1.一种基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,包括以下步骤:S1、采集若干时序差分干涉相位图,得到第一训练样本;
S2、根据第一训练样本,得到训练好的随机森林;
S3、通过训练好的随机森林对所有的时序差分干涉相位图进行分类,得到最优分类结果;
S4、根据最优分类结果,得到各时间点的高精度形变相位,完成大气的改正。
2.根据权利要求1所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S1具体为:
S11、从GB‑InSAR系统连续观测处理得到的所有时序差分干涉相位图中选取M幅时序差分干涉相位图,并分别从M幅时序差分干涉相位图中选取N个位置相同的像元;
S12、提取每个像元时间序列上的差分干涉相位,并将每个像元的差分干涉相位作为一个数据集,进而将得到的N个数据集作为第一训练样本;
其中,每个数据集包含M个时序差分干涉相位。
3.根据权利要求1所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S2包括以下分步骤:S21、根据第一训练样本通过随机抽样形成第二训练样本;
S22、根据第二训练样本得到训练好的随机森林。
4.根据权利要求3所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S21包括以下分步骤:S21‑1、从第一训练样本中随机抽取一个数据集,通过所述数据集训练第一棵决策树,训练完成后将数据集放回第一训练样本;
S21‑2、重复N次步骤S21‑1,得到第一棵决策树的训练集1;
S21‑3、重复n次步骤S21‑2,得到n棵决策树对应的训练集1 训练集n,并将所有的训练~
集作为第二训练样本。
5.根据权利要求3所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S22包括以下分步骤:S22‑1、将第二训练样本中每个训练集的M个时序差分干涉相位作为样本特征属性;
S22‑2、随机从每个所述训练集的样本特征属性中抽取m个属性子集,并从属性子集中选择最优分裂属性作为所述训练集对应决策树的节点分裂特征属性;
S22‑3、根据确定的n棵决策树的属性子集和节点分裂特征属性,并通过n棵决策树构建随机森林,得到训练好的随机森林。
6.根据权利要求5所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S22‑2中,选择最优分裂属性的方法具体为:通过弱学习器算法中的基尼系数法计算属性子集中的各个特征属性的基尼值,选择基尼值最小的特征属性作为最优分裂属性;
其中,基尼值Gini(D)的表达式具体为:式中,D为属性子集中的特征属性,pi为属性子集中第i类属性所占比例,k为属性子集中属性的总数。
7.根据权利要求1所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S3包括以下分步骤:S31、将所有的时序差分干涉相位图以像元为单位构建时序分类集合;
S32、将时序分类集合输入随机森林,通过随机森林中各决策树投票结果确定最优分类结果;
其中,所述最优分类结果具体为大气延迟相位。
8.根据权利要求7所述的基于随机森林时序分类的GB‑InSAR大气改正方法,其特征在于,所述步骤S4具体为:
根据得到的大气延迟相位,将所有时序差分干涉相位图分别与其对应时间点的大气延迟相位做差,得到各时间点的最终高精度时序形变相位,从而减弱大气延迟误差,完成大气的改正。