基于CNN多信息融合的GNSS-R海面风速反演方法及系统技术方案

本发明专利技术公开一种基于CNN多信息融合的GNSS

【技术实现步骤摘要】
基于CNN多信息融合的GNSS
‑
R海面风速反演方法及系统


[0001]本专利技术涉及电子、信息及大气科学等领域，具体涉及一种多信息融合的CNN海面风速反演方法及系统。

技术介绍

[0002]海面风场是一种重要的气象学参数，对全球气候有着显著的影响，而海面风速作为海面风场最重要的参数之一，如何实现其全球范围内高时空分辨率的探测是目前气象学研究的一个重要问题。传统的海面风场探测手段包括浮标、气象遥感卫星等，它们存在测量范围有限、功耗成本高等缺陷。近年来，全球导航卫星系统反射(global navigation satellite system reflectometry,GNSS
‑
R)技术反演海面风速的理论不断完善与发展，提供了一种覆盖范围大、时空分辨率高、成本较低的海面风场探测手段。目前，利用地球物理模式函数法(geophysical model function,GMF)进行星载GNSS
‑
R风速反演的方法主要包括两个步骤：从DDM中提取特征值；构建特征值与风速之间的经验模型。该方法人为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN多信息融合的GNSS
‑
R海面风速反演方法，其特征在于：利用卷积神经网络提取出DDM特征，然后与镜面反射点的经纬度、RCG、信号入射角、有效波高进行特征融合，输入风速反演模型，输出反演风速，实现过程包括如下步骤，步骤S1，构建DDM与对应有效散射面积的卷积输入向量及镜面反射点的经纬度、RCG、信号入射角、有效波高的辅助向量；步骤S2，将卷积输入向量和辅助向量输入风速反演模型，输出对应的反演风速；所述风速反演模型为基于CNN的有效特征提取及多信息融合的GNSS
‑
R海面风速反演模型。2.根据权利要求1所述的基于CNN多信息融合的GNSS
‑
R海面风速反演方法，其特征在于：步骤S1包括以下子步骤，步骤S1.1，将GNSS
‑
R数据与有效波高数据进行时空匹配；步骤S1.2，将GNSS
‑
R L1b BRCS DDM与对应大小的有效散射截面面积组合成卷积层输入向量，并进行归一化处理；步骤S1.3，将与DDM对应的镜面反射点的经纬度、RCG、信号入射角、有效波高组合成辅助向量。3.根据权利要求1所述的基于CNN多信息融合的GNSS
‑
R海面风速反演方法，其特征在于：步骤S2所述的基于CNN的有效特征提取及多信息融合的GNSS
‑
R海面风速反演模型包括输入层，三层卷积层C1
‑
C3，特征融合层O4，三层全连接层F5
‑
F7，以及输出层；C1层卷积核尺寸为5*5，卷积核个数为16；C2层卷积核尺寸为5*5，卷积核个数为8；C3层卷积核尺寸为3*3，卷积核个数为4，且设置概率为0.5的dropout；BN衰化系数为0.99，激活函数均为ReLU；O4层用于融合卷积层输出及辅助信息，神经元个数为33；F5层神经元个数为128，激活函数为tanh，用于提升模型的非线性程度；F6层和F7层神经元个数分别为64和8，激活函数均为ReLU，保证输出风速反演值为正，最后输出CNN反演风速；评价指标为RMSE及bias。4.根据权利要求3所述的基于CNN多信息融合的GNSS
‑
R海面风速反演方法，其特征在于：GNSS
‑
R海面风速反演模型的训练过程，实现方式如下，对指定日期范围的GNSS
‑
R数据集、风速数据集和有效波高数据集进行数据预处理后，划分为训练集和测试集；将GNSS
‑
R L1b BRCS DDM与对应大小的有效散射截面面积组合成卷积层输入向量并归一化，对应的镜面反射点的经纬度、RCG、信号入射角、有效波高组合成辅助向量，这两个向量共同组成一个训练样本；设定损失函数为MSE函数，采用mini
‑
batch方法训练基于CNN的有效特征提取及多信息融合的GNSS
‑
R海面风速反演模型，batch_size设定为64，总的epoch设定为100，优化器选择RMSProp；通过训练集中提取的bat...

【专利技术属性】
技术研发人员：郭文飞，杜皓，郭迟，
申请(专利权)人：武汉大学，
类型：发明
国别省市：