CN114187533B - 一种基于随机森林时序分类的GB-InSAR大气改正方法 - Google Patents

一种基于随机森林时序分类的GB-InSAR大气改正方法 Download PDF

Info

Publication number
CN114187533B
CN114187533B CN202210135116.0A CN202210135116A CN114187533B CN 114187533 B CN114187533 B CN 114187533B CN 202210135116 A CN202210135116 A CN 202210135116A CN 114187533 B CN114187533 B CN 114187533B
Authority
CN
China
Prior art keywords
time sequence
random forest
differential interference
training
attribute
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
Application number
CN202210135116.0A
Other languages
English (en)
Other versions
CN114187533A (zh
Inventor
刘国祥
向卫
张瑞
亢邈迒
刘雨鑫
毛文飞
吴仁哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210135116.0A priority Critical patent/CN114187533B/zh
Publication of CN114187533A publication Critical patent/CN114187533A/zh
Application granted granted Critical
Publication of CN114187533B publication Critical patent/CN114187533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于随机森林时序分类的GB‑InSAR大气改正方法，包括以下步骤：S1、采集若干时序差分干涉相位图，得到第一训练样本；S2、根据第一训练样本，得到训练好的随机森林；S3、通过训练好的随机森林对所有的时序差分干涉相位图进行分类，得到最优分类结果；S4、根据最优分类结果，得到各时间点的高精度形变相位，完成大气的改正。通过现场实测数据进行了分析，表明本发明在温度和水汽变化较快的日间连续监测过程中取得了较好的应用效果，有效减弱了大气延迟误差。

Description

一种基于随机森林时序分类的GB-InSAR大气改正方法
技术领域
本发明属于GB-InSAR大气延迟误差改正领域，具体涉及基于随机森林时序分类的GB-InSAR大气改正方法。
背景技术
在GB-InSAR（地基雷达干涉测量）大气延迟误差改正领域，GB-InSAR系统通过发射和接收电磁波信号对地表形变物体进行探测。电磁波在大气中传播的过程中，因大气介质不均匀，导致电磁波传播路径和方向发生改变，从而产生附加相位，即大气延迟相位。为使精度达到亚毫米，地基雷达所使用的波段波长较短，因此对大气变化非常敏感，这就要求可靠的大气延迟改正方法来对时序差分干涉相位进行改正，从而获得高精度时序形变场。特别地，大气延迟相位在时序差分干涉相位中表现为时间域上的低频性，即存在大气延迟相位的像元点在某些时间差分干涉图中会出现，而在另一时间突然消失。而滑坡蠕变过程中的时序形变信号在时序差分干涉相位图中表现为高频性，即形变相位是连续存在的。
现有大气改正方法主要包括气象数据校正法、永久散射体技术、距离函数拟合方法这三大类。
上述三类方法的特点分析：
因地基SAR的观测距离可达数千米，且过远观测距离导致气象数据变化给大气扰动改正引入误差；大气折射经验模型仅考虑了大气扰动对距离向的影响，而忽略在方位向上所存在的误差。
永久散射体技术利用一组时间序列的SAR数据，找出持久稳定的雷达目标点，得出其相位变化。通过稳定目标点的相位变化来估计大气扰动对整个观测区域的影响，从而在差分相位中去除因大气扰动带来的延迟相位。但是该技术存在如下缺点：对SAR影像数据需求量大和数据处理难度大；必须有足够数量的永久散射体；永久散射体在监测过程中形变量较小。
距离函数拟合方法是在监测区域选取稳定点或布设角反射器，利用稳定点与地基SAR之间的距离和相位变化获取观测区域内大气变化的改正值。由于滑坡区域存在危险性，不适宜人工布设角反射器，稳定点不宜发现等原因，导致该方法存在一定局限。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于随机森林时序分类的GB-InSAR大气改正方法解决了在温度和水汽变化较快的日间连续监测过程中，不能有效减弱大气延迟误差的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于随机森林时序分类的GB-InSAR大气改正方法，包括以下步骤：
S1、采集若干时序差分干涉相位图，得到第一训练样本；
S2、根据第一训练样本，得到训练好的随机森林；
S3、通过训练好的随机森林对所有的时序差分干涉相位图进行分类，得到最优分类结果；
S4、根据最优分类结果，得到各时间点的高精度形变相位，完成大气的改正。
进一步地：所述步骤S1具体为：
S11、从GB-InSAR系统连续观测处理得到的所有时序差分干涉相位图中选取M幅时序差分干涉相位图，并分别从M幅时序差分干涉相位图中选取N个位置相同的像元；
S12、提取每个像元时间序列上的差分干涉相位，并将每个像元的差分干涉相位作为一个数据集，进而将得到的N个数据集作为第一训练样本；
其中，每个数据集包含M个时序差分干涉相位。
上述进一步方案的有益效果为：从大量连续观测处理得到的时序差分干涉相位图中选取M幅时序差分干涉相位图作为第一训练样本，可以更全面训练随机森林。
进一步地：所述步骤S2包括以下分步骤：
S21、根据第一训练样本通过随机抽样形成第二训练样本；
S22、根据第二训练样本得到训练好的随机森林。
进一步地：所述步骤S21包括以下分步骤：
S21-1、从第一训练样本中随机抽取一个数据集，通过所述数据集训练第一棵决策树，训练完成后将数据集放回第一训练样本；
S21-2、重复N次步骤S21-1，得到第一棵决策树的训练集1；
S21-3、重复n次步骤S21-2，得到n棵决策树对应的训练集1~训练集n，并将所有的训练集作为第二训练样本。
上述进一步方案的有益效果为：随机抽样法可以完成n棵决策树对应的训练集的生成，可以用于训练更好的分类模型。
进一步地：所述步骤S22包括以下分步骤：
S22-1、将第二训练样本中每个训练集的M个时序差分干涉相位作为样本特征属性；
S22-2、随机从每个所述训练集的样本特征属性中抽取m个属性子集，并从属性子集中选择最优分裂属性作为所述训练集对应决策树的节点分裂特征属性；
S22-3、根据确定的n棵决策树的属性子集和节点分裂特征属性，并通过n棵决策树构建随机森林，得到训练好的随机森林。
上述进一步方案的有益效果为：训练好的随机森林作为所有时序差分干涉相位图的分类模型，可以生成准确的大气延迟相位。
进一步地：所述步骤S22-2中，选择最优分裂属性的方法具体为：
通过弱学习器算法中的基尼系数法计算属性子集中的各个特征属性的基尼值，选择基尼值最小的特征属性作为最优分裂属性；
其中，基尼值Gini(D)的表达式具体为：
Figure 767141DEST_PATH_IMAGE001
式中，D为属性子集中的特征属性，p i 为属性子集中第i类属性所占比例，k为属性子集中属性的总数。
上述进一步方案的有益效果为：基尼系数法可以确定最优的特征属性，并将其分到同一类别决策树的节点分裂特征属性。
进一步地：所述步骤S3包括以下分步骤：
S31、将所有的时序差分干涉相位图以像元为单位构建时序分类集合；
S32、将时序分类集合输入随机森林，通过随机森林中各决策树投票结果确定最优分类结果；
其中，所述最优分类结果具体为大气延迟相位。
进一步地：所述步骤S4具体为：
根据得到的大气延迟相位，将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差，得到各时间点的最终高精度时序形变相位，从而减弱大气延迟误差，完成大气的改正。
上述进一步方案的有益效果为：将所有时序差分干涉相位图的大气延迟相位分离，可在温度和水汽变化较快的日间连续监测过程中有效减弱大气延迟误差。
本发明的有益效果为：本发明采用基于随机森林时序分类的GB-InSAR大气改正方法对原始时序差分干涉相位图进行大气延迟改正，在温度和水汽变化较快的日间连续监测过程中，与同期高精度全站仪地面观测数据交叉验证总体精度误差控制在0.7mm以内，表明基于随机森林时序分类的GB-InSAR大气改正方法有效减弱了大气延迟误差并对复杂环境和气候条件具有较好的适应性。
附图说明
图1为一种基于随机森林时序分类的GB-InSAR大气改正方法的流程图。
图2为本发明中为验证大气延迟改正的精度，选取一滑坡区域作为监测对象，利用地基InSAR开展监测的成像图。
图3为本发明中未经大气改正沿LOS向位移时间序列。
图4为本发明中利用随机森林大气扰动改正后沿LOS向位移时间序列。
图5为本发明中基于随机森林大气改正后沿LOS向位移时间序列与全站仪监测P1点的时序结果对比。
图6为本发明中基于随机森林大气改正后沿LOS向位移时间序列与全站仪监测P2点的时序结果对比。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，在本发明的一个实施例中，一种基于随机森林时序分类的GB-InSAR大气改正方法，包括以下步骤：
S1、采集若干时序差分干涉相位图，得到第一训练样本；
S2、根据第一训练样本，得到训练好的随机森林；
S3、通过训练好的随机森林对所有的时序差分干涉相位图进行分类，得到最优分类结果；
S4、根据最优分类结果，得到各时间点的高精度形变相位，完成大气的改正。
在本实施例中，步骤S1主要是从大量连续观测处理得到的时序差分干涉相位图中选取M幅时序差分干涉相位图作为第一训练样本，所述第一训练样本用于训练随机森林。
所述步骤S1具体为：
S11、从GB-InSAR系统连续观测处理得到的所有时序差分干涉相位图中选取M幅时序差分干涉相位图，并分别从M幅时序差分干涉相位图中选取N个位置相同的像元；
S12、提取每个像元时间序列上的差分干涉相位，并将每个像元的差分干涉相位作为一个数据集，进而将得到的N个数据集作为第一训练样本；
其中，每个数据集包含M个时序差分干涉相位。
所述步骤S2包括以下分步骤：
S21、根据第一训练样本通过随机抽样形成第二训练样本；
S22、根据第二训练样本得到训练好的随机森林。
在本实施例中，步骤S21对所选定第一训练样本中时序差分干涉相位数据集通过Bagging算法进行随机抽样形成第二训练样本；
其中，Bagging算法随机抽取输入为第一训练样本时序差分干涉相位图D={(x 1 ,y 1 ), (x 2 , y 2 ), ..., (x N , y N )}，其中(x i , y i )表示所述时序差分干涉相位图像元点的坐标。
所述步骤S21包括以下分步骤：
S21-1、从第一训练样本中随机抽取一个数据集，通过所述数据集训练第一棵决策树，训练完成后将数据集放回第一训练样本；
S21-2、重复N次步骤S21-1，得到第一棵决策树的训练集1；
S21-3、重复n次步骤S21-2，得到n棵决策树对应的训练集1~训练集n，并将所有的训练集作为第二训练样本。
在本实施例中，步骤S22主要是根据第二训练样本中每个训练集的时序特征，对每个训练集随机选取属性子集，进而得到每个训练集对应决策树的节点分裂特征属性。
所述步骤S22包括以下分步骤：
S22-1、将第二训练样本中每个训练集的M个时序差分干涉相位作为样本特征属性；
S22-2、随机从每个所述训练集的样本特征属性中抽取m个属性子集，并从属性子集中选择最优分裂属性作为所述训练集对应决策树的节点分裂特征属性；
S22-3、根据确定的n棵决策树的属性子集和节点分裂特征属性，并通过n棵决策树构建随机森林，得到训练好的随机森林。
所述步骤S22-2中，选择最优分裂属性的方法具体为：
通过弱学习器算法中的基尼系数法计算属性子集中的各个特征属性的基尼值，选择基尼值最小的特征属性作为最优分裂属性；
其中，基尼值Gini(D)的表达式具体为：
Figure 896771DEST_PATH_IMAGE001
式中，D为属性子集中的特征属性，p i 为属性子集中第i类属性所占比例，k为属性子集中属性的总数。
所述步骤S3包括以下分步骤：
S31、将所有的时序差分干涉相位图以像元为单位构建时序分类集合；
S32、将时序分类集合输入随机森林，通过随机森林中各决策树投票结果确定最优分类结果；
其中，所述最优分类结果具体为大气延迟相位。
在本实施例中，对大量连续观测的时序差分干涉相位图数据集采用随机森林进行分类提取，得到分类为大气延迟相位的数据集。
所述步骤S4具体为：
根据得到的大气延迟相位，将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差，得到各时间点的最终高精度时序形变相位，从而减弱大气延迟误差，完成大气的改正。
在本实施例中，将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差，获取高精度形变相位。
实施例2：
本实施例为以某一滑坡区域作为研究对象，通过本发明的方法进行实验，并将本发明方法的结果与高精度全站仪同期观测的结果进行对比。
将一滑坡区域的地基SAR影像数据预处理后，获取图2所示滑坡体监测区域雷达强度、相位稳定性、时间相干性、空间相干性。可以看出监测区域内大部分雷达强度较高，相位稳定性好，时空相干性高，且研究区域影像清晰，图2中X/Y坐标为0/0的地方表示地基雷达的架站位置，其它点为相对于地基雷达架站点的相对坐标或相对距离。
如图3所示，在本实施例中，由于是连续观测排除基线不为零的情况，滑坡点形变结果受大气扰动的影响。首先通过常规时序差分干涉处理获得研究区的时序形变场，然后随机提取了研究区P1、P2、P3位置大气改正前沿LOS向的形变位移量。
如图4所示，在本实施例中，采用随机森林时序分类方法对原始差分干涉相位图进行学习训练，最终获取得到该区域大气延迟相位，并将P1、P2、P3点的原始差分干涉相位与最优分类得到的大气延迟相位做差，获得了经随机森林时序分类方法大气延迟改正后的沿LOS向形变位移时间序列。
在实验过程中利用全站仪以30min时间间隔监测P1、P2两点的位移量，结果如图5和图6所示，图5为P1点大气改正后沿LOS向位移时间序列与全站仪监测结果对比，其中，P1-GBSAR表示P1点的地基雷达观测结果，P1-TS表示P1点的全站仪观测结果，最大位移误差0.32mm、最小位移误差0.03mm、位移误差标准差0.129mm。图6为P2点大气改正后沿LOS向位移时间序列与全站仪监测结果对比，其中，P2-GBSAR表示P2点的地基雷达观测结果，P2-TS表示P2点的全站仪观测结果，最大位移误差0.63mm、最小位移误差0.05mm、位移误差标准差0.156mm。分析图5可以得到，利用随机森林时序分类的大气改正方法可使地基InSAR监测精度误差小于0.7mm，从而验证了随机森林时序分类的大气改正方法在地基InSAR野外监测中的可靠性和可行性。
综上所述，本方案提出的方法对原始时序差分干涉相位图进行大气延迟改正，在温度和水汽变化较快的日间连续监测过程中，与同期高精度全站仪地面观测数据交叉验证总体精度误差控制在0.7mm以内，表明基于随机森林时序分类的GB-InSAR大气改正方法有效减弱了大气延迟误差并对复杂环境和气候条件具有较好的适应性。
本发明方法的实施过程为：从多个时序差分干涉相位图中选取M幅时序差分干涉相位图作为第一训练样本，对所选定的第一训练样本进行随机抽样，形成第二训练样本，通过第二训练样本完成对n棵决策树的属性子集选取和节点分裂特征属性的确定，得到训练好的随机森林；根据随机森林分别对所有时序差分干涉相位图进行分类，得到所有时序差分干涉相位图中大气延迟相位像元点位置，将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差，最终获取高精度时序形变相位，完成所有时序差分干涉相位的大气延迟相位分离，有效减弱大气延迟误差。
本发明的有益效果为：本发明采用基于随机森林时序分类的GB-InSAR大气改正方法对原始时序差分干涉相位图进行大气延迟改正，利用大气延迟相位在时间域的低频性特征，在温度和水汽变化较快的日间连续监测过程中，与同期高精度全站仪地面观测数据交叉验证总体精度误差控制在0.7mm以内，表明基于随机森林时序分类的GB-InSAR大气改正方法有效减弱了大气延迟误差并对复杂环境和气候条件具有较好的适应性。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (4)

1.一种基于随机森林时序分类的GB-InSAR大气改正方法，其特征在于，包括以下步骤：
S1、采集若干时序差分干涉相位图，得到第一训练样本；
S2、根据第一训练样本，得到训练好的随机森林；
S3、通过训练好的随机森林对所有的时序差分干涉相位图进行分类，得到最优分类结果；
S4、根据最优分类结果，得到各时间点的高精度形变相位，完成大气的改正；
所述步骤S1具体为：
S11、从GB-InSAR系统连续观测处理得到的所有时序差分干涉相位图中选取M幅时序差分干涉相位图，并分别从M幅时序差分干涉相位图中选取N个位置相同的像元；
S12、提取每个像元时间序列上的差分干涉相位，并将每个像元的差分干涉相位作为一个数据集，进而将得到的N个数据集作为第一训练样本；
其中，每个数据集包含M个时序差分干涉相位；
所述步骤S2包括以下分步骤：
S21、根据第一训练样本通过随机抽样形成第二训练样本；
S22、根据第二训练样本得到训练好的随机森林；
所述步骤S3包括以下分步骤：
S31、将所有的时序差分干涉相位图以像元为单位构建时序分类集合；
S32、将时序分类集合输入随机森林，通过随机森林中各决策树投票结果确定最优分类结果；
其中，所述最优分类结果具体为大气延迟相位；
所述步骤S4具体为：
根据得到的大气延迟相位，将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差，得到各时间点的最终高精度时序形变相位，从而减弱大气延迟误差，完成大气的改正。
2.根据权利要求1所述的基于随机森林时序分类的GB-InSAR大气改正方法，其特征在于，所述步骤S21包括以下分步骤：
S21-1、从第一训练样本中随机抽取一个数据集，通过所述数据集训练第一棵决策树，训练完成后将数据集放回第一训练样本；
S21-2、重复N次步骤S21-1，得到第一棵决策树的训练集1；
S21-3、重复n次步骤S21-2，得到n棵决策树对应的训练集1~训练集n，并将所有的训练集作为第二训练样本。
3.根据权利要求1所述的基于随机森林时序分类的GB-InSAR大气改正方法，其特征在于，所述步骤S22包括以下分步骤：
S22-1、将第二训练样本中每个训练集的M个时序差分干涉相位作为样本特征属性；
S22-2、随机从每个所述训练集的样本特征属性中抽取m个属性子集，并从属性子集中选择最优分裂属性作为所述训练集对应决策树的节点分裂特征属性；
S22-3、根据确定的n棵决策树的属性子集和节点分裂特征属性，并通过n棵决策树构建随机森林，得到训练好的随机森林。
4.根据权利要求3所述的基于随机森林时序分类的GB-InSAR大气改正方法，其特征在于，所述步骤S22-2中，选择最优分裂属性的方法具体为：
通过弱学习器算法中的基尼系数法计算属性子集中的各个特征属性的基尼值，选择基尼值最小的特征属性作为最优分裂属性；
其中，基尼值Gini(D)的表达式具体为：
Figure 152233DEST_PATH_IMAGE001
式中，D为属性子集中的特征属性，p i 为属性子集中第i类属性所占比例，k为属性子集中属性的总数。
CN202210135116.0A 2022-02-15 2022-02-15 一种基于随机森林时序分类的GB-InSAR大气改正方法 Active CN114187533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210135116.0A CN114187533B (zh) 2022-02-15 2022-02-15 一种基于随机森林时序分类的GB-InSAR大气改正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210135116.0A CN114187533B (zh) 2022-02-15 2022-02-15 一种基于随机森林时序分类的GB-InSAR大气改正方法

Publications (2)

Publication Number Publication Date
CN114187533A CN114187533A (zh) 2022-03-15
CN114187533B true CN114187533B (zh) 2022-05-03

Family

ID=80545940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210135116.0A Active CN114187533B (zh) 2022-02-15 2022-02-15 一种基于随机森林时序分类的GB-InSAR大气改正方法

Country Status (1)

Country Link
CN (1) CN114187533B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966601B (zh) * 2022-08-01 2022-10-21 南京隼眼电子科技有限公司 基于毫米波雷达的山体滑坡预测方法和电子设备
CN116051620B (zh) * 2023-04-03 2023-07-21 之江实验室 基于InSAR技术冻土区活动层厚度估计方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN111046931A (zh) * 2019-12-02 2020-04-21 北京交通大学 一种基于随机森林的道岔故障诊断方法
CN113281749A (zh) * 2021-06-02 2021-08-20 西南交通大学 一种顾及同质性的时序InSAR高相干点选取方法
CN113792450A (zh) * 2021-08-16 2021-12-14 中国空间技术研究院 基于机器学习负载模型提高陆地水储量反演准确性的方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778836A (zh) * 2016-11-29 2017-05-31 天津大学 一种基于约束条件的随机森林推荐算法
CN108052978A (zh) * 2017-10-17 2018-05-18 桂林电子科技大学 一种基于支持向量机的ukf相位展开算法
CN107817481B (zh) * 2017-12-01 2020-12-08 南京市测绘勘察研究院股份有限公司 一种InSAR形变监测中大气噪声校正的RF方法
CN108846338B (zh) * 2018-05-29 2022-04-15 南京林业大学 基于面向对象随机森林的极化特征选择及分类方法
CN110059745B (zh) * 2019-04-17 2022-07-05 武汉大学 一种基于星地融合的流域降雨产品订正方法及系统
CN110174673B (zh) * 2019-06-24 2020-12-01 首都师范大学 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法
CN110334771B (zh) * 2019-07-09 2023-02-28 东北大学 一种基于四阈值ps点的露天矿gb-sar监测数据误差修正方法
US20210181758A1 (en) * 2019-10-26 2021-06-17 Zoox, Inc. Object detection and tracking
CN113205475B (zh) * 2020-01-16 2022-07-12 吉林大学 基于多源卫星遥感数据的森林高度反演方法
CN112711021B (zh) * 2020-12-08 2021-10-22 中国自然资源航空物探遥感中心 一种多分辨率InSAR交互干涉时序分析方法
CN113420489B (zh) * 2021-05-25 2023-05-09 南京信息工程大学 一种双偏振雷达降水优化反演方法
CN113408547B (zh) * 2021-07-12 2023-05-23 西南交通大学 一种多时相多极化sar滑坡提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN111046931A (zh) * 2019-12-02 2020-04-21 北京交通大学 一种基于随机森林的道岔故障诊断方法
CN113281749A (zh) * 2021-06-02 2021-08-20 西南交通大学 一种顾及同质性的时序InSAR高相干点选取方法
CN113792450A (zh) * 2021-08-16 2021-12-14 中国空间技术研究院 基于机器学习负载模型提高陆地水储量反演准确性的方法

Also Published As

Publication number Publication date
CN114187533A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN114187533B (zh) 一种基于随机森林时序分类的GB-InSAR大气改正方法
Lee et al. DTM extraction of LiDAR returns via adaptive processing
Zhou et al. Deep learning-based branch-cut method for InSAR two-dimensional phase unwrapping
CN114139566A (zh) 基于机器学习加权平均融合特征提取提高测高精度的方法
Xie et al. A density-based adaptive ground and canopy detecting method for ICESat-2 photon-counting data
CN115561753A (zh) 地下目标的确定方法及装置、设备及存储介质
CN107292039B (zh) 一种基于小波聚类的uuv巡岸轮廓构建方法
Zhu et al. The performance of ICESat-2's strong and weak beams in estimating ground elevation and forest height
Shangguan et al. GF-3 polarimetric data quality assessment based on automatic extraction of distributed targets
US6980482B2 (en) Seismic survey system
Bell et al. Objective tropical cyclone center tracking using single-Doppler radar
Feng et al. A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica
CN111650570B (zh) 一种地基干涉雷达三维大气校正方法及系统
Zhu et al. A synthetic algorithm on the skew-normal decomposition for satellite LiDAR waveforms
CN112666528B (zh) 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN115166737A (zh) 基于无人机的时序InSAR地表形变数据空洞处理方法
CN114239379A (zh) 一种基于形变检测的输电线路地质灾害分析方法及系统
CN114152936A (zh) 森林研究区的星载波形激光雷达地面高程精度评价方法
CN112800664A (zh) 一种基于探地雷达A-scan数据估算树根直径的方法
Freeland et al. Subsurface characterization using textural features extracted from GPR data
CN114325625B (zh) 海洋-电离层混沌动力学特征提取方法、装置、介质、应用
Guo et al. Research on tunnel lining image target recognition method based on YOLOv3
CN109903307A (zh) 一种基于sair的运动目标检测方法
CN117310705B (zh) 一种基于双极化sar影像的洪涝灾害快速检测方法
CN113446989B (zh) 基于dic与合成孔径雷达的周围土体变形变位的空间检测方法

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