機載雷達測繪遙感圖像下的典型空間信息數(shù)據(jù)挖掘方法*

張桂蓮，張東華，鄭福海

(1.內(nèi)蒙古自治區(qū)測繪地理信息中心，內(nèi)蒙古自治區(qū) 呼和浩特 010010；2.中國地質(zhì)大學(北京)土地科學技術(shù)學院，北京 100083；3.內(nèi)蒙古農(nóng)業(yè)大學 水利與土木建筑工程學院，內(nèi)蒙古 呼和浩特 010010；4.自然資源部第二地理信息制圖院，黑龍江 哈爾濱 150081)

0 引言

空間信息數(shù)據(jù)挖掘即在空間數(shù)據(jù)集合里提取出隱藏知識或空間關(guān)系，根據(jù)空間屬性數(shù)據(jù)與非空間屬性數(shù)據(jù)，完成空間拓撲關(guān)系、方位以及距離等構(gòu)建，實現(xiàn)空間信息存儲與查找.空間信息數(shù)據(jù)挖掘作為地球信息科學發(fā)展的關(guān)鍵環(huán)節(jié)[1]，在自然與社會現(xiàn)象時空變化、動態(tài)監(jiān)測以及時空預(yù)測等重要領(lǐng)域中占據(jù)著舉足輕重的地位.

相關(guān)學者也在相關(guān)領(lǐng)域取得了一些成果.周國玉[2]等為探究銅陵礦集區(qū)姚家?guī)X鋅金多金屬礦床深部地質(zhì)，利用全數(shù)據(jù)模式獲取姚家?guī)X礦床的鉆孔數(shù)據(jù)，劃分深部數(shù)據(jù)挖掘范圍.定量化分析構(gòu)建的塊體模型三維歐式距離場與空間的相關(guān)程度，實現(xiàn)多金屬礦床深部空間信息數(shù)據(jù)挖掘.由于機載激光雷達技術(shù)在地理測繪中具有較高的測量勘測精度，可以滿足不同測繪環(huán)境需求，葉光豪[3]等利用機載激光雷達技術(shù)獲取點云數(shù)據(jù)，采用基于地理對象和基于像素的變化檢測方法相結(jié)合的方法，提供了沙丘的水平變形數(shù)據(jù)，對監(jiān)測沙丘變形及其規(guī)律具有重要意義，但是其各個監(jiān)測參數(shù)間的匹配度較低.Shi Y[4]等提出了一種新的合成孔徑雷達層析成像處理框架，將非局部濾波與合成孔徑雷達層析成像反演相結(jié)合，以處理這些極小的疊加.該算法的適用性通過使用具有五個雙基地干涉圖的串聯(lián)X多基線疊加來證明.該方法采集的建筑物高程數(shù)據(jù)精度較高，為實現(xiàn)高質(zhì)量的大規(guī)模三維城市地圖提供了參考.Hang R[5]等使用兩個耦合卷積神經(jīng)網(wǎng)絡(luò)(CNN)融合高光譜和光探測與測距(LiDAR)數(shù)據(jù).一個CNN用于從高光譜數(shù)據(jù)中學習光譜空間特征，另一個用于從激光雷達數(shù)據(jù)中捕獲高程信息.該模型在城市數(shù)據(jù)集和農(nóng)村數(shù)據(jù)集上進行了驗證，結(jié)果表明該方法具有較高的測繪精度.但是由于被測區(qū)域地理環(huán)境較為復雜，上述兩種方法在其他類型空間信息數(shù)據(jù)挖掘時的精度有待進一步優(yōu)化.

地理環(huán)境較為復雜，諸如人類、動植物、大氣、建筑物、地形、地質(zhì)等影響因素較多，為外界空間信息數(shù)據(jù)獲取與挖掘帶來較大難度，空間信息數(shù)據(jù)方法需整合以往研究經(jīng)驗，擴大自身優(yōu)勢，因此，本文在機載雷達地理測繪遙感圖像中，構(gòu)建一種空間信息數(shù)據(jù)挖掘方法.其關(guān)鍵之處在于歸一化處理初始數(shù)據(jù)，避免較大數(shù)據(jù)對較小數(shù)據(jù)產(chǎn)生過大的抑制作用；應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)展開空間信息數(shù)據(jù)挖掘，增加挖掘精度.創(chuàng)新之處在于引用模糊神經(jīng)網(wǎng)絡(luò)算法，在地理信息系統(tǒng)數(shù)據(jù)庫中進行模糊神經(jīng)網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)的自適應(yīng)調(diào)整，使存入的空間信息數(shù)據(jù)參數(shù)間的匹配度和自適應(yīng)性較高，為以機載雷達遙感圖像為基礎(chǔ)的典型空間測繪工作提供參考.

1 機載雷達測繪遙感圖像中的空間信息采集

采集機載雷達測繪遙感圖像中的空間信息時，主要利用動態(tài)差分GPS(Global Positioning System，全球定位系統(tǒng))接收機、姿態(tài)測量裝置、激光測距儀、CCD相機等裝置.采集過程中，將飛機作為雷達的觀測平臺，采用激光掃描測距技術(shù)，通過傳感器同步獲取包含地球表面的三維空間信息與少量的紅外光譜信息的遙感圖像.

1.1 遙感圖像中的對地定位信息采集

已知定位模是S、方向是(φ,ω,κ)的向量存在于空間中，假設(shè)目標向量起點Os與另一端點P的坐標為(Xs,Ys,Zs)和(X,Y,Z)，當測量得到起點坐標Os后，端點P的坐標也可明確.根據(jù)采集的機載雷達測繪遙感圖像，設(shè)定遙感器光學系統(tǒng)投影中心是起點Os，利用動態(tài)差分GPS接收機測得起點Os坐標數(shù)據(jù)；機載雷達測距儀測量投影中心與地面雷達腳點的間距是向量模S，通過雷達測距系統(tǒng)測得間距值，同時，采用姿態(tài)測量裝置測得姿態(tài)參數(shù)(φ,ω,κ).對于雷達掃描設(shè)備傾斜角、仰俯角、航偏角以及針對GPS天線相位中心的雷達測距光學投影中心偏差等諸多系統(tǒng)相關(guān)參數(shù)，可分別通過對應(yīng)的參數(shù)檢校策略進行確定.對地定位示意圖如圖1和圖2所示.

圖1 對地定位示意圖Fig.1 Schematic diagram of ground positioning

圖2 機載雷達系統(tǒng)掃描示意圖Fig.2 Scanning diagram of airborne radar system

為使數(shù)據(jù)不失一般性，采取線掃描形式獲取地理信息.設(shè)定端點P為地面任意一點，掃描設(shè)備是Os，針對掃描中心線而言點P的角度為θ，則采用下列計算公式求解地面點P坐標：

(1)

式中，a1=cosφcosκ-sinφsinωsinκ、a2=-cosφsinκ-sinφsinωcosκ、a3=-sinφcosω、b1=cosωsinκ、b2=cosωcosκ、b3=-sinω、c1=sinφcosλ+cosφsinωsinκ、c2=-sinφsinκ+cosφsinωcosκ、c3=cosφcosω.以此獲得對地定位結(jié)果，如圖3所示.

圖3 線掃描模式下對地定位示意圖Fig.3 Schematic diagram of ground positioning in line scanning mode

1.2 遙感圖像中的空間測距信息采集

機載激光雷達將無線電波發(fā)射至空中，系統(tǒng)接收器接收被物體與空氣反射過的無線電波，形成用于描述物體與雷達間距的雷達信號.

在采集的遙感圖像中，根據(jù)空氣中光的傳播速度，量測、給定距離中光的往返傳播時間，完成遙感圖像中的距離值計算.

假設(shè)在一定距離內(nèi)光波用t時長完成往返傳播，雷達發(fā)射點與反射點的幾何間距是ρ，真空里光波傳播速度是c，通常取值300 000 km/s，則待測距離的計算公式如下所示：

(2)

若測距系統(tǒng)測量分辨率為Δt，則采用下列表達式界定雷達測距距離分辨率：

(3)

利用圖4所示的脈沖法實現(xiàn)雷達脈沖往返傳播時間測量[6].

圖4 基于脈沖法的雷達脈沖往返傳播時間量測示意圖Fig.4 Schematic diagram of radar pulse round trip propagation time measurement based on pulse method

1.3 遙感圖像中空間雷達腳點距離信息采集

由于單激光脈沖的一次回波只能獲取當前飛機航線下一條掃描線的回波信息，因此采用機械裝置按照線掃描、圓錐掃描以及纖維光學陣列掃描等不同方式展開作業(yè)，如圖5所示，以得到包含一定帶寬的雷達腳點距離信息.在遙感圖像中，該特征的具體提取方法描述如下：

(1)線掃描：通過擺動、旋轉(zhuǎn)掃描鏡，以“Z”字形掃描地面，若對掃描線進行調(diào)整，則能夠轉(zhuǎn)變?yōu)槠叫芯€等其他形式；

(2)圓錐掃描：將掃描反射鏡傾斜，得到一個旋轉(zhuǎn)軸與發(fā)射設(shè)備的激光束呈45°夾角的鏡面傾角，當飛機觀測平臺移動時，地面上將出現(xiàn)多個重疊的橢圓形光斑；

(3)纖維光學陣列掃描：將光纖按直線排列，在地上形成平行光斑或“Z”字形光斑.若光斑為平行光斑，則掃描線點距越短，間隔越大；若光斑為“Z”字形模式，則掃描儀在擺動掃描時可縮小掃描線之間的距離.

圖5 各掃描形式下遙感圖像腳點陣列形式示意圖Fig.5 Schematic diagram of foot array form of remote sensing image under various scanning forms

2 遙感圖像中的空間信息數(shù)據(jù)挖掘算法設(shè)計

基于第2節(jié)利用動態(tài)差分GPS接收機、激光測距儀等裝置采集的空間信息數(shù)據(jù)，為了保證數(shù)據(jù)挖掘效果，本文設(shè)計一種模糊神經(jīng)網(wǎng)絡(luò)對其展開數(shù)據(jù)挖掘，探索空間信息數(shù)據(jù)的隱藏知識.根據(jù)模糊神經(jīng)網(wǎng)絡(luò)特征，將空間信息數(shù)據(jù)挖掘步驟劃分成以下5個階段[7]：

(1)空間信息數(shù)據(jù)選?。喊焉衔臋C載雷達遙感圖像測得的空間信息數(shù)據(jù)存儲至GIS(Geographic Information System，地理信息系統(tǒng))數(shù)據(jù)庫中[8].在可視化階段中利用矩形或圓形等選擇工具，利用GIS數(shù)據(jù)庫的查詢功能，完成數(shù)據(jù)庫的空間樣本數(shù)據(jù)提?。?/p>

(2)空間信息數(shù)據(jù)預(yù)處理：進一步加工提取出的空間樣本數(shù)據(jù)，判定數(shù)據(jù)的完整性與一致性，并去除數(shù)據(jù)中的噪聲數(shù)據(jù).當數(shù)據(jù)存在較大變化時，通過下列表達式歸一化處理初始數(shù)據(jù)，避免較大數(shù)據(jù)對較小數(shù)據(jù)產(chǎn)生過大的抑制作用：

(4)

式中，相關(guān)參數(shù)ξ的極值分別是ξmax、ξmin.

(3)訓練數(shù)據(jù)集架構(gòu)：在數(shù)據(jù)庫中存入經(jīng)過預(yù)處理的空間信息數(shù)據(jù)，設(shè)定選取的空間實體特征集合為A=(A1,A2,…,An)，第i個空間實體的屬性值值域是dom(Ai)，若實體的分類類別數(shù)量是m，則其類別集合為C=(C1,C2,…,Cm)，綜合以上，采用下列表達式描述構(gòu)建的(n+1)元組訓練數(shù)據(jù)集：

AC=(a1,a2,…,an,ck)，

(5)

式中，ai∈dom(Ai)，ck∈C，其中，1≤i≤n，1≤k≤m.

劃分給定數(shù)據(jù)為訓練數(shù)據(jù)組T與檢驗數(shù)據(jù)組T′，訓練數(shù)據(jù)組所含數(shù)據(jù)個數(shù)是N，則(a1,a2,…,an)是相對于訓練數(shù)據(jù)組中各(n+1)元組數(shù)據(jù)的n個輸入變量元，此數(shù)據(jù)的最佳輸出用ck表示，其同時與是包含特征(a1,a2,…,an)的實體所屬種類；

(4)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建與訓練：其中，式(6)為多輸入單輸出的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，式(7)為模糊神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系表達式，該關(guān)聯(lián)中含有的模糊規(guī)則數(shù)量為m：

ψ(k)=f(ξ(k))，

(6)

(7)

采用基于密度峰值和近鄰優(yōu)化的聚類算法[9]，自適應(yīng)調(diào)整模糊神經(jīng)網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，通過學習預(yù)處理后的(n+1)元組訓練數(shù)據(jù)來訓練模糊神經(jīng)網(wǎng)絡(luò)，達成非線性數(shù)學映射.模糊化輸入變量后[10]，機載雷達地理測繪遙感圖像內(nèi)，典型空間被測目標的坐標系可迭代反演，即依據(jù)智能雷達坐標系與機載典型被測空間坐標系關(guān)系，將訓練后的參數(shù)放入典型空間中，獲取數(shù)據(jù)隱藏知識，提高數(shù)據(jù)參數(shù)間的匹配度和自適應(yīng)性，具體步驟如下：

將機載雷達測繪遙感圖像中的數(shù)據(jù)轉(zhuǎn)換成被測目標的絕對信息，找出被測目標的方位及位置坐標.檢測被測目標的系統(tǒng)中含有智能雷達坐標系Ob，Xb，Yb，Zb、機載典型被測空間坐標系Ol，Xl，Yl，Zl兩種坐標系，如圖6所示.

圖6 智能雷達坐標系與機載典型被測空間坐標系關(guān)系Fig.6 Relationship between intelligent radar coordinate system and typical airborne measured space coordinate system

圖6中，h為Ob和Ol沿Z軸的差值b，為Ob和Ol沿Y軸的差值.典型被測空間坐標系(Ol，Xl，Yl，Zl)為以機載雷達測繪遙感圖像Ol為原點的坐標軸，Xl、Yl和Zl分別為沿被測方向向右、正前方和垂直于地面的三維坐標軸.智能雷達坐標系(Ob，Xb，Yb，Zb)是以北斗衛(wèi)星定位儀Ob為圓心的坐標軸，Xb、Yb和Zb為向右、正前方和垂直于地面的三維坐標軸.

將極坐標(ρ,θ)轉(zhuǎn)換成典型被測空間坐標系下的三維激光掃描平面坐標(xL,yL)，被測目標的坐標為(ol，xl，yl)，如圖7所示.

圖7 機載雷達地理測距原理圖Fig.7 Schematic diagram of airborne radar geographic ranging

圖7中，ol為機載雷達測繪遙感圖像中心，機載雷達測繪遙感圖像的測繪方向從-135°掃描到135°，得出坐標系的公式為：

(8)

其中：θ為xL軸與激光光束間的夾角；ρ為初始點距被測目標的距離.

(5)數(shù)據(jù)驗證與評估：驗證數(shù)據(jù)有效性，當符合誤差最小化標準時，模糊神經(jīng)網(wǎng)絡(luò)訓練完成；否則，對訓練數(shù)據(jù)組進行調(diào)整并展開迭代訓練，直到滿足最小誤差標準.

綜上所述，空間信息數(shù)據(jù)挖掘的輸入項是待測實體特征(a1,a2,…,an)，所求結(jié)果即為模糊神經(jīng)網(wǎng)絡(luò)輸出ck.

3 空間信息數(shù)據(jù)挖掘?qū)嵗治?/h2>

根據(jù)第3部分模糊神經(jīng)網(wǎng)絡(luò)的輸出，完成了機載雷達測繪遙感圖像下的典型空間信息數(shù)據(jù)挖掘.為進一步驗證所提方法的實用性，在三維激光雷達參數(shù)設(shè)置、確定研究區(qū)域和航線敷設(shè)設(shè)計三個方面的準備基礎(chǔ)上，從機載雷達遙感圖像的測繪精度、空間信息數(shù)據(jù)挖掘效果兩個方面進行分析，具體結(jié)果如下.

3.1 準備階段

通過OPTECH ALTM Gemini的機載三維激光掃描雷達實現(xiàn)機載雷達遙感圖像采集過程，其設(shè)備參數(shù)如表1所示.

通過航攝準備、航空攝影、數(shù)據(jù)處理、精度檢測等步驟制定某項目測繪流程.采用飛行高度約6 500 m的雙發(fā)單翼飛機作為Y-12航攝平臺，在航線中以260 km/h的平均地速進行平穩(wěn)量測.根據(jù)研究區(qū)域當前民航機場狀況，將主要飛行基地布設(shè)為某橋機場.采集的遙感圖像如圖8所示.

按照表2所示的參數(shù)展開航線敷設(shè).

3.2 機載雷達遙感圖像的測繪精度分析

利用全站儀等測量設(shè)備，按照勘測規(guī)范與外業(yè)數(shù)字測圖技術(shù)規(guī)程，對比DOM(Digital Orthophoto Map，數(shù)字正射影像圖)、DEM(Digital Elevation Model，數(shù)字高程模型)各控制點的數(shù)據(jù)精度，并根據(jù)內(nèi)業(yè)矢量與外業(yè)調(diào)繪巡檢結(jié)果，比較部分地物點和高程誤差.測繪結(jié)果如下列表3至表6所示.

表3 DOM控制點平面點位測繪準度(單位：m)

表4 DEM控制點高程測繪準度(單位：m)

表5 外業(yè)調(diào)繪地物點點位平面測繪準度(單位：m)

表6 外業(yè)調(diào)繪地物點高程測繪準度(單位：m)

結(jié)合上列各表中數(shù)據(jù)可以看出，在遙感圖像中，基于DOM、DEM控制點平面點位與高程的實測值與量測值偏差較小，其中，DOM控制點平面點位測繪位置平面誤差低于2.8 m，DEM控制點高程測繪偏差低于1.78 m.外業(yè)調(diào)繪地物點平面點位與高程的實測值與量測值也保持較高的測繪準度，偏差分別低于1.4 m和1.07 m，且四類誤差都極大程度低于勘測規(guī)范與外業(yè)數(shù)字測圖技術(shù)規(guī)范中的對應(yīng)測量要求.這是因為本文方法采用機載激光雷達地理測繪遙感圖像，大幅提升控制點與地物點測量精度，數(shù)據(jù)挖掘后的自適應(yīng)性特性得到凸顯.

3.3 空間信息數(shù)據(jù)挖掘效果

通過采集地形圖、航片以及專題制圖器(Thematic Mapper，TM)遙感影像，得到研究區(qū)域不同時相的空間信息數(shù)據(jù)，利用手工屏幕數(shù)字化與NDBI(歸一化建筑指數(shù))策略，提取區(qū)域邊界，架構(gòu)空間數(shù)據(jù)庫，經(jīng)預(yù)處理與網(wǎng)絡(luò)訓練后，實現(xiàn)空間信息數(shù)據(jù)挖掘，探索隱藏知識，預(yù)測該區(qū)域所處地域的邊界擴展情況.如圖9所示：

圖9 時空信息數(shù)據(jù)挖掘結(jié)果Fig.9 Spatiotemporal information data mining results

表7所示為該區(qū)域在不同年份的區(qū)域預(yù)測面積結(jié)果.

表7 研究區(qū)域預(yù)測面積數(shù)據(jù)統(tǒng)計表

根據(jù)研究區(qū)域預(yù)測面積數(shù)據(jù)統(tǒng)計結(jié)果可知，城市的形成、發(fā)展與地理因素間存在著密不可分的相關(guān)性，對空間擴展?jié)摿?、方向與速度均有較大影響力，因該區(qū)域所處的城市形態(tài)極大程度受限于黃河、低山丘陵等地形條件，故廊道式擴展趨勢顯著，擴展率在0.56%～1.82%之間波動.以上說明該區(qū)域所處地域邊界擴展預(yù)測結(jié)果具備合理性，這是因為經(jīng)過學習預(yù)處理后的訓練數(shù)據(jù)可以將智能雷達坐標系與機載典型被測空間坐標系關(guān)系具體化，提高參數(shù)間的匹配度，空間信息數(shù)據(jù)挖掘效果較為理想，能夠有效預(yù)測空間發(fā)展趨勢.

4 結(jié) 論

機載雷達遙感測繪技術(shù)是一種集激光全球定位系統(tǒng)、慣性導航系統(tǒng)于一身的數(shù)據(jù)采集技術(shù)，擁有諸多優(yōu)勢，比如高度自動化、較強的天氣干擾抑制能力、較短生產(chǎn)周期以及較高精準度等.因此，本文將機載雷達遙感測繪技術(shù)與空間數(shù)據(jù)挖掘相結(jié)合，提出一種新型的挖掘方法，其坐標系間的轉(zhuǎn)換、參數(shù)間的匹配度、訓練數(shù)據(jù)的自適應(yīng)性皆得到保證，進而提升機載雷達地理測繪數(shù)據(jù)的可用性.

當數(shù)據(jù)為全波形時，極易被外界因素影響，無法理想分解波形，且目前還沒有成熟的數(shù)學證明能夠描述除植被外的地物結(jié)構(gòu)特征，這將是下一階段的研究重點；應(yīng)采用新型濾波方法提升數(shù)據(jù)預(yù)處理質(zhì)量與數(shù)據(jù)挖掘精度；著重研究空間數(shù)據(jù)挖掘方法與人機交互技術(shù)的有機集成；需基于機載雷達地理測繪技術(shù)，設(shè)計出與不同形式空間數(shù)據(jù)庫、不同種類知識相對應(yīng)的空間數(shù)據(jù)挖掘策略，擴展適用性.