基于一维卷积网络的星载遥感器在轨定标系数校正方法

本发明属于卫星遥感器辐射定标，尤其涉及一种基于一维卷积网络的星载遥感器在轨定标系数校正方法。

背景技术：

1、卫星遥感器在轨运行过程中，由于太空环境（紫外辐射、高能粒子、原子氧等）、光学元件性能退化、探测器暗电流变化、观测几何及仪器温度变化等因素，其辐射响应特性会随时间缓慢变化，表现为定标系数（如增益、偏移）的漂移；

2、这种变化通常包含两部分：长期单调衰减（如指数或线性下降）和周期性漂移（如年周期、轨道周期引起的正弦波动）；

3、定标系数是遥感和卫星数据处理中用于将传感器测得的数字信号转换为物理量的系数。定标系数的变化本质上是光电测量链路的响应漂移，属于辐射度学与光度学范畴的测量误差问题。准确分离并剔除定标系数中的非期望变化，是保障辐射测量精度的基本前提。

4、因此，精确识别并剔除这两种成分是保证遥感数据产品质量的关键。

5、现有技术解决上述问题的方案主要包括以下几类：

6、一是多项式拟合，对整个序列拟合低阶多项式作为趋势，但无法处理周期成分；

7、二是移动平均或低通滤波，可提取低频趋势，但会模糊周期边界，且需要人工设定截止频率；

8、三是傅里叶分析，可提取主频周期，但对非平稳趋势敏感；

9、四是经验模态分解（empirical mode decomposition，简称emd），其是一种针对非线性、非平稳信号的自适应时频分析方法，核心思想是将复杂的原始信号分解为若干个频率从高到低、相互独立的本征模态函数分量，再加上一个代表信号长期变化趋势的残余分量。emd作为一种数据自驱的“筛分”工具，适合处理无固定周期、缓慢漂移并夹杂噪声的复杂信号，在理论上具有自适应分解能力。

10、然而，工程应用中，emd仍存在模态混叠、端点效应等问题；端点包络拟合方式、筛分停止准则以及有效本征模态函数分量的选取均会影响分解结果的稳定性和可重复性，实际使用中往往仍需人工筛选有效分量并调整参数，因此难以在不同卫星、不同通道和不同时间序列之间保持统一的自动处理效果。

11、相关研究将该方法用于地心坐标框架转换参数估计与长期演化特性分析（参见：张清华等. wgs84与itrs基准转换参数估计及长期演化特性分析[j]. 武汉大学学报（信息科学版），2015, 40(3)）；

12、另外，现有商用软件（如envi的辐射定标工具、esa的snap平台）通常只提供简单的线性趋势校正或基于查找表的定标系数更新，无法自动分离仪器自身衰减与周期性漂移。

13、基于上述，现有技术针对卫星遥感器在轨运行期间，其定标系数受仪器自身老化、光学元件污染或退化等因素影响而产生长期单调衰减，同时受轨道热循环、季节变化等因素影响而产生周期性漂移，导致定标精度下降；

14、对于单调衰减与周期性漂移两种成分的处理均依赖于对变化规律的事先假设或需要人工干预；难以自动、稳定地分离这两种成分，且容易将观测几何变化、随机噪声等干扰误判为仪器衰减。

技术实现思路

1、有鉴于此，本发明创造旨在提供一种基于一维卷积网络的星载遥感器在轨定标系数校正方法，解决的技术问题是：现有基于统计回归或经验模态分解的定标系数校正方法，难以自动、稳定地分离定标系数中的长期单调衰减与周期性漂移成分，且容易将观测几何变化、随机噪声等干扰误判为仪器衰减，导致校正精度不足；

2、同时，现有方法未能充分利用定标系数序列自身的统计特性来构造稳定的低频训练目标，也难以在不预设具体衰减函数、周期频率或分解层数的前提下，自适应地学习原始信号到低频漂移分量的非线性映射关系，并实现校正结果对原始定标系数均值基准的保留。

3、为达到上述目的，本发明创造的技术方案是这样实现的：

4、一种基于一维卷积网络的星载遥感器在轨定标系数校正方法，包括以下步骤：

5、s1：获取星载遥感器在轨定标系数的原始时间序列；

6、s2：对原始时间序列进行归一化处理，得到归一化序列；

7、s3：对归一化序列进行平滑处理，构造仅包含低频成分的低频目标序列；

8、s4：构建深层一维卷积神经网络，以归一化序列为输入、低频目标序列为输出进行训练，学习从原始信号到低频主成分的映射关系，并得到训练完成的深层一维卷积神经网络；

9、s5：将归一化序列输入训练完成的深层一维卷积神经网络，得到预测的归一化低频漂移分量；

10、将预测的归一化低频漂移分量乘以原始时间序列的标准差，得到估计的定标系数低频漂移分量；

11、其中，定标系数低频漂移分量不包含原始时间序列的均值项；

12、s6：从原始时间序列中减去低频漂移分量，得到保留原始定标系数均值基准的校正后的定标系数序列。

13、进一步地，构造低频目标序列的具体方式为：

14、对归一化序列进行窗口大小为的滑动平均处理，得到第一平滑序列；

15、对第一平滑序列再次应用相同窗口大小的滑动平均，得到低频目标序列；

16、其中，窗口大小取值为序列长度的三分之一向下取整；

17、其中，窗口大小进行边界约束时，按照下式确定：

18、；

19、式中，、分别为预设的窗口大小的下限和上限，且满足：。

20、进一步地，构造低频目标序列的具体方式为：

21、采用sg滤波或高斯滤波对归一化序列进行平滑处理，构造低频目标序列。

22、进一步地，深层一维卷积神经网络包括：

23、序列的输入层，特征维度为1；

24、六个一维卷积层，其卷积核大小依次为11、9、7、5、3、3，滤波器数量依次为64、128、256、128、64、32；

25、一个输出一维卷积层，其卷积核大小为3，滤波器数量为1；

26、六个一维卷积层中的每个一维卷积层后依次连接批归一化层和线性整流激活层；

27、输出一维卷积层用于输出预测的低频漂移分量；

28、所有一维卷积层采用填充方式为：保持输出长度与输入相同、步长为1的配置。

29、进一步地，深层一维卷积神经网络的数据流动路径为：

30、归一化序列经序列的输入层输入后，依次经六个一维卷积层及各自后接的批归一化层和线性整流激活层进行特征提取；

31、提取后的特征输入输出一维卷积层，经输出一维卷积层输出预测的低频成分；

32、深层一维卷积神经网络的六个一维卷积层构成通道数先增后减的全卷积特征提取结构，不设置池化层、上采样层和全连接层；

33、其中，前三个一维卷积层的滤波器数量逐层递增，以提取不同感受野下的多尺度特征；后三个一维卷积层的滤波器数量逐层递减，以逐级融合多尺度特征并输出低频漂移分量。

34、进一步地，深层一维卷积神经网络中一维卷积层的扩张因子设置为1；或者

35、一维卷积层的扩张因子设置为递增序列，且递增序列的最大值不超过当前时间序列长度的十分之一。

36、进一步地，深层一维卷积神经网络的损失函数为均方误差；或者

37、损失函数为均方误差与总变差正则化项之和。

38、进一步地，深层一维卷积神经网络的训练配置为：优化器采用自适应矩估计，初始学习率为1e-3，每150轮学习率衰减一半，总训练轮数为300，批次大小为1。

39、进一步地，归一化处理采用z-score标准化处理，其计算公式为：

40、；

41、其中，data_norm为归一化序列，均值为0，标准差为1；

42、calib_coef为原始时间序列，mean为均值函数，std为标准差函数。

43、进一步地，校正后的定标系数序列的校正效果采用相对偏差指标评价；

44、相对偏差指标为序列标准差与序列均值之比的百分数；

45、相对偏差指标在序列的均值不为零时进行计算；

46、定标系数序列的相对偏差值小于原始时间序列的相对偏差值，则表明校正有效。

47、与现有技术相比，本发明创造能够取得如下有益效果：

48、第一、针对现有方法依赖人工设定参数的问题，本发明采用数据驱动的深层一维卷积神经网络，无需人工设定滤波窗口、分解层数或周期个数，网络通过训练自动学习最优低频成分，实现了定标系数校正的全流程自动化，显著降低了人工干预需求。

49、第二、对应高精度校正的需求，以hy1c卫星scs载荷第16通道和第32通道的实施例数据为例，第16通道校正前后的相对偏差分别为±1.49%与±0.16%，相对偏差减小比例达89.3%；第32通道校正前后的相对偏差分别为±1.42%与±0.16%，相对偏差减小比例达88.7%，表明本发明方法能够有效降低长期漂移和周期性波动引起的相对偏差，显著提高定标精度。

50、第三、针对现有方法对随机噪声敏感的问题，本发明采用两次滑动平均构造极度平滑的低频目标序列，该目标序列有效抑制了高频噪声和短周期波动的干扰，使网络学习到的映射关系聚焦于真实的低频漂移分量，对随机噪声具有强鲁棒性。

51、第四、针对现有线性或低阶多项式拟合无法描述非线性衰减的限制，深层一维卷积神经网络通过多层卷积的非线性特征提取，能够拟合指数衰减等复杂非线性长期变化，无需预先指定衰减函数形式，具有良好的非线性趋势适应能力。