【技术实现步骤摘要】
一种基于CNN神经网络的GNSS-R海面风速反演方法及系统
本专利技术涉及大气科学研究领域，具体涉及一种基于CNN神经网络的GNSS-R海面风速反演的方法及系统。
技术介绍
海面风速是海洋状态信息中至关重要的物理参数，目前可以通过GNSS-R卫星遥感技术进行探测。由于GNSS-R技术具有高全球覆盖率、高时空分辨率等特点，能得到高质量的海面风速探测资料。目前GNSS-R风速反演方法主要有以下两种：波形匹配法：首先需要根据实测数据提取系统状态信息，然后再生成理论模型模拟波形，最后进行归一化处理得到理论波形图，基于大量理论波形图建立仿真波形数据库；反演时由实测数据生成待测波形图，并进行降噪和归一化处理。将待测波形图和数据库中的理论波形图进行匹配，从匹配成功的理论波形图对应的风速就是待测数据的海面风速。但是该方法的缺陷在于计算量大，精细的数据库建立极为耗时。经验函数法：通过对大量实测数据的经验总结，从DDM中选取与海面风速相关性高的某一、两个物理参数，进行回归线性拟合，从而建立其与海面风速的函数映射来获取风速。但是海...
【技术保护点】
1.一种基于CNN神经网络的GNSS-R海面风速反演方法，所述方法包括：/n将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个CNN神经网络。/n
【技术特征摘要】
1.一种基于CNN神经网络的GNSS-R海面风速反演方法，所述方法包括：
将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个CNN神经网络。
2.根据权利要求1所述的基于CNN神经网络的GNSS-R海面风速反演方法，其特征在于，所述CNN神经网络依次包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层，其中，输入层的输入为DDM图，其节点数是2560；第一卷积层C1输出特征图数为1，神经元个数是1024个；第二卷积层输出特征图数为依次为32，64，128，256，神经元个数是512个，两个卷积层设置的卷积核大小都为3*3；第一池化层和第二池化层的域大小均为2*2；卷积层和输出层之间的全连接层的神经元个数是16个；输出层节点数为1，其输出为海面风速；所述CNN神经网络的激活函数为ReLU函数；损失函数为MSE函数，评价指标为均方根误差RMSE。
3.根据权利要求2所述的基于CNN神经网络的GNSS-R海面风速反演方法，其特征在于，所述方法还包括：CNN神经网络的训练步骤，具体包括：
选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；
对原始样本集进行预处理并切分成训练集与测试集；
通过训练集数据不断训练CNN神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；
用测试集数据对训练好的CNN神经网络进行测试。
4.根据权利要求3所述的基于CNN神经网络的GNSS-R海面风速反演方法，其特征在于，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：
基于经纬度、风速和信噪比对原始样本集数据进行筛选；
基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；
将预处理后的原始样本集按照7:3的比例切分成训练集和测试集。
5.根据权利要求4所述的基于CNN神经网络的GNSS-R海面风速反演方法，其特征在于，所述通过训练集数据不断训练CNN神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系，具体包括：
所述CNN神经网络中神经元之间的权值以及每个神经元中的阈值初始化后，训练集数据从输入层传入第一个卷积层进行卷积计算，卷积后输出的特征图通过非线性激活函数处理，再通过第一池化层降低数据空间维度，得到特征矩阵；然后输入第二卷积层和第二池化层进行卷积和池化操作，通过全连接层将卷积学到的所有数据特征结合起来，归一化处理后传递至输出层，通过损失函数计算输出风速与真实风速间的误差，将该结果从输出层反向逐层传递并调整各卷积层和池化层的权重；
重复正向传播和反向传播过程，损失函数的结果逐渐减小，直到该结果处于期望误差范围内或达到设定的训练次数，CNN神经网络训练完成，实现DDM图到海面风速的非线性映射。
6.一种基于CNN...
【专利技术属性】
技术研发人员：白伟华，王斯嘉，孙越强，杜起飞，刘黎军，李伟，王先毅，蔡跃荣，曹光伟，夏俊明，孟祥广，柳聪亮，赵丹阳，尹聪，胡鹏，王冬伟，刘成，吴春俊，李福，乔颢，程双双，朱光武，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。