基于神经网络模型的GNSS-R海面风速反演算法研究

发布时间：2021-10-21 03:34

　　海面风场是上层海水运动的主要动力来源,是海洋学的重要物理参数,在区域及全球气候变化中起着举足轻重的作用,对于海面风场的准确预测有利于全球天气预报的发展以及海浪的预防。因此,对于海风的监测与研究是十分有意义的。对于3-18m/s风速段数据,当前基于GNSS-R反演海面风场的方法得到的精度在2.2m/s左右,存在与风场相关的物理量提取不完备、模型复杂以及反演耗时长等或多或少的缺点。为了进一步缩短反演时间并提高反演精度,本文以GNSS-R技术结合深度学习神经网络来反演海面风场为研究方向展开了相关工作。本文利用TDS-1（Tech Demo Sat-1）卫星数据与欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）数据构成原始样本集,对其进行筛选、采样、归一化处理、切分成训练集和测试集等操作,得到的训练集和测试集分别用于BP（back propagation Neural Network）和CNN（Convolutional Neural Networks）模型的训练和测试,最终构建了以卫星的DDM数据图为输入... 

【文章来源】：中国科学院大学(中国科学院国家空间科学中心)北京市

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

GNSS系统

第1章绪论71.2.4基于GNSS-R的海面风速反演方法总结GNSS接收机的反射信号来自于海面的闪烁区，闪烁区的大小取决于风速大校如下图所示，闪烁区的不同部分依据不同的时间延迟以及镜面点的多普勒频率对反射信号产生影响，最终形成多普勒图（DDM）。从这可以看出，多普勒图是和海面的粗糙程度是相关的。海面的风速越大即海面的粗糙程度越大，那么在时延/频域中的DDM图就越宽。图1.2不同情况下的散射信号的相关功率曲线Figure1.2Correlationpowercurveofscatteredsignalunderdifferentconditions传统的GNSS-R风速反演方法有两种，一是将实测的时延功率曲线与理论曲线进行匹配来反演海面风场，二是基于经验函数的反演方法。

第1章绪论9图1.4DDM波形图Figure1.4Delay-DopplerMap基于经验函数的反演方法是一种应用最多的海面风速反演方法，通过对大量实测数据的经验总结，选取与海面风速相关性高的某一两个物理量，建立其与海面风速的函数映射来获取风速，比如散射系数与风速的关系。但是所存在的问题是海面风速往往不只是一两个因素决定的结果，其他与海面风速相关的物理量如一些位置及姿态信息可能被忽略。因此，该方法的反演精度会由于忽视其他物理参数而受到影响。[33][35][38]1.3本文的研究目的和研究内容随着互联网大数据时代的到来，机器学习算法受到越来越多专家学者的关注，该技术得到快速发展，在GNSS应用领域也逐渐崭露头角。2011年，FabrizioPelliccia等人利用人工神经网络基于GNSS掩星的数据去探测北极大气[78]。2018年，GUERMAH等人将GNSS与决策树算法相结合，提高了智能交通系统在恶劣环境下的定位性能[79]。2019年，Jia,Y等人采用了XGBoost算法和GNSS-R技术来反演土壤水分特征[80]。由此可见，机器学习算法已经融入到了GNSS的相关研究中并有了极佳的效果。神经网络模型里带有非线性的激活函数，赋予神


本文编号：3448158