本發明涉及基于衛星遙感技術的冰雪監測，具體涉及基于sar圖像的下墊面信息融合積雪深度反演方法及系統。

背景技術：

1、積雪是地表水文系統的主要組成部分，積雪雪層可有效保持冬季地表溫度，融化后又為次年生物提供水資源，是大量氣候、水文、農業以及生態模型的重要輸入變量。準確獲取積雪深度有助于合理利用雪資源，對于人類生產活動、全球氣候變化的研究都十分重要。傳統的雪深測量方法通常是在地面氣象基站使用固定儀器進行測量，或使用便攜式設備進行野外實驗測量，而這些方法通常需要大量的人力物力和長期的時間。隨著衛星遙感技術的發展，利用遙感觀測數據能夠實時、快速地觀測區域和全球尺度地表積雪變化情況。

2、目前基于衛星遙感技術的積雪深度反演主要分為微波遙感和光學遙感兩類。在微波遙感反演積雪深度中，分為被動微波遙感、主動微波遙感反演；光學遙感的原理主要是根據積雪光譜特性和積雪深度的關系進行相關數據提取，但光學遙感易受太陽輻射、云霧影響且難以探究積雪內部信息，積雪深度反演精度受限；被動微波可穿透積雪表層，獲取積雪內部的信息，是目前最常見的用于積雪深度等雪參數研究和長期監測的數據源，但現有被動微波遙感影像空間分辨率較低，不能滿足高分辨率高精度的積雪參數研究；相比于光學遙感圖像和被動微波遙感，主動雷達遙感通常具有全天時、全天候對地觀測的能力，且不受云霧天氣的影響可以穿透積雪表層。近些年該方法已逐漸被用于探究積雪內部信息，反演雪深。但目前，由于微波后向散射系數受下墊面狀況的影響較大，適用于小尺度范圍內積雪深度反演，在大尺度范圍的積雪深度反演精度有待提高。

技術實現思路

1、鑒于上述現有存在的問題，本發明提供了基于sar圖像的下墊面信息融合積雪深度反演方法及系統，用以解決現有技術中需要大量的人力物力和長期的時間，無法實時、快速地觀測區域和全球尺度地表積雪變化情況的問題。

2、為解決上述技術問題，提出了基于sar圖像的下墊面信息融合積雪深度反演方法，包括，

3、采集軌道數據，對采集的軌道數據進行預處理，并去除熱噪聲和相干斑噪聲；進行地形校正，并根據雷達方程進行輻射定標獲取后向散射特征參量和極化特征參量，將校正后的數據進行特征提取，并優化特征數據集；構建神經網絡模型，將優化后的特征數據集輸入殘差神經網絡，訓練獲得積雪深度反演模型，并引入時間變量，預測積雪深度。

4、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：所述采集軌道數據包括，采集衛星位置數據、衛星速度數據、軌道姿態數據、時間數據、軌道動力學參數和軌道誤差校正數據，并對采集的軌道數據進行預處理。

5、所述衛星位置數據包括經度、緯度、高度、軌道傾角和升交點經度；所述衛星速度數據包括沿軌道的速度和垂直軌道的速度；所述軌道姿態數據包括俯仰角、偏航角和翻滾角；所述時間數據包括星歷時間和數據采集時間；所述軌道動力學參數包括軌道半長軸、軌道偏心率、近地點角和平近點角。

6、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：所述預處理包括，將獲取的軌道數據進行軌道校正、熱噪聲去除、相干斑濾波和分貝化處理。

7、所述軌道校正包括通過對軌道誤差進行多項式擬合，進行誤差估計，通過計算實際軌道數據與參考數據之間的差異形成誤差數據集，選擇多項式階數擬合誤差數據，利用最小二乘法確定多項式系數，即矩陣的轉置乘矩陣再乘系數向量等于矩陣的轉置乘誤差數據向量，系數確定后依據時間戳計算多項式的值，并將值作為校正量加入原始軌道數據中進行軌道矯正。

8、所述熱噪聲去除包括對于任何給定方位時間的熱噪聲向量通過兩個距離最近的噪聲向量線性插值獲得，在檢測范圍內，熱噪聲向量派生兩個噪聲向量，通過線性插值，從檢測范圍內去除。

9、所述相干斑濾波包括通過濾波器并利用影像局部統計特性更新中心像素值，對sar遙感影像進行相干斑濾波，濾波窗口為7×7。

10、所述分貝化處理公式為：

11、ε＝10log10σo

12、其中，σo為無量綱的后向散射系數，ε為歸一化的后向散射系數。

13、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：所述進行地形校正包括，利用基于高程信息dem的朗伯體反射率模型的scs+c校正法消除輻射亮度誤差，使反射性質相同的地物在圖像中具有相同的亮度值。

14、所述scs+c校正法公式表示為：

15、ρh＝ρt(cosθpcosθz+cλ)/(cosγi+cλ)

16、ρt＝aλ+bλcosγi

17、cλ＝aλ/bλ

18、其中，ρh為水平地表反射，ρt為斜坡地表反射，θp為坡度角，θz為太陽天頂角，γi為太陽入射角，cλ為修正系數，aλ為回歸線的斜率，bλ為回歸線的截距。

19、所述輻射定標公式表示為：

20、

21、其中，pd為傳感器接收到的后向散射強度，pt為傳輸功率，pn為附加功率，為透視天線增益，為接收天線增益，為雷達接收器的電流增益，gp為處理器常數，r為距離傳播損耗，θel為天線仰角，θoc為天線方位角，ls為大氣的損耗，la為系統的損耗，a為散射面積，λ為波長，σo為無量綱的后向散射系數。

22、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：獲取極化特征參量包括，采用雙極化比值數據，并通過將相干矩陣特征分解獲得的三個相干矩陣子分量的特征值計算極化熵、各向異性和散射角。

23、所述獲取極化特征參量公式為：

24、

25、

26、其中，pi為第i個特征向量對應的特征值占總特征值的比例，λi為第i個特征值，h為極化熵，a為各向異性，α為散射角，i為變量索引，λ1為目標的體散射，λ2為目標的表面散射，λ3為目標的多次散射分量。

27、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：所述優化特征數據集包括，對地理特征數據進行預處理，獲得坡度和坡向數據，對氣象數據的預處理，將校正后的數據進行特征提取，并利用皮爾遜相關系數進行特征優化。

28、所述獲得坡度和坡向數據公式為：

29、

30、其中，slope為坡度，aspect為坡向，slopex為二維圖像中水平方向的坡度，slopey為二維圖像中垂直方向的坡度。

31、所述皮爾遜相關系數公式為：

32、

33、其中，yi和xi為特征參量，和為特征參量的平均值，n為參量個數，i為變量索引，pccy-x為皮爾遜相關系數；選擇皮爾遜相關系數閾值為0.9，當計算的相關系數大于等于0.9，特征參量被判斷是與積雪深度有相關性的參量，并作為積雪深度反演模型的輸入特征參量。

34、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演方法的一種優選方案，其中：所述預測積雪深度包括，基于不同的神經網絡模型框架分別構建了積雪深度反演模型，選擇殘差神經網絡resnet模型進行訓練，獲得積雪深度反演模型，并進行模型訓練，并通過測試獲得反演模型結果與實測值之間的差距即反演準確性，根據結果調整模型參量，選擇反演準確性最高的模型參量，基于參量構建積雪深度反演模型，并將時間變量輸入長短時記憶網絡lstm模型中進行訓練，獲得積雪深度長時間序列反演模型，進行積雪深度的預測。

35、所述進行模型訓練包括定義模型結構，并輸入特征優化后的實驗數據集，初始化學習率、優化器和迭代次數，并捕捉輸入特征參量與實測積雪深度間的非線性關系，并通過測試獲得反演模型結果與實測值間的差距，即反演結果的準確性。

36、本發明的另外一個目的是提供了基于sar圖像的下墊面信息融合積雪深度反演系統，本發明結合sar數據處理技術和機器學習方法，解決了積雪深度反演和預測問題；本發明系統通過合成孔徑雷達圖像的數據采集與預處理，包括軌道數據收集、熱噪聲去除和相干斑濾波，提高了數據質量；進行地形校正和輻射定標，確保數據標準化；系統提取并優化了包括雙極化比和基于cloude-pottier極化分解的高級極化特征參數，以準確描述積雪特性。

37、作為本發明所述的基于sar圖像的下墊面信息融合積雪深度反演系統的一種優選方案，其特征在于，包括數據采集模塊、地形校正與輻射定標模塊、特征提取與優化模塊、神經網絡模型構建與訓練模塊以及積雪深度預測模塊。

38、所述數據采集模塊，用于收集衛星位置、速度、軌道姿態、時間數據及動力學參數，并進行軌道校正、熱噪聲去除、相干斑濾波和分貝化處理，減少數據中的誤差和噪聲。

39、所述地形校正與輻射定標模塊，用于利用scs+c校正法消除由于地形起伏造成的輻射亮度誤差，確保不同地形的反射性質一致性，根據雷達方程，將傳感器接收到的后向散射強度轉換為無量綱的后向散射系數。

40、所述特征提取與優化模塊，用于通過雙極化比值數據和相干矩陣特征分解，計算極化熵、各向異性和散射角，獲取反映積雪特性的極化信息，從高程數據中提取坡度和坡向，并提取環境溫度和濕度數據，利用皮爾遜相關系數對特征進行篩選，保留與積雪深度相關的特征。

41、所述神經網絡模型構建與訓練模塊，用于定義殘差神經網絡resnet模型的結構，并輸入優化后的特征數據集，初始化模型參數，通過訓練捕捉特征參量與積雪深度之間的非線性關系，評估模型的準確性。

42、所述積雪深度預測模塊，用于基于訓練獲得的resnet模型，輸入sar遙感圖像，反演獲得積雪深度，并將時間變量引入lstm模型，訓練得到積雪深度隨時間變化的預測模型，進行積雪深度的長期預測。

43、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現基于sar圖像的下墊面信息融合積雪深度反演所述的方法的步驟。

44、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現基于sar圖像的下墊面信息融合積雪深度反演所述的方法的步驟。

45、本發明的有益效果：本發明不同于光學遙感技術易受云霧、光照等自然環境條件的影響，能夠全天時、全氣候、長時間工作，獲得的數據規模大、圖像有效信息豐富，在此基礎上的積雪深度反演，結果更為穩定可靠；不同于被動微波遙感技術空間分辨率低，本發明采用合成孔徑雷達sar遙感技術，能夠獲得更高的空間分辨率，使得積雪深度反演不受空間分辨率不足的影響，能夠進行高精度高分辨率的積雪深度反演，在此基礎上的積雪深度反演，結果準確率更有保障；并融合了下墊面后散射特征和極化特征等信息，克服了sar圖像由于受到下墊面狀況的影響而導致的在大尺度范圍內積雪深度反演精度有限的問題，同時考慮到了地理因子和氣象因子對積雪深度的影響，結合多源數據的融合構建了積雪深度反演模型，有利于積雪深度反演精度的提高；并引入了具有記憶效能的機器學習模型，結合多源數據和時間序列構建了積雪深度長時間序列反演模型，能夠實現積雪深度的預測，在災害預警等方面有著更為深入的應用。