基于深度学习算法的卫星遥感数据智能压缩方法

赵泊宁

（黑龙江科技大学计算机与信息工程学院，黑龙江 哈尔滨 150022）

引言

卫星遥感数据是遥感卫星在太空实现监测或者采集任务时所获取的相关数值及信息。其是针对地球表面的物体，利用电磁波进行扫描，在不同的位置形成波段反射提取出该物体的信息及识别图像[1]。卫星遥感数据量一般较为庞大，在运输的过程中，需要分批次压缩处理，以数据包的形式传输到指定的地点上[2]。传统的数据压缩方法以文献[6]和文献[7]为例，所研究的全波形激光雷达波形数据无损压缩方法和大数据多媒体弱关联数据智能压缩方法在实际应用时具有压缩速度快，数据整合范围广等优势，在一定程度上提升了整体的数据处理效率和质量，但是随着卫星遥感覆盖范围的扩大，数据压缩结果受到影响，对卫星遥感数据的单位传输速率造成或多或少的阻碍。深度学习算法可以构建更灵活多变的遥感数据压缩结构，可以针对性地对复杂数据作出应变分类，从根源上确保压缩数据的安全真实[3]。与此同时，深度学习算法可以更好地对数据进行多维核定，利用专业设备捕捉电磁波的反射信号，并对异常区域做出标记，实现卫星遥感数据的同步压缩，为后续的数据压缩技术的创新奠定基础[4]。基于此，本文对基于深度学习算法的卫星遥感数据智能压缩方法进行设计分析。

1 构建卫星遥感数据深度学习测算智能压缩方法

1.1 遥感数据块量化处理

由于卫星遥感数据量十分庞大，需要在设定的周期之内进行数据的压缩处理，便于后续传输工作的执行。为提升整体的工作效率与质量，一般会将所采集的数据以数据块或者数据包的形式量化压缩，避免出现误差或者失真等问题的出现[5]。可以先按照关联性程度对待压缩数据进行层次结构上的划分，设定数据排列集合，构建数据块的量化处理空间[6]。再利用专业的设备获取卫星遥感数据，汇总整合后进行初步压缩，筛选压缩过程中较弱的关联结构，并测算出数据块映射值，结合测算的数据块映射值，划定不同层级中遥感数据块的映射距离与范围，在不受到外界干扰的情况下，对数据的规划处理设定制约行为标准，构建多个智能量化数据块压缩程序，与基础的执行原理相融合，形成的量化处理结构，在标定的数据处理范围之内建立在候选基序列，计算出无线传感遥感数据序列的相关次数，明确出数据块量化深度学习的基序列，如公式（1）所示：

式中：A 表示固定基序列，f 表示量化处理次数，N 表示序列相关系数，c 表示压缩距离，l 表示备选序列覆盖范围。利用得出的基序列划定不同种类数据块的量化情况，为后续的分层压缩处理提供依据[7]。

1.2 确定压缩稀疏度

压缩稀疏度是指在数据获取之后执行压缩任务过程中数据之间的压缩间距，也是压缩程序的间距[8]。利用无线传感网络获取卫星的遥感数据、信息，通过压缩指令，将所获取的数据进行分类，依据压缩的步骤。需要注意的是，需要在压缩之前，设计压缩层级，结合深度学习算法的测算形式，将同序列的数据聚集到一个分组之中，形成深度训练数据集，此时，可以将数据集通过平台编制成压缩指令，输入至稀疏自动编码器中，通过遥感数据寻优参数的变化，最终确定数据包的具体压缩程度，此时，需要计算出稀疏惩罚项，具体如公式（2）所示：

式中：U 表示稀疏惩罚项，O 表示自适应范围，x1表示预设惩罚系数，x2表示实际惩罚系数，V 表示压缩范围，κ 表示等效传感距离。通过上述方式最终可以得出实际的稀疏惩罚项。在不同的环境下，稀疏惩罚项相当于一个动态化的压缩限制条件，利用深度学习算法对不同阶段的压缩稀疏度进行测算，具体如公式（3）所示：

式中：D 表示压缩稀疏度，א 表示标定压缩单元，e 表示压缩次数，α 表示寻优参数，结合测试得出的压缩稀疏度，获取不同阶段的深度学习波动比，进行压缩阶段设定，最终确定压缩稀疏度[9]。

1.3 设定智能数据压缩周期

利用卫星传输回的遥感数据及信息，结合深度学习算法设定具体的数据压缩周期[10]。首先，进行压缩数据的归类，这部分需要在数据范围之内布设一定数量的监测节点，获取实时的数据与信息。随后结合深度学习算法中的回归算法测定出压缩偏差，具体如下公式（4）所示：

式中：L 表示压缩偏差，δ 表示预设压缩范围，t 表示重叠压缩范围，η 表示数据包回归堆叠间距，ϕ 表示单向压缩时间，t 表示稀疏度，z 表示压缩次数。

结合得出的压缩偏差对压缩的程序及执行标准进行修正及调整，再根据深度学习中的回归测算模式，对数据的传输时间做出对应标记，对簇头监测节点进行调整，设置好数据的压缩周期，在合理的范围之内利用执行程序对卫星遥感数据进行智能化周期性的处理，逐步完善压缩结构。

1.4 基于深度学习的遥感数据压缩模型

卫星遥感数据、信息的传输范围一般是较为广泛的，且在实际传输的过程中数据压缩工作的不稳定性相对较强，严重的甚至会对数据造成损坏。因此，可以先将遥感数据中弱关联集的映射活动设定成动态化的指令，由信息协议向智能压缩数据体发出指令，形成关联压缩行为，采用深度学习处理模式，分析出数据的压缩逻辑，具体如下：利用布设的节点，获取压缩模型的基础框架，随后，捕捉数据块的关联映射，形成一种逻辑压缩连接关系，测算出可压缩向量值，如公式（5）所示：

式中：d 表示映射结果，π 表示遥感数据集覆盖范围，b 表示步长距离，μ 表示传输单向值。通过上述计算，最终可以得出实际的映射结果，将映射的结果与模型的数据压缩标准融合，在深度学习测算的辅助之下，根据压缩序列的变动情况，在模型中设定不同的数据压缩目标。

以此为条件，限定遥感数据利用模型传输过程中的偏移情况，根据压缩法则的具体标准设计动态化执行的物理压缩指令。需要注意的是，所设计的指令并不是固定的，而是随遥感数据变动随之改变，且遵循关联性法则。在实际应用过程中，可以先下达压缩指令，确定具体的压缩范围之后对数据压缩程序进行重构，获取不同阶段及环境下的弱关联传导系数，设立一阶段导数和二阶段导数，形成完整的压缩限制标准，逐步构建定向的数据结构，进一步完善压缩模型的应用能力，确保数据的压缩效果。

1.5 深度解压缩实现数据处理

解压缩是对数据的一种分层级压缩处理，结合深度学习算法构建具体的压缩矩阵。为此，先利用压缩模型测定出不同阶段下的遥感数据类别，采用分层解析的方式，测算出压缩分类阈值，具体如公式（7）所示：

式中：g 表示压缩分类阈值，y 表示遥感周期数据差，v表示堆叠压缩结果，p 表示压缩步长值，E 表示压缩次数。结合得出的压缩分类阈值，可以构建深度压缩程序，随后，利用测算规则对获取的实时数据进行方向解压缩，搭配压缩模型对遥感数据压缩误差进行更好的控制，采用数据压缩模型对监测节点进行调整和重新部署，利用深度解压模式对所采集的遥感数据做出筛选及动态化处理，测定出每一组数据之间的差值，观测其是否处于合理范围之内，如果超出范围，则需要重新压缩处理，调整实际的压缩模式及单元标准，设计更多元化的压缩途径，还要更改数据压缩目标及布设的监测节点，测算出监测间距，实现数据的同步压缩处理，最终完成数据压缩方法的设计和优化。

2 方法测试

考虑到最终测试结果的真实可靠，选定三组相同大小的卫星遥感传输的数据包作为测试的主要目标对象，将本文方法与文献[6]与文献[7]方法进行对比。首先，将预设的三组数据分别设定在控制平台的压缩程序之中，对卫星下达对应的数据监测指令，获取对应周期之内的实时应变数据，再根据数据的压缩处理需求及标准，在对应位置部署一定数量的压缩节点。随后测定不同环境下遥感数据压缩时间，具体见图1所示。

图1 测试遥感数据单位传输速率对比图示

结合图1 可以了解到与另外两种方法相比，本文方法的遥感数据压缩时间更短，且更加稳定，基本上可以在2 s 内的时间内完成相关数据的压缩，具有良好的遥感数据压缩效率。接下来，测算出不同方法的压缩数据单位传输速率，具体见表1 所示。

表1 测试结果对比分析表

根据表1 可知，相比于传统方法，本文方法的压缩数据单位传输速率更高，均控制在90 Mbps 以上，表明在实际应用过程中，设计方法不仅可以保证压缩速度，也可以提升传输速度，反过来可以证明设计方法的压缩效果更佳，具有实际的应用价值。

3 结论

以上便是基于深度学习算法的卫星遥感数据智能压缩方法的设计分析全过程。通过实验可知，本文在深度学习算法的辅助之下，可以更精准、完整地对卫星遥感所传回的数据进行处理和压缩，在复杂的数据整合环境之下建立深度测算矩阵，帮助数据进行多维分类，增加数据压缩过程中的可靠性与真实性，具有一定应用价值。