基于神经网络分类的星载雷达高度计近岸回波处理方法
1.
2.
Coastal Waveforms Processing Method for Spaceborne Radar Altimeter based on Neural Network Classification
1.
2.
通讯作者:
收稿日期: 2021-03-15 修回日期: 2022-02-18
基金资助: |
|
Received: 2021-03-15 Revised: 2022-02-18
作者简介 About authors
展艺华(1993-),女,山东青岛人,硕士研究生,主要从事星载雷达高度计数据处理研究E⁃mail:
关键词:
Keywords:
本文引用格式
展艺华, 许可, 徐曦煜, 蒋茂飞.
Zhan Yihua, Xu Ke, Xu Xiyu, Jiang Maofei.
1 引 言
雷达高度计向天底点发射线性调频脉冲信号,经海面后向散射回到天线,再经跟踪处理得到海面回波波形[1-2]。开阔海域雷达高度计回波波形可由Brown-Hayne模型[3]表示,主要采用三参数最小二乘算法(MLE3)或四参数最小二乘算法(MLE4)进行参数估计,称其为海洋算法。目前比较成熟的针对陆地和极地冰盖的重跟踪算法主要有β参数算法[4-5]、重心偏移法(OCOG)[4-5]、阈值算法(Threshold)[4-5]、Ice-2算法[6]以及面体散射算法[7-8]等,其中阈值算法和OCOG算法是经验算法,算法鲁棒且计算较快,对大部分回波波形都能跟踪成功[6],其他的算法是模型算法,需要使用最小二乘算法进行反复迭代来解算波形参数,对于非海洋波形往往解算无效。
在近岸海域,由于测量受到脉冲足迹内陆地或其他非海洋反射面的影响,高度计回波波形呈现出非Brown模型的形态,足迹内陆地的位置、面积及海拔的不同导致波形形态差异较大,单一的重跟踪算法无法满足被污染的多样化波形,因此已有的海洋重跟踪算法对于近岸复杂的波形不能统一适用。国内外学者对回波分类展开研究,根据波形的形态特点对多样化的近岸回波进行分类,然后进行分类研究。回波分类可以分为两种方法,一种是基于统计分析,一种是基于机器学习。Christian Schwatke等[9]提出采用偏度、峰度和锐度作为回波分类的统计参数,Sophie Dabo-Niang等[10]提出了一种利用模态曲线进行雷达波形分类的方法,国内有学者提出基于聚类分析的回波分类算法[11],以及基于子波形的算法等[12],法国宇航局CNES的PISTACH项目采用神经网络将波形分为16类[13],未对分类后的数据进行进一步的处理,所采用的神经网络模型没有对外公布。
目前,人工神经网络是人工智能和机器学习领域最活跃的分支,被广泛应用于模式识别、智能控制、生物科学等不同领域[14],在数据分类上有出色的表现。经过对近岸大量波形的分析,实验提出了基于神经网络分类的雷达高度计近岸回波处理方法,该方法包括回波分类和回波重跟踪。以香港近岸为实验区域,利用高度计的SGDR数据(Sensor Geophysical Data Records, SGDR)进行实验,验证了该方法可以使近岸数据的有效率和重跟踪成功率都得到提高,并基于直湾岛验潮站资料对近岸回波处理后的近岸海面高的标准差进行评价。
2 研究区和方法
2.1 研究区域概况
香港位于中国南部沿岸,背靠中国大陆,南向中国南海,在22°08′~22°35′ N、113°49′~114°31′ E之间,由香港岛、九龙半岛、新界内陆地区和262个大小岛屿组成。HY-2B高度计第375轨在香港近岸的地面轨迹由南向北经过中国香港近岸,波形采样点从开阔海域逐渐向陆地移动,卫星轨迹恰好经过直湾岛,临近南丫岛。以图1所示的HY-2B卫星雷达高度计第34周期375轨的21.99° N~22.43° N的20 Hz波形样本为例,观察波形形态。
图1
高度计回波波形在22° N~22.16° N为海洋波形,使用海洋算法可以较好地进行重跟踪。随着波形采样点向南丫岛及香港岛靠近,从22.18° N开始,采样点足迹内开始出现陆地,波形中存在异常波峰,如图2(a),此时由于陆地在足迹内的位置及大小并不相同,因此波形中异常波峰的位置及宽度也不相同,可能出现在热噪声区、波形前沿或波形下降沿,但总体上和海洋波形比较相似,我们称此类波形为似海洋波形;位于22.32° N~22.39° N的波形多为图2(b)所示的多波峰无规则波形,波形没有明显上升沿和下降沿,几乎看不到海洋波形的形态,此区域内的小岛屿较多,采样点足迹内含有水域和大片陆地,波形为水面反射和陆地反射的结合,称此类波形为似陆地波形;位于22.40° N~22.43° N的波形多为图2 (c)所示的单锥波形,此时高度计地面轨迹基本位于陆地上,电磁波受到镜面或准镜面反射,形成回波功率很高的尖峰,通常是有等效角反射器,如楼宇等有垂直结构的目标,以及海岸线周围静态水体的强反射[15]。
图2
随着HY-2B卫星轨迹从开阔海域到近岸海域,回波波形由典型的海洋波形逐渐变为似海洋波形、似陆地波形和单锥波形,这3种波形基本可以覆盖所有非海洋波形,当然,不同时间或不同海域出现这3种波形的先后顺序并不相同,与反射面地形有关。
2.2 基于神经网络分类的近岸回波处理方法
2.2.1 回波分类
在机器学习领域中,分类方法有多种,包括有监督学习和无监督学习,为了将非海洋波形分为前述的3类,并结合近岸回波数据量大、非线性映射的特点,选择BP神经网络对近岸回波分类,BP神经网络是最简单有效的人工神经网络模型之一[16],是按照误差逆传播算法训练的多层前馈网络,属于有监督学习的一种,需要提供被标注数据供其学习。
其中:
图3
值得注意的是,输入层为波形样本特征,不同的类别对应的波形特征值应有较为显著的不同,这样的波形特征才适合作为神经网络的输入。实验参考了Christian Schwatke 发表的研究成果[18],最终将标准差、波形锐度、波形偏度、波形峰度、波形宽度等统计参数以及回波信号对应的高度计接收机增益值(agc)和有效波高(swh)作为波形特征量。偏度是数据分布偏斜方向程度的度量,反映以平均值为中心的分布的不对称程度;峰度反映了波形峰部的尖度;波形锐度刻画了波形峰值程度。agc和swh从SGDR读取,波形宽度由OCOG算法计算得到。具体计算公式为:
其中:
图4
表1 预测结果评价指标
Table 1
类别 | 精度 | 召回率 | f1评分 |
---|---|---|---|
1 | 0.95 | 0.97 | 0.96 |
2 | 0.92 | 0.83 | 0.87 |
3 | 0.95 | 0.94 | 0.95 |
2.2.2 波形重跟踪
将非海洋波形分类后,就要进行波形重跟踪以反演出海面高,三类波形的重跟踪处理方法如下。
第一类波形:通过判断回波功率差的异常值找出异常波峰的位置,将异常波峰剔除后重新使用海洋算法对其余的点进行重跟踪。设第
所有
其中:
第二类波形:似陆地波形所含海面信息较少,采用OCOG算法进行重跟踪,算法以数值方式统计出幅度、宽度和重心位置,再根据重心位置和宽度确定波形前沿中点[19]。
第三类波形:单锥波形的反射方式为镜面或似镜面反射,与海冰回波极为相似,阈值水平选为50%时也称为Seaice算法[20],被广泛用于海冰波形的重跟踪,通过控制
表2给出了非海洋波形分类表及对应的重跟踪方法。
表2 近岸非海洋波形分类表及对应的重跟踪方法
Table 2
波形类别 | 波形形态 | 重跟踪方法 |
---|---|---|
1 | 似海洋波形 | 异常波峰剔除 |
2 | 似陆地波形 | OCOG算法 |
3 | 单锥波形 | 阈值算法 |
2.2.3 流程图
图5给出了基于神经网络分类的南海近岸回波处理流程图。具体流程如下:
图5
图5
基于神经网络分类的近岸波形处理流程
Fig.5
Nearshore echo processing flow based on neural network classification
(1)数据读取及预处理:读取卫星雷达高度计SGDR产品中的20 Hz回波波形、经纬度、各项误差校正以及星上原始跟踪值,按照香港近海的经纬度匹配卫星数据的经纬度,将香港近海的回波波形、误差校正项、星上跟踪值取出备用。
(2)海洋算法重跟踪:SGDR产品中的20 Hz回波波形大都是三维矩阵(
(3)波形特征提取:对所有重跟踪失败的波形进行特征提取,按照波形特征公式计算每个波形的波形特征,构成特征矩阵。
(4)回波分类:将特征矩阵输入已经训练好的神经网络,得到每个波形的分类结果。
(5)非海洋波形重跟踪:将属于第一类(似海洋波形)的波形进行异常波峰剔除,然后使用海洋算法进行重跟踪;属于第二类(似陆地波形)的波形使用OCOG算法进行重跟踪;属于第三类(单锥波形)的波形使用阈值算法进行重跟踪。
(6)得到非海洋波形重跟踪后参数估计值。
3 实验过程和结果
3.1 Jason-2雷达高度计近岸回波处理
读取Jason-2卫星高度计153轨2011年11月~2012年11月共38个周期的SGDR数据进行实验,SGDR中的回波波形是20 Hz数据,即1 s包含20个回波波形。
表3 非海洋波形分类结果
Table 3
类别 | 1 | 2 | 3 |
---|---|---|---|
波形数 | 431 | 644 | 274 |
比例 | 31.95% | 47.74% | 20.31% |
使用均方误差准则分别对传统处理方法和本文近岸回波处理方法得到的20 Hz距离测量值偏离回归线较大的剔除。被剔除的数据所占的比例能够反映出雷达高度计数据的有效性,由于近岸波形被陆地污染,因此每秒有效个数不足20个,有效个数越多,代表数据有效性越好。图6给出了每个周期20 Hz距离测量值平均有效个数,传统方法的有效个数平均值为13,明显低于经过本实验近岸处理方法的19。因此,经过本文近岸处理方法的数据有效率得到提高。
图6
图6
Jason-2 20 Hz距离测量值的平均有效个数
Fig.6
Average effective number of Jason-2 satellite 20 Hz range measurements
3.2 HY-2B雷达高度计近岸回波处理
为了检验本文方法对海面高度的影响,利用直湾岛的验潮站资料对HY-2B海面高结果进行评价,直湾岛地处担杆列岛西部,距离大陆较远,波形受污染个数相对较少。直湾岛验潮站位于114.1479° E,21.9949° N处,测量频率为6 min,按照验潮站的经纬度来匹配HY-2B卫星轨迹最近点所在的20 Hz数据,匹配得到的时间跨度为2019年12月9日~2020年3月30日,对应HY-2B周期为Cycle 29-37,卫星轨迹距离直湾岛验潮站的最近距离约1 km。
把验潮站水位外推到卫星轨迹最近点,可以表示为:
高度计轨迹最近点的海面高
其中:H为卫星到参考椭球面的高度;R是卫星到海面的距离;
将本实验回波处理方法得到的海面高和传统处理方法得到的海面高分别与验潮站的水位进行比较,以此来验证本文方法的有效性。具体方法如下:
(1) 对SGDR中的Range_20Hz高度产品进行线性回归处理,得到1Hz的最近点海面距离产品
(2) 采用本实验提出的近岸回波波形处理方法,对相应的SGDR中的20 Hz波形进行神经网络波形分类和对应的重跟踪处理,得到1Hz的最近点海面距离产品
(3) 分别计算
(4) 标准差能够反映高度计得到的海面高度相对验潮站数据的稳定性。利用
其中:n为周期数;求得标准差分别为
图7
图7
高度计轨迹最近点与验潮站海面高、大地水准面差、潮汐差的SSH之差
Fig.7
The closest point of the altimeter track and the tide gauge station, Sea surface height, Geoid difference and Tide difference of SSH
由图7(c)所示,第35周期的潮汐差与其他周期差异过大,经过排查,是由于SGDR产品中的极潮校正项出现2.48 m的明显偏差,因此将其剔除。经过计算可得,本实验近岸回波处理方法的标准差
4 结 论
近岸波形由于形态复杂,利用传统的海洋波形处理方法处理近岸回波会导致数据利用率下降,产品精度变差。实验提出了基于神经网络分类的近岸回波处理方法,并使用Jason-2和HY-2B卫星雷达高度计数据进行实验验证,得出以下结论:
(1)通过分析HY-2B卫星雷达高度计在中国香港近岸海域的测高波形,可以将近岸非海洋波形分为3类:似海洋波形、似陆地波形、单锥波形。
(2)提出基于神经网络的回波分类方法,在分类的基础上,提出了不同类别的波形使用不同重跟踪方法的处理方式,针对似海洋波形,提出异常波峰剔除的方法。
(3)利用Jason-2 SGDR香港近岸7 km内数据进行实验,结果表明经过近岸回波处理的重跟踪成功率和数据有效性均得到提高,Jason-2 20 Hz距离测量值平均有效个数(19)明显高于利用传统方法的平均有效个数(13)。
(4)利用HY-2B SGDR直湾岛海域数据进行实验,并将验潮站数据作为参照标准,将海面高结果与验潮站外推得到相同位置的海面高进行差值比较,本文方法得到差分序列的标准差为6.5 cm,优于传统处理方法的14.5 cm。
5 讨 论
雷达高度计作为一种主动式的微波遥感器,迄今已有40多年的历史,其在开阔海域的数据处理技术已经非常成熟,但近岸波形由于形态复杂,利用传统的海洋波形处理方法处理近岸回波会导致数据利用率下降,产品精度变差。本实验对近海回波信号处理进行了研究,提出了基于神经网络分类的雷达高度计近岸回波处理方法,并将其应用于我国HY-2B卫星和国外Jason-2卫星数据处理,对近岸回波重处理后的重跟踪成功率、数据有效率和海面高度稳定性进行了评估。
神经网络算法在近岸回波分类中具有广阔的前景,在今后的研究中有两方面不容忽视。一方面,神经网络获得的数据越多,表现越好,今后可以加大样本量进行进一步研究。另一方面,目前人工智能领域发展迅速,进一步优化神经网络模型,研究更加快速、精准的分类方法,将更加前沿的神经网络算法应用于雷达高度计回波分类中。
参考文献
Study on the data processing for high precision satellite radar altimeter
[D].
高精度卫星雷达高度计数据处理技术研究
[D].
A new method for radar altimeter sea state bias estimation based on crossover data and three-dimensional nonparametric model
[J]. ,
基于交叉点数据和三维非参数模型的雷达高度计海况偏差估计方法
[J]. ,
An overview of requirements, procedures and current advances in the calibration/validation of radar altimeters
[J]. ,
Threshold Algorithm Comparison for Jason-2
[J]. ,
Jason-2卫星阈值重跟踪算法比较
[J]. ,
Optimal threshold algori-thm of EnviSat waveform retracking over coastal sea
[J]. ,
近岸海域EnviSat卫星测高波形重定的Thre-shold优化法算法
[J].,
Study on the errors correction and ocean-land echo waveforms processing for HY-2A radar altimeter
[D].
HY-2A卫星雷达高度计测高误差校正和海陆回波信号处理技术研究
[D].
A combined surface-and volume-scattering model for ice-sheet radar altimetry
[J]. ,
A surface and volume scattering retracking algorithm for ice-sheet satellite altimetry
[J]. ,
Classification of altimeter waveforms for an improved estimation of water level time series over inland water
[C]∥
On the using of modal curves for radar waveforms classification
[J]. ,
Study of improving the precision of coast satellite altimetry and application to South China sea tide model
[D].
近岸雷达卫星测高数据质量改善及在南海海潮模型中的应用研究
[D].
Study on satellite radar altimeter retrieval algorithms over coastal seas and under high sea state events
[D].
卫星雷达高度计在中国近岸及高海况下遥感反演算法研究
[D].
Deep learning:Yesterday,today,and tomorrow
[J].,
深度学习的昨天、今天和明天
[J].,
Altimeter waveform classification over non-open oceans
[J]. ,
复杂海域ERS-1卫星测高波形的波形分类方法研究
[J]. ,
Research on method of determining hidden layer nodes in BP neural network
[J]. ,
Classification of altimeter waveforms for an improved estimation of water level time series over inland water
[C]∥
New techniques in satellite altimeter tracking systems
[C]∥
A robust threshold retracking algorithm for measuring ice-sheet surface elevation change from satellite radar altimeters
[J]. ,
Research on ocean tides modeling using satellite altimetry
[D].
多源卫星测高数据确定海洋潮汐模型的研究
[D].
New computations of the tide generating potential
[J]. ,
/
〈 | 〉 |