本发明专利技术提供一种基于集成学习方法和二维小波变换的海冰粗糙度反演方法，首先对目标区域内目标时段中包含海冰的SAR图像通过二维连续小波变换提取海冰的空间特征，然后通过目标区域内目标时段中所有足印点数据获得海冰实际粗糙度，并将目标区域内目标时段SAR图像原始信息和海冰空间特征与对应的海冰实际粗糙度进行空间上的匹配，构建总数据集；最后将SAR图像原始信息和海冰空间特征作为输入，对应的海冰预测粗糙度为输出对集成学习模型进行训练，获得基于集成学习方法的海冰粗糙度反演模型。本发明专利技术可有效解决现有技术中海冰粗糙度反演误差大、分辨率低的问题。分辨率低的问题。分辨率低的问题。
【技术实现步骤摘要】
spectroradiometer(MISR)imagery,”Remote Sensing,vol.14,p.4979,102022.
[0008]文献[3]X.Wen,C.Xue,and Q.Dong,“The Arctic sea ice surface roughness estimation and application,”Proceedings of the International Offshore and Polar Engineering Conference,pp.958
–
961,012011.
技术实现思路
[0009]本专利技术的目的是专利技术一种简单易行的对海冰粗糙度进行反演的方法，以解决现有技术中海冰粗糙度反演误差大、分辨率低的问题。
[0010]为实现本专利技术的目的，本专利技术提出一种基于集成学习方法和二维小波变换的海冰粗糙度反演方法，主要包括以下步骤：
[0011]步骤1：获取目标区域内目标时段中包含海冰的SAR图像，对每幅SAR图像进行数据预处理，其中，预处理依次包括以下步骤：轨道校正、热噪声去除、辐射定标、相干斑滤波、分贝化、二维线性插值。得到在空间上均匀的分贝化的后向散射系数图像，即为二维空间SAR图像图像为图像中像素点的坐标向量；
[0012]步骤2：获取目标区域内目标时段中所有海冰足印点数据，通过对每个足印点计算距离其最近的预设数量足印点的高程标准差，得到每个足印点的海冰实际粗糙度；
[0013]步骤3：针对每幅二维空间SAR图像作复数二维连续小波变换，获得每幅二维空间SAR图像中每个像素点的复数小波系数其中φ为每个像素点的小波旋转角，a为每个像素点中复数小波变换的尺度参数，为每个像素点中复数小波变换的平移参数；
[0014]所述的二维复数连续小波变换中，复数小波系数的计算公式如下列方程所示；
[0015][0016]和以及r
‑
φ
的公式如下所示：
[0017][0018][0019][0020]其中，c
ψ
为使方程满足归一化条件的常数，为空间频率，为小波函数ψ的二维傅里叶变换函数的共轭，为空间图像的二维傅里叶变换；尺度参数a取为1～32，旋转角φ在0～2π间隔取值。
[0021]其中，小波母函数为二维柯西小波函数，其进行二维傅里叶变换后的结果为：
[0022][0023]其中，ω
x
是x方向的频率、ω
y
是y方向的频率、A是小波函数的伸缩参数、α为二维柯西小波函数定义域所在凸锥的半开角。
[0024]步骤4：通过对各幅SAR图像中的每个像素点遍历所有尺度参数和旋转角参数，获得复数小波系数最大模对应的尺度参数a
m
和旋转角参数φ
m
，a
m
和φ
m
构成海冰的空间信息，其中|
·
|表示取模；
[0025]步骤5：将目标区域内目标时段内的SAR图像原始信息和海冰空间特征信息以及对应的海冰实际粗糙度在空间上进行匹配，构建包含以上信息的总数据集；
[0026]步骤6：将SAR图像原始信息和海冰空间特征信息作为输入，对应的海冰预测粗糙度作为模型输出，利用训练集对Adaboost回归学习器进行训练，得到训练完成的基于Adaboost回归的海冰粗糙度反演模型；
[0027]步骤7：通过步骤6得到的回归模型对测试集进行预测，得到测试集的海冰预测粗糙度并进行模型初步评价、真实性检验和深入评估。
[0028]其中，模型初步评价为利用测试集的实际粗糙度与预测粗糙度计算模型评价指标初步对模型进行评价，各指标计算公式如下所示：
[0029][0030][0031][0032][0033]其中，R2为决定系数、MAE为平均绝对误差、RMSE为均方根误差、MAPE为平均绝对百分比误差，y
i
是真实值、是预测值、是真实值的平均值、N是样本个数。
[0034]有益效果：与现有技术相比，本专利技术的技术方案具有以下有益的技术效果：本专利技术提出一种简单易行的使用SAR图像通过Adaboost回归和二维小波变换相结合的方法反演海冰粗糙度，解决现有技术中存在反演误差大、分辨率低或是程序计算时间长、不易实现的缺点。为反演海冰厚度和密集度等特征提供了数据源，也可以为目标区域气候演变的预测提供一定参考。
附图说明
[0035]图1为本专利技术的基于集成学习方法和二维小波变换的海冰粗糙度反演方法的流程图；
[0036]图2为是基于Adaboost回归模型的融冰期海冰密集度反演结果图；
[0037]图3为基于Adaboost回归模型的验证结果图。
具体实施方式
[0038]下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0039]本专利技术所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，如图1所示，步骤1：获取目标区域内目标时段中包含海冰的SAR图像，对每幅SAR图像进行数据预处理，其中，预处理依次包括以下步骤：轨道校正、热噪声去除、辐射定标、相干斑滤波、分贝化、二维线性插值。得到在空间上均匀的分贝化的后向散射系数图像，即为二维空间SAR图像像为图像中像素点的坐标向量；
[0040]步骤2：获取目标区域内目标时段中所有海冰足印点数据，通过对每个足印点计算距离其最近的预设数量足印点的高程标准差，得到每个足印点的海冰实际粗糙度；
[0041]步骤3：针对每幅二维空间SAR图像作复数二维连续小波变换，获得每幅二维空间SAR图像中每个像素点的复数小波系数其中φ为每个像素点的小波旋转角，a为每个像素点中复数小波变换的尺度参数，为每个像素点中复数小波变换的平移参数；
[0042]所述的二维复数连续小波变换中，复数小波系数的计算公式如下列方程所示；
[0043][0044]和以及r
‑
φ
的公式如下所示：
[0045][0046][0047][0048]其中，c
ψ
为使方程满足归一化条件的常数，为空间频率，为小波函数ψ的二维傅里叶变换函数的共轭，为空间图像的二维傅里叶变换；尺度参数a取为1～32，旋转角φ在0～2π间隔取值。
[0049]其中，小波母函数为二维柯西小波函数，其进行二维傅里叶变换后的结果为：
[0050][0051]其中，ω
x
是x方向的频率、ω
y
是y方向的频率、A是小波函数的伸缩参数、α为二维柯西小波函数定义域所在凸锥的半开角。
[0052]步骤4：通过对各幅SAR图像中的每个像素点遍历所有尺度参数和旋转角参数，获得复数小波系数最大模对应的尺度参数a
m
和旋转角参数φ
m
...
【技术保护点】
【技术特征摘要】
1.一种基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，包括以下步骤：步骤1：获取目标区域内目标时段中包含海冰的SAR图像，对每幅SAR图像进行数据预处理，得到在空间上均匀的分贝化的后向散射系数图像，即为二维空间SAR图像理，得到在空间上均匀的分贝化的后向散射系数图像，即为二维空间SAR图像为图像中像素点的坐标向量；步骤2：获取目标区域内目标时段中所有海冰足印点数据，通过对每个足印点计算距离其最近的预设数量足印点的高程标准差，得到每个足印点的海冰实际粗糙度；步骤3：针对每幅二维空间SAR图像作复数二维连续小波变换，获得每幅二维空间SAR图像中每个像素点的复数小波系数其中φ为每个像素点的小波旋转角，a为每个像素点中复数小波变换的尺度参数，为每个像素点中复数小波变换的平移参数；步骤4：通过对各幅SAR图像中的每个像素点遍历所有尺度参数和旋转角参数，获得复数小波系数最大模对应的尺度参数a
m
和旋转角参数φ
m
，a
m
和φ
m
构成海冰的空间信息，其中|
·
|表示取模；步骤5：将目标区域内目标时段内的SAR图像原始信息和海冰空间特征信息以及对应的海冰实际粗糙度在空间上进行匹配，构建包含以上信息的总数据集；步骤6：将SAR图像原始信息和海冰空间特征信息作为输入，对应的海冰预测粗糙度作为模型输出，利用训练集对Adaboost回归学习器进行训练，得到训练完成的基于Adaboost回归的海冰粗糙度反演模型；步骤7：通过步骤6得到的回归模型对测试集进行预测，得到测试集的海冰预测粗糙度并进行模型初步评价、真实性检验和深入评估。2.如权利要求1所述的基于集成学习方法和二维小波变换的海冰粗糙度反演方法，其特征在于，步骤3所述的二维复数连续小波变换中，复数小波系数的计算公式...
【专利技术属性】
技术研发人员：陈鹏亦，陈忠彪，孙闰霞，何宜军，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。