特征在于，在对深度残差神经网络模型进行训练之前，还包括：
分别对各样本数据进行归一化处理。
8.一种高分三号全极化SAR数据的有效波高估计系统，其特征在于，包括：
待估计SAR图像获取模块，用于获取待估计SAR图像；
雷达入射角获取模块，用于获取所述待估计SAR图像的雷达入射角；
交叉谱实部计算模块，用于分别对所述待估计SAR图像在VV、HH、VH三个极化通道上的SAR图像进行交叉谱估计，得到VV、HH、VH各极化通道上SAR图像的交叉谱实部；
方位向截断波长计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的交叉谱实部计算VV、HH、VH各极化通道的方位向截断波长；
图像归一化方差计算模块，用于分别根据所述待估计SAR图像在VV、HH、VH各极化通道上的SAR图像的强度计算VV、HH、VH各极化通道上的SAR图像的归一化方差；
深度残差神经网络模型估计模块，用于将所述VV、HH、VH各极化通道上的SAR图像的交叉谱实部输入训练好的深度残差神经网络模型的深度残差卷积分支，将所述雷达入射角、所述VV、HH、VH各极化通道的方位向截断波长以及所述VV、HH、VH各极化通道上的SAR图像的归一化方差输入所述深度残差神经网络模型的全连接分支，得到所述待估计SAR图像对应的海浪有效波高度，其中，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支。
9.根据权利要求8所述的高分三号全极化SAR数据的有效波高估计系统，其特征在于，所述系统还包括：深度残差神经网络模型训练模块，用于对深度残差神经网络模型进行训练，具体包括：
深度残差神经网络模型构建单元，用于构建深度残差神经网络模型，所述深度残差神经网络模型包括相连接的深度残差卷积分支以及全连接分支；
深度残差神经网络模型训练单元，用于以第一样本数据为所述深度残差卷积分支的输入，以第二样本数据为所述全连接分支的输入，以有效波高数据为标签，对所述深度残差神经网络模型进行训练，所述第一样本数据包括：VV、HH、VH各极化通道上SAR图像的交叉谱实部，所述第二样本数据包括：雷达入射角、VV、HH、VH各极化通道的方位向截断波长以及VV、HH、VH各极化通道上的SAR图像的归一化方差，其中，同时输入所述深度残差神经网络模型的样本数据以及对应的标签来自于同一全极化SAR样本图像。
10.根据权利要求8或9所述的高分三号全极化SAR数据的有效波高估计系统，其特征在于，所述系统还包括：
归一化模块，用于对深度残差神经网络模型的各输入参数进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010973527.8A CN112014842B (zh) | 2020-09-16 | 2020-09-16 | 高分三号全极化sar数据的有效波高估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010973527.8A CN112014842B (zh) | 2020-09-16 | 2020-09-16 | 高分三号全极化sar数据的有效波高估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112014842A true CN112014842A (zh) | 2020-12-01 |
| CN112014842B CN112014842B (zh) | 2021-03-19 |
Family
ID=73521938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010973527.8A Expired - Fee Related CN112014842B (zh) | 2020-09-16 | 2020-09-16 | 高分三号全极化sar数据的有效波高估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112014842B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
| CN113176572A (zh) * | 2021-04-27 | 2021-07-27 | 中山大学 | 一种基于环扫sar的海面波浪谱反演方法及系统 |
| CN114814779A (zh) * | 2022-06-29 | 2022-07-29 | 国家海洋技术中心 | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 |
| CN115728760A (zh) * | 2022-11-22 | 2023-03-03 | 北京卫星信息工程研究所 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
| CN117687044A (zh) * | 2023-11-02 | 2024-03-12 | 昆明理工大学 | 星载gnss-r全球海面有效波高估计的深度学习方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101813476A (zh) * | 2010-03-19 | 2010-08-25 | 天津大学 | 近海波浪参数立体实时监测系统 |
| CN108416378A (zh) * | 2018-02-28 | 2018-08-17 | 电子科技大学 | 一种基于深度神经网络的大场景sar目标识别方法 |
| CN109190491A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 残差卷积神经网络sar影像海冰分类方法 |
| CN109583412A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法 |
| CN109583343A (zh) * | 2018-11-21 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种鱼类图像处理系统和方法 |
| RU2698649C1 (ru) * | 2018-01-16 | 2019-08-29 | Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" | Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой |
| CN111209919A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 一种海上船舶显著性检测方法及系统 |
-
2020
- 2020-09-16 CN CN202010973527.8A patent/CN112014842B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101813476A (zh) * | 2010-03-19 | 2010-08-25 | 天津大学 | 近海波浪参数立体实时监测系统 |
| RU2698649C1 (ru) * | 2018-01-16 | 2019-08-29 | Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" | Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой |
| CN108416378A (zh) * | 2018-02-28 | 2018-08-17 | 电子科技大学 | 一种基于深度神经网络的大场景sar目标识别方法 |
| CN109190491A (zh) * | 2018-08-08 | 2019-01-11 | 上海海洋大学 | 残差卷积神经网络sar影像海冰分类方法 |
| CN109583343A (zh) * | 2018-11-21 | 2019-04-05 | 荆门博谦信息科技有限公司 | 一种鱼类图像处理系统和方法 |
| CN109583412A (zh) * | 2018-12-07 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法 |
| CN111209919A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 一种海上船舶显著性检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| HE WANG ET AL.: "Empirical Algorithm for Significant Wave Height Retrieval from Wave Mode Data Provided by the Chinese Satellite Gaofen-3", 《REMOTE SENSING》 * |
| RONG YANG ET AL.: "A Novel Polarimetric SAR Classification Method Integrating Pixel-Based and Patch-Based Classification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| 王婧: "高分三号（GF-3）卫星波模式SAR海浪信息反演研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113176572A (zh) * | 2021-04-27 | 2021-07-27 | 中山大学 | 一种基于环扫sar的海面波浪谱反演方法及系统 |
| CN113176572B (zh) * | 2021-04-27 | 2023-10-20 | 中山大学 | 一种基于环扫sar的海面波浪谱反演方法及系统 |
| CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
| CN113156439B (zh) * | 2021-05-08 | 2022-08-30 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
| CN114814779A (zh) * | 2022-06-29 | 2022-07-29 | 国家海洋技术中心 | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 |
| CN115728760A (zh) * | 2022-11-22 | 2023-03-03 | 北京卫星信息工程研究所 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
| CN115728760B (zh) * | 2022-11-22 | 2023-08-11 | 北京卫星信息工程研究所 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
| CN117687044A (zh) * | 2023-11-02 | 2024-03-12 | 昆明理工大学 | 星载gnss-r全球海面有效波高估计的深度学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112014842B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112014842B (zh) | 高分三号全极化sar数据的有效波高估计方法及系统 | |
| Antoine et al. | Assessment of uncertainty in the ocean reflectance determined by three satellite ocean color sensors (MERIS, SeaWiFS and MODIS‐A) at an offshore site in the Mediterranean Sea (BOUSSOLE project) | |
| Karvonen | Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data | |
| Mersel et al. | Estimation of river depth from remotely sensed hydraulic relationships | |
| Bentamy et al. | Gridded surface wind fields from Metop/ASCAT measurements | |
| Donlon et al. | The operational sea surface temperature and sea ice analysis (OSTIA) system | |
| Schulz‐Stellenfleth et al. | A parametric scheme for the retrieval of two‐dimensional ocean wave spectra from synthetic aperture radar look cross spectra | |
| CN113050091B (zh) | 一种星载合成孔径雷达风速风向联合反演方法及系统 | |
| de Rosnay et al. | Coupled data assimilation at ECMWF: Current status, challenges and future developments | |
| Moiseev et al. | On removal of sea state contribution to Sentinel‐1 Doppler shift for retrieving Reliable Ocean surface current | |
| Wang et al. | The wide swath significant wave height: An innovative reconstruction of significant wave heights from CFOSAT’s SWIM and scatterometer using deep learning | |
| Laxague et al. | Spectral characterization of fine‐scale wind waves using shipboard optical polarimetry | |
| Hauser et al. | CFOSAT: A new Chinese-French satellite for joint observations of ocean wind vector and directional spectra of ocean waves | |
| Talone et al. | Sea surface salinity retrievals from HUT-2D L-band radiometric measurements | |
| Nagura et al. | Zonal propagation of near-surface zonal currents in relation to surface wind forcing in the equatorial Indian Ocean | |
| Wang et al. | Acquisition of the significant wave height from CFOSAT SWIM spectra through a deep neural network and its impact on wave model assimilation | |
| Crosby et al. | Assimilating global wave model predictions and deep-water wave observations in nearshore swell predictions | |
| Panfilova et al. | Advanced view at the ocean surface | |
| Hosoda et al. | Algorithm for estimating sea surface temperatures based on Aqua/MODIS global ocean data. 1. Development and validation of the algorithm | |
| Shao et al. | Sea state parameters retrieval from cross-polarization Gaofen-3 SAR data | |
| Volz et al. | Four-dimensional mesospheric and lower thermospheric wind fields using Gaussian process regression on multistatic specular meteor radar observations | |
| Pahlevan et al. | Integrating Landsat-7 imagery with physics-based models for quantitative mapping of coastal waters near river discharges | |
| Wang et al. | SA-U-Net++: SAR marine floating raft aquaculture identification based on semantic segmentation and ISAR augmentation | |
| Buck et al. | Steps towards the preparation of a Wavemill mission | |
| Takeuchi | An introduction of advanced technology for tropical cyclone observation, analysis and forecast in JMA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210319 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |