CN112307679A - 一种构建河冰厚度反演微波散射模型的方法及装置 - Google Patents
一种构建河冰厚度反演微波散射模型的方法及装置 Download PDFInfo
- Publication number
- CN112307679A CN112307679A CN202011324821.2A CN202011324821A CN112307679A CN 112307679 A CN112307679 A CN 112307679A CN 202011324821 A CN202011324821 A CN 202011324821A CN 112307679 A CN112307679 A CN 112307679A
- Authority
- CN
- China
- Prior art keywords
- river ice
- river
- ice
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种构建河冰厚度反演微波散射模型的方法和装置,所述方法包括:获取目标区域的实测河冰数据及河冰图像;根据所述实测河冰数据确定所述河冰图像的目标极化参数以及河冰数据的训练集;根据所述河冰图像的极化参数建立河冰厚度模型;根据所述河冰数据的训练集对所述河冰厚度模型进行训练;基于训练结果,对所述河冰厚度模型进行误差评价。采用本申请所提供的方案,能够得到用于预测河冰厚度的河冰厚度模型,以实现对河冰厚度信息的预测,并且可以对河冰厚度模型误差进行评价,便于对误差过大的河冰厚度模型进行校准。
Description
技术领域
本申请涉及计算机领域,特别涉及一种构建河冰厚度反演微波散射模型的方法和装置。
背景技术
河冰是指河水因热量变化所产生的结冰、封冻和解冻现象。当河水温度降至0℃并略呈过冷却时,河水表面和水内迅即出现冰象,经过淌凌,达到全河封冻。春季当太阳辐射增强,气温高于0℃时,河冰迅速融化,经过淌凌,直全河解冻,冰情终止。
河冰演变过程往往会发生各种危害,静冰通过冰体压力、自重或冻结过程而造成危害,流冰通过撞击、冰块堆积、堵塞河渠形成危害。例如,河道封冻,航运中断;河道冰花含量增多,会堵塞水库引水口拦污栅;冰层的膨胀常导致建筑物和护坡的破坏;冰塞和冰坝常酿成严重水灾。
如果能够通过模型实现对河冰厚度信息的预测,将有利于对河冰灾害进行更有针对性地预防,因此,亟需提供一种构建河冰厚度反演微波散射模型的方法,以通过建立河冰厚度模型实现对河冰厚度信息的预测。
发明内容
本申请实施例的目的在于提供一种构建河冰厚度反演微波散射模型的方法和装置。
为了解决上述技术问题,本申请的实施例采用了如下技术方案:一种构建河冰厚度反演微波散射模型的方法,包括:
获取目标区域的实测河冰数据及河冰图像;
根据所述实测河冰数据确定所述河冰图像的目标极化参数以及河冰数据的训练集;
根据所述河冰图像的极化参数建立河冰厚度模型;
根据所述河冰数据的训练集对所述河冰厚度模型进行训练;
基于训练结果,对所述河冰厚度模型进行误差评价。
本申请实施例的有益效果在于:能够根据所述河冰图像的极化参数建立河冰厚度模型;根据所述河冰数据的训练集对所述河冰厚度模型进行训练;基于训练结果,对所述河冰厚度模型进行误差评价,从而能够得到用于预测河冰厚度的河冰厚度模型,以实现对河冰厚度信息的预测,并且可以对河冰厚度模型误差进行评价,便于对误差过大的河冰厚度模型进行校准。
在一个实施例中,所述根据所述实测河冰数据确定所述河冰图像的目标极化参数,包括:
获取所述河冰图像的所有极化参数,其中,所述河冰图像为所述河冰目标区域全极化遥感图像;
根据实测河冰数据的测量点信息从所述河冰图像的所有极化参数中选取所述河冰图像的目标极化参数。
在一个实施例中,所述获取所述河冰图像的所有极化参数,包括:
获取所述河冰图像;
对获取的所述河冰图像进行预处理;
确定预处理后的河冰图像对应的目标散射矩阵;
确定所述目标散射矩阵对应的极化相干矩阵;
提取所述极化相干矩阵中的所有极化参数。
在一个实施例中,根据所述河冰数据的训练集对所述河冰厚度模型进行训练,包括:
依据河冰厚度模型对所述河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;
从所述回归拟合方程中选取目标回归拟合方程,所述目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。
在一个实施例中,对所述河冰厚度模型进行误差评价,包括:
确定河冰数据的训练集以及河冰数据的测试集;
根据所述河冰数据的测试集对所述目标回归拟合方程进行误差评价。
在一个实施例中,获取目标区域的实测河冰数据,包括:
对目标区域河冰进行厚度测量,记录每个测量点的河冰厚度数据、河冰类型及经纬度信息;
确定每个测量点在河冰图像上对应的行列位置信息。
在一个实施例中,所述对所述河冰厚度模型进行误差评价,包括:
通过如下公式对所述河冰厚度模型进行误差评价:
其中,XIN,i为测试集数据代入回归拟合方程求得的河冰厚度的反演值,XR,i为河冰厚度的真实值。
本申请还提供一种构建河冰厚度反演微波散射模型的装置,包括:
获取模块,用于获取目标区域的实测河冰数据及河冰图像;
确定模块,用于根据所述实测河冰数据确定所述河冰图像的目标极化参数以及河冰数据的训练集;
建立模块,用于根据所述河冰图像的极化参数建立河冰厚度模型;
训练模块,用于根据所述河冰数据的训练集对所述河冰厚度模型进行训练;
误差评价模块,基于训练结果,对所述河冰厚度模型进行误差评价。
在一个实施例中,所述确定模块,包括:
获取子模块,用于获取所述河冰图像的所有极化参数,其中,所述河冰图像为所述河冰目标区域全极化遥感图像;
选取子模块,用于根据实测河冰数据从所述河冰图像的所有极化参数中选取所述河冰图像的目标极化参数。
在一个实施例中,所述获取子模块,用于:
获取所述河冰图像;
对获取的所述河冰图像进行预处理;
确定预处理后的河冰图像对应的目标散射矩阵;
确定所述目标散射矩阵对应的极化相干矩阵;
提取所述极化相干矩阵中的所有极化参数。
在一个实施例中,训练模块,包括:
拟合子模块,用于依据河冰厚度模型对所述河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;
方程选取子模块,用于从所述回归拟合方程中选取目标回归拟合方程,所述目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。
在一个实施例中,误差评价模块,包括:
第一确定子模块,用于确定河冰数据的训练集以及河冰数据的测试集;
第一误差评价子模块,用于根据所述河冰数据的测试集对所述目标回归拟合方程进行误差评价。
在一个实施例中,获取模块,包括:
记录子模块,用于对目标区域河冰进行厚度测量,记录每个测量点的河冰厚度数据、河冰类型及经纬度信息;
第二确定子模块,用于确定每个测量点在河冰图像上对应的行列位置信息。
在一个实施例中,所述对所述河冰厚度模型进行误差评价,包括:
第二误差评价子模块,用于通过如下公式对所述河冰厚度模型进行误差评价:
其中,XIN,i为测试集数据代入回归拟合方程求得的河冰厚度的反演值,XR,i为河冰厚度的真实值。
附图说明
图1为本申请一实施例中一种构建河冰厚度反演微波散射模型的方法的流程图;
图2为本发明提供的利用蒙特卡洛思想产生河冰训练集数据和测试集数据的示意图;
图3为本发明提供的选择每组相关性最强的回归拟合方程的具体流程图,其中,以水内冰为例(将图中参数K改为L,即可应用于热力冰);
图4为本申请另一实施例中一种构建河冰厚度反演微波散射模型的方法的流程图;
图5为采用本发明提供的方法对从实测黄河河冰数据中选出的24个水内冰数据进行分析计算,从而形成的拟合曲面图;
图6为本申请一实施例中一种构建河冰厚度反演微波散射模型的装置的框图;
图7为本申请另一实施例中一种构建河冰厚度反演微波散射模型的装置的框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
图1为本申请实施例的一种构建河冰厚度反演微波散射模型的方法的流程图,该方法包括以下步骤S11-S15:
在步骤S11中,获取目标区域的实测河冰数据及河冰图像;
在步骤S12中,根据实测河冰数据确定河冰图像的目标极化参数以及河冰数据的训练集;
在步骤S13中,根据河冰图像的极化参数建立河冰厚度模型;
在步骤S14中,根据河冰数据的训练集对河冰厚度模型进行训练;
在步骤S15中,基于训练结果,对河冰厚度模型进行误差评价。
本实施例中,获取目标区域的实测河冰数据及河冰图像。具体的,该河冰图像可以是目标区域全极化遥感图像,该全极化遥感图像可以通过极化合成孔径雷达(Polarimetric SAR)PolSAR技术获取,PolSAR技术是高分辨率微波成像系统从单一的“影像”获取向定量化测量工具发展的不可或缺的途径。PolSAR系统不仅能够利用影像功率信息,其通道间的相对相位信息还可以定量地反映目标特性差异,从而在无监督地物分割分类、目标检测与识别、土壤湿度和生物量等地物参数估计方面存在重要的应用潜力和价值,极大地增强了成像雷达对目标信息的获取能力。为实现大范围、高效率、高分辨率、全天时、全天候、高精度河冰监测提供了先决条件。
本申请中,是以黄河河冰为研究对象,因此,本申请所列举的示例中,均是以黄河河冰为例进行说明的,也就是说,本申请中,实测河冰数据与河冰的全极化遥感图像均取自黄河河冰。
目标区域的实测河冰数据通过如下方式获取:
对目标区域河冰进行实地厚度测量,依距离p(p=50~100m),设定待测河道断面P1,P2,P3…,记录每个测量点的河冰厚度数据d、河冰类型(OW/FI/TI),其中OW为开阔水域,FI为水内冰,TI为热力冰,及经纬度信息(LNG/LAT);
确定每个测量点的遥感图像像素坐标信息,即每个测量点在遥感图像上对应的行列位置信息(ROW,COL);
分别提取测量点中所有的水内冰数据E(E可取40~100,默认采用42)及热力冰数据F(F可取40~100,默认采用48),具体的,水内冰数据E包括测量点水内冰厚度信息,以及每个测量点相应的上述6个极化参数α,β,H,A,γ,δ的数值,热力冰数据F包括的内容与水内冰数据相同。
本实施例中,上述6个极化参数α,β,H,A,γ,δ的物理意义如下:
H表示极化熵(entropy),(0<=H<=1):这个参数表示的是在散射过程中有效的散射机制的个数。
A表示各向异性(the anisotropy),(0<=A<=1);这个参数描述的是次要散射机制之间的比例。只有当H的取值为中间值(即在0.5左右)时,各向异性A才能产生额外的信息。这是因为只有在这种情况下,次要散射机制才在散射过程中起到了作用。
α表示极化alpha角(0<=a<=90度),这个参数代表了散射机制的类型,是旋转不变的。
其中,β,γ和δ三个参数可以用来定义目标极化方向角。
在确定目标区域的实测河冰数据及河冰图像之后,根据实测河冰数据确定河冰图像的目标极化参数以及河冰数据的训练集,具体可通过如下方式执行:
首先,河冰图像的目标极化参数通过下述方式获取:
对获取的全极化遥感图像进行预处理,得到Is1(n,m),n=1…N,m=1…M;然后获取预处理后的全极化遥感图像的目标散射矩阵S:
确定目标散射矩阵对应的极化相干矩阵T3,其一般形式如下;
具体的,从目标散射矩阵S到极化相干矩阵T3的具体转换过程如下:将目标散射矩阵代入以下公式:
从而得到极化相干矩阵T3的如下形式:
可以理解的是,矩阵(2)和矩阵(4)是同一个矩阵,只是表示形式不同。
在得到极化相干矩阵T3之后,提取极化相干矩阵T3中的极化参数;此时的极化参数是河冰图像的所有极化参数,在此基础上,根据根据实测河冰数据的测量点信息从河冰图像的所有极化参数中选取河冰图像的目标极化参数。
如图2所示,河冰数据的训练集通过如下方式确定:
在获取目标区域的实测河冰数据之后,利用蒙特卡洛方法(又称统计试验法)的思想生成训练集数据,同时形成测试集数据,由于实测样本数据较少,因此设定训练集数据数量多于测试集数据数量;
随机抽取一定数量11*E/14个(默认采用33个)水内冰数据作为训练集数据,剩下数据作为水内冰测试集数据;
随机抽取一定数量13*F/16个(默认采用39个)热力冰数据形成训练集数据,剩下数据作为热力冰测试集数据;
其中,水内冰是指:悬浮在水中,或附着在河底冰盖底面及其它水内物体上的多孔而不透明的冰体。它由水内冰晶结成海绵状、米粒状或羽毛状。在多数情况下,其中混有沙粒,水草等各种杂质。
热力冰与水内冰是从物理层面上进行区分的,热力冰所含气泡和泥沙,尺寸和含量均小于水内冰,另外相对而言,水内冰的气泡要比热力冰的气泡多,水内冰的气泡半径也比热力冰的气泡半径大,也就是说,热力冰相对纯净,水内冰相对浑浊。也就是说,可以设置一用于表征冰内杂质和气泡的阈值,大于该阈值则为水内冰,小于该阈值则为热力冰。
为了使试验更具有客观性,增强试验的鲁棒性,需要进行多次独立重复试验;具体的,通过多次执行上述随机抽取水内冰数据的步骤得到K(K可取3-10)组水内冰数据,每组数据包含相应训练集数据和测试集数据;通过多次执行上述随机抽取热力冰数据的步骤得到L(L可取3-10)组热力冰数据,每组数据包含相应训练集数据和测试集数据。
在根据实测河冰数据确定河冰图像的目标极化参数以及河冰数据的训练集之后,根据河冰图像的极化参数建立河冰厚度模型;具体的河冰厚度模型建立过程如下:
建立下列5类河冰厚度模型,并依据模型对河冰厚度数据及上述极化参数进行多元参数回归拟合,具体采取的多项式拟合形式如下:
a.f1-i(d,X1,X2),i=1,2,…,15:d=a0+a1X1+a2X2 (5)
b.f2-i(d,X1,X2,X3),i=1,2,…,20:d=a0+a1X1+a2X2+a3X3 (6)
c.f3-i(d,X1,X2,X3,X4),i=1,2,…,15:d=a0+a1X1+a2X2+…+a4X4 (7)
d.f4-i(d,X1,X2,X3,X4,X5),i=1,2,…6:d=a0+a1X1+a2X2+…+a5X5 (8)
e.f5(d,X1,X2,X3,X4,X5,X6):d=a0+a1X1+a2X2+…a6X6; (9)
其中,Xn∈(α,β,γ,δ,A,H),n=1,2,3,…,6,且同类模型中6个极化参数只能出现1次;
在根据河冰图像的极化参数建立河冰厚度模型之后,根据河冰数据的训练集对河冰厚度模型进行训练,具体的:
依据河冰厚度模型对河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;即依据上述5类方程对水内冰厚度训练集数据进行回归拟合,得到相应方程,同时,依据上述5类方程对热力冰厚度训练集数据进行回归拟合,得到相应方程。
从回归拟合方程中选取目标回归拟合方程,目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值,如图3所示,从上述方程中选取目标回归拟合方程的具体方式可被实施为如下步骤:
利用公式(10)计算每个方程的相关系数Rn,设定表示拟合方程相关性强弱的参数v,v∈(0,1):
其中X1,X2,…,Xn,n∈[2,6],Xn∈(α,β,γ,δ,A,H),n=1,2,3,…,6,Cov(X1,…,Xn,d)为自变量X1,X2,…,Xn与因变量d的协方差,Var[X1,…,Xn]为自变量X的方差,Var[d]为因变量d的方差。
前述步骤中已经确定了每个测量点相应的上述6个极化参数α,β,H,A,γ,δ的数值,因此,可以基于每个测量点相应的上述6个极化参数确定每个方程中自变量X和因变量d的具体数值。
A11:提取上述K组水内冰训练集数据依据5类河冰厚度模型进行回归拟合得到的回归拟合方程的相关系数R;
A12:水内冰训练集数据组别m,m∈[1,K],初始化m=1,河冰厚度模型类别t,t∈[1,5],每类模型中方程的相关系数的序号n,判定相关性强弱的阈值v,v∈(0,1),5类函数模型及方程个数分别表示为A1=15,A2=20,A3=15,A4=6,A5=1;
A13:比较m与K值的大小,若m≤K,进入下述A131厚度模型类别遍历过程;反之,若m>K,则输出此时v的值,即为对应的方程的相关系数R,该方程即为相关性最强的水内冰厚度回归拟合方程;
步骤A131:依厚度模型类别进行迭代,首先初始化t=1,进入下述每类模型对应的方程的相关系数遍历过程A1311,此遍历过程完成后判断t与5的大小关系,若t≤5,则表示厚度模型类别遍历过程未完成,因此初始化n=1,进行下一个厚度模型类别的遍历过程;若t>5,则表示该组数据厚度模型类别遍历过程已完成,执行m=m+1,即对下一组数据执行A13过程;
步骤A1311:对每个厚度类型类别中的方程的相关系数进行遍历,判断n和At的大小关系,若n≤At,则表示正在进行该类别下方程的相关系数的遍历过程,此时读取当前v的值,将本类别中每个方程对应的相关系数Rn与v比较大小,若Rn大于v,则将此Rn值作为新的v值,反之,则保持v值不变,无论比较结果如何,均执行n=n+1的操作,即对下一个本类别内方程的相关系数进行A1311过程;若n>At,则执行t=t+1操作,对下一类厚度模型执行A131过程;
提取上述L组热力冰训练集数据依据5类河冰厚度模型进行回归拟合得到的回归拟合方程的相关系数R;
可以理解的是,上述步骤中,基于序号关系可以确定各个步骤间的先后关系和包含关系,例如,步骤A11与步骤A12是顺序执行的,存在先后顺序,而步骤A13可以包括步骤A131,而步骤A131可以包括步骤A1311,以此类推。
另外,可以理解的是,如果提取K组热力冰训练集数据执行如图3所示的步骤,可以得到相关性最强的热力冰厚度回归拟合方程;
其次,需要说明的是,相关性最强的河冰厚度(热力冰厚度和/或水内冰厚度)拟合方程即为能够使表征河冰厚度和极化参数的相关性的值达到最大值的目标回归拟合方程。
在得到相关性最强的水内冰厚度回归拟合方程以及相关性最强的热力冰厚度回归拟合方程之后,说明河冰厚度模型的训练完成,此时,可以基于训练结果,对河冰厚度模型进行误差评价。
本申请实施例的有益效果在于:能够根据河冰图像的极化参数建立河冰厚度模型;根据河冰数据的训练集对河冰厚度模型进行训练;基于训练结果,对河冰厚度模型进行误差评价,从而能够得到用于预测河冰厚度的河冰厚度模型,以实现对河冰厚度信息的预测,并且可以对河冰厚度模型误差进行评价,便于对误差过大的河冰厚度模型进行校准。
在一个实施例中,上述步骤S12中,根据实测河冰数据确定河冰图像的目标极化参数可被实施为如下步骤B1-B2:
在步骤B1中,获取河冰图像的所有极化参数,其中,河冰图像为河冰目标区域全极化遥感图像;
在步骤B2中,根据实测河冰数据的测量点信息从河冰图像的所有极化参数中选取河冰图像的目标极化参数。
本实施例中,获取河冰图像的所有极化参数,其中,河冰图像为河冰目标区域全极化遥感图像;根据实测河冰数据的测量点信息从河冰图像的所有极化参数中选取河冰图像的目标极化参数。具体的,对获取的全极化遥感图像进行预处理,得到Is1(n,m),n=1…N,m=1…M;然后获取预处理后的全极化遥感图像的目标散射矩阵,确定目标散射矩阵对应的极化相干矩阵,在得到极化相干矩阵之后,提取极化相干矩阵中的极化参数;此时的极化参数是河冰图像的所有极化参数,在此基础上,根据根据实测河冰数据的测量点信息从河冰图像的所有极化参数中选取河冰图像的目标极化参数。
在一个实施例中,上述步骤B1可被实施为如下步骤S41-S45:
在步骤S41中,获取河冰图像;
在步骤S42中,对获取的河冰图像进行预处理;
在步骤S43中,确定预处理后的河冰图像对应的目标散射矩阵;
在步骤S44中,确定目标散射矩阵对应的极化相干矩阵;
在步骤S45中,提取极化相干矩阵中的所有极化参数。
本实施例中,获取河冰图像,即获取河冰中一目标区域的全极化遥感图像,可以理解的是,该目标区域与前述“获取目标区域的实测河冰数据”中的目标区域表征同一区域。在获取全极化遥感图像之后,对获取的全极化遥感图像进行预处理,得到Is1(n,m),n=1…N,m=1…M;然后获取预处理后的全极化遥感图像的目标散射矩阵S:
确定目标散射矩阵对应的极化相干矩阵T3,其一般形式如下;
具体的,从目标散射矩阵S到极化相干矩阵T3的具体转换过程如下:将目标散射矩阵代入以下公式:
从而得到极化相干矩阵T3的如下形式:
可以理解的是,矩阵(2)和矩阵(4)是同一个矩阵,只是表示形式不同。
在得到极化相干矩阵T3之后,提取极化相干矩阵T3中的极化参数,即河冰图像的所有极化参数。
在一个实施例中,上述步骤S14可被实施为如下步骤C1-C2:
在步骤C1中,依据河冰厚度模型对河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;
在步骤C2中,从回归拟合方程中选取目标回归拟合方程,目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。
本实施例中,在获取目标区域的实测河冰数据之后,利用蒙特卡洛方法(又称统计试验法)的思想生成训练集数据,同时形成测试集数据,由于实测样本数据较少,因此设定训练集数据数量多于测试集数据数量;
随机抽取一定数量11*E/14个(默认采用33个)水内冰数据作为训练集数据,剩下数据作为水内冰测试集数据;
随机抽取一定数量13*F/16个(默认采用39个)热力冰数据形成训练集数据,剩下数据作为热力冰测试集数据;
为了使试验更具有客观性,增强试验的鲁棒性,需要进行多次独立重复试验;具体的,通过多次执行上述随机抽取水内冰数据的步骤得到K(K可取3-10)组水内冰数据,每组数据包含相应训练集数据和测试集数据;通过多次执行上述随机抽取热力冰数据的步骤得到L(L可取3-10)组热力冰数据,每组数据包含相应训练集数据和测试集数据。
在根据实测河冰数据确定河冰图像的目标极化参数以及河冰数据的训练集之后,根据河冰图像的极化参数建立河冰厚度模型;具体的河冰厚度模型建立过程如下:
建立下列5类河冰厚度模型,并依据模型对河冰厚度数据及上述极化参数进行多元参数回归拟合,具体采取的多项式拟合形式如下:
a.f1-i(d,X1,X2),i=1,2,…,15:d=a0+a1X1+a2X2 (5)
b.f2-i(d,X1,X2,X3),i=1,2,…,20:d=a0+a1X1+a2X2+a3X3 (6)
c.f3-i(d,X1,X2,X3,X4),i=1,2,…,15:d=a0+a1X1+a2X2+…+a4X4 (7)
d.f4-i(d,X1,X2,X3,X4,X5),i=1,2,…6:d=a0+a1X1+a2X2+…+a5X5 (8)
e.f5(d,X1,X2,X3,X4,X5,X6):d=a0+a1X1+a2X2+…a6X6; (9)
其中,Xn∈(α,β,γ,δ,A,H),n=1,2,3,…,6,且同类模型中6个极化参数只能出现1次;
在根据河冰图像的极化参数建立河冰厚度模型之后,根据河冰数据的训练集对河冰厚度模型进行训练,具体的:
依据河冰厚度模型对河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;即依据上述5类方程对水内冰厚度训练集数据进行回归拟合,得到相应方程,同时,依据上述5类方程对热力冰厚度训练集数据进行回归拟合,得到相应方程。
从回归拟合方程中选取目标回归拟合方程,目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。具体的选取过程已经在上文中详细介绍,在此不做赘述。
在一个实施例中,上述步骤S15可被实施为如下步骤D1-D2:
在步骤D1中,确定河冰数据的训练集以及河冰数据的测试集;
在步骤D2中,根据河冰数据的测试集对目标回归拟合方程进行误差评价。
在一个实施例中,上述步骤S11可被实施为如下步骤E1-E2:
在步骤E1中,对目标区域河冰进行厚度测量,记录每个测量点的河冰厚度数据、河冰类型及经纬度信息;
在步骤E2中,确定每个测量点在河冰图像上对应的行列位置信息。
本实施例中,可以对目标区域河冰进行实地厚度测量,依距离p(p=50~100m),设定待测河道断面P1,P2,P3…,记录每个测量点的河冰厚度数据d、河冰类型(OW/FI/TI),其中OW为开阔水域,FI为水内冰,TI为热力冰,及经纬度信息(LNG/LAT);
确定每个测量点的遥感图像像素坐标信息,即每个测量点在遥感图像上对应的行列位置信息(ROW,COL)。
在一个实施例中,对河冰厚度模型进行误差评价,包括:
通过如下公式对河冰厚度模型进行误差评价:
其中,XIN,i为测试集数据代入回归拟合方程求得的河冰厚度的反演值,XR,i为河冰厚度的真实值。
本实施例中依据上述实施例得到的得到的相关性最强的水内冰回归拟合方程和热力冰回归拟合方程分别确定采用的极化参数的类型如X1,X2,…,Xn,n∈[2,6]。
依据上述实施例中所确定的水内冰测试集数据和热力冰测试集数据提取Xn,n和XR,i的值,将Xn的值代入上述目标回归拟合方程可求得XIN,i,将n,XR,I和XIN,i的值代入公式(11)分别计算得到均方根误差。
本方法提出了一种新的针对含多杂质河冰的河冰厚度模型建立方法,充分考虑到了由于多杂质河冰具有不同物理结构、杂质类型等鲜明特点,会造成一些差异化的电磁散射过程的客观条件,从而提出了针对含多杂质的河冰,先将河冰按杂质类型和含量、表面粗糙度等物理特性进行分类,并最终分别进行厚度反演的方法;此外本方法提出了同时利用多个极化相关参数分别与不同类型河冰的河冰厚度进行回归拟合的思想,对比采用单一极化参数与河冰厚度进行回归拟合的方法,多参数的方法可以更好地反映两者之间存在的联系,本方法利用蒙特卡洛思想随机选取训练集数据,并进行多次试验保证了此方法具有的客观性,并结合相关系数选取相关性最强的河冰厚度回归拟合方程,再利用其均方根误差进行误差评价。综上,本方法弥补了之前方法存在的不足,进行了优化,为对含多杂质的河冰如黄河河冰进行厚度模型建立,提供了一种解决方法,同时也为进一步的河冰厚度反演研究提供了基础。
分析结果显示利用α和γ这2个极化参数建立的模型相关性强,均方根误差小,即
d=a0+a1α+a2γ (12)
利用本方法对实测黄河河冰数据中选出的24个水内冰数据进行了分析、计算,得到了最优水内冰回归拟合方程,即
d=65.96+1.067α-0.043γ (13)
其中,图5为通过仿真实验得到的回归拟合方程(13)对应的拟合曲面图,其中,d为河冰厚度,X1即为上述回归拟合方程(13)中的α,X2为上述回归拟合方程(13)中的γ。三维空间内的拟合曲面为回归拟合方程(13)对应的拟合曲面,而三维空间内的黑点用于标识实测黄河河冰数据中选出的24个水内冰数据中的数值。
图6为本申请实施例的一种构建河冰厚度反演微波散射模型的装置的框图,该装置包括以下模块:
获取模块61,用于获取目标区域的实测河冰数据及河冰图像;
确定模块62,用于根据实测河冰数据确定河冰图像的目标极化参数以及河冰数据的训练集;
建立模块63,用于根据河冰图像的极化参数建立河冰厚度模型;
训练模块64,用于根据河冰数据的训练集对河冰厚度模型进行训练;
误差评价模块65,基于训练结果,对河冰厚度模型进行误差评价。
在一个实施例中,如图7所示,确定模块62,包括:
获取子模块71,用于获取河冰图像的所有极化参数,其中,河冰图像为河冰目标区域全极化遥感图像;
选取子模块72,用于根据实测河冰数据从河冰图像的所有极化参数中选取河冰图像的目标极化参数。
在一个实施例中,获取子模块,用于:
获取河冰图像;
对获取的河冰图像进行预处理;
确定预处理后的河冰图像对应的目标散射矩阵;
确定目标散射矩阵对应的极化相干矩阵;
提取极化相干矩阵中的所有极化参数。
在一个实施例中,训练模块,包括:
拟合子模块,用于依据河冰厚度模型对河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;
方程选取子模块,用于从回归拟合方程中选取目标回归拟合方程,目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。
在一个实施例中,误差评价模块,包括:
第一确定子模块,用于确定河冰数据的训练集以及河冰数据的测试集;
第一误差评价子模块,用于根据河冰数据的测试集对目标回归拟合方程进行误差评价。
在一个实施例中,获取模块,包括:
记录子模块,用于对目标区域河冰进行厚度测量,记录每个测量点的河冰厚度数据、河冰类型及经纬度信息;
第二确定子模块,用于确定每个测量点在河冰图像上对应的行列位置信息。
在一个实施例中,对河冰厚度模型进行误差评价,包括:
第二误差评价子模块,用于通过如下公式对河冰厚度模型进行误差评价:
其中,XIN,i为测试集数据代入回归拟合方程求得的河冰厚度的反演值,XR,i为河冰厚度的真实值。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种构建河冰厚度反演微波散射模型的方法,其特征在于,包括:
获取目标区域的实测河冰数据及河冰图像;
根据所述实测河冰数据确定所述河冰图像的目标极化参数以及河冰数据的训练集;
根据所述河冰图像的极化参数建立河冰厚度模型;
根据所述河冰数据的训练集对所述河冰厚度模型进行训练;
基于训练结果,对所述河冰厚度模型进行误差评价。
2.如权利要求1所述的方法,其特征在于,所述根据所述实测河冰数据确定所述河冰图像的目标极化参数,包括:
获取所述河冰图像的所有极化参数,其中,所述河冰图像为所述河冰目标区域全极化遥感图像;
根据实测河冰数据的测量点信息从所述河冰图像的所有极化参数中选取所述河冰图像的目标极化参数。
3.如权利要求2所述的方法,其特征在于,所述获取所述河冰图像的所有极化参数,包括:
获取所述河冰图像;
对获取的所述河冰图像进行预处理;
确定预处理后的河冰图像对应的目标散射矩阵;
确定所述目标散射矩阵对应的极化相干矩阵;
提取所述极化相干矩阵中蕴含的所有极化参数。
4.如权利要求1所述的方法,其特征在于,根据所述河冰数据的训练集对所述河冰厚度模型进行训练,包括:
依据河冰厚度模型对所述河冰数据的训练集进行回归拟合以得到相应的回归拟合方程;
从所述回归拟合方程中选取目标回归拟合方程,所述目标回归拟合方程能够使表征河冰厚度和极化参数的相关性的值达到最大值。
5.如权利要求4所述的方法,其特征在于,对所述河冰厚度模型进行误差评价,包括:
确定河冰数据的训练集以及河冰数据的测试集;
根据所述河冰数据的测试集对所述目标回归拟合方程进行误差评价。
6.如权利要求1所述的方法,其特征在于,获取目标区域的实测河冰数据,包括:
对目标区域河冰进行厚度测量,记录每个测量点的河冰厚度数据、河冰类型及经纬度信息;
确定每个测量点在河冰图像上对应的行列位置信息。
8.一种构建河冰厚度反演微波散射模型的装置,其特征在于,包括:
获取模块,用于获取目标区域的实测河冰数据及河冰图像;
确定模块,用于根据所述实测河冰数据确定所述河冰图像的目标极化参数以及河冰数据的训练集;
建立模块,用于根据所述河冰图像的极化参数建立河冰厚度模型;
训练模块,用于根据所述河冰数据的训练集对所述河冰厚度模型进行训练;
误差评价模块,基于训练结果,对所述河冰厚度模型进行误差评价。
9.如权利要求8所述的装置,其特征在于,所述确定模块,包括:
获取子模块,用于获取所述河冰图像的所有极化参数,其中,所述河冰图像为所述河冰目标区域全极化遥感图像;
选取子模块,用于根据实测河冰数据从所述河冰图像的所有极化参数中选取所述河冰图像的目标极化参数。
10.如权利要求9所述的装置,其特征在于,所述获取子模块,用于:
获取所述河冰图像;
对获取的所述河冰图像进行预处理;
确定预处理后的河冰图像对应的目标散射矩阵;
确定所述目标散射矩阵对应的极化相干矩阵;
提取所述极化相干矩阵中的所有极化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324821.2A CN112307679B (zh) | 2020-11-23 | 2020-11-23 | 一种构建河冰厚度反演微波散射模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324821.2A CN112307679B (zh) | 2020-11-23 | 2020-11-23 | 一种构建河冰厚度反演微波散射模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307679A true CN112307679A (zh) | 2021-02-02 |
CN112307679B CN112307679B (zh) | 2022-11-04 |
Family
ID=74335472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011324821.2A Active CN112307679B (zh) | 2020-11-23 | 2020-11-23 | 一种构建河冰厚度反演微波散射模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307679B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143395A1 (en) * | 2001-11-07 | 2004-07-22 | Takeshi Matsuoka | Method of observing sea ice |
JP2005291782A (ja) * | 2004-03-31 | 2005-10-20 | National Institute Of Information & Communication Technology | Sarによる氷厚推定方法 |
KR101179641B1 (ko) * | 2011-04-21 | 2012-09-05 | 한국해양연구원 | 빙해역 시운전 계측 시스템 및 그 방법 |
US20130099960A1 (en) * | 2011-10-21 | 2013-04-25 | Conocophillips Company | Ice data collection, processing and visualization system |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
CN106569210A (zh) * | 2016-10-18 | 2017-04-19 | 长安大学 | 一种基于遥感的土壤水分反演方法和装置 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN108152800A (zh) * | 2017-12-22 | 2018-06-12 | 内蒙古工业大学 | 一种适用于包含多杂质的河冰的河冰rcs的确定方法 |
CN109117883A (zh) * | 2018-08-13 | 2019-01-01 | 上海海洋大学 | 基于长短时记忆网络的sar影像海冰分类方法及系统 |
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 |
CN109186560A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种海冰厚度的遥感估算方法 |
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
US20190383966A1 (en) * | 2018-04-19 | 2019-12-19 | Korea Meteorological Administration | Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
-
2020
- 2020-11-23 CN CN202011324821.2A patent/CN112307679B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143395A1 (en) * | 2001-11-07 | 2004-07-22 | Takeshi Matsuoka | Method of observing sea ice |
JP2005291782A (ja) * | 2004-03-31 | 2005-10-20 | National Institute Of Information & Communication Technology | Sarによる氷厚推定方法 |
KR101179641B1 (ko) * | 2011-04-21 | 2012-09-05 | 한국해양연구원 | 빙해역 시운전 계측 시스템 및 그 방법 |
US20130099960A1 (en) * | 2011-10-21 | 2013-04-25 | Conocophillips Company | Ice data collection, processing and visualization system |
CN105975986A (zh) * | 2016-05-03 | 2016-09-28 | 河海大学 | 基于改进遗传算法的全极化sar图像监督分类方法 |
CN106569210A (zh) * | 2016-10-18 | 2017-04-19 | 长安大学 | 一种基于遥感的土壤水分反演方法和装置 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN108152800A (zh) * | 2017-12-22 | 2018-06-12 | 内蒙古工业大学 | 一种适用于包含多杂质的河冰的河冰rcs的确定方法 |
US20190383966A1 (en) * | 2018-04-19 | 2019-12-19 | Korea Meteorological Administration | Apparatus for forecasting of hydrometeor classification using numerical weather prediction model and method thereof |
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 |
CN109117883A (zh) * | 2018-08-13 | 2019-01-01 | 上海海洋大学 | 基于长短时记忆网络的sar影像海冰分类方法及系统 |
CN109186560A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种海冰厚度的遥感估算方法 |
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
Non-Patent Citations (3)
Title |
---|
DU CHAO等: "Research and Application of Ice Thickness and Snow Depth Automatic Monitoring System", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
冀鸿兰等: "黄河万家寨河段河冰冰厚遥感提取及年内变化特征分析", 《水电能源科学》 * |
谭维贤等: "基于地基雷达图像的无监督变化检测", 《雷达学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685028A (zh) * | 2018-12-28 | 2019-04-26 | 内蒙古工业大学 | 一种基于全极化sar数据的河冰厚度反演方法 |
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN114417682B (zh) * | 2021-12-15 | 2024-04-12 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112307679B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kirstetter et al. | Probabilistic precipitation rate estimates with ground‐based radar networks | |
CN112307679B (zh) | 一种构建河冰厚度反演微波散射模型的方法及装置 | |
Jiang et al. | Evaluation of high-resolution satellite precipitation products with surface rain gauge observations from Laohahe Basin in northern China | |
WO2020207070A1 (zh) | 深圳海域水质评价方法及系统 | |
CN113591387B (zh) | 基于Huber范数约束的卫星资料反演降水方法及系统 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
Satalino et al. | Wheat crop mapping by using ASAR AP data | |
CN112924967B (zh) | 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 | |
Wardah et al. | Radar rainfall estimates comparison with kriging interpolation of gauged rain | |
Yang et al. | A Customized Multi‐Scale Deep Learning Framework for Storm Nowcasting | |
CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
Carey‐Smith et al. | A hidden seasonal switching model for multisite daily rainfall | |
Pejcic et al. | Polarimetric radar-based methods for evaluation of hydrometeor mixtures in numerical weather prediction models | |
CN104406700B (zh) | 红外焦平面阵列芯片贮存失效率、可靠度的检测方法 | |
CN113592201A (zh) | 一种拔节后受冻冬小麦产量损失早期预测方法 | |
Fioravanti et al. | Interpolating climate variables by using INLA and the SPDE approach | |
Aminuddin et al. | Development of convolutional neural network algorithm on ships detection in Natuna Islands-Indonesia using land look satellite imagery | |
Elhaddad et al. | Detecting soil salinity levels in agricultural lands using satellite imagery | |
Ghazilou et al. | Application of baited remote underwater video stations to assess benthic coverage in the Persian Gulf | |
BOUREGA et al. | Study of the Relationship between Biomass and Fractional Green Canopy Cover of Two Forage Crops Using Canopeo® | |
SALIBA et al. | A COMPARATIVE EVALUATION OF SPATIAL INTERPOLATION TECHNIQUES FOR MAXIMUM TEMPERATURE SERIES IN THE MONTREAL REGION, CANADA | |
Zhao et al. | Retrieve sea surface salinity using principal component regression model based on SMOS satellite data | |
Tsuda et al. | Stratigraphic profiling using sparse modeling | |
Zhu et al. | Lineage Diversification and Niche Evolution in the Chinese Cobra Naja atra (Elapidae) |
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 |