基于深度學習算法的衛星遙感數據智能壓縮方法

趙泊寧

（黑龍江科技大學計算機與信息工程學院，黑龍江 哈爾濱 150022）

引言

衛星遙感數據是遙感衛星在太空實現監測或者采集任務時所獲取的相關數值及信息。其是針對地球表面的物體，利用電磁波進行掃描，在不同的位置形成波段反射提取出該物體的信息及識別圖像[1]。衛星遙感數據量一般較為龐大，在運輸的過程中，需要分批次壓縮處理，以數據包的形式傳輸到指定的地點上[2]。傳統的數據壓縮方法以文獻[6]和文獻[7]為例，所研究的全波形激光雷達波形數據無損壓縮方法和大數據多媒體弱關聯數據智能壓縮方法在實際應用時具有壓縮速度快，數據整合范圍廣等優勢，在一定程度上提升了整體的數據處理效率和質量，但是隨著衛星遙感覆蓋范圍的擴大，數據壓縮結果受到影響，對衛星遙感數據的單位傳輸速率造成或多或少的阻礙。深度學習算法可以構建更靈活多變的遙感數據壓縮結構，可以針對性地對復雜數據作出應變分類，從根源上確保壓縮數據的安全真實[3]。與此同時，深度學習算法可以更好地對數據進行多維核定，利用專業設備捕捉電磁波的反射信號，并對異常區域做出標記，實現衛星遙感數據的同步壓縮，為后續的數據壓縮技術的創新奠定基礎[4]。基于此，本文對基于深度學習算法的衛星遙感數據智能壓縮方法進行設計分析。

1 構建衛星遙感數據深度學習測算智能壓縮方法

1.1 遙感數據塊量化處理

由于衛星遙感數據量十分龐大，需要在設定的周期之內進行數據的壓縮處理，便于后續傳輸工作的執行。為提升整體的工作效率與質量，一般會將所采集的數據以數據塊或者數據包的形式量化壓縮，避免出現誤差或者失真等問題的出現[5]。可以先按照關聯性程度對待壓縮數據進行層次結構上的劃分，設定數據排列集合，構建數據塊的量化處理空間[6]。再利用專業的設備獲取衛星遙感數據，匯總整合后進行初步壓縮，篩選壓縮過程中較弱的關聯結構，并測算出數據塊映射值，結合測算的數據塊映射值，劃定不同層級中遙感數據塊的映射距離與范圍，在不受到外界干擾的情況下，對數據的規劃處理設定制約行為標準，構建多個智能量化數據塊壓縮程序，與基礎的執行原理相融合，形成的量化處理結構，在標定的數據處理范圍之內建立在候選基序列，計算出無線傳感遙感數據序列的相關次數，明確出數據塊量化深度學習的基序列，如公式（1）所示：

式中：A 表示固定基序列，f 表示量化處理次數，N 表示序列相關系數，c 表示壓縮距離，l 表示備選序列覆蓋范圍。利用得出的基序列劃定不同種類數據塊的量化情況，為后續的分層壓縮處理提供依據[7]。

1.2 確定壓縮稀疏度

壓縮稀疏度是指在數據獲取之后執行壓縮任務過程中數據之間的壓縮間距，也是壓縮程序的間距[8]。利用無線傳感網絡獲取衛星的遙感數據、信息，通過壓縮指令，將所獲取的數據進行分類，依據壓縮的步驟。需要注意的是，需要在壓縮之前，設計壓縮層級，結合深度學習算法的測算形式，將同序列的數據聚集到一個分組之中，形成深度訓練數據集，此時，可以將數據集通過平臺編制成壓縮指令，輸入至稀疏自動編碼器中，通過遙感數據尋優參數的變化，最終確定數據包的具體壓縮程度，此時，需要計算出稀疏懲罰項，具體如公式（2）所示：

式中：U 表示稀疏懲罰項，O 表示自適應范圍，x1表示預設懲罰系數，x2表示實際懲罰系數，V 表示壓縮范圍，κ 表示等效傳感距離。通過上述方式最終可以得出實際的稀疏懲罰項。在不同的環境下，稀疏懲罰項相當于一個動態化的壓縮限制條件，利用深度學習算法對不同階段的壓縮稀疏度進行測算，具體如公式（3）所示：

式中：D 表示壓縮稀疏度，? 表示標定壓縮單元，e 表示壓縮次數，α 表示尋優參數，結合測試得出的壓縮稀疏度，獲取不同階段的深度學習波動比，進行壓縮階段設定，最終確定壓縮稀疏度[9]。

1.3 設定智能數據壓縮周期

利用衛星傳輸回的遙感數據及信息，結合深度學習算法設定具體的數據壓縮周期[10]。首先，進行壓縮數據的歸類，這部分需要在數據范圍之內布設一定數量的監測節點，獲取實時的數據與信息。隨后結合深度學習算法中的回歸算法測定出壓縮偏差，具體如下公式（4）所示：

式中：L 表示壓縮偏差，δ 表示預設壓縮范圍，t 表示重疊壓縮范圍，η 表示數據包回歸堆疊間距，? 表示單向壓縮時間，t 表示稀疏度，z 表示壓縮次數。

結合得出的壓縮偏差對壓縮的程序及執行標準進行修正及調整，再根據深度學習中的回歸測算模式，對數據的傳輸時間做出對應標記，對簇頭監測節點進行調整，設置好數據的壓縮周期，在合理的范圍之內利用執行程序對衛星遙感數據進行智能化周期性的處理，逐步完善壓縮結構。

1.4 基于深度學習的遙感數據壓縮模型

衛星遙感數據、信息的傳輸范圍一般是較為廣泛的，且在實際傳輸的過程中數據壓縮工作的不穩定性相對較強，嚴重的甚至會對數據造成損壞。因此，可以先將遙感數據中弱關聯集的映射活動設定成動態化的指令，由信息協議向智能壓縮數據體發出指令，形成關聯壓縮行為，采用深度學習處理模式，分析出數據的壓縮邏輯，具體如下：利用布設的節點，獲取壓縮模型的基礎框架，隨后，捕捉數據塊的關聯映射，形成一種邏輯壓縮連接關系，測算出可壓縮向量值，如公式（5）所示：

式中：d 表示映射結果，π 表示遙感數據集覆蓋范圍，b 表示步長距離，μ 表示傳輸單向值。通過上述計算，最終可以得出實際的映射結果，將映射的結果與模型的數據壓縮標準融合，在深度學習測算的輔助之下，根據壓縮序列的變動情況，在模型中設定不同的數據壓縮目標。

以此為條件，限定遙感數據利用模型傳輸過程中的偏移情況，根據壓縮法則的具體標準設計動態化執行的物理壓縮指令。需要注意的是，所設計的指令并不是固定的，而是隨遙感數據變動隨之改變，且遵循關聯性法則。在實際應用過程中，可以先下達壓縮指令，確定具體的壓縮范圍之后對數據壓縮程序進行重構，獲取不同階段及環境下的弱關聯傳導系數，設立一階段導數和二階段導數，形成完整的壓縮限制標準，逐步構建定向的數據結構，進一步完善壓縮模型的應用能力，確保數據的壓縮效果。

1.5 深度解壓縮實現數據處理

解壓縮是對數據的一種分層級壓縮處理，結合深度學習算法構建具體的壓縮矩陣。為此，先利用壓縮模型測定出不同階段下的遙感數據類別，采用分層解析的方式，測算出壓縮分類閾值，具體如公式（7）所示：

式中：g 表示壓縮分類閾值，y 表示遙感周期數據差，v表示堆疊壓縮結果，p 表示壓縮步長值，E 表示壓縮次數。結合得出的壓縮分類閾值，可以構建深度壓縮程序，隨后，利用測算規則對獲取的實時數據進行方向解壓縮，搭配壓縮模型對遙感數據壓縮誤差進行更好的控制，采用數據壓縮模型對監測節點進行調整和重新部署，利用深度解壓模式對所采集的遙感數據做出篩選及動態化處理，測定出每一組數據之間的差值，觀測其是否處于合理范圍之內，如果超出范圍，則需要重新壓縮處理，調整實際的壓縮模式及單元標準，設計更多元化的壓縮途徑，還要更改數據壓縮目標及布設的監測節點，測算出監測間距，實現數據的同步壓縮處理，最終完成數據壓縮方法的設計和優化。

2 方法測試

考慮到最終測試結果的真實可靠，選定三組相同大小的衛星遙感傳輸的數據包作為測試的主要目標對象，將本文方法與文獻[6]與文獻[7]方法進行對比。首先，將預設的三組數據分別設定在控制平臺的壓縮程序之中，對衛星下達對應的數據監測指令，獲取對應周期之內的實時應變數據，再根據數據的壓縮處理需求及標準，在對應位置部署一定數量的壓縮節點。隨后測定不同環境下遙感數據壓縮時間，具體見圖1所示。

圖1 測試遙感數據單位傳輸速率對比圖示

結合圖1 可以了解到與另外兩種方法相比，本文方法的遙感數據壓縮時間更短，且更加穩定，基本上可以在2 s 內的時間內完成相關數據的壓縮，具有良好的遙感數據壓縮效率。接下來，測算出不同方法的壓縮數據單位傳輸速率，具體見表1 所示。

表1 測試結果對比分析表

根據表1 可知，相比于傳統方法，本文方法的壓縮數據單位傳輸速率更高，均控制在90 Mbps 以上，表明在實際應用過程中，設計方法不僅可以保證壓縮速度，也可以提升傳輸速度，反過來可以證明設計方法的壓縮效果更佳，具有實際的應用價值。

3 結論

以上便是基于深度學習算法的衛星遙感數據智能壓縮方法的設計分析全過程。通過實驗可知，本文在深度學習算法的輔助之下，可以更精準、完整地對衛星遙感所傳回的數據進行處理和壓縮，在復雜的數據整合環境之下建立深度測算矩陣，幫助數據進行多維分類，增加數據壓縮過程中的可靠性與真實性，具有一定應用價值。