基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测

王昶; 张永生; 王旭

doi:10.13203/j.whugis20190167

基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测

王昶^{1, 2,},
张永生²,
王旭^{2, 3}

1.
辽宁科技大学土木工程学院, 辽宁鞍山, 114051
2.
信息工程大学地理空间信息学院, 河南郑州, 450001
3.
辽宁生态工程职业学院林学院, 辽宁沈阳, 110101

基金项目:

国家自然科学基金 41671409

详细信息

作者简介:
王昶, 博士, 副教授, 研究方向为遥感影像处理。Wangchang324@163.com

中图分类号: P237
计量
- 文章访问数: 917
- HTML全文浏览量: 195
- PDF下载量: 69
出版历程
- 收稿日期: 2020-11-22
- 发布日期: 2021-06-04

SAR Image Change Detection Based on Variational Method and Markov Random Field Fuzzy Local Information C-Means Clustering Method

WANG Chang^{1, 2,},
ZHANG Yongsheng²,
WANG Xu^{2, 3}

1.
School of Civil Engineering, University of Science and Technology Liaoning, Anshan 114051, China
2.
Institute of Geospatial Information, Information Engineering University, Zhengzhou 450001, China
3.
Surveying and Mapping Engineering Institute, Liaoning Vocational College of Ecological Engineering, Shenyang 110101, China

Funds:

The National Natural Science Foundation of China 41671409

More Information

Author Bio:
WANG Chang, PhD, associate professor, specializes in remote sensing image processing. E-mail: Wangchang324@163.com

摘要

摘要: 为了提高合成孔径雷达(synthetic aperture radar, SAR)影像变化检测的精度, 提出一种基于变分法与马尔可夫随机场模糊局部信息聚类(Markov random field fuzzy local information C-means clustering, MRFFLICM)的SAR影像变化检测方法。首先融合对数比影像和对数均值比影像来构建差异影像; 然后采用变分去噪模型去除差异影像的噪声; 最后利用马尔可夫随机场将空间邻域信息引入到模糊局部信息C均值聚类算法中, 提高聚类的性能。对两组不同时相真实SAR影像数据进行对比实验, 结果表明, 提出的变分去噪方法能够避免去除微小变化区域, 有效抑制SAR影像的斑点噪声, 同时MRFFLICM方法可以有效提高变化检测的精度, 提升了变化检测方法的适应性。
- 变分法 /
- 马尔可夫随机场 /
- 模糊局部聚类方法 /
- SAR影像 /
- 变化检测
Abstract:
Objectives In order to improve the accuracy of SAR(synthetic aperture radar) image change detection, this paper proposes a method of SAR image change detection based on variational method and Markov random field fuzzy local information C-means clustering(MRFFLICM) method.
Methods Firstly, we fuse the logarithmic ratio images and logarithmic mean ratio images to construct the difference image. Secondly, variational denoising model is established to remove the noise from difference images. Finally, the spatial neighborhood information is introduced into fuzzy local information C-means clustering method by using Markov random field to improve the clustering performance.
Results Experiments on two real SAR datasets show that the proposed variational denoising method can avoid removing the small change region and effectively suppress speckle noise of SAR image.
Conclusions The MRFFLICM method can effectively improve the precision of change detection, thus enhancing the adaptability of change detection method.
- variational method /
- Markov random field /
- fuzzy local information C-means clustering method /
- SAR images /
- change detection

HTML全文

电离层大气分子是受太阳高能辐射及宇宙射线激发电离产生的高层大气，距地高度约60~1 000 km，电离层是日地空间的重要组成部分和研究对象，电离层总电子含量（total electron content，TEC）是描述电离层性质的重要物理参数^[1-2]。电磁波信号穿过电离层时，受电离层影响，传播路径和速度发生改变，成为卫星导航中重要的误差源之一^[3-4]。为了提高导航定位精度，需要对观测量进行电离层延迟改正，以国际全球导航卫星系统服务组织（International Global Navigation Satellite System Service，IGS）为代表的全球电离层云图（global ionosphere maps，GIM）是用于电离层延迟改正的常用方法之一^[5-6]，GIM以格网的形式给出了全球范围内电离层总电子含量TEC及相应的均方根（root mean square，RMS）值，适用于全球范围电离层延迟改正。对于区域用户而言，如以1 000 km半径作为活动范围的用户，GIM中区域以外的TEC信息没有用到而且也没有必要，相比于GIM，利用尽可能少的测站建立区域内电离层TEC模型具有更高的效率和更适用的范围，因此，建立单站区域电离层TEC模型，分析其适用范围和精度对区域内用户提高导航定位精度尤为重要。研究人员分析了IGS及欧洲定轨中心（Center for Orbit Determination in Europe，CODE）、中国科学院、美国喷气推进实验室（Jet Propulsion Laboratory，JPL）和西班牙加泰罗尼亚理工大学等分析中心的GIM精度，以及近年来中国GNSS电离层延迟建模的进展，为电离层TEC精度分析提供了一定的参考^[7-8]；基于球谐函数和球冠谐函数建立了中国区域电离层TEC模型，提供了一定的电离层区域建模参考^[9-10]；实现了中国电离层TEC同化现报系统^[11]；基于多项式曲面拟合建立并分析了区域电离层的模型精度^[12]。以上研究的区域范围较广，所用数据模型也是高阶次模型，而基于单站低阶次球谐函数建立区域电离层TEC模型的相关研究较少。

本文基于2~15不同阶次球谐函数分别建立了欧洲区域16个GNSS跟踪站单站区域电离层TEC模型，并与CODE、iGMAS和IGS的全球电离层TEC格网产品进行了对比，分析了单站区域电离层TEC模型的适用范围和精度。

1 单站区域电离层TEC建模方法

在GNSS信号传播过程中，假设沿信号传播路径上的所有电子都集中在无厚度的理想薄层上，薄层高度取450 km，并基于薄层假设利用单站全球定位系统（global positioning system，GPS）双频观测数据，采用载波相位平滑伪距的方法计算传播斜路径上的倾斜电离层总电子含量（slant total electronic content，STEC）值，根据投影映射函数将STEC转化为测站上方的垂直电离层总电子含量（vertical total electron content，VTEC），并与球谐函数模型联立，求解出相应的球谐函数系数，最终将球谐函数系数转化为区域电离层TEC格网文件^[13]。

双频接收机的测距码和载波相位观测方程^[9，14]为：

\{\begin{array}{l} \begin{array}{l} P_{k, i}^{j} = ρ_{i}^{j} + c \times (d t_{i} - d t^{j}) + I_{k, i}^{j} + T_{i}^{j} + \\ c \times r_{k, i} + c \times s_{k}^{j} + ε_{P, k, i}^{j} \end{array} \\ \begin{array}{l} L_{k, i}^{j} = ρ_{i}^{j} + c \times (d t_{i} - d t^{j}) - I_{k, i}^{j} + T_{i}^{j} + \\ ε_{p, k, i}^{j} - λ_{k} N_{k, i}^{j} \end{array} \end{array}

式中， $k$ 为频率编号； $j$ 和 $i$ 分别为卫星编号和接收机编号； $P$ 和 $L$ 分别为测距码和载波相位观测值； $ρ$ 为接收机和卫星间的几何距离；c为真空中的光速； $d t_{i}$ 和 $d t^{j}$ 分别为接收机钟差和卫星钟差； $T$ 和 $I$ 分别为信号传播路径上的对流层延迟和电离层延迟； $r$ 和 $s$ 分别为接收机延迟偏差和卫星硬件延迟偏差； $ε$ 为测距码的观测噪声； $λ$ 为波长； $N$ 为整周模糊度。分别对P₁和P₂、L₁和L₂进行差分，可得P₄和L₄组合：

\{\begin{array}{l} P_{4}^{} = P_{1, i}^{j} - P_{2, i}^{j} = (I_{1, i}^{j} - I_{2, i}^{j}) + c D_{}^{j} + c D_{i}^{} \\ L_{4}^{} = L_{1, i}^{j} - L_{2, i}^{j} = - (I_{1, i}^{j} - I_{2, i}^{j}) - λ (N_{1, i}^{j} - N_{2, i}^{j}) \end{array}

式中， $D_{}^{j} = s_{1}^{j} - s_{2}^{j}$ 和 $D_{i}^{} = r_{1, i} - r_{2, i}$ 分别为卫星码偏差和接收机码偏差。采用相位观测量L₄对伪码观测量P₄进行平滑，伪距测量中电离层延迟量为：

I = \frac{40.28}{f_{}^{2}} δ_{S T E C}

式中，I为电离层延迟量；f为载波相位频率； $δ_{S T E C}$ 为观测路径上倾斜电离层TEC。将式（3）代入式（2）可得：

\{\begin{array}{l} P_{4} = 40.28 (\frac{1}{f_{1}^{2}} - \frac{1}{f_{2}^{2}}) δ_{S T E C} + c D_{}^{j} + c D_{i}^{} \\ L_{4} = - 40.28 (\frac{1}{f_{1}^{2}} - \frac{1}{f_{2}^{2}}) δ_{S T E C} - λ (N_{1, i}^{j} - N_{2, i}^{j}) \end{array}

为了提高伪距观测值的精度，采用Hatch滤波进行载波相位平滑伪距，对于连续观测弧段，平滑方式为：

\{\begin{array}{l} \begin{array}{l} P_{4, s} (t) = \frac{k - 1}{k} [P_{4, s} (t - 1) + L_{4} (t) - \\ L_{4} (t - 1)] + \frac{1}{k} P_{4} (t), t > 1 \end{array} \\ P_{4, s} (1) = P_{4} (1), t = 1 \end{array}

式中， $P_{4, s}$ 为平滑后的伪距观测值；t为历元；k为从平滑开始的总历元数。

将 $P_{4, s}$ 代入式（4）中替代 $P_{4}$ 可得：

P_{4, s}^{} = 40.28 (\frac{1}{f_{1}^{2}} - \frac{1}{f_{2}^{2}}) δ_{S T E C} + c D_{}^{j} + c D_{i}^{}

式中， $f_{1}^{}$ 和 $f_{2}^{}$ 分别为载波相位L₁和L₂的频率。卫星和接收机硬件延迟偏差在一天内可视为无变化，基于减少待估参数和提高建模精度考虑，本文采用CODE解算的卫星硬件延迟偏差参与建模。

将STEC通过单层模型投影函数最终转化为测站上空垂直电离层VTEC^[15]，转化过程为：

\{\begin{array}{l} F (z) = \frac{δ_{S T E C}}{δ_{V T E C}} = \frac{1}{\sqrt[]{1 - {(\frac{R_{e}}{R_{e} + H_{i}} \cdot s i n z)}^{2}}} \\ \begin{array}{l} δ_{V T E C} = \frac{f_{1}^{2} f_{2}^{2}}{40.28 (\frac{R_{e}}{R_{e} + H_{i}} \cdot s i n z) \sqrt[]{1 - {(\frac{R_{e}}{R_{e} + H_{i}} \cdot s i n z)}^{2}}} \times \\ (ρ_{2}^{'} - ρ_{1}^{'}) \end{array} \end{array}

式中， $F (z)$ 为穿刺点处的投影函数； $δ_{V T E C}$ 为测站上空垂直电离层总电子含量； $z$ 为接收机天顶距； $R_{e}$ 为地球半径； $H_{i}$ 为薄层高度。

球谐函数是研究全球范围场力的重要数学模型工具^[16]，基于电离层薄层假设利用球谐函数进行单站区域电离层TEC建模，即用较少的参数很好地拟合区域电离层TEC的整体情况^[4，17]。球谐函数为：

δ_{V T E C (φ, λ)} = \sum_{n = 0}^{n_{m a x}} \sum_{m = 0}^{n} {\tilde{P}}_{n m} s i n φ \times ({\tilde{A}}_{n m} c o s (m λ) + {\tilde{B}}_{n m} s i n (m λ))

式中， $φ$ 与 $λ$ 分别为穿刺点处的纬度和经度； ${\tilde{P}}_{n m} s i n φ$ 为正规化后的n阶m次勒让德函数； ${\tilde{A}}_{m n}$ 与 ${\tilde{B}}_{m n}$ 分别为球谐函数模型系数。球谐函数阶次越低，所求系数越少，解算效率越高，但建模范围也有限，即低阶球谐函数在进行大范围建模时拟合结果较差，系数个数 $N_{p}$ 为：

N_{p} = {(n_{m a x} + 1)}^{2} - (n_{m a x} - m_{m a x}) (n_{m a x} - m_{m a x} + 1)

将式（7）中第2式和式（8）联立，利用最小二乘拟合求解球谐函数模型系数 ${\tilde{A}}_{m n}$ 与 ${\tilde{B}}_{m n}$ ，通过函数转换，将球谐系数转换为通用电离层TEC格网格式^[18]。

2 电离层TEC精度分析方法

CODE发布的电离层TEC最终产品精度为2~8 TECU，时间滞后约7 d^[7]，是利用全球300多个IGS跟踪站，基于15×15阶球谐函数建立全球电离层TEC模型解算得到的；IGS发布的电离层TEC最终产品精度为2~8 TECU，时间滞后为12 d^[19]，是综合了CODE和JPL两个分析中心的电离层产品得到的；国内iGMAS发布的电离层TEC最终产品精度为2~8 TECU，时间滞后约12 d^[20]，是由8个iGMAS分析中心的电离层产品加权得到的。因为这3个机构发布的电离层产品比较权威，所以用其作为电离层TEC精度比较分析的基准。

利用单个测站GNSS数据建立电离层TEC模型，并生成电离层TEC格网转换（ionosphere map exchange format，IONEX）格式文件，与CODE、IGS和iGMAS的GIM格式相同，即将测区按纬度和经度分辨率为2.5°×5°格网化，给出了每个格网点的电离层TEC值和相应的RMS值，每天分为采样间隔为2 h的13幅电离层TEC格网图。取以观测站为中心，格网经纬度范围分别为0°×0°、10°×5°、10°×10°、10°×15°、20°×15°和20°×20°内所有格网点上电离层TEC的平均值和RMS的平均值，并分别与CODE、iGMAS和IGS的电离层GIM产品中相应的TEC的平均值和RMS的平均值进行对比分析，格网经纬度范围如图 1所示。

图 1 格网经纬度范围

Figure 1. Latitude and Longitude Range of Grid

下载: 全尺寸图片幻灯片

3 数据准备

3.1 基本观测数据

本文研究区域范围为欧洲5°W~45°E、30°N~60°N。选取区域中的16个IGS跟踪站（gope、ganp、polv、mat1、wtzr、riga、onsa、morp、ebre、ankr、opmt、pots、leij、bzrg、glsv、mdvj）如图 2所示。观测时间为2017-12-23—2017-12-29，年积日（day of year，DOY）为第357~363天，共7 d连续24 h观测数据，采样间隔为30 s，卫星截止高度角为15°。以每个测站GNSS观测数据为背景，分别建立单站区域的电离层TEC模型，并生成相应的单站电离层TEC格网IONEX格式文件。

图 2 欧洲区域16个GNSS跟踪站分布图

Figure 2. Map of 16 GNSS Tracking Stations in the European Region

下载: 全尺寸图片幻灯片

3.2 空间环境分析

电离层TEC的变化受到太阳活动剧烈程度和磁暴的影响较大，相比于空间活动平静时期，太阳剧烈活动和发生磁暴的概率较小且影响时间较短，因此，充分考虑这二者可能带来的不确定影响，本文仅选取太阳活动平静和未发生磁暴的时段进行建模和数据分析。

观测时段内2017年DOY第357~363天的太阳活动F10.7指数和地磁Kp指数分别如图 3和图 4所示。

图 3 2017年DOY第357~363天太阳F10.7指数

Figure 3. Solar F10.7 Index from DOY 357 to 363 in 2017

下载: 全尺寸图片幻灯片

图 4 2017年DOY第357~363天地磁Kp指数

Figure 4. Geomagnetic Kp Index from DOY 357 to 363 in 2017

下载: 全尺寸图片幻灯片

由图 3和图 4可知，太阳活动F10.7指数均小于100×10^-22 W/（m²·Hz），说明太阳活动处于平静时期；地磁Kp指数均小于5，说明未发生磁暴，因此，在此期间解算的电离层TEC具有一般性。

4 单站区域电离层TEC精度分析

4.1 单站0°×0°区域电离层TEC精度分析

1）分别基于2~15阶次球谐函数建立16个测站的单站电离层TEC模型，并生成电离层格网IONEX格式产品。分别提取每天每个测站对应的电离层格网产品中距离每个测站最近的格网点（即测站0°×0°范围）的TEC值和RMS值，并求7 d的平均值，与CODE、IGS和iGMAS相对应的值进行比较。16个测站2~15阶次球谐函数模型电离层、CODE、IGS和iGMAS在每个测站0°×0°范围7 d的TEC平均值和RMS平均值如图 5所示。图 5中，codg、iscg和igsg分别表示CODE、iGMAS和IGS电离层产品的结果。

图 5 16个测站0°×0°范围7天的TEC平均值

Figure 5. TEC Mean Values of 16 Stations in the Range of 0°×0° for 7 Days

下载: 全尺寸图片幻灯片

由图 5（a）可知，基于2~15阶次球谐函数建立的16个单站区域电离层TEC模型在每个测站0°×0°范围7 d的TEC平均值约为4~5 TECU，与CODE和iGMAS相当，与IGS的差值小于1 TECU，说明2~15阶次球谐函数建立的单站区域电离层TEC模型在适用性上具有一致性，即在单站单点0°×0°范围内，区域电离层TEC模型的建立上差别不大，但随着球谐函数阶次数的不断增加，其需要估计的系数也不断增加，2×2阶次和15×15阶次球谐函数需要估计的球谐系数分别为9个和256个，后者的估计系数是前者的28倍，在解算效率上，前者明显优于后者，相比之下，可以选择低阶（2×2或3×3）球谐函数进行单站区域电离层TEC建模。

由图 5（b）可知，在RMS方面，基于2~15阶次球谐函数建立的16个单站区域电离层TEC模型在每个测站0°×0°范围7 d的RMS平均值相差较小，且与IGS相当，约为0.9 TECU，与CODE和iGMAS最大相差0.8 TECU。图 5（b）中显示的所有电离层产品的RMS均小于1.0 TECU，均优于CODE、iGMAS或者IGS电离层产品的官方精度（2~8 TECU），说明在这一区域所有电离层产品均具有较高的精度，相比于高阶次球谐函数，可以选择低阶（2×2或3×3）球谐函数进行单站区域电离层TEC建模。

本文展示了bzrg和wtzr两个单站解算的电离层产品在测站0°×0°范围7 d的TEC平均值和RMS平均值，分别如图 6和图 7所示。

图 6 bzrg站0°×0°范围7天的TEC平均值和RMS平均值

Figure 6. Mean Values of TEC and RMS for 7 Days in the Range of 0°×0° at bzrg Station

下载: 全尺寸图片幻灯片

图 7 wtzr站0°×0°范围7天的TEC平均值和RMS平均值

Figure 7. Mean Values of TEC and RMS for 7 Days in the Range of 0°×0° at wtzr Station

下载: 全尺寸图片幻灯片

由图 6和图 7可知，基于2~15不同阶次球谐函数模型建立的bzrg和wtzr两个单站区域电离层TEC模型，在0°×0°范围内TEC值与CODE、iGMAS和IGS相当，RMS均小于1.0 TECU，与16个测站平均值的结果一致。

4.2 单站不同区域电离层TEC精度分析

以基于2~15不同阶次球谐函数分别建立的16个单站的区域电离层TEC格网文件为基础，取以每个观测站为中心，格网经纬度分别为0°×‍0°、10°×5°、10°×10°、10°×15°、20°×15°和20°×20°范围内所有格网点上电离层TEC的平均值和RMS的平均值，并分别与CODE、iGMAS和IGS的电离层GIM产品中相应的TEC的平均值和RMS的平均值进行对比分析，16个测站不同范围7天的TEC平均值和RMS平均值如图 8所示。

图 8 16个测站不同范围7天的TEC平均值

Figure 8. TEC Mean Values of 16 Stations in Different Ranges for 7 Days

下载: 全尺寸图片幻灯片

图 8（a）整体反映了16个单站建立的区域电离层TEC模型在不同区域的TEC均值情况，其中，2~15不同阶次的球谐函数电离层TEC模型的TEC值整体处于CODE、iGMAS和IGS之间，表明若以CODE、iGMAS和IGS的电离层产品为比较基准，则在以单个测站为中心，经纬度范围20°×20°的区域内，本文的方法建立的单站区域电离层模型TEC值与CODE、iGMAS和IGS的电离层产品的TEC值精度相当。

图 8（b）整体反映了16个单站建立的区域电离层TEC模型在不同区域的RMS均值情况。由图 8（b）可知，以单测站为中心，同一取值范围区域（以20°×20°为例）内，随球谐函数模型阶次的增加，RMS随之增大，且与IGS的RMS相差在3 TECU以内，2×2或3×3阶次球谐函数的RMS则与IGS的RMS相当。以单测站为中心，在10°×10°范围内，RMS约为0.8~1.5 TECU，且与IGS的差值约为0.5 TECU。超过这一个范围，如10°×15°、20°×15°和20°×20°以内，其RMS值与IGS的RMS相差较大，约为2~3 TECU。

综合图 8（a）和图 8（b）可知，就其TEC而言，单站建立的区域电离层TEC模型经纬度范围20°×20°的区域内TEC值与IGS的TEC值相当；但就其RMS而言，经纬度范围10°×10°以外的RMS与IGS的RMS相差较大，经纬度范围10°×‍10°以内的球谐函数阶次越低，其模型RMS越小，因此，以单测站为中心，在10°×10°范围区域内，基于低阶（2×2或3×3）球谐函数建立的单站区域电离层TEC模型的精度与IGS的TEC模型的精度相当，即单站区域电离层TEC模型的适用半径约为600 km，精度约为1 TECU。

pots站、ganp站解算的区域电离层TEC产品以测站为中心，格网经纬度分别为0°×0°、10°×5°、10°×10°、10°×15°、20°×15°和20°×20°不同范围内所有格网点7天的TEC平均值和RMS平均值，分别如图 9和图 10所示。

图 9 pots站不同范围7天的TEC和RMS平均值

Figure 9. Mean Values of TEC and RMS of Different Ranges for 7 Days at pots Station

下载: 全尺寸图片幻灯片

图 10 ganp测站不同范围7天的TEC和RMS平均值

Figure 10. Mean Values of TEC and RMS of Different Ranges for 7 Days at ganp Station

下载: 全尺寸图片幻灯片

由图 9可知，基于2~15阶次球谐函数，以pots测站建立的单站区域电离层TEC模型，在距离测站中心不同区域范围内，其TEC值比CODE和iGMAS的TEC值高约0.6 TECU，比IGS的TEC值低约0.2 TECU，整体位于CODE、iGMAS和IGS电离层产品之间。RMS随球谐函数阶次和取值区域范围的增大而增大，在10°×10°范围以内，单站模型的RMS与IGS的RMS相当。

由图 10可知，基于2~15阶次球谐函数，以ganp测站建立的单站区域电离层TEC模型，在距离测站中心不同区域范围内，其TEC值与CODE和iGMAS的TEC值相当，比IGS小约0.4 TECU，整体位于CODE、iGMAS和IGS电离层产品之间。RMS随球谐函数阶次和取值区域范围的增大而增大，在10°×10°范围以内，单站模型的RMS与IGS的RMS相当。

pots站和ganp站所观测的GPS卫星星下点轨迹如图 11所示。由图 11可知，pots和ganp两个测站的GPS卫星星下点轨迹范围均为经度约40°，纬度约25°，即经纬度范围约40°×25°，其范围远大于以上的数据分析的最大范围20°×20°，在进一步的定量数据分析和精度比较评估中，将单站区域电离层TEC的适用范围缩小至经纬度10°×‍10°（半径小于600‍ km），在精度和范围上均足以满足对某一城市单频用户电离层延迟改正的需求，既提高了电离层产品的实效性，精度也与CODE、iGMAS和IGS电离层产品相当，约为1 TECU，因此，对区域小范围内（半径小于600 km）为单频用户提供高精度的电离层延迟改正具有重要意义，同时，在单频导航定位综合服务中具有广阔的应用前景。

图 11 pots站观测的GPS卫星星下点轨迹图

Figure 11. GPS Sub Satellite Point Trajectory Map Observed at pots Station

下载: 全尺寸图片幻灯片

本文展示了部分单站电离层TEC云图，2017-12-25（DOY第359天）协调世界时（coordinate universal time，UTC）10：00、12：00、14：00，IGS和基于2×2和3×3阶次球谐函数以ganp单站观测数据建立电离层TEC模型的电离层TEC云图如图 12所示。

图 12 IGS和ganp单站2~3阶次区域电离层TEC云图

Figure 12. TEC Cloud Images of Second-and-Third-Order Ionosphere of IGS and ganp Stations

下载: 全尺寸图片幻灯片

2017-12-25（DOY第359天）UTC 10：00、12：‍00、14：00，IGS和基于2×2和3×3阶次球谐函数以pots单站观测数据建立电离层TEC模型的电离层TEC云图如图 13所示。

图 13 IGS和pots单站2~3阶次区域电离层TEC云图

Figure 13. TEC Cloud Images of Second-and-Third-Order Ionosphere of IGS and pots Stations

下载: 全尺寸图片幻灯片

由图 12和图 13可知，以ganp或pots测站为中心，格网经纬度在10°×10°范围以内，以ganp或pots建立的单站区域电离层TEC模型与IGS全球电离层TEC模型具有高度一致性，表明基于低阶（2×2或3×3）球谐函数建立的单站区域电离层TEC模型的精度与IGS全球电离层TEC模型精度相当。

5 结语

为了分析单站区域电离层TEC建模的适用范围和精度，本文基于2~15阶次球谐函数，分别建立了欧洲区域16个单站区域电离层TEC模型，并生成了区域电离层TEC格网。通过与相同格式的CODE、iGMAS和IGS等权威电离层TEC产品的比较分析，结果表明，单站建立的区域电离层TEC模型经纬度范围20°×20°的区域内TEC值与IGS的TEC值相当，相应的RMS随球谐函数阶次和取值区域范围的增大而增大。顾及TEC值和RMS，整体而言，在以单站为中心、经纬度范围10°×10°以内（半径小于600 km），基于低阶（2×2或3×3）球谐函数建立的单站区域电离层TEC模型的精度与CODE、iGMAS和IGS等的全球电离层TEC模型相当，其精度约为1.0 TECU。因此，可以基于低阶（2×2或3×3）球谐函数建立单站区域电离层TEC模型，在半径600 km范围内代替全球电离层TEC模型，极大地提高了电离层TEC建模的解算效率和产品实效性，对区域单频用户提供及时、高精度的电离层延迟改正信息具有重要意义。

图 1 本文方法流程图

Figure 1. Flowchart of Our Proposed Method

下载: 全尺寸图片幻灯片

图 2 黄河数据集和邯郸数据集

Figure 2. SAR Image Datasets of the Yellow River and Handan

下载: 全尺寸图片幻灯片

图 3 两组数据集得到的DI_L、DI_M、DI_LM影像

Figure 3. DI_L, DI_M, DI_LM Images of Two Datasets

下载: 全尺寸图片幻灯片

图 4 不同方法对黄河数据集的变化检测结果(无去噪方法)

Figure 4. Results of Change Detection for the Yellow River Dataset by Different Methods (Without Denoising Method)

下载: 全尺寸图片幻灯片

图 5 不同方法对邯郸数据集的变化检测结果(无去噪方法)

Figure 5. Results of Change Detection for Handan Dataset by Different Methods (Without Denoising Method)

下载: 全尺寸图片幻灯片

图 6 不同方法对黄河数据集的变化检测结果(增加去噪方法)

Figure 6. Results of Change Detection for the Yellow River Dataset by Different Methods (with Denoising Method)

下载: 全尺寸图片幻灯片

图 7 不同方法对Handan数据集的变化检测结果(增加去噪方法)

Figure 7. Results of Change Detection for Handan Dataset by Different Methods (with Denoising Method)

下载: 全尺寸图片幻灯片

图 8 不同方法对黄河数据集变化检测结果

Figure 8. Results of Change Detection for the Yellow River Dataset by Different Methods

下载: 全尺寸图片幻灯片

图 9 不同方法对邯郸数据集变化检测结果

Figure 9. Results of Change Detection for Handan Dataset by Different Methods

下载: 全尺寸图片幻灯片

表 1 不同方法对两组SAR数据集的变化检测评价指标统计结果(无去噪方法)

Table 1 Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (Without Denoising Method)

数据集	方法	FP	FN	OE	Kappa系数
黄河河口数据集	DI_LM-FCM	10 636	1 928	12 564	0.544 2
	DI_LM-FLICM	1 065	3 039	4 104	0.802 2
	DI_LM-MRFFCM	6 987	2 156	9 143	0.635 6
	DI_LM-MRFFLICM	1 588	2 242	3 830	0.822 6
邯郸数据集	DI_LM-FCM	154 836	5 078	159 914	0.188 0
	DI_LM-FLICM	33 531	7 046	40 567	0.545 0
	DI_LM-MRFFCM	137 705	4 856	142 561	0.217 3
	DI_LM-MRFFLICM	28 893	5 304	34 197	0.605 3

下载: 导出CSV

表 2 不同方法对两组SAR数据集的变化检测评价指标统计结果(增加去噪方法)

Table 2 Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods (with Denoising Method)

数据集	方法	FP	FN	OE	Kappa系数
黄河数据集	DI_LM-Lee滤波-MRFFLICM	1 723	2 483	4 206	0.804 6
	DI_LM-Frost滤波-MRFFLICM	1 487	2 339	3 826	0.821 7
	DI_LM-均值滤波-MRFFCM	1 588	2 242	3 830	0.822 6
	DI_LM-VDM-MRFFLICM	1 794	2 026	3 820	0.825 2
邯郸数据集	DI_LM-Lee滤波-MRFFLICM	21 584	5 653	27 237	0.659 3
	DI_LM-Frost滤波-MRFFLICM	23 283	5 571	28 854	0.645 9
	DI_LM-均值滤波-MRFFCM	15 352	4 664	20 016	0.734 4
	DI_LM-VDM-MRFFLICM	14 812	4 276	19 088	0.746 2

下载: 导出CSV

表 3 不同方法对两组SAR数据集的变化检测评价指标统计结果

Table 3 Evaluation Indicators Results of Change Detection of Two SAR Datasets by Different Methods

数据集	方法	FP	FN	OE	Kappa系数
黄河河口数据集	PCAKM	2 137	2 663	4 800	0.778 5
	NBR-ELM	621	3 403	4 024	0.801 1
	DNN	6 463	1 841	8 304	0.560 0
	IVDM	2 049	2 696	4 745	0.780 3
	DI_LM-VDM-MRFFLICM	1 794	2 026	3 820	0.825 2
邯郸数据集	PCAKM	8 077	21 499	29 576	0.455 1
	NBR-ELM	9 618	16 727	26 345	0.635 2
	DNN	18 162	2 161	20 323	0.609 0
	IVDM	19 907	3 060	22 967	0.715 5
	DI_LM-VDM-MRFFLICM	14 812	4 276	19 088	0.746 2

下载: 导出CSV

参考文献(17)

[1]	Bovolo F, Bruzzone L. A Detail-Preserving Scale-Driven Approach to Change Detection in Multitemporal SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(12): 2 963-2 972 doi: 10.1109/TGRS.2005.857987
[2]	Inglada G, Mercier G. A New Statistical Similarity Measure for Change Detection in Multitemporal SAR Images and Its Extension to Multiscale Change Analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1 432-1 445 doi: 10.1109/TGRS.2007.893568
[3]	Ma J J, Gong M G, Zhou Z Q. Wavelet Fusion on Ratio Images for Change Detection in SAR Images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 18(6): 1 122-1 126
[4]	Hou B, Wei Q N, Zheng Y G, Wang S. Unsupervised Change Detection in SAR Image Based on Gauss-Log Ratio Image Fusion and Compressed Projection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3 297-3 317 doi: 10.1109/JSTARS.2014.2328344
[5]	周文艳, 贾振红, 杨杰. 基于组合差异图和FCM聚类的SAR图像变化检测[J]. 激光杂志, 2018, 39(3): 89-93 https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ201803020.htm Zhou Wenyan, Jia Zhenhong, Yang Jie. Change Detection in SAR Images Based on Combined Different Image and FCM Clustering[J]. Laser Journal, 2018, 39(3): 89-93 https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ201803020.htm
[6]	庄会富, 邓喀中, 余美, 等. 结合KI准则和逆高斯模型的SAR影像非监督变化检测[J], 武汉大学学报·信息科学版, 2018, 43(2): 282-288 doi: 10.13203/j.whugis20160079 Zhuang Huifu, Deng Kazhong, Yu Mei, et al. A Novel Approach Combining KI Criterion and Inverse Gaussian Model to Unsupervised Change Detection in SAR Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 282-288 doi: 10.13203/j.whugis20160079
[7]	Celik T. Unsupervised Change Detection in Satellite Images Using Principal Component Analysis and K-Means Clustering[J]. IEEE Geoscience & Remote Sensing Letters, 2009, 6(4): 772-776
[8]	Gong M, Zhou Z, Ma J. Change Detection in Synthetic Aperture Radar Images Based on Image Fusion and Fuzzy Clustering[J]. IEEE Transactions Image Process, 2012, 21(4): 2 141-2 151 doi: 10.1109/TIP.2011.2170702
[9]	Pal N R, Pal K, Keller J M, et al. A Possibilistic Fuzzy C-Means Clustering Algorithm[J]. IEEE Transactions on Fuzzy Systems, 2005, 13(4): 517-530 doi: 10.1109/TFUZZ.2004.840099
[10]	Stelios K, Vassilios C. A Robust Fuzzy Local Information C-Means Clustering Algorithm[J] IEEE Transactions on Image Processing, 2010, 19(5): 1 328-1 337 doi: 10.1109/TIP.2010.2040763
[11]	Yousif O, Ban Y. Improving SAR-Based Urban Change Detection by Combing MAPMRF Classifier and Nonlocal Means Similarity Weights[J]. IEEE Journal of Selected Topics in Applied Earth, 2014, 7(10): 4 288-4 300 doi: 10.1109/JSTARS.2014.2347171
[12]	Gong M, Su L, Jia M, et al. Fuzzy Clustering with a Modified MRF Energy Function for Change Detection in Synthetic Aperture Radar Images[J]. IEEE Transactions on Fuzzy Systems, 2014, 22(1): 98-109 doi: 10.1109/TFUZZ.2013.2249072
[13]	Feng Gao, Jun Yudong, Bo Li, et al. Change Detection from Synthetic Aperture Radar Images Based on Neighborhood-Based Ratio and Extreme Learning Machine[J]. Journal of Applied Remote Sensing, 2016, 10(4) : 1-14
[14]	Gong Maoguo, Zhao Jiaojiao, Liu Jia, et al. Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(1): 125-138 doi: 10.1109/TNNLS.2015.2435783
[15]	Liao F, Koshelev E, Malcolm M, et al. Change Detection by Deep Neural Networks for Synthetic Aperture Radar Images[C]//International Conference on Computing, Networking and Communications (ICNC), Silicon Valley, California, USA, 2017
[16]	Yan Weidong, Shi Shaojun, Pan Lulu, et al. Unsupervised Change Detection in SAR Images Based on Frequency Difference and a Modified Fuzzy C-Means Clustering[J]. International Journal of Remote Sensing, 2018, 39(10): 3 055-3 075 doi: 10.1080/01431161.2018.1434325
[17]	王昶, 王旭, 纪松. 基于变分法遥感影像条带噪声去除[J]. 西安交通大学学报, 2019, 53(3): 143-149 https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT201903020.htm Wang Chang, Wang Xu, Ji Song. Stripe Noise Removal of Remote Images Based on Variation[J]. Journal of Xi'an Jiaotong University, 2019, 53(3): 143-149 https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT201903020.htm

施引文献(11)

期刊类型引用(7)

1.	倪育德，闫苗玉，刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测. 航空学报. 2024(04): 192-205 . 百度学术
2.	吴文坛，王新广，石少坚，史进志，郧晓光. 基于河北省CORS的区域电离层模型精度分析. 地理空间信息. 2023(01): 148-151 . 百度学术
3.	蒋磊，孙蕊，刘正午，徐成，梁的达，胡德振. 基于GA-BP的中欧GNSS电离层误差建模与精度分析. 北京航空航天大学学报. 2023(06): 1533-1542 . 百度学术
4.	赵奕源，吴文坛，赵春梅，秘金钟，莫雁寒，田时雨，李得海. 不同活跃状态下香港区域电离层建模分析. 测绘科学. 2023(08): 72-80 . 百度学术
5.	孙帆，宁一鹏，邢建平，王森，代培培. 单站区域实时电离层异常改正拟合模型研究. 电子器件. 2023(05): 1294-1299 . 百度学术
6.	章淑君，邱蕾，陆浩楠，夏朋飞，叶世榕. 利用北斗GEO卫星观测监测深圳市周围地区电离层空间环境. 测绘地理信息. 2022(05): 12-16 . 百度学术
7.	张兴汉. Klobuchar与GIM模型对GNSS单点定位精度影响分析. 测绘与空间地理信息. 2022(12): 184-187 . 百度学术

其他类型引用(4)

资源附件(0)

图(9) / 表(3)

计量

文章访问数: 917
HTML全文浏览量: 195
PDF下载量: 69
被引次数: 11

1 单站区域电离层TEC建模方法
2 电离层TEC精度分析方法
3 数据准备
3.1 基本观测数据
3.2 空间环境分析
4 单站区域电离层TEC精度分析
4.1 单站0°×0°区域电离层TEC精度分析
4.2 单站不同区域电离层TEC精度分析
5 结语

基于变分法与Markov随机场模糊局部信息聚类法的SAR影像变化检测

作者简介: 王昶, 博士, 副教授, 研究方向为遥感影像处理。Wangchang324@163.com

计量

出版历程