一种基于四阈值PS点的露天矿GB-SAR监测数据误差修正方法与流程

本发明属于边坡工程变形监测
技术领域：
，尤其涉及一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法。
背景技术：
：露天矿随开采度的不断加深，边坡长度不断加长，其稳定性将会越来越差，近年来国内外诸多露天矿边坡滑坡事故时有发生，其给矿山安全生产带来了极大威胁。为解决露天矿边坡安全问题，国内外学者多年来一直致力于边坡失稳分析及预测预报工作的研究。目前，gb-sar监测技术是一项新型的、无接触、全天时、全天候、实时测量的监测技术，其理论监测精度可以达到0.1mm，其监测距离可以长达4km。由于露天矿大气环境复杂，在gb-sar监测数据中常常包含大气延迟误差，其严重影响了gb-sar监测数据的精度，为对其进行有效修正，往往通过建立各种修正模型来实现，以此提高gb-sar监测数据的精度，但建立大气延迟误差修正模型需要提取干涉图中的高质量ps点相位作为先验知识，其修正精度取决于高质量ps点提取的准确性。高质量ps点是指边坡中稳定不动且反射较强的散射体，其理论形变相位为零，在gb-sar影像中呈现出较稳定的散射特性，高质量ps点的相位特征反映gb-sar监测的气象延迟相位特征。目前判断一个像素是否为高质量ps点的主要依据是低幅度离差、强散射性、高相干性等指标。但是这些指标仅反映出该像素在时间序列上的幅度稳定性和强散射性，缺乏对该像元空间稳定性的考虑，当边坡出现区域性变形时，该区域内部分像元也能保持较高的相干性和强散射性，虽然该区域内幅度稳定性会有不同程度的下降，但如果变形时间序列较短，该区域内少量像元也会保持较低的幅度离差特征，这就存在部分形变点被误选为高质量ps点的可能，从而降低gb-sar监测的精度。故判定一个像素是否为高质量ps点还应考虑该点周围一定区域的空间稳定性。目前针对露天矿坑内的大气延迟误差的修正模型一般为距离向的一阶或二阶拟合，但该方法缺乏对方位向影响因素的考虑，或者基于高质量ps点建立改正网实现大气延迟误差的修正，但该方法易出现ps点聚集和分布不均匀导致修正结果不理想等问题。因此，如何提高gb-sar监测数据高质量ps点提取的准确性，建立准确的露天矿gb-sar大气延迟误差修正模型，是本领域技术人员期望克服的。技术实现要素：(一)要解决的技术问题针对现有存在的技术问题，本发明提供一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法，不仅能够精确地提取高质量ps点，而且还能够准确地修正露天矿gb-sar监测数据的大气延迟误差。(二)技术方案为了达到上述目的，本发明采用的主要技术方案包括：一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法，包括如下步骤：s1、获取gb-sar监测数据；s2、对获取的gb-sar监测数据进行预处理，并计算获得必要参数；s3、根据获取的必要参数设置提取阀值，从获取gb-sar监测数据中提取得到高质量ps点；s4、将得到的高质量ps点输入多元回归-随机森林模型对露天矿gb-sar监测数据的大气延迟误差进行修正，获得修正后的gb-sar监测数据；所述必要参数包括：时间序列幅度均值、时间序列幅度离差、时间序列相干系数、时间序列幅度离差指数。优选地，计算时间序列幅度均值m的公式为：式中：mt为单幅影像幅度均值，m和n分别为影像方位向和距离向尺寸，k为影像数量。优选地，计算时间序列幅度离差d的公式为：式中：σ为像元的幅度标准差，mi，j为像元的幅度均值。优选地，计算时间序列相干系数l的公式为：式中：k为影像数目，it，1和it，2为像元复信号。优选地，计算时间序列幅度离差指数s的计算模型为：式中p为以像素x,y为中心的区域权值矩阵，m,n为以像素x,y为中心的区域大小，d为以像素x,y为中心的区域幅度离差矩阵，s为区域幅度离差指数。优选地，所述步骤s3还包括如下子步骤：s301、设置时间序列幅度均值低阈值m2＝2m，并选择在时间序列内平均幅度mi，j>m2的像元作为初始高质量ps点。s302、设置时间序列幅度离差低阈值d2＝0.1，并基于初始高质量ps点的基础上选择时间序列幅度离差di，j<d2的像元作为过渡高质量ps点。s303、设置时间序列相干系数低阈值l2＝0.98，并基于过渡高质量ps点的基础上选择时间序列内平均相干系数li，j>l2的像元作为待选高质量ps点。s304、设置时间序列区域幅度离差指数阈值s2＝0.2，并基于待选高质量ps点的基础上选择区域幅度离差指数si，j<s2的像元作为高质量ps点。优选地，所述步骤s4还包括如下步骤：s401、判断改正前相位中误差是否大于0.3，若小于0.3则使用多元回归模型对露天矿gb-sar监测数据的大气延迟误差进行修正，若大于0.3则执行步骤s402。s402、判断多元回归模型的拟合优度是否大于0.8，若大于0.8则使用多元回归模型对露天矿gb-sar监测数据的大气延迟误差进行修正，若小于0.8则选用随机森林模型对露天矿gb-sar监测数据的大气延迟误差进行修正。优选地，所述步骤s4之前还包括：建立多元回归模型；多元回归模型为：露天矿gb-sar监测数据的大气延迟误差gb-sar至被监测区域的距离l、被监测区域的高程h、方位向扫描角度β。优选地，所述步骤s4之前还包括：建立随机森林模型；随机森林模型为：以距离l、高程h、方位向扫描角度β为自变量，以大气延迟误差φ为因变量，基于随机森林算法进行训练和建模，反演大气延迟误差φ。(三)有益效果本发明的有益效果是：本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法具有以下有益效果：(1)利用该方法可有效提取基于露天矿gb-sar边坡监测数据的高质量ps点，避免部分形变点被误选现象发生。(2)多元回归-随机森林模型联合修正方法能够自动适应露天矿gb-sar监测数据的大气延迟误差特征，针对不同特征的大气延迟误差自动选择适应的模型来修正。(3)利用本发明中的方法能够有效提取边坡的高质量ps点，并准确修正露天矿gb-sar边坡监测数据的大气延迟误差，提高了露天矿gb-sar的监测精度。附图说明图1为本发明提供的一种一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的流程示意图；图2a为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中计算得到的时间序列幅度均值结果示意图；图2b为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中计算得到的时间序列幅度离差结果示意图；图2c为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中计算得到的时间序列相干系数结果示意图；图2d为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中计算得到的时间序列区域幅度离差指数结果示意图；图3为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中提取得到的高质量ps点分布结果图；图4a为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图；图4b为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图；图4c为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图；图4d为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图；图4e为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图；图4f为本发明提供的一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法的实施例中修正前后gb-sar监测数据大气延迟误差分布图。具体实施方式为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。如图1所示：本实施例中提供一种基于四阀值ps点的露天矿gb-sar监测数据误差修正方法，包括如下步骤：s1、获取gb-sar监测数据；s2、对获取的gb-sar监测数据进行预处理，并计算获得必要参数；s3、根据获取的必要参数设置提取阀值，从获取gb-sar监测数据中提取得到高质量ps点；s4、将得到的高质量ps点输入多元回归-随机森林模型对露天矿gb-sar监测数据的大气延迟误差进行修正，获得修正后的gb-sar监测数据；所述必要参数包括：时间序列幅度均值、时间序列幅度离差、时间序列相干系数、时间序列幅度离差指数。需要说明的是：本实施例中计算时间序列幅度均值m的公式为：式中：mt为单幅影像幅度均值，m和n分别为影像方位向和距离向尺寸，k为影像数量。本实施例中计算时间序列幅度离差d的公式为：式中：σ为像元的幅度标准差，mi，j为像元的幅度均值。本实施例中计算时间序列相干系数l的公式为：式中：k为影像数目，it，1和it，2为像元复信号。本实施例中计算时间序列幅度离差指数s的计算模型为：式中p为以像素x,y为中心的区域权值矩阵，m,n为以像素x,y为中心的区域大小，d为以像素x,y为中心的区域幅度离差矩阵，s为区域幅度离差指数。本实施例中所述步骤s3还包括如下子步骤：s301、设置时间序列幅度均值低阈值m2＝2m，并选择在时间序列内平均幅度mi，j>m2的像元作为初始高质量ps点。s302、设置时间序列幅度离差低阈值d2＝0.1，并基于初始高质量ps点的基础上选择时间序列幅度离差di，j<d2的像元作为过渡高质量ps点。s303、设置时间序列相干系数低阈值l2＝0.98，并基于过渡高质量ps点的基础上选择时间序列内平均相干系数li，j>l2的像元作为待选高质量ps点。s304、设置时间序列区域幅度离差指数阈值s2＝0.2，并基于待选高质量ps点的基础上选择区域幅度离差指数si，j<s2的像元作为高质量ps点。本实施例中所述步骤s4还包括如下步骤：s401、判断改正前相位中误差是否大于0.3，若小于0.3则使用多元回归模型对露天矿gb-sar监测数据的大气延迟误差进行修正，若大于0.3则执行步骤s402。s402、判断多元回归模型的拟合优度是否大于0.8，若大于0.8则使用多元回归模型对露天矿gb-sar监测数据的大气延迟误差进行修正，若小于0.8则选用随机森林模型对露天矿gb-sar监测数据的大气延迟误差进行修正。本实施例中所述步骤s4之前还包括：建立多元回归模型；多元回归模型为：露天矿gb-sar监测数据的大气延迟误差gb-sar至被监测区域的距离l、被监测区域的高程h、方位向扫描角度β。本实施例中所述步骤s4之前还包括：建立随机森林模型；随机森林模型为：以距离l、高程h、方位向扫描角度β为自变量，以大气延迟误差φ为因变量，基于随机森林算法进行训练和建模，反演大气延迟误差φ。本实施例中提供的基于四阈值高质量ps点露天矿gb-sar监测数据大气延迟误差修正的方法，包括对gb-sar监测数据时间序列幅度均值、幅度离差、平均相干系数的计算过程，建立区域幅度离差指数s计算模型，利用四重阈值方法提取高质量ps点，并基于露天矿gb-sar监测数据大气延迟误差的特征分析，建立多元回归-随机森林模型联合修正模型，对露天矿gb-sar监测数据进行大气延迟误差修正。如前所述的一种基于四阈值高质量ps点露天矿gb-sar监测数据大气延迟误差修正的方法，如下步骤：a)时间序列幅度均值计算模型幅度反映了被监测边坡对gb-sar信号的回波强度。平均幅度m是gb-sar影像的像元幅度在整个时间序列的均值，其值越大，代表地物回波信号越强，则该像元相位受其他因素影响较小，符合永久散射体的基本特征。其计算公式为：式中：mt为单幅影像幅度均值，m和n分别为影像方位向和距离向尺寸，k为影像数量。b)幅度离差计算模型幅度离差指数d是衡量一个像元在时间序列内对雷达信号回波强度的稳定性。若边坡发生轻微位移，则像元内对应的地物会发生轻微移动，这将导致该像元在时间序列内对雷达信号回波强度也会发生轻微波动。因此幅度离差指数d值越小代表该像元对应的地物越稳定，该值小于一定阈值时理论上边坡不存在位移。其计算公式为：式中：σ为像元的幅度标准差，mi，j为像元的幅度均值。c)相干系数计算模型相干系数衡量了用于干涉的两幅gb-sar原始影像的相关程度，若边坡存在位移区域，则两幅gb-sar原始影像对应区域的相干性会下降。平均相干系数l是雷达数据中每个像元在整个时间序列内相干系数的均值，其值越接近1，其相干性越好，其计算公式为：式中：k为影像数目，it，1和it，2为像元复信号。d)区域幅度离差指数计算模型经过对位移区域分析，该区域内少量像元仍会满足上述三个阈值的要求，仅仅对单个像元考察其稳定性将导致少量位移像元被误选为高质量ps点，因此需要对像元所在区域一定范围内的稳定性进行考察，经过实验确定该区域范围为6m(方位向)*3m(距离向)较为合适。一般情况下，区域内像元的幅度离差越大，代表该区域越不稳定，因此在计算过程中我们采用加权平均的方法计算区域幅度离差，幅度离差越大的像元在计算过程中所占的权值也最大，其对区域不稳定性的影响也越大，则可建立区域幅度离差指数s的计算模型为：式中p为以像素x,y为中心的区域权值矩阵，m,n为以像素x,y为中心的区域大小，d为以像素x,y为中心的区域幅度离差矩阵，s为区域幅度离差指数。e)高质量ps点的提取方法为了更准确的提取高质量ps点，本发明提出基于时间序列幅度均值阈值、幅度离差、相干系数及区域幅度离差四阈值的方法提取高质量ps点，其步骤如下：步骤1：设置幅度均值低阈值m2＝2m，并选择在时间序列内平均幅度mi，j>m2的像元作为初始高质量ps点。步骤2：设置幅度离差低阈值d2＝0.1，并基于初始高质量ps点的基础上选择幅度离差di，j<d2的像元作为过渡高质量ps点。步骤3：设置相干系数低阈值l2＝0.98，并基于过渡高质量ps点的基础上选择时间序列内平均相干系数li，j>l2的像元作为待选高质量ps点。步骤4：设置区域幅度离差阈值s2＝0.2，并基于待选高质量ps点的基础上选择区域幅度离差si，j<s2的像元作为待选高质量ps点。f)多元回归模型露天矿gb-sar监测数据的大气延迟误差φ与gb-sar至被监测区域的距离l、被监测区域的高程h、方位向扫描角度β均有关系，同时兼顾高程变化引起气象变化对大气延迟误差的影响，这里认为大气折射率指数与高程呈线性分布，则多元回归模型可建立为：g)随机森林模型基于多元回归模型建立的大气延迟误差φ与距离l、高程h、方位向扫描角度β的回归关系，我们引入机器学习方法中的随机森林进行建模，以距离l、高程h、方位向扫描角度β等为自变量，以大气延迟误差φ为因变量进行训练和建模。h)多元回归-随机森林模型联合修正方法一般情况下，多元回归模型的修正精度可以满足gb-sar监测精度的要求，且其容错率较高，少量形变点被误选为高质量ps点时不影响模型的修正精度。由于露天矿坑较深，在日出日落时刻由于矿坑受热不均匀会引起矿坑内气象出现分层现象，此时随机森林的修正精度明显优于多元回归模型，但随机森林容错率较低，因此本发明通过分析两者的优缺点，提供了多元回归-随机森林模型联合修正方法，步骤如下：(1)首先判断改正前相位中误差是否大于0.3，若小于0.3则使用多元回归模型修正模型，若大于0.3则执行步骤(2)。(2)判断多元回归模型的拟合优度是否大于0.8，若大于0.8则使用多元回归模型进行修正，若小于0.8则选用随机森林模型进行修正。下面以鞍山市大孤山露天铁矿采场gb-sar边坡监测为例，该边坡为岩质边坡。首先对露天矿gb-sar边坡监测数据提取了高质量ps点，并基于高质量ps点利用多元会-随机森林模型修正了误差，获取了边坡监测结果，以此来验证本发明的效果。1)gb-sar监测数据采集首先在鞍山市大孤山露天铁矿采场的稳定区域安置gb-sar，调整好其相对被监测边坡的最佳观测姿态。利用gb-sar采集为期3天的时间序列原始影像数据，并对影像数据进行聚焦处理生成时间序列单视复影像。2)计算时间序列幅度均值通过对gb-sar单视复影像中的复数据求取绝对值，以获取边坡后向散射信号的幅值，并在时间序列上将对应像素的幅值求平均获取时间序列幅度均值影像。利用下列公式(1)和(2)计算可得到时间序列幅度均值，结果如图2(a)所示。3)计算幅度离差幅度离差指数d是像元在时间序列中幅度标准差与幅度均值的比值，其评价一个像元在时间序列上后向散射强度的稳定性。利用公式(3)计算可得到幅度离差，结果如图2(b)所示。4)计算相干系数根据用于干涉的两幅单视复数据可以计算相干系数，计算相干系数时滑动窗口设置为5×10(方位向×距离向)，利用公式(4)计算可得到相干系数，并将计算好的相干系数在时间序列上求取均值，结果如图2(c)所示。5)计算幅度离差指数首先确定中心像素所在区域的权值矩阵p，根据权值矩阵和区域内像元的幅度离差利用公式(5)和(6)可计算区域幅度离差指数s，结果如图2(d)所示。6)提取高质量ps点时间序列幅度均值阈值、幅度离差、相干系数及区域幅度离差计算完成后，基于以下步骤选取高质量ps点：步骤1：设置幅度均值低阈值m2＝2m，并选择在时间序列内平均幅度mi，j>m2的像元作为初始高质量ps点。步骤2：设置幅度离差低阈值d2＝0.1，并基于初始高质量ps点的基础上选择幅度离差di，j<d2的像元作为过渡高质量ps点。步骤3：设置相干系数低阈值l2＝0.98，并基于过渡高质量ps点的基础上选择时间序列内平均相干系数li，j>l2的像元作为待选高质量ps点。步骤4：设置区域幅度离差阈值s2＝0.2，并基于待选高质量ps点的基础上选择区域幅度离差si，j<s2的像元作为待选高质量ps点。经过上述步骤选取后的高质量ps点分布结果如图3所示。7)高质量ps点选取完成后，利用多元回归-随机森林模型对露天矿gb-sar监测数据的大气延迟误差进行修正其中，多元回归模型利用高质量ps点可以回归出自身的模型系数，随机森林则利用高质量ps点进行训练，从而建立大气延迟误差反演模型，具体修正步骤如下：(1)首先判断改正前相位中误差是否大于0.3，若小于0.3则使用多元回归模型修正模型，若大于0.3则执行步骤(2)。(2)判断多元回归模型的拟合优度是否大于0.8，若大于0.8则使用多元回归模型进行修正，若小于0.8则选用随机森林模型进行修正。本发明选取了两幅典型的露天gb-sar数据大气延迟误差影像进行说明，第一幅影像获取时间为9：51～10：11，第二幅影像获取时间为18：01：18：21，两幅影像修正前后的大气延迟误差均值及多元回归模型的拟合优度如表1所示，根据分析可知，第一幅影像误差分布复杂，多元回归模型的拟合优度较低，因此本发明所述方法自动选取了随机森林模型进行修正，第二幅影像误差分布较规律，多元回归模型的拟合优度较高，且两者精度均能满足gb-sar边坡监测的精度要求，因此本发明所述方法自动选取了多元回归模型进行修正，修正前后gb-sar监测数据大气延迟误差分布如图4a-图4f所示。表1修正前后大气延迟误差均值及拟合优度图幅大气延迟误差拟合优度多元回归模型修正后随机森林模型修正后11.5470.6140.4640.24221.3010.8810.1750.168以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。当前第1页12