超级会员免费看
基于卡尔曼滤波的地球物理参数估计与雷达遥感模型应用
1. 基于卡尔曼滤波的估计
雷达测量到表面参数的逆映射是高度非线性的，通常不存在解析函数。表面参数的反演可以看作是从测量信号域到量化观测的表面特征范围的映射问题。为解决多维反演问题，神经网络被广泛应用于微波遥感，因其能适应地球物理的多维性且在实际遥感中具有抗噪声能力。
参数估计问题涉及两个必须同时解决的问题：
- 需要一个反演方案，以最小二乘误差的方式提供待推断参数与测量值之间的映射。由于参数估计基于有限的雷达观测和测量，需要解决不适定问题，而神经网络似乎很适合此目的。
- 需要通用模式函数（GMF）模型，将雷达回波与地球物理参数联系起来。GMF包括两部分：散射模型，描述雷达回波与表面粗糙度和介电常数的关系；介电模型，描述介电常数与不同条件下含水量的关系。
1.1 卡尔曼滤波原理
卡尔曼滤波器（KF）是时变线性系统和高斯过程状态的最优最小均方误差（MMSE）估计，其中状态的演变由线性动态系统描述。在统计意义上，由于空间和时间变化特性，变量 $x$ 可表示为：
$x = x_t + x_n$
其中 $x_t$ 是真实变量，$x_n$ 是噪声项。通常假设 $x_t$ 和 $x_n$ 不相关，使得 $x$ 是 $x_t$ 的无偏估计，即：
$E(x) = E(x_t)$，$x_n \sim N(0, \sigma_{x_n}^2)$
其中 $E$ 表示统计均值，$\sigma_{x_n}^2$ 是 $x_n$ 的方差。
雷达响应通常由散射矩阵形成。非二次正则化在最小化杂波的同时增强目标特征方面具有实际效果，可通过以下公式实现：
订阅专栏 解锁全文
扫一扫
1706
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
