一种基于多尺度峰值监测的雷达高度计波形重跟踪方法

文档序号:1002420 发布日期:2020-10-23 浏览:7次 >En<

阅读说明:本技术 一种基于多尺度峰值监测的雷达高度计波形重跟踪方法 (Radar altimeter waveform retracing method based on multi-scale peak monitoring ) 是由 廖静娟 陈嘉明 于 2020-07-22 设计创作,主要内容包括:本发明公开了一种基于多尺度峰值监测的雷达高度计波形重跟踪方法,包括以下步骤:获取雷达高度计对水体的过境观测数据;从所述雷达高度计对水体的过境观测数据提取多尺度自适应子波形;对于每个所述多尺度自适应子波形,采取阈值子波形重跟踪算法计算对应的多尺度重跟踪高程值;从所述多尺度重跟踪高程值中去除异常高程值;采用最短路径算法确定每个观测点的最优重跟踪点的高程值。本发明的方法通过一种普适的统计方法来达到既提高多波峰波形的处理能力,又可在多种高度计数据中进行应用的效果,同时,解决现有波形重跟踪方法受限于周边区域地势影响的情况,使波形重跟踪方法既可用于山地湖泊亦可用于平原湖泊,这对于在大空间尺度进行湖泊水位变化监测具有重要意义。(The invention discloses a radar altimeter waveform retracing method based on multi-scale peak value monitoring, which comprises the following steps of: acquiring transit observation data of the radar altimeter on a water body; extracting a multi-scale self-adaptive sub-waveform from the transit observation data of the radar altimeter on the water body; for each multi-scale self-adaptive sub-waveform, calculating a corresponding multi-scale re-tracking elevation value by adopting a threshold sub-waveform re-tracking algorithm; removing abnormal elevation values from the multi-scale re-tracking elevation values; and determining the elevation value of the optimal retracing point of each observation point by adopting a shortest path algorithm. The method of the invention achieves the effects of improving the processing capacity of multi-peak waveforms and being applied to various altimeter data through a universal statistical method, and simultaneously solves the problem that the existing waveform retracing method is limited by the influence of the topography of the peripheral area, so that the waveform retracing method can be used for mountainous lakes and plain lakes, and has important significance for monitoring the water level change of lakes in a large space scale.)

一种基于多尺度峰值监测的雷达高度计波形重跟踪方法

技术领域

本发明涉及遥感水位反演领域,具体地,涉及一种基于多尺度峰值监测的雷达高度计波形重跟踪方法。

背景技术

卫星雷达测高是监测海洋和内陆水体水位的重要工具,尤其是在没有或是很少实测数据的地区。高度计测量内陆水体的水位时常受到陆地回波信号的影响,该情况通常可以通过波形重跟踪(waveform retracking)得到改善,即对从脉冲回波双向时间计算得到的初始距离进行修正。内陆水体的波形重跟踪已取得了较多的研究成果,下面为一些经典的方法:基于水面最大反射能量监测回波主波峰的NPPR(The Narrow Primary PeakRetracker)重跟踪算法(Jain M,Andersen O B,Dall J,et al.Sea surface heightdetermination in the Arctic using Cryosat-2 SAR data from primary peakempirical retrackers[J].Advances in Space Research,2015,55(1):40-50.),基于前后脚印点水体回波高度的一致性的MWaPP(The Multiple Waveform Perstistent Peak)算法(Villadsen H,Deng X,Andersen O B,et al.Improved inland water levels fromSAR altimetry using novel empirical and physical retrackers[J].Journal ofHydrology.2016,537:234-247.),结合50%阈值重跟踪算法和ICE-1重跟踪算法(TIC),应用于复杂地形的高山地区提取水位(Huang Q,Long D,Du M,et al.An improved approachto monitoring Brahmaputra River water levels using retracked altimetry data[J].Remote Sensing of Environment,2018:112-128.),基于多子波形多权重自适应的MSMWTR(Multi-subwaveform Multi-weight Threshold Retracker)算法(Yuan C,Gong P,Zhang H,et al.Monitoring water level changes from retracked Jason-2 altimetrydata:a case study in the Yangtze River,China[J].Remote Sensing Letters,2017,8(5):399-408.)。

目前已有的波形重跟踪方法存在一些局限性,主要表现在以下几个方面:1)未能充分考虑复杂地形且非星下点观测对高度计波形产生的影响,对一些复杂多波峰波形的处理能力偏弱;2)在进行多源高度计水位反演时存在不同高度计数据的重跟踪算法选择的问题,不同的重跟踪算法之间有着相应的系统偏差,这会给水位数据融合后的精度造成一定程度的影响;3)受限于周边区域地势影响,现有的算法无法同时兼顾山地湖泊及平原湖泊。

发明内容

本发明的目的是提出一种高精度的内陆水体高程提取算法,能够适用多种高度计数据和多种周边地形因素的影响,以弥补现有技术的不足。

本发明提供了一种基于多尺度峰值监测的雷达高度计波形重跟踪方法,包括以下步骤:

S1:获取雷达高度计对水体的过境观测数据;

S2:从所述雷达高度计对水体的过境观测数据提取多尺度自适应子波形;

S3:对于每个所述多尺度自适应子波形,采取阈值子波形重跟踪算法计算对应的多尺度重跟踪高程值;

S4:从所述多尺度重跟踪高程值中去除异常高程值;

S5:采用最短路径算法确定每个观测点的最优重跟踪点的高程值。

可选地,本发明的方法还包括步骤S6,根据每个观测点的最优重跟踪点的高程值,获取整轨数据的平均水位。

可选地,步骤S4中所述异常高程值包括明显的异常值水位数据以及无效远星下点水位数据。

可选地,所述雷达高度计是Cryosat-2或Sentinel-3卫星的雷达高度计。

可选地,步骤S2是基于局部极值矩阵方法从所述雷达高度计对水体的过境观测数据提取多尺度自适应子波形;所述局部极值矩阵方法包括:

对每一个回波波形数据构建一个L×N的局部极值矩阵(mk,i)L×N,通过窗口移动平均计算波形数据的局部极值,其中窗口长度wk变化范围满足{wk=2k+1|k=1,2,…,L},窗口长度为wk的局部极值根据式(1)确定:

其中r为在[0,1]范围变化的随机数,N为信号的长度,L为与移动平均的最大窗口长度,L=5时为波形峰值检测的最佳值,mk,i在除i=k+2,…,N-k+1的范围内赋值为0之外,其余部分均赋值为r+1,基于此可以构建出局部极值矩阵M=(mk,i)L×N

计算局部极值矩阵M各行的和γ=[γ12,…,γL],并计算其中γ中最小值对应的行λ=argmin(γk),表示包含最多局部极大值的维度。然后对局部极值矩阵进行重组,剔除所有满足k>λ的元素mk,i,得到新矩阵Mr=(mk,i)λ×N

波形的峰值检测通过采用公式(2)计算Mr矩阵的各列标准偏差σi来确定,其中满足σi=0的索引i即为所检测峰值的索引波门,将该值设为子波形的结束波门stopgatei,由此对于每个回波波形可得到一个结束波门向量

Figure BDA0002595764580000037

Figure BDA0002595764580000031

将波形数据除以最大功率进行归一化处理;对于每个结束波门位置stopgatei,从后往前搜索归一化波形的一阶导数,首个功率值低于0.001的波门即为对应起始波门位置startgatei,基于该方法对stopgate中所有的结束波门进行同样方式的搜索,最终可以计算得到子波形起始波门位置向量

Figure BDA0002595764580000032

与stopgate一起构成了

Figure BDA0002595764580000033

个多尺度自适应子波形。

可选地,步骤S3采用阈值子波形重跟踪算法对所述

Figure BDA0002595764580000034

个多尺度自适应子波形进行波形重跟踪计算,所述阈值子波形重跟踪算法中给定的阈值Threshold=0.5M;

其中Pi为回波波形功率值,M为围绕多尺度自适应子波形的矩形的幅度。

可选地,步骤S4中,所述明显的异常值水位数据是所述多尺度重跟踪高程值中超过点云数据的平均值三倍标准差的离群值。

可选地,步骤S4中,对超过点云数据的平均值三倍标准差的离群值的所述明显的异常值水位数据去除循环执行三次。

可选地,步骤S4中,对点云数据中的所有高程值进行取整,并建立这些取整后的高程值的累积分布函数(CDF),从而获取CDF的二阶差商最小值对应的高程值,将该高程值设为高程阈值;结合每个星下点包含的多个高程值的平均值与高程阈值的差,若该高程阈值大于远星下点设定阈值则视相应的星下点为远星下点,该远星下点的高程值将视为无效远星下点水位数据予以去除。

可选地,步骤S5中所述最短路径算法是Dijkstra算法。

本发明的技术方案的有益技术效果是:本发明提供的基于多尺度峰值监测的雷达高度计波形重跟踪方法,通过一种普适的统计方法来达到既提高多波峰波形的处理能力,又可在多种高度计数据中进行应用的效果,同时,解决现有波形重跟踪方法受限于周边区域地势影响的情况,使波形重跟踪方法既可用于山地湖泊亦可用于平原湖泊,这对于在大空间尺度进行湖泊水位变化监测具有重要意义。

附图说明

为了更清楚地说明本发明

具体实施方式

或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明的方法的流程框图。

图2是本发明的方法的一个实施方式的流程示意图。

图3是2016年4月16日Cryosat-2卫星过境青海湖的部分特殊波形数据,虚线为实测水位对应的采样波门位置。其中(a)为受其他水体影响的远星下点波形,(b)为受陆地回波影响的多波峰波型。

图4是青海湖2016年4月16日Cryosat-2卫星过境轨道数据,单点为多尺度重跟踪高度点云数据,连线为采用Dijkstra算法解算得到的最短路径,灰色填充部分为不参与计算的远星下点观测。

图5使用Dijkstra算法估计最优重跟踪点示意图。Dijkstra通过按顺序排列的水面高度找到最优路径(灰色显示)。

具体实施方式

这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。

在现有技术的波形重跟踪处理中,每个回波波形仅能够获取一个高程。而如果波形中存在多个明显波峰,可能导致重跟踪到波形中的错误峰值,导致测量值无效,本发明提供的基于多尺度峰值监测的雷达高度计波形重跟踪方法,能够计算每个波形存在的多个波峰对应的高程,例如湖泊水位一个高程,湖泊周围的地形一个高程。由于同一观测周期内湖泊水位沿轨保持稳定,而周围地形是随机变化的,因此可以将求解最优重跟踪点问题转化为最短路径搜索问题。

基于上述基本思路,本发明针对雷达高度计的波形数据开展波形子波形提取、子波形重跟踪计算与湖泊水位的精提取研究。本发明的方法主要采用Cryosat-2和Sentinel-3卫星的数据进行说明。

参见图1,本发明的基于多尺度峰值监测的雷达高度计波形重跟踪方法AMPDR(Anautomatic multiscale-based peak detection retracker),包含以下步骤:

S1:获取雷达高度计对水体的过境观测数据;

S2:从所述雷达高度计对水体的过境观测数据提取多尺度自适应子波形;

S3:对于每个所述多尺度自适应子波形,采取阈值子波形重跟踪算法计算对应的多尺度重跟踪高程值;

S4:从所述多尺度重跟踪高程值中去除异常高程值;

S5:采用最短路径算法确定每个观测点的最优重跟踪点的高程值。

根据本发明的方法的一个实施例,步骤S4中的异常高程值包括明显的异常值水位数据以及无效远星下点水位数据。

根据本发明的方法的一个实施例,该方法还包括步骤:S6:根据每个观测点的最优重跟踪点的高程值,获取整轨数据的平均水位。

本发明提供的基于多尺度峰值监测的雷达高度计波形重跟踪方法,通过一种普适的统计方法来达到既提高多波峰波形的处理能力,又可在多种高度计数据中进行应用的效果,同时,解决现有波形重跟踪方法受限于周边区域地势影响的情况,使波形重跟踪方法既可用于山地湖泊亦可用于平原湖泊,这对于在大空间尺度进行湖泊水位变化监测据具有重要意义。

参见图2,根据本发明的基于多尺度峰值监测的雷达高度计波形重跟踪方法的一个实施方式,包括以下步骤:

A.通过湖泊掩模获取Cryosat-2或Sentinel-3卫星的雷达高度计对水体的过境观测数据。

B.基于局部极值矩阵的方法从雷达高度计对水体的过境观测数据提取多尺度自适应子波形

对雷达高度计对水体的过境观测数据,采用基于局部极值矩阵的方法进行波形峰值检测来提取多尺度自适应子波形,可以在不占用太多的内存的情况下,尽可能多的检测波形峰值。如图3中的两种特殊波形,在图3的(a)中水面信号反射点存在于第三个小波峰当中;在图3的(b)中的波形为多波峰波形数据,反映水面信号的点出现在最后一个波峰当中而非最大峰值范围。其核心思想为对每一个回波波形数据构建一个L×N的局部极值矩阵(mk,i)L×N,波形数据的局部极值计算是通过窗口移动平均计算的,其中窗口长度wk变化范围满足{wk=2k+1|k=1,2,…,L},窗口长度为wk的局部极值根据下式确定:

其中r为在[0,1]范围变化的随机数,N为信号的长度,L为与移动平均的最大窗口长度,L=5时为波形峰值检测的最佳值,mk,i在除i=k+2,…,N-k+1的范围内赋值为0之外,其余部分均赋值为r+1,基于此可以构建出局部极值矩阵M=(mk,i)L×N

计算局部极值矩阵M各行的和γ=[γ12,…,γL],并计算其中γ中最小值对应的行λ=argmin(γk),表示包含最多局部极大值的维度。然后对局部极值矩阵进行重组,剔除所有满足k>λ的元素mk,i,得到新矩阵Mr=(mk,i)λ×N

波形的峰值检测通过采用公式(2)计算Mr矩阵的各列标准偏差σi来确定,其中满足σi=0的索引i即为所检测峰值的索引波门,将该值设为子波形的结束波门stopgatei,由此对于每个回波波形可得到一个结束波门向量

Figure BDA0002595764580000063

将波形数据除以最大功率进行归一化处理。对于每个结束波门位置stopgatei,从后往前搜索归一化波形的一阶导数,首个功率值低于0.001的波门即为对应起始波门位置startgatei,基于上述方法对stopgate中所有的结束波门进行同样方式的搜索,最终可以计算得到子波形起始波门位置向量与stopgate一起构成了

Figure BDA0002595764580000066

个子波形,考虑到部分数据会出现子波形波门数小于5的情况,因此需向前后扩充1-2个波门组成新的子波形。

C.对于每个所述多尺度自适应子波形,采取阈值子波形重跟踪算法计算对应的多尺度重跟踪高程值

采取阈值子波形重跟踪算法(Jain M,Andersen O B,Dall J,et al.Sea surfaceheight determination in the Arctic using Cryosat-2 SAR data from primary peakempirical retrackers[J].Advances in Space Research,2015,55(1):40-50.)分别对步骤B中的

Figure BDA0002595764580000071

个多尺度自适应子波形进行波形重跟踪计算。阈值子波形重跟踪算法是COG子波形重***的延伸,使用了OCOG中的幅度参数M,如式(3)所示。其目的是识别功率超过给定阈值Threshold的第一个波门位置ithres。

Figure BDA0002595764580000072

重跟踪点Cretrack_Thres通过内插的方式得到,见公式(4)。

Figure BDA0002595764580000073

其中Pi为回波波形功率值,M为围绕子波形的矩形的幅度;W为围绕子波形的矩形的宽度;Threshold=0.5M,为阈值重跟踪算法中给定的阈值,ithres为子波形中超过Threshold的首个波门位置;Cretrack_Thres为阈值子波形重跟踪点。从而对于每个多尺度自适应子波形,得到对应的多尺度重跟踪高程值。

D.从多尺度重跟踪高程值中去除明显的异常值水位数据以及无效远星下点水位数据

首先将多尺度重跟踪高程值中超过点云数据的平均值三倍标准差的离群值视为明显的异常值水位数据而进行去除。根据本发明实施方式的一个实施例,对超过点云数据的平均值三倍标准差的离群值的明显的异常值水位数据去除循环执行三次。这是实验过程中最有效的,且没有删除太多的高程值。

对点云数据中的所有高程值进行取整,并建立这些取整后的高程值的累积分布函数(CDF),从而获取CDF的二阶差商最小值对应的高程值,将该值设为高程阈值DistanceThres。结合每个星下点包含的多个高程值的平均值与高程阈值DistanceThres的差,若该阈值大于1/2*128*0.4684(以Sentinel-3为例)则视为远星下点,该远星下点的高程值将视为无效远星下点水位数据予以去除。

E.采用Dijkstra最短路径算法确定最优重跟踪点的高程值

在剔除明显的异常值水位数据以及无效远星下点水位数据后,剩余所有“高程点云”则用于找到最短路径并估计每个观测点处的最优重跟踪点的高程值,如图4所示,以青海湖2016年4月16日Cryosat-2卫星过境轨道数据为例,单点为多尺度重跟踪高度点云数据,连线为采用Dijkstra算法解算得到的最短路径,灰色填充部分为不参与计算的远星下点观测。

如图5所示,其中Dijkstra图(Dijkstra,E.W.E.W.,1959.A note on twoproblems in connexion with graphs.Numer.Math.1,269–271.)的构建采用全连接层的形式,即每一个节点都与上一层的所有节点相连。如图5所示,每个观测点的所有高程值作为一层,每两层节点之间需进行相互连接;对于第一层与最后一层外每层的顺序按照观测点的纬度从小到大排列,起始节点与终节点采用DistanceThres的高程值;Dijkstra的方法要求在各个连接的节点之间选择边缘权重,在该方法中选择连接的节点之间的高度差作为边缘权重。

F.计算整轨数据的平均水位

计算每个观测点的最优重跟踪点的高程值H:

H=Alt-(Rrange+ΔRm+ΔRdry+ΔRwet+ΔRiono

+ΔRtide+ΔRretrack)-Ngeoid (5)

其中,Alt是卫星质心到参考椭球面的高度,Rrange是卫星至星下点的距离,ΔRm是卫星质心改正,ΔRdry、ΔRwet是干湿对流层延迟改正,ΔRiono是电离层延迟改正,ΔRtide包括是固体潮、极潮和海潮等改正,ΔRretrack是重跟踪改正。Ngeoid是大地水准面相对于椭球面的起伏,本文采用的大地水准面模型为地球引力模型2008(EGM2008)。除ΔRretrack外,上述所有的改正量均可在高度计数据中直接读取。

在获取沿轨所有观测点的最优重跟踪点的高程值后,将所有最优重跟踪点的高程值平均得到最终的整轨数据的平均水位。

结果分析:

选择五种不同重跟踪算法进行比较,(1)阈值水平分别取50%和80%的NPPTR算法(NPPTR[0.5]、NPPTR[0.8)(Jain M,Andersen O B,Dall J,et al.Sea surface heightdetermination in the Arctic using Cryosat-2 SAR data from primary peakempirical retrackers[J].Advances in Space Research,2015,55(1):40-50.);(2)Narrow Primary Peak OCOG Retracker(NPPOR);(3)MWaPP算法(Villadsen H,Deng X,Andersen O B,et al.Improved inland water levels from SAR altimetry usingnovel empirical and physical retrackers[J].Journal of Hydrology.2016,537:234-247.);(4)Wingham/Wallis拟合算法(ESA L2)(Wingham D,Francis C,Baker S,etal.CryoSat:A mission to determine the fluctuations in Earth's land and marineice fields[J].Advances in Space Research.2006,37(4):841-871.)。(5)SAMOSA算法(Ray,C.,Martin-Puig,C.,Clarizia,M.P.,Ruffini,G.,Dinardo,S.,Gommenginger,C.,Benveniste,J.,2015.SAR altimeter backscattered waveform model.IEEETrans.Geosci.Remote Sens.53,911–919.),并用实测水位数据对其进行精度验证,对不同算法的精度进行比较分析。

统计结果见表1,可以看出,AMPDR算法在不同高度计数据下均取得了良好的结果,同时在Cryosat-2、Sentinel-3过境的湖泊的平均均方根误差(RMSE)均最小,分别为0.149m、0.139m。在Cryosat-2过境的湖泊中,除鄂陵湖和巴木错外均取得最优结果,尤其是青海湖,AMPDR算法获得的RMSE(0.079m);在Sentinel-3过境的湖泊中,在东平湖和扎日纳木错中均取得了最优结果,在其他湖泊中虽未取得最优结果,但与其他算法结果相近,从整体上看,AMPDR算法较其他算法提供了更好的RMSE,表明AMPDR算法在监测水位变化方面有一定的积极意义。

表1不同算法精度比较

本发明的特征和益处通过参考实施例进行说明。相应地,本发明明确地不应局限于这些说明一些可能的非限制性特征的组合的示例性的实施例,这些特征可单独或者以特征的其它组合的形式存在。

以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

14页详细技术资料下载
上一篇:一种医用注射器针头装配设备
下一篇:一种圆柱孔径MIMO阵列天线、成像方法及补偿方法

网友询问留言

已有0条留言

还没有人留言评论。精彩留言会获得点赞!

精彩留言,会给你点赞!

技术分类