一种基于随机森林时序分类的GB-InSAR大气改正方法技术

本发明专利技术公开了一种基于随机森林时序分类的GB

【技术实现步骤摘要】
一种基于随机森林时序分类的GB
‑
InSAR大气改正方法


[0001]本专利技术属于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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]针对现有技术中的上述不足，本专利技术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。
[0008]为了达到上述专利技术目的，本专利技术采用的技术方案为：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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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：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。
[0017]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。
[0018]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。
[0019]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。
[0020]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。
[0021]本专利技术的有益效果为：本专利技术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
[0022]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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。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。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。5.根据权...

【专利技术属性】
技术研发人员：刘国祥，向卫，张瑞，亢邈迒，刘雨鑫，毛文飞，吴仁哲，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：