湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备与流程

1.本发明涉及遥感信息处理技术领域，具体而言，涉及一种湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备。


背景技术：

2.随着卫星测高技术的发展，卫星测高数据被广泛应用于全球湖泊水位监测。然而用于测高的雷达卫星观测数据(即雷达卫星发射信号覆盖地面的区域，也称雷达脚印)往往高达数公里，容易受周围环境的影响，因此湖泊回波容易面临雷达脚印污染问题。但是由于测高卫星脚印间距往往只有两三百米，因此有大量的雷达脚印落入湖泊中。为了获取精确的湖面高程，需要从沿轨迹脚印中挑选出回波污染情况较轻的雷达回波。
3.为了对回波质量进行控制，需要利用全部或者部分湖面的雷达脚印数据进行分析和分类，相关技术中采用聚类方法或者阈值方法。对于聚类方法，一般需要获取回波的几个关键特征信息，然后对所有回波采用如k-means之类的聚类方法，去除质量不佳的回波，这种方法耗时长、且效率低。对于阈值方法，利用局部地区的脚印数据，对自动增益控制系数、后向散射系数等典型字段信息进行分析，得到一定的阈值，再对所有脚印数据进行筛选。这类方法不适用于大范围的雷达脚印筛选。


技术实现要素：

4.本发明实施例提供了一种湖泊卫星雷达测高数据筛选的处理方法、装置及电子设备，以至少解决湖泊卫星雷达测高数据采样分类效率低的技术问题。
5.根据本发明实施例的一个方面，提供了一种湖泊卫星雷达测高数据筛选的处理方法，包括：从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
6.根据本发明实施例的另一方面，还提供了一种湖泊卫星雷达测高数据筛选的处理装置，包括：第一获取单元，用于从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；处理单元，用于基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；分类标记单元，用于根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；训练单元，用于利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊的卫星雷达测高数据的自动分类模型。
7.根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上
述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的湖泊卫星雷达测高数据筛选的处理方法。
8.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述湖泊卫星雷达测高数据筛选的处理方法。
9.在本发明实施例中，采用了从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；
10.基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型的方法。在上述方法中，由于采用基于预设的图形界面工具对上述训练样本数据进行处理，并使用上述图形界面工具对训练样本数据进行类别标记并进行机器学习训练，提高了雷达回波数据的采样分类效率，进而解决了湖泊卫星雷达测高数据采样分类效率低的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
12.图1是根据本发明实施例的一种可选的湖泊卫星雷达测高数据筛选的处理方法的应用环境的示意图；
13.图2是根据本发明实施例的另一种可选的湖泊卫星雷达测高数据筛选的处理方法的应用环境的示意图；
14.图3是根据本发明实施例的一种可选的湖泊卫星雷达测高数据筛选的处理的流程示意图；
15.图4是根据本发明实施例的另一种可选的湖泊卫星雷达测高数据筛选的处理方法的流程示意图；
16.图5是根据本发明实施例的一种可选的saral卫星数据的脚印特征示意图；
17.图6是根据本发明实施例的一种可选的雷达回波采样软件的界面示意图；
18.图7是根据本发明实施例的一种可选的不同类型的雷达回波采样波形示意图；
19.图8是根据本发明实施例的一种可选的雷达回波采样软件输出的数据表格示意图；
20.图9是根据本发明实施例的一种可选的湖泊卫星雷达测高数据筛选的处理装置的结构示意图；
21.图10是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
22.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.根据本发明实施例的一个方面，提供了一种湖泊卫星雷达测高数据筛选的处理方法，可选地，作为一种可选地实施方式，上述湖泊卫星雷达测高数据筛选的处理方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有湖泊卫星雷达测高数据筛选的处理应用程序。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于显示不同类型的雷达脚印数据；处理器1024用于获取训练样本数据。存储器1026用于存储上述训练样本数据。
25.此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储上述训练样本数据。处理引擎1064用于获取全球湖面雷达卫星脚印随机样本数据；其中，该方法所需的基础数据包括全球卫星测高数据和湖泊边界数据；基于预设的图形界面工具对上述训练样本数据进行处理，展示湖泊脚印样本对应的回波波形和多源辅助信息(多源脚印特征值及地理位置信息)；根据所述回波波形和多源辅助信息对样本数据进行类别标记；利用上述带标记的样本数据，进行机器学习模型训练，可以得到湖泊卫星雷达测高数据的自动分类模型。
26.在一个或多个实施例中，本技术上述湖泊卫星雷达测高数据筛选的处理方法可以应用于图2所示的应用环境中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，以获取雷达回波采样数据的分类结果。
27.可选地，上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、pc机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：wifi及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
28.由于陆地反射信号的影响，湖泊沿轨脚印数据质量有一定差异，雷达脚印筛选是一个提高湖泊水位反演精度的重要步骤。如果对雷达脚印进行自动化的筛选，需要对脚印数据进行采样分析。然而现有的脚印采样方法主要有两种：1、对所有雷达脚印数据进行聚类分析，这种方法耗时长、效率低。2、对局部区域的雷达脚印数据进行特征分析，这类方法仅适用于局部地区，而不一定适用于大范围的湖面脚印筛选。
29.为了更好地服务于湖泊脚印筛选，需要利用大量随机分布的全球湖泊脚印样本和多维脚印特征信息，并对其进行人工标记，利用这些信息训练测高数据自动分类模型，服务于雷达脚印自动筛选。
30.作为一种可选地实施方式，如图3所示，本发明实施例提供了一种湖泊卫星雷达测高数据筛选的处理方法，包括如下步骤：
31.s302，从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据。
32.在本发明实施例中，雷达卫星观测数据包括雷达卫星测高数据，雷达卫星测高数据库中获取上述随机训练样本，雷达卫星测高数据库中的数据包括但不限于t/p系列卫星数据，ers系列卫星数据，cryosat-2数据，sentinel-3卫星数据等带回波波形与质量控制信息的测高数据。
33.具体地，在一实施例中，以saral卫星的测高数据作为训练样本数据，saral卫星轨道高度800km，覆盖南北纬81.5
°
地区，saral上携带altika测高仪，其是全球首颗采用ka波段的测高仪。saral卫星的地面轨道固定，在赤道处的轨道间隔80km，脉冲有限脚印直径约为1.5km，雷达地面脚印间隔170m，阈门时间间隔2ns。
34.从空间海洋学卫星数据库获取湖泊的测高数据，该测高数据采用传感器地球物理数据记录(sensor geophysical data record,sgdr)。从全球湖泊边界数据库hydrolakes获取全球面积大于10km2的湖泊边界矢量。根据测高数据的位置信息获得测高数据的地面脚印轨迹，然后利用湖泊边界矢量，获取落入湖泊边界内的雷达脚印(即上述的雷达卫星观测数据)，然后随机选择1000个湖泊作为研究区，每个湖泊随机选择一个雷达卫星脚印样本。
35.获取采样脚印数据的时间、位置、高度计及数据状态等多源脚印特征信息。对于上述1000个样本数据，如图5所示，从sgdr数据中提取出多个字段信息。
36.具体地，sgdr数据采用网络通用数据格式(netcdf)，本发明实施例中包括但不限于通过matlab图形界面工具的“ncread”函数读取出其时间(字段“time_40hz”)和位置信息(字段“lat_40hz”和“lon_40hz”)、高度计及数据状态(如字段“alt_state_flag_acq_mode_40hz”，该字段代表测高仪数据的采集模式)、模型拟合计算特征(如字段“width_leading_edge_40hz”，该字段表示在海洋重跟踪模式下估算而来的上升沿宽度)、回波固有特征(如字段“agc_40hz”，该字段代表回波能量的自动增益控制系数agc)，并计算回波部分形状特征(如图5中所示的最大值，最小值，平均值等)，高程偏差diff(预设跟踪门对应的高程与湖面高程之间的偏差，其中湖面高程来自全球数字高程模型srtm30)等信息。
37.s304，基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息。
38.具体地，上述预设的图形界面工具包括但不限于利用matlab设计采样软件，配置图形用户界面(graphical user interface，gui)，如图6所示，该软件实现了采样数据导入与读取、回波数据窗口显示、多源脚印特征显示、回波类型人工判断选择、和采样数据导出等功能。这些功能主要基于按钮响应“pushbutton_callback”函数，文件交互操作”uigetfile”函数，编辑框响应“edit_callback”函数，单选框响应“uibuttongroup_
selectionchangedfcn”等函数实现。该软件的设计与操作步骤如下：
39.1、通过“数据选择”按钮导入原始卫星脚印样本文件。通过点击该按钮，触发按钮响应，调用文件交互操作函数，弹出文件选择窗口，指定待导入文件的路径，导入文件。
40.2、通过“查看数据与类型选择”按钮实现回波显示与多源特征信息显示。通过点击该按钮，读取回波数据和多源脚印特征数据。在回波显示窗口中显示完整回波，将横坐标换算成湖面高程，纵坐标为回波能量值。此外，在回波上标注上两条线以作参考，横线对应于参考能量值，纵线对应于预设跟踪门位置。此外，在窗口中显示出时间、自动增益系数agc、回波后向散射系数sig0、高程偏差diff等信息。
41.3、点击“查看位置”按钮查看脚印位置信息。触发按钮响应，调用“kmlwrite”函数实现与谷歌地球(google earth)的联动，直接显示出样本的地理位置，用于辅助判断湖泊脚印是否完全落入水中等情况。
42.4、通过“按钮组”对回波类型进行人工标记。综合回波形状和多源辅助信息(多源脚印特征值和脚印位置信息)，对回波类型进行选择。
43.5、再次点击“查看数据与类型判断”，开始读取下一个脚印数据，依次循环至最后一个脚印数据。
44.6、点击“导出数据”按钮，导出所有带类型标记的雷达脚印数据。
45.s306，根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记。
46.具体地，对于雷达回波采样数据，对其进行分解，可以获取回波的子波数量，最优子波位置等多源脚印特征值，将这些信息显示在matlab采样窗口中，用于辅助回波类型的判定。结合回波形状，多源脚印特征(如时间，自动增益控制系数agc，后向散射系数sig0，子波信息，预设跟踪门与湖面高程的偏差等信息)，和google earth脚印位置信息，对回波类型进行判断。如图7所示，将回波的类型分为如下四种类型：
47.1.较为理想的回波，这类回波往往位于湖泊的中心，湖泊面积较大或者周围强反射物体较少，这类回波形状比较规则，往往只有一个子波。
48.2.上升沿未被污染的回波，这样回波虽然跟第1类回波类似，但是其受到一定污染，但是污染的部分往往位于下降沿或者其他位置，没有影响到上升沿，这类回波上升沿非常完整，这对反演湖泊水位的干扰非常小。
49.3.上升沿稍微污染的回波，这类回波稍差于2类回波，该回波受一定污染，但是湖面反射子波容易被区分出来，但是湖泊回波上升沿有一定的污染，这对反演湖泊水位有一定干扰。
50.4.严重污染或跟踪窗口错误的回波。对于严重污染的回波，往往有多个子波，自动增益控制系数agc值较低，后向散射系数sig0值较低，很难从回波中找到湖面回波。对于跟踪窗口错误的回波，可以根据预设跟踪门与湖面高程的偏差信息进行判断，这类回波的高程偏差diff一般高达几十米或者上百米。这往往是由于跟踪器的窗口错误导致，这种类型的数据为无用数据。
51.s308，利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
52.基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理
位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记。利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型的方法。在上述方法中，由于采用基于预设的图形界面工具对上述样本数据进行处理、展示和类别标记，随后利用带标记的样本数据进行机器学习模型训练，提高了雷达测高数据的采样分类效率，进而解决了湖泊卫星雷达测高数据采样分类效率低的技术问题。
53.在一个或多个实施例中，根据根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记，包括：
54.根据上述图形界面工具获取回波形状和多源辅助信息；
55.根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记。
56.具体地，如图6所示，通过matlab图形界面工具，可以获取到回波波形形状，多源辅助信息包括但不限于多源脚印特征信息，如日期，自动增益控制系数agc，后向散射系数sig0，高程偏差diff等特征信息。
57.在一个或多个实施例中，上述所述根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记，包括：
58.基于所述回波形状和多源辅助信息，将所述随机样本数据划分为多个雷达回波类型。
59.具体地，第一类型的回波(如图7所示的类型1)为目标类型的回波，这类回波往往位于湖泊的中心，湖泊面积较大或者周围强反射物体较少，这类回波形状比较规则，往往只有一个子波，回波上升前沿的波形没有出现变化。
60.第二种类型的回波(如图7所示的类型2)，上升前沿未被污染的回波，这样回波虽然跟第一种类型回波类似，但是其受到一定污染，但是污染的部分往往位于下降沿或者其他位置，没有影响到上升沿，这类回波上升沿非常完整，这对反演湖泊水位的干扰非常小，但其包括至少2个子波。
61.第三种类型的回波(如图7所示的类型3)，上升前沿稍微污染的回波，这类回波稍差于第二中类型的回波，该回波受一定污染，但是湖面反射子波容易被区分出来，但是湖泊回波上升沿有一定的污染，这对反演湖泊水位有一定干扰。
62.第四种类型的回波为严重污染或跟踪窗口错误的回波(如图7所示的类型4)。对于严重污染的回波，往往有多个子波，自动增益控制系数agc值较低，后向散射系数sig0值较低，很难从回波中找到湖面回波。对于跟踪窗口错误的回波，往往可以根据预设跟踪门与湖面高程的偏差信息进行判断，这类回波的高程偏差往往几十米或者上百米，这往往是由于跟踪器的窗口错误导致。这种类型的数据为无用数据。
63.在一个或多个实施例中，上述根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记，包括：
64.根据所述回波形状(主要通过最优上升沿的污染情况)和多源辅助信息(多源脚印特征值和地理位置信息)，将所述随机样本数据划分为多个雷达回波类型。
65.在一个或多个实施例中，所述基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息，包括：
66.基于matlab图形界面工具构建以湖面高程为横坐标、回波能量为纵坐标的二维坐标系；
67.在所述matlab图形界面工具中显示每个湖泊对应的回波波形，以及所述多源脚印特征值。
68.在一个或多个实施例中，上述湖泊卫星雷达测高数据筛选的处理方法还包括：
69.基于matlab图形界面工具联动卫星地图工具，确定每个回波对应的地理位置信息。
70.在本发明实施例中，基于matlab工具调用“kmlwrite”函数实现与google earth的联动，直接显示出样本湖泊的地理位置，用于辅助判断湖泊对应的雷达脚印是否完全落入水中等情况。
71.在一个或多个实施例中，所述利用已标记类型的随机样本数据进行机器学习模型训练，得到雷达卫星观测数据的自动分类模型之后，还包括：
72.利用训练好的所述分类模型对待分类的雷达卫星观测数据进行分类，得到对应的雷达回波类型；
73.根据目标湖泊水位反演精度要求，筛选出目标类型的雷达回波数据。
74.通过本发明实施例提供的训练好的分类模型可以将待分类的雷达回波数据进行分类。根据需要可以灵活便捷的获取不同质量类型的雷达回波数据。
75.基于上述实施例，在一应用实施例中，如图4所示，上述的湖泊卫星雷达测高数据筛选的处理方法还包括：
76.步骤1：准备卫星测高数据和湖泊边界矢量，随机选择来自不同湖泊的雷达脚印数据。下载雷达测高仪某个观测周期的全球数据和全球湖泊矢量数据，获取测高数据的所有脚印位置信息，获取落入湖泊内的雷达脚印数据，随机选择一定数目的脚印数据，每个雷达脚印数据对应不同的湖泊。
77.步骤2：获取脚印数据的时间、位置、跟踪器属性等多源脚印特征信息。对于选定的样本数据，如图5所示，从其原始卫星数据中抽取部分时间位置信息、跟踪器属性特征、模型拟合计算特征、回波固有特征，并计算得到回波的形状特征、高程偏差等信息。
78.步骤3：设计脚印采样软件，辅助回波类型的自动化标记。该采样软件集成数据导入，样本类型选择，数据显示，数据导出等功能。此外，该软件可以联动google earth软件，显示回波的位置信息，根据回波与湖泊的位置关系，可以辅助判断回波波形是否受污染。
79.步骤4：人工标记回波类型。对于即将标记的回波数据，需要对其进行分解，获取回波的子波数量，最优子波等多源脚印特征信息。根据回波形状，多源脚印特征，地理位置等信息对回波类型进行判断。将回波分为四类：1.较为理想的目标类型回波；2.上升沿未被污染的回波；3.上升沿稍被污染的回波；4.严重污染或跟踪窗口错误的回波。
80.进一步，卫星测高数据可以为传统的大脚印雷达测高仪数据，譬如t/p系列卫星数据，ers系列卫星数据，cryosat-2数据，sentinel-3卫星数据等带回波波形与质量控制信息的测高数据。
81.具体地，上述的湖泊卫星雷达测高数据筛选的处理方法还包括如下步骤：
82.以saral卫星的测高数据为例，saral卫星轨道高度800km，覆盖南北纬81.5
°
地区，saral上携带altika测高仪，其是全球首颗采用ka波段的测高仪。saral卫星的地面轨道固定，在赤道处的轨道间隔80km，脉冲有限脚印直径约为1.5km，雷达地面脚印间隔170m，阈门时间间隔2ns。
83.步骤一：准备测高数据和湖泊边界数据。从空间海洋学卫星数据发布中心下载数据，采用传感器地球物理数据记录(sensor geophysical data record，sgdr)。从全球湖泊边界数据库hydrolakes获取全球面积大于10km2的湖泊边界矢量。根据测高数据的位置信息获得测高数据的地面脚印轨迹，然后利用湖泊边界矢量，获取落入湖泊边界内的脚印，然后随机选择1000个湖泊，每个湖泊随机选择一个脚印点。
84.步骤二：获取采样脚印数据的时间、位置、高度计及数据状态等多源脚印特征信息。对于上述1000个样本数据，从其sgdr数据中提取出如图5所示的多个字段信息。
85.上述sgdr数据采用网络通用数据格式(netcdf)，使用matlab的“ncread”函数读取出其时间(字段“time_40hz”)和位置信息(字段“lat_40hz”和“lon_40hz”)、高度计及数据状态(如字段“alt_state_flag_acq_mode_40hz”，该字段代表测高仪数据的采集模式)、模型拟合计算特征(如字段“width_leading_edge_40hz”，该字段表示在海洋重跟踪模式下估算而来的上升沿宽度)、回波固有特征(如字段“agc_40hz”，该字段代表回波能量的自动增益控制系数)，并计算回波部分形状特征(如图2中所列的最大值，最小值，平均值等)，高程偏差(预设跟踪门，即第52个采样跟踪点的高程与湖面高程之间的偏差)等信息。
86.步骤三：设计脚印采样软件，用于回波类型的标记。利用matlab设计采样软件(如图3)，设计图形用户界面(gui)，该软件实现了采样数据导入与读取、回波数据窗口显示、多源脚印特征显示、回波类型人工判断选择、和采样数据导出等功能。这些功能主要基于按钮响应(“pushbutton_callback”)，文件交互操作(“uigetfile”)，编辑框响应(“edit_callback”)，单选框响应(“uibuttongroup_selectionchangedfcn”)等函数实现。该软件的设计与操作步骤如下：
87.1、通过“数据选择”按钮导入原始卫星脚印样本文件。通过点击该按钮，触发按钮响应，调用文件交互操作函数，弹出文件选择窗口，指定待导入文件的路径，导入文件。
88.2、通过“查看数据与类型选择”按钮实现回波显示与多源脚印特征信息显示。通过点击该按钮，读取回波数据和多源脚印特征值。在回波显示窗口中显示完整回波，将横坐标换算成湖面高程，纵坐标为回波能量值。此外，在回波上标注上两条线以作参考，横线对应于参考能量值，纵线对应于预设跟踪门位置。此外，在窗口中显示出时间、自动增益系数(agc)、回波后向散射系数(sig0)、高程偏差等信息(来自于上述步骤二)。
89.3、点击“查看位置”按钮查看脚印位置信息。触发按钮响应，调用“kmlwrite”函数实现与google earth的联动，直接显示出样本的地理位置，用于辅助判断湖泊脚印是否完全落入水中等情况。
90.4、通过“按钮组”对回波类型进行人工标记。综合回波形状、多源脚印特征信息、回波脚印位置环境信息等多源信息，对回波进行类型选择。
91.5、再次点“击查看数据与类型判断”，开始读取下一个脚印数据，依次循环至最后一个脚印数据。
92.6、点击“导出数据”按钮，导出所有带类型标记的脚印数据。
93.步骤四：对回波的类型进行判定。对于采样回波数据，对回波进行分解，可以获取回波的子波数量，最优子波位置等多源脚印特征信息，将这些信息显示在采样窗口中，用于辅助回波类型的判定。结合回波形状和多源辅助信息，对回波类型进行判断。多源辅助信息包括多源脚印特征和回波地理位置信息，其中多源脚印特征包括：时间，自动增益控制系数
agc，后向散射系数sig0，子波信息，预设跟踪门与湖面高程的偏差等。将回波的类型分为四种(如图7所示)：1.较为理想的回波，这类回波往往位于湖泊的中心，湖泊面积较大或者周围强反射物体较少，这类回波形状比较规则，往往只有一个子波；2.上升沿未被污染的回波，这样回波虽然跟第1类回波类似，但是其受到一定污染，但是污染的部分往往位于下降沿或者其他位置，没有影响到上升沿，这类回波上升沿非常完整，这对反演湖泊水位的干扰非常小；3.上升沿稍微污染的回波，这类回波稍差于2类回波，该回波受一定污染，但是湖面反射子波容易被区分出来，但是湖泊回波上升沿有一定的污染，这对反演湖泊水位有一定干扰。4.严重污染或跟踪窗口错误的回波。对于严重污染的回波，往往有多个子波，自动增益控制系数agc值较低，后向散射系数sig0值较低，很难从回波中找到湖面回波。对于跟踪窗口错误的回波，往往可以根据预设跟踪门与湖面高程的偏差信息进行判断，这类回波的高程偏差往往几十米或者上百米，这往往是由于跟踪器的窗口错误导致。这种类型的数据往往是无用数据。
94.最后，导出如图8所示的采样数据。利用已标记的样本数据，进行机器学习模型训练，可以利用训练好的机器学习模型对回波进行自动分类筛选。
95.本发明实施例还具有以下有益效果：
96.1.本发明实施例在全球范围内进行湖面回波样本随机采样，获取的回波特征更加适用于全球湖泊脚印筛选。
97.2.本发明实施例通过获取更多的脚印特征，同时借助google earth的回波位置信息对回波类别进行判定，更有利于湖泊类型的准确判定；
98.3.本发明实施例通过设计的雷达脚印采样软件，不仅操作简单而且可以综合多源信息辅助回波类型判定，大大提高了雷达脚印采样的效率与准确性。
99.4.本发明实施例通过设计回波类型判定规则，更有利于对不同污染程度的回波进行判定，能提高污染回波的利用率。
100.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
101.根据本发明实施例的另一个方面，还提供了一种用于实施上述湖泊卫星雷达测高数据筛选的处理方法的湖泊卫星雷达测高数据筛选的处理装置。如图9所示，该装置包括：
102.第一获取单元902，用于从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；
103.处理单元904，用于基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；
104.分类标记单元906，用于根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；
105.训练单元908，用于利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
106.基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型的方法，在上述方法中，由于采用预设的图形界面工具对上述训练样本数据进行处理、展示、与标记分类，然后进行机器学习模型训练，提高了雷达回波数据的采样分类效率，进而解决了湖泊卫星雷达测高数据采样分类效率低的技术问题。
107.在一个或多个实施例中，上述分类标记单元906，包括：
108.划分模块，用于根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记。
109.在一个或多个实施例中，上述划分模块，包括：
110.划分子单元，用于根据回波形状、多源脚印特征(时间，自动增益控制系数agc，后向散射系数sig0，子波信息，预设跟踪门与湖面高程的偏差等)和脚印地理位置信息，将所述随机样本数据划分为多个雷达回波类型。
111.在一个或多个实施例中，上述处理单元904，包括：
112.构建模块，用于基于matlab图形界面工具构建以湖面高程为横坐标、回波能量为纵坐标的二维坐标系；
113.显示模块，用于在所述matlab图形界面工具中显示每个湖泊对应的回波波形，以及所述多源脚印特征值。
114.在一个或多个实施例中，上述湖泊卫星雷达测高数据筛选的处理装置还包括：
115.确定单元，用于基于matlab图形界面工具联动卫星地图工具，确定每个回波对应的地理位置信息。
116.在一个或多个实施例中，上述湖泊卫星雷达测高数据筛选的处理装置还包括：
117.分类单元，用于利用训练好的所述分类模型对待分类的雷达卫星观测数据进行分类，得到对应的雷达回波类型；
118.筛选单元，根据所述目标湖泊水位反演精度要求，筛选出目标类型的雷达回波数据。
119.根据本发明实施例的又一个方面，还提供了一种用于实施上述湖泊卫星雷达测高数据筛选的处理方法的电子设备，该电子设备可以是图10所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图10所示，该电子设备包括存储器1002和处理器1004，该存储器1002中存储有计算机程序，该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
120.可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
121.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
122.s1，从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；
123.s2，基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征及地
理位置信息；
124.s3，根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；
125.s4，利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
126.可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图10其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等)，或者具有与图10所示不同的配置。
127.其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的湖泊卫星雷达测高数据筛选的处理方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的湖泊卫星雷达测高数据筛选的处理方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1002具体可以但不限于用于存储雷达回波采样数据分类模型等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述湖泊卫星雷达测高数据筛选的处理装置中的第一获取单元902、处理单元904、分类标记单元906与训练单元908。此外，还可以包括但不限于上述湖泊卫星雷达测高数据筛选的处理装置中的其他模块单元，本示例中不再赘述。
128.可选地，上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
129.此外，上述电子设备还包括：显示器1008，用于显示上述雷达回波采样数据的分类类型；和连接总线1010，用于连接上述电子设备中的各个模块部件。
130.在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(p2p，peer to peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
131.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述湖泊卫星雷达测高数据筛选的处理方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
132.可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行
以下步骤的计算机程序：
133.s1，从全球湖面的卫星雷达测高数据中获取随机样本数据；其中，所述随机样本数据所需的基础数据包括全球卫星测高数据和湖泊边界数据；
134.s2，基于预设的图形界面工具对所述随机样本数据进行处理，并展示所述随机样本数据对应的回波波形和多源辅助信息；其中，所述多源辅助信息包括多源脚印特征值及地理位置信息；
135.s3，根据所述回波波形和多源辅助信息对所述随机样本数据进行类别标记；
136.s4，利用已标记类型的随机样本数据进行机器学习模型训练，得到湖泊卫星雷达测高数据的自动分类模型。
137.可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
138.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
139.上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
140.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
141.在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
142.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
143.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
144.以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。