湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备。其中，所述方法包括：从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；基于预设的图形界面工具对随机样本数据进行处理，并展示随机样本数据对应的回波波形和多源辅助信息；其中，多源辅助信息包括多源脚印特征值及地理位置信息；根据回波波形和多源辅助信息对随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。本发明专利技术解决了湖泊卫星雷达测高数据采样分类效率低的技术问题。低的技术问题。低的技术问题。

【技术实现步骤摘要】
湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备


[0001]本专利技术涉及遥感信息处理
，具体而言，涉及一种湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备。

技术介绍

[0002]随着卫星测高技术的发展，卫星测高数据被广泛应用于全球湖泊水位监测。然而用于测高的雷达卫星观测数据(即雷达卫星发射信号覆盖地面的区域，也称雷达脚印)往往高达数公里，容易受周围环境的影响，因此湖泊回波容易面临雷达脚印污染问题。但是由于测高卫星脚印间距往往只有两三百米，因此有大量的雷达脚印落入湖泊中。为了获取精确的湖面高程，需要从沿轨迹脚印中挑选出回波污染情况较轻的雷达回波。
[0003]为了对回波质量进行控制，需要利用全部或者部分湖面的雷达脚印数据进行分析和分类，相关技术中采用聚类方法或者阈值方法。对于聚类方法，一般需要获取回波的几个关键特征信息，然后对所有回波采用如k
‑
means之类的聚类方法，去除质量不佳的回波，这种方法耗时长、且效率低。对于阈值方法，利用局部地区的脚印数据，对自动增益控制系数、后向散射系数等典型字段信息进行分析，得到一定的阈值，再对所有脚印数据进行筛选。这类方法不适用于大范围的雷达脚印筛选。

技术实现思路

[0004]本专利技术实施例提供了一种湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备，以至少解决湖泊卫星雷达测高数据采样分类效率低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种湖泊卫星雷达测高数据筛选的处理方法，包括：从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
[0006]根据本专利技术实施例的另一方面，还提供了一种湖泊卫星雷达测高数据筛选的处理装置，包括：第一获取单元，用于从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；处理单元，用于基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；分类标记单元，用于根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；训练单元，用于利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊的卫星雷达测高数据的自动分类模型。
[0007]根据本专利技术实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上
述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的湖泊卫星雷达测高数据筛选的处理方法。
[0008]根据本专利技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述湖泊卫星雷达测高数据筛选的处理方法。
[0009]在本专利技术实施例中，采用了从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；
[0010]基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型的方法。在上述方法中，由于采用基于预设的图形界面工具对上述训练样本数据进行处理，并使用上述图形界面工具对训练样本数据进行类别标记并进行机器学习训练，提高了雷达回波数据的采样分类效率，进而解决了湖泊卫星雷达测高数据采样分类效率低的技术问题。
附图说明
[0011]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0012]图1是根据本专利技术实施例的一种可选的湖泊卫星雷达测高数据筛选的处理方法的应用环境的示意图；
[0013]图2是根据本专利技术实施例的另一种可选的湖泊卫星雷达测高数据筛选的处理方法的应用环境的示意图；
[0014]图3是根据本专利技术实施例的一种可选的湖泊卫星雷达测高数据筛选的处理的流程示意图；
[0015]图4是根据本专利技术实施例的另一种可选的湖泊卫星雷达测高数据筛选的处理方法的流程示意图；
[0016]图5是根据本专利技术实施例的一种可选的SARAL卫星数据的脚印特征示意图；
[0017]图6是根据本专利技术实施例的一种可选的雷达回波采样软件的界面示意图；
[0018]图7是根据本专利技术实施例的一种可选的不同类型的雷达回波采样波形示意图；
[0019]图8是根据本专利技术实施例的一种可选的雷达回波采样软件输出的数据表格示意图；
[0020]图9是根据本专利技术实施例的一种可选的湖泊卫星雷达测高数据筛选的处理装置的结构示意图；
[0021]图10是根据本专利技术实施例的一种可选的电子设备的结构示意图。
具体实施方式
[0022]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0023]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0024]根据本专利技术实施例的一个方面，提供了一种湖泊卫星雷达测高数据筛选的处理方法，可选地，作为一种可选地实施方式，上述湖泊卫星雷达测高数据筛选的处理方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有湖泊卫星雷达测高数据筛选的处理应用程序。上述终端设备10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种湖泊卫星雷达测高数据筛选的处理方法，其特征在于，包括：从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记，包括：根据所述回波波形和多源辅助信息，将所述随机样本数据划分为多个雷达回波类型。3.根据权利要求1所述的方法，其特征在于，所述基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息，包括：基于MATLAB图形界面工具构建以湖面高程为横坐标、回波能量为纵坐标的二维坐标系；在所述MATLAB图形界面工具中显示每个湖泊对应的回波波形，以及所述多源脚印特征值。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述MATLAB图形界面工具联动卫星地图工具，确定每个回波对应的地理位置信息。5.根据权利要求1所述的方法，其特征在于，所述利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型之后，还包括：利用训练好的所述分类模型对待分类的雷达卫星观测数据进行分类，得到对应的雷达回波...

【专利技术属性】
技术研发人员：袁翠，张芳沛，张国亮，武楚晗，叶剑峰，殷文斌，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：