星载微波传感器低频通道无线电频率干扰检测及校正方法

摘要

本发明公开了一种星载微波传感器低频通道无线电频率干扰检测及校正方法，解决现有方法对处理区域地表一致性要求高的问题。一种星载微波传感器低频通道无线电频率干扰检测及校正方法，包含以下步骤：根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型；将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值；对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数。本发明实现了对大区域无线电频率干扰的准确检测。

权利要求

1.一种星载微波传感器低频通道无线电频率干扰检测方法，其特征在于，包含以下步骤：根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型；

将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值；

对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数。

2.如权利要求1所述的方法，其特征在于，所述机器学习算法为随机森林算法。

3.如权利要求1所述的方法，其特征在于，所述历史观测数据为一个任意区域或全球，包含不同季节和不同天气的观测值。

4.如权利要求1所述的方法，其特征在于，所述星载微波传感器为风云卫星上的微波成像仪。

5.如权利要求1所述的方法，其特征在于，所述高频通道的个数大于等于1，所述低频通道的个数大于等于1。

6.一种星载微波传感器低频通道无线电频率干扰检测方法，其特征在于，包含以下步骤：根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型；

将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值；

对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数；

对所述无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值。

7.如权利要求6所述的方法，其特征在于，所述对无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值的步骤，进一步包含：将所述无线电频率干扰指数与高、低阈值进行比较：

当所述无线电频率干扰指数大于所述高阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温模拟值；

当所述无线电频率干扰指数小于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值；

当所述无线电频率干扰指数小于等于所述高阈值且大于等于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值与模拟值的加权平均：其中，TBcorr、TBobs、TBsimu分别为所述无线电频率干扰指数校正值、观测值、模拟值，RFIindex为所述无线电频率干扰指数，Tlow、Thigh分别为所述低阈值、高阈值，α为加权系数。

8.如权利要求6所述的方法，其特征在于，所述机器学习算法为随机森林算法。

9.如权利要求6所述的方法，其特征在于，所述历史观测数据为一个任意区域或全球，包含不同季节和不同天气的观测值。

10.如权利要求6所述的方法，其特征在于，所述星载微波传感器为风云卫星上的微波成像仪。

11.如权利要求6所述的方法，其特征在于，所述高频通道的个数大于等于1，所述低频通道的个数大于等于1。

12.如权利要求7所述的方法，其特征在于，所述高阈值、低阈值采用图像处理算法计算得到或采用人工设定得到。

13.如权利要求7所述的方法，其特征在于，所述加权系数为：其中，α为所述加权系数，Tlow、Thigh分别为所述低阈值、高阈值，RFIindex为所述无线电频率干扰指数。

14.如权利要求7所述的方法，其特征在于，所述高阈值、低阈值分别为15、5。

说明书

星载微波传感器低频通道无线电频率干扰检测及校正方法

技术领域

[0001] 本发明涉及卫星遥感探测领域，尤其涉及一种星载微波传感器低频通道无线电频率干扰检测及校正方法。

背景技术

[0002] 现有的无线电频率干扰(Radio Frequency Interference，RFI)检测方法主要包括谱差法、多通道回归法、主成分分析法和标准化主成分分析法。谱差法利用了两个相邻通道的亮温差异代表了无线电频率干扰信号的强弱，易受到天气和地表因素的影响；多通道回归方法，对研究区域一段时间内不受RFI信号影响并且没有海冰的洋面微波资料进行回归计算，检测效果受制于回归模型精度的影响；主成分分析法当海洋上存在海冰或陆地表面被冰雪覆盖时，其高频通道的散射特性很强，检测出来的RFI存在较多的虚假信息；标准化主成分分析法只能局限于一定的区域范围内。

发明内容

[0003] 本发明提供一种星载微波传感器低频通道无线电频率干扰检测及校正方法，解决现有方法对处理区域地表一致性要求高的问题。

[0004] 一种星载微波传感器低频通道无线电频率干扰检测及校正方法，包含以下步骤：根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型；将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值；对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数。

[0005] 进一步地，所述方法还包含：对所述无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值。

[0006] 优选地，所述对无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值的步骤，进一步包含：将所述无线电频率干扰指数与高、低阈值进行比较：当所述无线电频率干扰指数大于所述高阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温模拟值；当所述无线电频率干扰指数小于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值；当所述无线电频率干扰指数小于等于所述高阈值且大于等于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值与模拟值的加权平均：

[0007]

[0008] 其中，TBcorr、TBobs、TBsimu分别为所述无线电频率干扰指数校正值、观测值、模拟值，RFIindex为所述无线电频率干扰指数，Tlow、Thigh分别为所述低阈值、高阈值，α为加权系数。

[0009] 进一步地，所述加权系数为：

[0010]

[0011] 其中，α为所述加权系数，Tlow、Thigh分别为所述低阈值、高阈值，RFIindex为所述无线电频率干扰指数。

[0012] 优选地，所述机器学习算法为随机森林算法。

[0013] 优选地，所述历史观测数据为一个任意区域或全球，包含不同季节、不同天气的观测值。

[0014] 优选地，所述星载微波传感器为风云卫星上的微波成像仪。

[0015] 进一步地，所述高频通道的个数大于等于1，所述低频通道的个数大于等于1。

[0016] 优选地，所述高阈值、低阈值采用图像处理算法计算得到或采用人工设定得到。

[0017] 优选地，所述高阈值、低阈值分别为15、5。

[0018] 本发明有益效果包括：本发明提供了一种星载微波传感器低频通道无线电频率干扰检测及校正方法，可以同步完成微波传感器低频通道中无线电频率干扰的检测和校正；同时，采用机器学习的低频通道模拟方案，可以在训练样本集中同时包含有不同的地表类型和不同天气状况下的观测资料，避免了传统无线电频率干扰检测方法对处理区域地表一致性的高要求，从而可以同时完成较大区域甚至全球的无线电频率干扰检测和校正。

附图说明

[0019] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0020] 图1为一种星载微波传感器低频通道无线电频率干扰检测及校正方法流程实施例；

[0021] 图2为一种包含干扰指数校正的星载微波传感器低频通道无线电频率干扰检测及校正方法流程实施例；

[0022] 图3(a)为一种星载微波传感器的低频通道亮温观测值实施例；

[0023] 图3(b)为一种星载微波传感器的低频通道亮温模拟值实施例；

[0024] 图3(c)为一种星载微波传感器的无线电频率干扰指数实施例；

[0025] 图3(d)为一种星载微波传感器的无线电频率干扰指数校正值实施例。

具体实施方式

[0026] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0027] 微波低频通道被各种主动和被动遥感探测设备占据，导致不同传感器之间的观测频段具有很大的重叠。因而，在星载微波传感器的低频通道中，其接收的信号除了来自真实地表大气的热辐射外，还会同时接收主动遥感设备发射的信号，这对星载微波传感器的观测数据造成一定程度的干扰，这种干扰被称之为无线电频率干扰(Radio Frequency Interference，RFI)。RFI会造成观测亮温相比视场内自然大气和地表发射/散射辐射而言异常偏大，从而使得反演的地表参数及资料同化具有较大的误差。

[0028] 现有的RFI检测方法主要包括谱差法、多通道回归法、主成分分析法和标准化主成分分析法等。通常情况下，星载微波传感器探测到的亮温数据值会随着通道频率的增加而增大，即高频通道的亮温值高于低频通道，但当低频通道中存在有无线电频率干扰信号时，会增加低频通道的亮温值，使得亮温随频率的变化趋势发生改变。谱差法就是利用这样一个基本原理，通过定义一个RFI 指数来表示低频通道减去高频通道的差值，其大小代表了无线电频率干扰信号的强弱。该方法利用了两个相邻通道的亮温差异，简单有效，但易受到天气和地表因素的影响。

[0029] 多通道回归方法是建立在星载微波传感器多通道间亮温值具有高相关性的基础之上，对研究区域一段时间内不受RFI信号影响并且没有海冰的洋面微波资料进行回归计算，通过其他通道上的观测亮温值估计出指定通道上的亮温值，进而将该通道观测值与回归亮温值之间的偏差作为检测RFI信号的判据，从而该偏差值的大小可以作为RFI信号强弱的一个指标，其检测效果受制于回归模型精度的影响。

[0030] 星载微波传感器各个通道接收到的来自自然辐射的数据通常有很高的相关性，而RFI的存在只会显著地增加低频通道上某些观测点的亮温值，所以受 RFI影响的通道和其他剩下的通道之间的关联变得很小。主成分分析法正是利用这一特点，通过构造RFI数据矩阵，再利用其协方差矩阵的特征向量将该数据矩阵在正交的空间中进行投影，得到主分量矩阵。主分量矩阵中，每一个主分量相互正交，第一主分量的方差最大，第二主分量的方差次之，从而可以在新的正交空间中利用与RFI指数最相关的那个主分量来进行RFI检测。但当海洋上存在海冰或陆地表面被冰雪覆盖时，其高频通道的散射特性很强，会使得星载微波传感器的高频通道在这些观测点的亮温值显著降低，从而导致各通道观测的亮温值相关性降低，这使得用主成分分析法检测出来的RFI存在较多的虚假信息。标准化主成分分析法和双主成分分析法虽然能一定程度上减轻这种现象，但其使用过程中仍然对地表的一致性要求较高。然而，对全球观测来说，地表类型复杂多样，且星载微波传感器各通道观测的亮温随天气过程和季节的变化差异很大，这就使得主成分分析法及其改进算法对RFI的检测都只能局限于一定的区域范围内。

[0031] RFI校正方法主要是利用各种方法模拟出未受RFI污染的观测亮温，再将检测出受RFI污染的观测点亮温值用模拟出来的亮温代替。现有的亮温模拟方法主要有多通道回归法和辐射传输模拟法。多通道回归法是基于多个通道观测亮温值之间的相关性，用已知通道的亮温值来模拟出未知通道的亮温值，但这种方法受回归模型精度的影响，通常情况下模拟出来的亮温值精度不高。辐射传输模拟法是基于观测的大气和地表参数，利用精确的辐射传输模型来模拟出每个观测点在指定通道的亮温值，但这种方法对大气和地表参数的观测精度要求较高，且现有的微波辐射传输模拟方法对有云和降水情况下的模拟精度仍然较低。

[0032] 以下结合附图，详细说明本发明各实施例提供的技术方案。

[0033] 图1为一种星载微波传感器低频通道无线电频率干扰检测及校正方法流程实施例，用于对低频无线电频率干扰进行检测，作为本申请实施例，一种星载微波传感器低频通道无线电频率干扰检测及校正方法，包含以下步骤：

[0034] 步骤101，根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型。

[0035] 在步骤101中，所述机器学习算法中的输入变量为高频通道的亮温历史值，输出变量为低频通道的亮温历史值。所述机器学习算法指的是监督学习算法，用于从给定的训练集中学习出一个模型，当新的数据到来时可以根据这个模型来预测结果，优选地所述机器学习算法为随机森林算法。

[0036] 与人工神经网络、支持向量机等传统机器学习方法相比，随机森林是一种集成算法，它属于有放回的随机抽样，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。需要说明的是，所述机器学习算法可以是本发明实施例中的随机森林算法，也可以是其他能够得到训练模型的算法，这里不做特别限定。

[0037] 在步骤101中，为了提高所述训练模型的准确程度，所述历史观测数据需要具备足够的代表性，优选地，所述历史观测数据为一个任意区域或全球，包含不同季节、不同天气的观测值。

[0038] 在步骤101中，所述星载微波传感器是卫星上的某一个载荷，既有低频通道的亮温又有高频通道的亮温。优选地，所述星载微波传感器为风云卫星上的微波成像仪。需要说明的是，所述星载微波传感器可以是本发明实施例中的风云卫星上的微波成像仪，也可以是其他卫星上的其他微波传感器，这里不做特别限定。

[0039] 优选地，所述高频通道的个数大于等于1，所述低频通道的个数大于等于 1，需说明的是，所述高频通道和所述低频通道的个数不做特别限定。

[0040] 当所述星载微波传感器选择本实施例中的风云卫星上的微波成像仪时，所述星载微波传感器共有5个观测频率，每个观测频率又有垂直极化和水平极化两种观测方式，所以一共有10个观测通道，这其中既有受RFI影响的低频通道，又有不受RFI影响的高频通道。为完成10.65GHz垂直极化观测通道上的 RFI检测和校正，可以采用8个高频通道的亮温值通过机器学习算法来建立其与10.65GHz垂直极化通道的亮温值之间的复杂模型关系。

[0041] 步骤102，将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值。

[0042] 在步骤102中，所述低频通道亮温观测值受无线电频率干扰，所述低频通道亮温模拟值是通过机器学习算法模拟出来的数值，不受无线电频率干扰影响。

[0043] 步骤103，对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数。

[0044] 在步骤103中，所述无线电频率干扰指数的大小代表了观测点受无线电频率干扰影响的强弱，所述无线电频率干扰指数越大，受RFI影响越大。

[0045] 本发明实施例公开的星载微波传感器低频通道无线电频率干扰检测及校正方法，将机器学习方法应用到无线电频率干扰指数计算中，可以高精度地利用高频通道的亮温值来模拟出低频通道的亮温值，为星载微波传感器资料的质量控制提供一种新的思路和解决方案。

[0046] 图2为一种包含干扰指数校正的星载微波传感器低频通道无线电频率干扰检测及校正方法流程实施例，包含RFI指数的校正，作为本申请的实施例，一种星载微波传感器低频通道无线电频率干扰检测及校正方法，包含以下步骤：

[0047] 步骤101，根据星载微波传感器的历史观测数据中高频通道、低频通道亮温历史值建立训练样本集，并采用机器学习算法确定所述低频通道与高频通道亮温历史值的关系，得到训练模型。

[0048] 步骤102，将高频通道亮温观测值输入所述训练模型中，得到低频通道亮温模拟值。

[0049] 步骤103，对低频通道亮温观测值与所述低频通道亮温模拟值进行差值运算，得到无线电频率干扰指数。

[0050] 步骤104，对所述无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值。

[0051] 在步骤104中，所述对无线电频率干扰指数进行校正，得到无线电频率干扰指数校正值的步骤，进一步包含：将所述无线电频率干扰指数与高、低阈值进行比较：当所述无线电频率干扰指数大于所述高阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温模拟值；当所述无线电频率干扰指数小于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值；当所述无线电频率干扰指数小于等于所述高阈值且大于等于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值与模拟值的加权平均：

[0052]

[0053] 其中，TBcorr、TBobs、TBsimu分别为所述无线电频率干扰指数校正值、观测值、模拟值，RFIindex为所述无线电频率干扰指数，Tlow、Thigh分别为所述低阈值、高阈值，α为加权系数。

[0054] 进一步地，所述加权系数为：

[0055]

[0056] 其中，α为所述加权系数，Tlow、Thigh分别为所述低阈值、高阈值，RFIindex为所述无线电频率干扰指数。

[0057] 在步骤104中，加权平均是指依据不同的无线电频率干扰指数，对所述低频通道亮温观测值和所述低频通道亮温模拟值采用不同的加权系数来校正受无线电频率干扰影响的观测点的亮温值。所述加权系数，可以按照本发明实施例中的计算方法计算得到，也可以是其他用于校正无线电频率干扰指数的数值，这里不做特别限定。

[0058] 优选地，所述高阈值、低阈值采用图像处理算法计算得到或采用人工设定得到。所述图像处理算法，如OTSU算法，所述人工设定时，高阈值、低阈值需要大于机器学习算法模拟的误差值，一般地，高阈值为20、低阈值为5，更优地，高阈值为15、低阈值为5。需说明的是，所述高阈值、低阈值可以是本发明实施例的20、5，也可以是其他数值，这里不做特别限定。

[0059] 本发明实施例提供的星载微波传感器低频通道无线电频率干扰检测及校正方法，对无线电频率干扰指数进行校正，对于大区域甚至全球的RFI检测具有较好的实际应用性，同时检测准确度高。

[0060] 图3(a)为一种星载微波传感器的低频通道亮温观测值实施例，(b)为一种星载微波传感器的低频通道亮温模拟值实施例，(c)为一种星载微波传感器的无线电频率干扰指数实施例，(d)为一种星载微波传感器的无线电频率干扰指数校正值实施例。

[0061] 图3(a)中，所述低频通道亮温观测值从风云卫星上的微波成像仪采集得到，所述低频通道亮温观测值为欧洲大陆附近微波成像仪在10.65GHz垂直极化通道的测量值，数据采集时间为2014年7月3日。

[0062] 图3(b)中，所述低频通道亮温模拟值根据2014年7月3日采集的欧洲大陆附近的高频通道亮温观测值，通过训练模型，模拟得到。

[0063] 图3(c)中，所述无线电频率干扰指数根据2014年7月3日采集的欧洲大陆附近的10.65GHz垂直极化通道的亮温观测值、和所述低频通道亮温模拟值，进行差值得到，所述无线电频率干扰指数的大小表征了观测点受无线电频率干扰影响的强弱。

[0064] 图3(d)中，所述无线电频率干扰指数校正值根据所述无线电频率干扰指数，进行校正得到。

[0065] 将所述无线电频率干扰指数与高、低阈值进行比较：当所述无线电频率干扰指数大于所述高阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温模拟值；当所述无线电频率干扰指数小于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值；当所述无线电频率干扰指数小于等于所述高阈值且大于等于所述低阈值时，所述无线电频率干扰指数校正值为所述低频通道亮温观测值与模拟值的加权平均：

[0066]

[0067] 其中，TBcorr、TBobs、TBsimu分别为所述无线电频率干扰指数校正值、观测值、模拟值，RFIindex为所述无线电频率干扰指数，Tlow、Thigh分别为所述低阈值、高阈值，α为加权系数。

[0068] 进一步地，所述加权系数为：

[0069]

[0070] 其中，α为所述加权系数，Tlow、Thigh分别为所述低阈值、高阈值，RFIindex为所述无线电频率干扰指数。

[0071] 在本发明实施例中，所述高阈值为15，所述低阈值为5。

[0072] 需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0073] 以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。