文档介绍：该【基于机器学习的L波段微波遥感卫星影像漏水检测 】是由【科技星球】上传分享，文档一共【14】页，该文档可以免费在线阅读，需要了解更多关于【基于机器学习的L波段微波遥感卫星影像漏水检测 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于机器学习的L波段微波遥感卫星影像漏水检测??)摘要随着城市建设快速发展,城市用水量持续增加,地下供水管线安全问题备受关注,如何快速发现地下供水管线安全隐患,防止水资源浪费,降低因供水管线泄漏引发的道路塌陷风险,显得尤为迫切。通过使用L波段微波卫星遥感影像数据,结合机器学习的随机森林算法技术,对漏水目标进行提取研究。结果表明L波段遥感影像的卫星探漏算法比传统方法更高效,达到了较高精确度,将L波段微波遥感影像和卫星探漏技术相结合的方法具备实时性和现实可行性,可为城市供水管网漏水监测和新旧管网体检提供可靠技术手段。Keys机器学习L波段遥感影像卫星探漏0引言水是一种宝贵的自然资源。由于淡水资源稀缺性和水处理成本高昂,世界各国,特别是发达国家,都高度重视水资源供应和保护管理[1]。供水管道泄漏不仅浪费宝贵的资源,而且会破坏其他基础设施,影响建筑物安全,泄漏是导致建筑基础设施损坏的重要原因之一。考虑到供水管网规模、连接的复杂性、可访问性困难以及运行数据不准确性,积极识别和分析管道泄漏原因,采取有效控制措施可极大降低由于泄漏造成的财务和物质损失[2]。随着城市经济发展加速,供水管网不断重建和扩建,其复杂性日益加深,仅仅依靠人工管理已不再满足现代发展的要求,越来越多城市管网出现水损现象,导致管网事故频发[3],直接影响用户用水,制约城市经济发展。针对供水管网漏损原因,制定预防措施,可有效降低城市供水管网漏损率,最大限度减少水资源浪费和因漏损造成的财物损失[4]。我们利用合成孔径雷达卫星数据的全极化影像数据,经过滤波等预处理,提取数据中的介电常数,加以分析获取漏水相关的极化分解参数。根据这些参数,再利用机器学习的随机森林算法技术选取跟漏水关系比较密切的参数,进行预测判读供水管网中的潜在漏损点,并采用技术手段将疑似漏损区域缩小到半径100m以内。传统的漏损检测技术主要采用听音杆、相关器等地面检测技术,漏损检测人员利用听音杆沿输水管线巡查,对潜在漏损点进行检测,这种方式需要全面覆盖所有管线,耗时费力,检测速度也相对较慢。利用卫星数据的优势定位疑似漏损区域,地面漏损检测人员可以集中精力对已识别的疑似漏损点进行排查。这种综合方法将卫星对潜在泄漏点的识别与地面检查相结合,有助于实现更高效、更协调的检测过程,从而提高整体效率。,该研究区域具有供水面积广,管网长度长,旧管网颇多等特点,导致漏水位置无规律,复杂的特征。,其雷达波的波长从短波Ka波段()到P波段(波长为300mm以上),依次穿透性能会加强。目前还没有P波段卫星(2024年欧洲宇航局有计划发射新型P波段卫星Biomass),其次穿透性能好的L波段(波长为300mm)卫星,有日本宇航局的ALOS-等卫星。卫星空间分辨率精度为50m,不适合我们研究要求。为此,我们选择ALOS-2卫星,其L波段雷达传感器PALSAR2空间分辨率精度为3m。(1)辐射定标(Calibration)辐射定标的目的是提供像素值可以与场景雷达反向散射直接相关的图像。处理前数据生成的1级图像不包括辐射校正,会存在明显辐射偏差,有必要对图像进行辐射校正,使图像的像素值真正代表反射面的雷达后向散射。辐射定标后数字像素值转换为经校准的反向散射值,校准矢量作为注释包含在图像中,可将图像强度值简单转换为sigmanought或gammanought值。(LUT),用于生成图像数字编码的DN值。其定标时利用公式,选取的LUT进一步解为:进一步计算sigmanought为:其中,DNi,j2是像素i、j的像素强度;K是绝对校准常数;αi,j是入射角;Ri,j是斜距;Rref是参考斜距;θi,j是视角;G是天线模式增益。(2)几何校正/地形校正由于场景地形变化和卫星传感器倾斜,不直接位于传感器Nadir位置的图像数据会有一些失真。地形修正目的是补偿这些失真,使图像的几何表示尽可能接近真实世界。雷达图像中地形扭曲的几何图形如下(图1)所示:图1几何校正和地形校正的示意图在SAR图像中,椭球面上方高程为h的B点成像在B′位置,而其实际位置为B"。B′和B"之间的偏移量Δr显示了地形失真的影响。通过地形校正功能,可对来自不同传感器数据进行几何叠加。(3)噪声滤波(GeometricTerrancorrection)雷达图像本身具有被称为“斑点”的纹理,这会降低图像质量,增加解读特征的难度。单幅复杂雷达图像中存在斑点强度波动是相干图像形成的必然结果。每个雷达分辨单元都包含多个单独的散射,每个散射都对从分辨单元返回的整体信号有贡献。由于雷达波长通常远小于分辨率单元(cells)的大小,从每个散射体获得的相位实际上是随机的。根据叠加原理,每个散射体的信号可以相加,从而产生建设性干扰和破坏性干扰。在破坏性干扰占主导地位的cells中,反射率看起来较低,而在建设性干扰占主导地位的cells中,反射率看起来较高,这就导致了斑点现象,并可以证明斑点强度呈指数分布。虽然雷达图像中出现斑点会影响图像的定性分析,但在定量分析雷达数据时,斑点的问题更大。特别是斑点的存在会对图像分割技术的可靠性产生不利影响。本研究我们使用L波段雷达数据,斑点滤波基于非相干平均,需要处理统计二阶表示。因此,斑点滤波适用于协方差或一致性矩阵,RefinedLeeFilter的算法。该算法是一种最小均方误差(MMSE)滤波器,是基于乘法噪声模型开发的。MMSE滤波器的主要缺陷是无法充分过滤强边缘附近的斑点噪声。为了弥补这一问题,改进后的RefinedLeeFilter使用非方形窗口来匹配边缘方向。滤波器在一个7x7(或9x9、11x11)的滑动窗口中运行。从八个边缘对齐窗口中选择一个来过滤中心像素。只有边缘对齐窗口中的非边缘区域像素才会被用于过滤计算。滤波器三个主要处理步骤如下:①边缘对齐窗口选择:为每个像素选择边缘对齐窗口时使用跨度图像。②计算滤波权重:将局部统计滤波器应用于跨度图像,以计算权重b。③过滤协方差矩阵:使用相同的权重b(标量)和相同的选定窗口,对矩阵Z的每个元素进行独立、平等的过滤。,进一步从极坐标信息以散射矩阵(S)的形式记录,从散射矩阵中提取一致性矩阵T3。该相干矩阵[T]包含所有极坐标信息。大部分水分相关的分解参数都是从相干矩阵T3中提取。以上一致性分解矩阵适合于全极化(HH,HV,VV,VH)数据,但不适合于多极化(HH,HV)数据。因此,我们利用散射矩阵(S)的形式记录,从散射矩阵中提取一致性矩阵C2。另外雷达卫星获取图像时,微波的入射角度,地面和卫星天线的距离决定了数据分辨率不同,其像元为近似长方形。我们利用卫星飞行时两个方向,即距离方向的range和方位向azimuth进行多视(Multilook)处理,尽可能让我们像元接近于正方形。(1)矩阵T3本研究中,我们利用的(S)的形式记录,从散射矩阵中提取一致性矩阵T3公式,分别如下:其中,S11,S12,S22,S21,分别Shh,Shv,Svv,Svh,为极化偏振的记录。(2)矩阵C2本研究中我们利用的(S)的形式记录,从散射矩阵中提取一致性矩阵C2公式,分别如下:S=??C11=|HH|^2?,C12=|HV|^2(3)多视处理本研究中,我们根据ALOS2/PALSAR2的传感器特性和地表分辨率,距离方向的range设置为1,方位向azimuth值设置为3去处理。,目的是将物理机制与每种类型的散射联系起来。这些技术生成的极坐标参数可用于解释或分类,不同分解技术使用不同极坐标特征,这些特征来自散射矩阵。H/a/A分解是一种数据处理技术,用于使用平滑算法从实验数据中提取平均参数,从相干矩阵T3矩阵分解的特征向量分析中生成参数。特征向量描述了不同的散射过程,特征值则表示它们的相对大小。在所有参数中,平均阿尔法角(α)与基本的平均物理散射机制直接相关。阿尔法角的取值范围从0°到90°,表明主导散射从表面散射机制(0°)到各向异性粒子云的单散射(45°),最后达到二面散射(90°)。熵(H)描述了散射的随机性。各向异性(A)对应于第二和第三特征向量的相对功率。散射矩阵的元素定义为:一致性矩阵定义为:设λ1、λ2、λ3为一致性矩阵特征值,u1、u2、u3为相应的特征向量,极坐标参数由H/a/A分解得出。这种分类中使用的参数不包含任何与强度有关的信息,只包含与散射机制和它们之间主导关系有关的信息。根据参数可以计算出每种散射机制的角度和熵。其中λ1≥λ2≥0是局部特征值,[U]是正交酉阵,T分别表示复共轭矩阵和转置矩阵。角度α和δ定义记录信号的偏振椭圆的方向和大小。特征向量双极分解得到三个滚动不变参数:极化散射熵(H)、平均散射角(α)和散射各向异性(A)。H由公式:计算得出,其中,H定义了散射随机性;它可以在0到1之间变化,并与主要散射机制的数量有关,与其极化程度成正比。H=0意味着相干矩阵仅显示一个特征值,因此,对应像素元素的相对取向非常简化(例如,单反弹反射)。各向异性A根据散射机制之间的差异提供了关于H的附加信息。各向异性量化了第一和第二主要散射机制之间的相对强度。它与信号的偏振度密切相关。根据Mandal推出算法,电磁波的极化状态是根据极化程度(0≤A≤1)来表征的。后者被定义为信号极化部分的平均强度与其总强度之间的比率。对于完全极化和完全非极化的波,分别为A=1和A=0。假设接收波的未极化部分(1?A)表示来自分布目标的体积散射分量。平均散射机制(即,表面、双反弹和体散射)可以相对于α参数来识别。该参数根据以下公式计算:这个角度α跟不同的散射机制的相关性为如下(图2)所示。即α接近于0时表示表面散射,接近于45°时接近于体散射,而接近于90°时为二次散射。可以说明,角度α接近45°时更有利于提取疑似漏水点。,我们获取了75种水分相关各种参数。但是这些参数中,一部分参数并不是真实反映的漏水情况,存在较大干扰。我们需要利用一种机器学习算法来对这些参数进行重要度的评价后筛选。我们采用随机森林(RandomForst)算法,随机森林中的特征重要度是评估每个特征对模型性能贡献程度的一种方法。随机森林通过集成多个决策树,可以利用这些树的信息来计算特征的相对重要性。下面是计算随机森林中特征重要度的常见方法:(1)Gini重要度Gini重要度是通过观察每个特征在每个决策树的分裂节点上进行分裂时,计算其对Gini不纯度的减少来衡量的。在每个节点上,特征的分裂贡献通过乘以该节点上的样本数来衡量。对所有树中每个节点的分裂贡献进行平均,得到最终的Gini重要度。(2)袋外误差在随机森林的训练过程中,对于每个决策树,一部分样本并没有被用于训练(袋外样本)。对于每个特征,可以观察其在袋外样本上的预测准确性,通过比较使用该特征和不使用该特征时的袋外误差变化来评估特征的重要性。(3)特征排名随机森林还可以通过观察每个特征在决策树的节点上出现的频率来进行特征重要度排序。特征在更高层次节点上的出现次数可能与其重要性相关。通常采用