一种干涉成像高度计的海面风速和有效波高联合反演方法技术

本发明专利技术涉及雷达信号处理领域，尤其涉及一种干涉成像高度计的海面风速和有效波高联合反演方法，所述方法包括：接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像；从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标，输入预先建立和训练好的联合反演模型，得到对应的海面风速和有效波高的归一化结果，经反归一化处理得到反演结果；所述联合反演模型基于BP神经网络实现。本发明专利技术利用干涉成像高度计数据实现了对海面风速和有效波高的联合反演；利用神经网络实现了对海面风速和有效波高准确又高效的反演。高准确又高效的反演。高准确又高效的反演。

【技术实现步骤摘要】
一种干涉成像高度计的海面风速和有效波高联合反演方法


[0001]本专利技术涉及雷达信号处理领域，尤其涉及一种干涉成像高度计的海面风速和有效波高联合反演方法，在海洋参数检测中有重要应用。

技术介绍

[0002]传统高度计通过准确获取海面的回波波形进行海洋参数反演；由回波波形的上升沿半功率点可以获取海面波高，由上升沿斜率可以获取有效波高，由波形的幅值可以反演海面后向散射系数；根据有效波高和后向散射系数建立模型可以计算海面风速。合成孔径雷达(Synthetic Aperture Radar,SAR)通过建立海面风速、风向、入射角、极化方式、频率和后向散射系数之间的地球物理模型进行海面风速的获取，其海面有效波高的获取可以通过SAR图像谱与海浪谱之间的非线性关系反演得到海浪谱从而得到有效波高、主波波长、主波波向和周期等海洋参数或者建立海洋参数与后向散射系数之间的经验模型进行反演。干涉成像高度计(Interferometric Imaging Radar Altimeter,InIRA)相比于二者采用小角度干涉测量技术、孔径合成技术以及海陆兼容的高度跟踪技术实现宽刈幅海面观测数据，既可得到海面后向散射系数的测量，如图1所示，还可通过干涉信息处理获得三维海面的高程信息，如图2所示，这些信息为对海面风场和有效波高的同时反演提供了数据基础。
[0003]BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播进行网络训练的算法，其优化规则是使用最速下降法，通过输出层得到输出结果和期望输出的误差反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。一个完整的BP神经网络运算主要包括前向传播对权重、偏置和输入做线性运算和激活运算，从输入层开始逐步运算获取输出值，再根据损失函数衡量输出值与期望值的误差并反向传播误差优化误差从而得到输出损失值最小的权重和偏置得到最佳网络。BP神经网络能学习和存贮大量的输入
‑
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，所以将利用BP神经网络出色的非线性映射能力和泛化能力对干涉成像高度计的海面风速和有效波高进行联合反演。

技术实现思路

[0004]本专利技术的目的在于克服现有技术缺陷，提出了一种干涉成像高度计的海面风速和有效波高联合反演方法。
[0005]为了实现上述目的，本专利技术提出了一种干涉成像高度计的海面风速和有效波高联合反演方法，所述方法包括：
[0006]接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像；
[0007]从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标，输入预先建立和训练好的联合反演模型，得到对应的海面风速和有效波高的归一化结果，经反归一化处理得到反演结果；
[0008]所述联合反演模型基于BP神经网络实现。
[0009]为了实现上述目的，所述联合反演模型包括依次连接的输入层、两个隐藏层和输出层，其中，两个隐藏层的节点个数分别为50和20，隐藏层激励函数为S型函数logsig，输出层激励函数为线性传递函数purelin，学习率为0.2；联合反演模型的输入包括：后向散射系数、海面高度、本地入射角和经纬度坐标，输出为海面风速和有效波高。
[0010]为了实现上述目的，所述方法还包括联合反演模型的训练步骤；具体包括：
[0011]步骤1)结合干涉成像高度计的时空位置，与欧洲中期天气预报中心的再分析风场和波浪数据进行时空插值，得到与干涉成像高度计匹配的风速数据和有效波高数据；
[0012]步骤2)对干涉成像高度计的风速数据和有效波高数据进行质量控制，建立数据与标签的数据集；
[0013]步骤3)对数据集的数据进行归一化处理；
[0014]步骤4)从归一化处理后的数据集中选取部分作为训练集，选取另一部分作为测试集；
[0015]步骤5)将训练集的数据输入BP神经网络，通过调整隐藏层的层数和各个隐藏层的节点个数以及学习率，确定最优网络结构得到待测试的联合反演模型；
[0016]步骤6)将测试集输入待测试的联合反演模型，得到测试集数据对应的反演结果，与测试集的标签进行比较，判断均方根误差、分散指数和相关系数是否均满足阈值要求，判断为是，转至步骤7)，否则转至步骤5)；
[0017]步骤7)得到训练好的联合反演模型。
[0018]为了实现上述目的，所述步骤1)具体包括：
[0019]获取欧洲中期天气预报中心的再分析风速和有效波高数据，将再分析数据与干涉成像高度计的历史数据进行时空插值匹配，得到风速数据和有效波高数据；匹配后的空间坐标为降采样之后的干涉成像高度计的经纬度坐标，时间窗口设置为10分钟。
[0020]为了实现上述目的，所述步骤2)具体包括：
[0021]对于干涉成像高度计的历史数据，采用全球地形模型数据ETOPO1剔除水深小于预设阈值，或者有明显降雨或云团因素影响的数据，并进行3σ滤波，得到滤波后的数据，所述滤波后的数据包括：海面后向散射系数、海面高度、本地入射角和经纬度坐标，并将对应的海面风速和有效波高作为标签，建立数据集。
[0022]为了实现上述目的，所述均方根误差RMSE为：
[0023][0024]其中，N表示计算样本点的个数，Y
i
表示网络反演结果，X
i
表示作为对照的测试集数据标签。
[0025]为了实现上述目的，所述分散指数SI为：
[0026][0027]其中，N表示计算样本点的个数，Y
i
表示网络反演结果，X
i
表示作为对照的测试集数据标签，表示网络反演结果的平均值，表示测试集数据的平均值。
[0028]一种干涉成像高度计的海面风速和有效波高联合反演系统，其特征在于，所述系统包括：联合反演模型、采集模块和反演结果输出模块，其中，
[0029]所述采集模块，用于接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像；
[0030]所述反演结果输出模块，用于从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标，输入预先建立和训练好的联合反演模型，得到对应的海面风速和有效波高的归一化结果，经反归一化处理得到反演结果；
[0031]所述联合反演模型基于BP神经网络实现。
[0032]与现有技术相比，本专利技术的优势在于：
[0033]1、本专利技术利用干涉成像高度计数据实现了对海面风速和有效波高的联合反演；
[0034]2、本专利技术利用神经网络实现了对海面风速和有效波高准确又高效的反演。
附图说明
[0035]图1是干涉成像高度计海面后向散射系数图像；
[0036]图2是干涉成像高度计海面高度图像；
[0037]图3是海面风速分布直方图；
[0038]图4是海面有效波高分布直方图；
[0039本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干涉成像高度计的海面风速和有效波高联合反演方法，所述方法包括：接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像；从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标，输入预先建立和训练好的联合反演模型，得到对应的海面风速和有效波高的归一化结果，经反归一化处理得到反演结果；所述联合反演模型基于BP神经网络实现。2.根据权利要求1所述的干涉成像高度计的海面风速和有效波高联合反演方法，其特征在于，所述联合反演模型包括依次连接的输入层、两个隐藏层和输出层，其中，两个隐藏层的节点个数分别为50和20，隐藏层激励函数为S型函数logsig，输出层激励函数为线性传递函数purelin，学习率为0.2；联合反演模型的输入包括：后向散射系数、海面高度、本地入射角和经纬度坐标，输出为海面风速和有效波高。3.根据权利要求2所述的干涉成像高度计的海面风速和有效波高联合反演方法，其特征在于，所述方法还包括联合反演模型的训练步骤；具体包括：步骤1)结合干涉成像高度计的时空位置，与欧洲中期天气预报中心的再分析风场和波浪数据进行时空插值，得到与干涉成像高度计匹配的风速数据和有效波高数据；步骤2)对干涉成像高度计的风速数据和有效波高数据进行质量控制，建立数据与标签的数据集；步骤3)对数据集的数据进行归一化处理；步骤4)从归一化处理后的数据集中选取部分作为训练集，选取另一部分作为测试集；步骤5)将训练集的数据输入BP神经网络，通过调整隐藏层的层数和各个隐藏层的节点个数以及学习率，确定最优网络结构得到待测试的联合反演模型；步骤6)将测试集输入待测试的联合反演模型，得到测试集数据对应的反演结果，与测试集的标签进行比较，判断均方根误差、分散指数和相关系数是否均满足阈值要求，判断为是，转至步骤7)，否则转至步骤5)；步骤7)得到训练好的联合反演模型。4.根据权利要求3所述的干涉成像高度计的海面风速和有效波高联合反演方法，其特征在于...

【专利技术属性】
技术研发人员：李果，张云华，董晓，
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：