Sentinel-1 Level 1数据处理的详细算法定义(三)

《Sentinel-1 Level 1数据处理的详细算法定义》文档定义和描述了Sentinel-1实现的Level 1处理算法和方程,以便生成Level 1产品。这些算法适用于Sentinel-1的Stripmap、Interferometric Wide-swath (IW)、Extra-wide-swath (EW)和Wave模式。

今天介绍的内容如下:

Sentinel-1 Level 1数据处理的详细算法定义(三)

  • 4. 预处理算法
        • 4.2.1.5 接收增益偏移
        • 4.2.1.6 仪器漂移推导
          • 4.2.1.6.1 基于PG产品的漂移补偿
          • 4.2.1.6.2 基于PG产品模型的漂移补偿
        • 4.2.1.7 图像复制品系数生成
          • 4.2.1.7.1 振幅系数
          • 4.2.1.7.2 相位系数
        • 4.2.1.8 PG产品验证
        • 4.2.1.9 噪声测量处理
      • 4.2.2 算法实现
      • 4.3 下行链路头验证

4. 预处理算法

4.2.1.5 接收增益偏移

PG校准脉冲是使用模式中第一个子条带的啁啾参数和增益设置生成的。在将仪器漂移校正应用于数据时,必须考虑第一个子条带与随后每个子条带之间的增益偏移。为此,每个子条带n的平均接收增益功率是按照以下方式根据图像校准数据计算的:

4.2.1.6 仪器漂移推导

IPF应执行仪器相位和增益漂移校正。实现此校正有两种选项:

  • 基于PG产品的漂移校正
  • 基于PG产品模型的漂移校正
4.2.1.6.1 基于PG产品的漂移补偿

内部校准的目标之一是测量发射功率和接收增益的乘积,这也被称为PG产品。PG产品计算的详细描述可以在[R-13]中找到。

PG产品可以从复制品中导出,而复制品又可以从校准数据包中导出,如第4.2.1.3节所述,因此,在单次数据采集中将有特定数量的PG产品可用。

然后,将对可用的PG产品进行插值,以获得每个接收到的信号回波的复杂校正因子。PG增益的补偿在原始数据校正之后、任何其他处理步骤之前,逐个回波执行,如第9.4节所述。

算法的第一步是使用第4.2.1.3节中描述的重建复制品,并利用提取的第一个有效复制品进行压缩。

对应于校准数据包m的子条带n的PG校正因子,然后可以通过将参考PG与压缩复制品峰值相除,并应用当前子条带的接收增益功率比来计算:

其中:
PGref是一个参考的绝对PG值,它将通过获取数据的离线分析来定义。注意:共极化情况下的PGref将与交叉极化情况下的PGref不同。这两个PGref都将存储在辅助文件中。

是压缩复制品的最大值(峰值)。

请注意,为了准确确定压缩复制品的最大值,结果首先通过FFT在更细的采样间隔进行重采样。这个操作与第4.2.1.4节步骤2中描述的复制品提取操作相同。其他极化的漂移系数以类似的方式计算。

每个漂移系数的时间戳被定义为位于相应的校准序列m的中心。这组漂移系数代表了一组有时间戳的PG值,这些值将按照第9.4节中的描述,稍后通过线性插值并应用于每个回波源数据包。

4.2.1.6.2 基于PG产品模型的漂移补偿

仪器的相位/增益漂移应不断监控,并且在Sentinel-1的整个生命周期中应提供长期稳定性分析。如果漂移呈现出预期的缓慢且可预测的时间变化,那么可以定义一个适当的漂移模型,并作为一个PG产品模型提供,这是一个可配置的输入查找表(LUT)。PG产品模型的使用由一个可配置的输入参数getDriftFromPGmodel控制。

4.2.1.7 图像复制品系数生成

提取的图像复制品通常含有噪声,在使用提取的图像复制品进行距离压缩之前,应该进行去噪处理。去噪可以通过拟合提取复制品的幅度和相位的多项式系数来完成。在本节中,我们提出了一种算法来计算提取复制品的多项式系数。

提出的算法所涉及的主要步骤在图4-2中表示。

请注意,该算法是独立于每个极化通道执行的,因此在后续章节中,脉冲表示中将省略极化符号。

4.2.1.7.1 振幅系数

复制品振幅的向量定义为:

如图4-2左侧流程图所示,执行以下操作,并涉及以下步骤:

  1. 计算复制品的振幅。

  2. 振幅向量通过多项式函数

进行拟合,该函数在相同的网格上采样。多项式的阶数是一个可配置的输入参数。
在生成范围参考函数(RRF)时,振幅会被反转,以便经过距离压缩后的输出将具有平坦的频谱。反转后的振幅函数可以表示为:

4.2.1.7.2 相位系数

计算复制品相位系数的步骤在图4-2的右侧流程图中展示。
1.通过将复制品与标称啁啾的共轭相乘,计算标称啁啾和提取复制品之间的相位差:

注意:提取的复制品已经与标称啁啾在时间上对齐,如第4.2.1.4节所述。

2.按照第5.3节中描述的FFT方法,对相位差进行展开。

3.对展开后的相位拟合多项式。多项式的阶数是一个可配置的输入参数。

4.将展开后的相位多项式系数与标称系数结合,以获得提取的复制品相位系数。

4.2.1.8 PG产品验证

对PG产品执行两种类型的验证(每种通道独立执行验证;因此将省略极化索引):

  • 相对验证。这种验证包括确定PG产品值是否在所有PG产品值的平均值的给定阈值内。

为此,计算PG产品幅度和相位的平均值

以及标准偏差

如果PG产品值Pm 满足以下条件,则被视为无效:

其中pgAmpStdFraction和pStdFraseStdFraction是可配置的输入参数。

  • 绝对验证。这种验证包括确定PG产品值是否在PG产品模型对应值的给定阈值内。然后,如果PG产品值 Pm 满足以下条件,则被视为无效:

其中Pmodm 是PG产品模型的值,而maxPgAmpError和maxPgPhaseError 是可配置的输入参数。

如果无效PG产品的比例不超过由可配置输入参数invalidPgMaxFraction给定的某个阈值,那么无效的PG值将被丢弃(只有有效值将被用于对数据的线性插值和应用)。否则,所有计算出的PG产品值将被丢弃,并替换为相应的PG产品模型值。

请注意,在PG验证期间不考虑当前子条带的接收增益功率比。

请注意,相对验证要求所有IPF实例对所有数据包执行PG产品计算。

4.2.1.9 噪声测量处理

在每次数据采集期间,作为初始和最终内部校准数据包的一部分,会获取噪声测量数据。这些测量是通过在噪声测量前关闭TX信号足够数量的TX脉冲来记录的。每个子条带的噪声测量是分开记录的。

噪声水平是通过计算每个子条带可用噪声数据包的平均功率来计算的。噪声水平将用于确定输出图像的噪声轮廓,如第9.17节所述。

通常的噪声数据包将被指示为一个复数样本数组:

噪声数据的处理如下:

  1. 按照第9.2.1节的描述应用I/Q偏置校正。
  2. 如第9.24.1节所述执行来自噪声测量的射频干扰(RFI)检测。
  3. 按照第9.2.2节的描述应用杂散信号校正。
  4. 按照第9.2.3节的描述应用接收机增益补偿。
  5. 计算平均功率如下:

对于噪声数据,可能有不同的编码选项(见第9.1.2节)。

在IPF 2.9.0之前,噪声功率信息完全依赖于在前导码和后导码中进行的噪声测量。为了解释数据采集期间的噪声水平变化,这可能会持续几分钟,执行了初始值和最终值之间的线性插值。

对噪声功率估计的长期分析显示了双峰分布。实际上,地球表面向太空辐射的能量被仪器记录下来,它增加了噪声测量的功率。双峰分布是由于陆地上辐射的能量高于海洋上。由于测量的噪声功率取决于仪器下面的景象,因此基于每个TopSAR突发的首次回波,制定了一种新的去噪策略。这些回波,称为“等级回波”,是在每个突发的第一个传输脉冲的传播时间内记录的,因此可以视为等同于噪声脉冲。自IPF 2.9.0以来,使用“等级回波”估计噪声功率可以以现实的方式跟踪噪声波动。

不幸的是,并非所有的等级回波都可以用来估计噪声,因为其中一些受到前导码中的稳定脉冲和TxCal/TxHCalIso脉冲的影响。根据当前的Sentinel-1时间线,处理器中实施了以下规则来选择有效的等级回波:

等级回波在以下条件下必须被丢弃:

  1. 如果采集模式既不是IW也不是EW,则始终丢弃;
  2. 如果采集模式是EW:
    • 如果等级回波属于数据采集的第一个突发;
    • 如果等级回波是EW1序列中的最后一个回波(可能存在法线回波);
    • 如果等级回波是EW2的一部分;
  3. 如果采集模式是IW:
    • 如果等级回波属于数据采集的第一个突发;
    • 如果等级回波属于奇数编号的突发(从数据采集开始计数)。

在使用噪声功率估计来生成噪声向量(如第9.17节所述)之前,会执行一个验证步骤:比较连续噪声估计之间的差异与一个阈值,如果超出阈值,则丢弃噪声测量。数据采集的第一个和最后一个测量值(依赖于前导码和后导码)始终被接受。

4.2.2 算法实现

本节介绍了内部校准的算法步骤。请注意,为了简洁起见,这里只指定了HH通道的情况,如果其他通道以相同的方式处理:

  1. 处理PG校准数据:
    • 根据第4.2.1.1.2节中描述的方法,从下行链路啁啾参数生成标称PG啁啾。这个标称啁啾将用于复制品提取、时间延迟估计和PG产品计算。
    • 对于每个PG校准序列m,执行以下操作:
    • 根据第4.2.1.2节的描述,提取重建复制品所需的校准脉冲。
    • 按照第4.2.1.3节的描述,重建PG复制品。
    • 按照第4.2.1.4节的描述,提取复制品并估计内部时间延迟,并报告结果。
    • 按照第4.2.1.6.1节的描述,计算PG产品。
    • 计算估计的内部时间延迟的平均值,并将其传递给SLC处理器,以便在RRF生成期间对啁啾进行时间偏移。
    • 按照第4.2.1.8节的描述,计算PG产品值的平均值和标准偏差。
  • 对于每个PG校准序列m,验证PG产品并报告结果,如第4.2.1.8节所述。这意味着,如果以下任一条件失败,则将isPgProductValid(m)设置为FALSE:
    相对验证失败
    绝对验证失败
  • 计算无效PG产品值的百分比(占总校准序列数的比例)。
  • 确定用于漂移补偿的PG产品来源:
    如果无效PG产品值的百分比超过invalidPgMaxFraction或者getDriftFromPGmodel=TRUE ,使用PG产品模型进行漂移补偿。 模型如下:

其中m=0,1,…M-1
否则
从复制品(第5步)动态派生的PG产品设置漂移补偿

其中m=0,1,…M-1
注意:只有当isPgProductValid(m)=TRUE时,其值才会线性插值并用于漂移补偿。
结束
2. 处理图像校准数据:

  • 根据第4.2.1.1.1节中描述的方法,从提供的系数生成标称图像啁啾。这个标称啁啾将用于复制品提取和复制品系数生成。
  • 对于每个校准数据包m,执行以下操作:
  • 根据第4.2.1.1节的描述,提取重建复制品所需的校准脉冲。
  • 按照第4.2.1.3节的描述,重建图像复制品。
  • 按照第4.2.1.4节的描述,提取复制品并移动复制品。
  • 按照第4.2.1.5节的描述,计算接收增益功率偏移。
  • 设置复制品系数:
    • 如果RRF将使用提取的复制品生成,则按照第4.2.1.7节的描述,从第一个提取的复制品估计复制品系数,并将复制品系数传递给SLC处理器;否则,
    • 如果RRF将使用标称啁啾生成,则将标称啁啾系数传递给SLC处理器。
  • 提取复数增益:
    • 如果RRF将使用标称啁啾生成,则从配置文件中提取标称啁啾的通道间复数增益;否则,
    • 如果RRF将使用提取的啁啾生成,则从配置文件中提取提取的复制品的通道间复数增益,并将其实传递给SLC处理器。
  1. 执行第4.2.1.9节中描述的噪声水平估计。该结果稍后将用于推导噪声向量,如第9.17节所述。

请注意,在切片情况下,每个IPF实例将执行相同的计算,以确定整个段的唯一参考复制品和PG产品值。

4.3 下行链路头验证

IPF的Sentinel-1预处理组件将验证下行链路内的字段。此验证的目的是:

  • 确定后期处理阶段所需的下行链路字段值;
  • 验证单个字段值是否正确,是否受到比特错误的影响;
  • 检测缺失的行和间隙;
  • 检查下行链路的传输模式是否遵循Sentinel-1 IPF预期的模式,例如子条带的顺序、突发的长度以及回波与校准与噪声数据包的序列。

通常,将采用两种验证策略:

  1. 大多数投票,预期在整个数据采集、子条带或脉冲类型中具有恒定值的字段会在一组数据包中进行监控,大多数时间使用的值被视为正确值。然后使用这个多数值来检查整个数据采集过程中该字段的错误。

    在某些情况下(例如SWST字段),这个值在一段时间内是恒定的,但在某个点会切换到一个新值。在这种情况下,使用大多数投票来区分比特错误和值的真实变化。

  2. 时间线一致性检查,利用对预期数据包序列和时间线内不同字段相对变化方式的基本理解。例如,可以相互交叉检查计数字段和数据包类型字段,以确定它们是否符合预期的时间线。

Sentinel-1 IPF将对每个字段执行的验证的初步描述列在表4-1中。这些Sentinel-1下行链路字段在[A-6]中描述。此表包含以下信息:

  • 每个字段的名称和层次结构;
  • 字段值是否在轨道周围(在特定模式/子条带内)恒定;
  • 字段值是否在一次数据采集内恒定;
  • 字段值是否在子条带内(对于特定的数据采集/模式)恒定;
  • 字段值是否对于特定数据包类型(无论是回波、噪声还是校准)恒定;
  • 是否需要来自雷达数据库的额外信息以解释该字段(例如,为了使用仰角波束地址,还必须向IPF提供雷达数据库中的仰角波束模式);
  • 是否需要查找表或转换法则来解释字段值(例如,下行链路中的BAQ模式代码需要使用查找表进行翻译);
  • 要应用于每个字段的验证策略。

Table 4-1 Sentinel-1 IPF Downlink Header Validation可自行查看原始文档。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/44744.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

vscode远程调试python代码

第一步: vscode设置 vscode也支持通过remote的方法连接我们在命令行中发起的debug server。首先我们要配置一下debug的config。 还是点击VSCode侧边栏的“Run and Debug”(运行和调试),单击"create a lauch.json file" 第二步&a…

创建React 项目的几种方式

①.react自带脚手架 使用步骤: 1、下载 npm i create-react-app -g 2、创建项目命令: create-react-app 项目名称 ②.Vite构建工具创建react步骤:(推荐) 方法一: 1、yarn create vite 2、后续根据提示步…

系统架构设计师 - 数学与经济管理

数学与经济管理 数学与经济管理(1 - 2分)图论应用最小生成树最短路径网络与最大流量 ★ 运筹方法关键路径法 ★ ★ ★线性规划 ★动态规划 ★ ★ ★排队论预测与决策 ★预测 - 博弈论决策 数学建模 ★ ★ 大家好呀!我是小笙,本章我…

线程安全(有点乱哈)

1.多个进程访问共享资源,通过上锁保证数据安全 1.2锁的宏观分类方式是悲观锁和乐观锁 1.3悲观锁和乐观锁 悲观锁:拿数据上锁‘ 举例:synchronzied 乐观锁:每次拿数据的时候不会上锁,更新数据,比较下版…

抖音机构号授权矩阵系统源码:打造自媒体帝国的新利器

在自媒体风起云涌的时代,抖音作为短视频领域的佼佼者,早已成为内容创作者们争相入驻的热门平台。然而,随着竞争加剧,如何在这场流量大战中脱颖而出,成为每一位自媒体人不得不面对的课题。今天,我们将带您深…

MySQL性能优化篇之SQL语句优化

目录 向数据库请求不需要的数据查询不需要的记录总是返回全部的列 MySQL扫描了额外的行扫描的行数和返回的行数行访问类型也要注意extra列的信息优化扫描行数过多的建议 重构查询方式一个复杂的查询还是多个简单的查询切分查询 常用的查询技巧使用内连接而不是外连接优化关联查…

防火墙一些有关知识

防火墙概述 防火墙核心任务 控制和防护 如何发挥功能 防火墙通过安全策略识别列两并做出相应动作。和ACL一样,所以防火墙本质就是ACL 防火墙分类 按物理特性划分 软件防火墙:电脑带的防火墙 硬件防火墙:设备,这个设备做的就…

深度学习之网络构建

目标 选择合适的神经网络 卷积神经网络(CNN):我们处理图片、视频一般选择CNN 循环神经网络(RNN):我们处理时序数据一般选择RNN 超参数的设置 为什么训练的模型的错误率居高不下 如何调测出最优的超参数 …

继电器实现直流电机正反转

有关继电器的使用方法,首先介绍了继电器的内部工作原理,然后介绍了两只继电器组成的正反转电路,以及用继电器实现直流电机正反转的具体方法,供大家学习参考。 继电器实现直流电机正反转 1、继电器内部原理 线圈断电时公共与常闭…

华贝甄选商业生态,成功背后的秘诀在这里

华贝甄选通过其独特的商业生态模式,不仅展示了对电子商城业务的深刻理解,更体现了对市场趋势和政策导向的敏锐把握。其S2B2C2B的用户交互模式,无疑是对传统商业模式的一次创新,它融合了供应链、企业和消费者之间的紧密联系&#x…

javaweb学习day4--《maven篇》maven的项目创建及其依赖管理详解(基于最新版本的idea)

一、前言 javaweb学习的第四天,不知道今天你们是否坚持下去了。今天学习到的是maven,温馨提示一下,idea中自带maven不用自行去下载了。前期的配置工作太过复杂了,小编感觉自己能力有限并不能将其讲的太清楚,还请大家在…

c小红的图上划分(牛客127)

题意: 有一个无向图,有 n 个点 m 条边,q 个询问,每次给出 L,R,求将图划分为至少 L 个连通块,最多 R个连通块的最大划分价值,若不可划分输出 "NO ANSWER"。 图的划分定义为将图划分为一…

如何将本地仓库中的文件推送到远程git服务器

第一步:进入所在项目,右击打开"Git Bash Here" 第二步:git config --global user.email "18351810763163.com" // 输入你的名称 第三步:git config --global user.name "chenliang-sam&quo…

如何将一个2D数组切分成多个块

要将一个2D数组切分成多个块,可以考虑使用以下几种方法,具体取决于如何定义块的划分规则和需求。如果你希望将2D数组均匀地切分成固定大小的小块,可以使用简单的循环和切片操作。 1、问题背景 Python 中, 如果有一个 raw 数据文件&#xff0…

SSM社区物业管理系统-计算机毕业设计源码91276

摘要 随着城市化进程的加快,居民社区的规模和数量不断增长,传统的人工管理方式已经无法满足管理需求。借助信息技术和互联网应用,社区物业管理系统可以实现物业管理信息的集中化、自动化和便捷化,提供全方位的管理和服务支持。社区…

智慧水利的变革之路:如何通过大数据、物联网和人工智能构建高效、智能、可持续的水利管理新模式

目录 一、引言:智慧水利的时代背景与意义 二、大数据:水利管理的数据基石 (一)数据收集与整合 (二)数据分析与挖掘 三、物联网:水利管理的感知神经 (一)智能感知与监…

ONLYOFFICE 8.1版本版本桌面编辑器测评

ONLYOFFICE官网链接:ONLYOFFICE - 企业在线办公应用软件 | ONLYOFFICE ONLYOFFICE在线办公套件:在线办公套件 | ONLYOFFICE ONLYOFFICE在线PDF编辑器、阅读器和转换器:在线PDF查看器和转换器 | ONLYOFFICE ONLYOFFICE 8.1版本桌面编辑器是…

开源可视化Flutter图表库:Graphic

Graphic:用Graphic绘制数据的无限可能- 精选真开源,释放新价值。 概览 Graphic,这个基于Flutter的图表库,以其源自《The Grammar of Graphics》的灵感,为数据可视化提供了一种全新的方法。它不仅仅是一个工具&#xf…

【Pytorch】RNN for Image Classification

文章目录 1 RNN 的定义2 RNN 输入 input, h_03 RNN 输出 output, h_n4 多层5 小试牛刀 学习参考来自 pytorch中nn.RNN()总结RNN for Image Classification(RNN图片分类–MNIST数据集)pytorch使用-nn.RNNBuilding RNNs is Fun with PyTorch and Google Colab 1 RNN 的定义 nn.…

【ECCV 2024】首个跨模态步态识别框架:Camera-LiDAR Cross-modality Gait Recognition

【ECCV 2024】首个跨模态步态识别框架:Camera-LiDAR Cross-modality Gait Recognition 简介:主要方法:实验结果: 论文:https://arxiv.org/abs/2407.02038 简介: 步态识别是一种重要的生物特征识别技术。基…