一种基于CNN的星载GNSS-R海面风速反演的多模态深度学习方法技术

本发明专利技术公开了一种基于CNN的星载GNSS

【技术实现步骤摘要】
一种基于CNN的星载GNSS
‑
R海面风速反演的多模态深度学习方法


[0001]本专利技术属于GNSS海洋遥感监测
，特别是涉及一种基于CNN的星载GNSS
‑
R海面风速反演的多模态深度学习方法。

技术介绍

[0002]海面风速是影响海洋环流和全球气候的关键因素。作为最严重的自然灾害之一，由较大风速产生的热带气旋、台风或飓风等极大地破坏基础设施并危及生命。此外，海面风速也是气象观测海面信息的关键要素之一，在气象预报、气候规律研究和航空飞行安全等方面发挥着非常重要的作用。全球导航卫星系统反射测量(Global Navigation Satellite System
‑
Reflectometry，GNSS
‑
R)技术通过搭载在卫星上的接收机接收直接来自GNSS卫星的直射信号和经过反射面反射的回波信号，通过处理得到时延多普勒图，对应反射信号二维相关功率，并通过一定的反演方法可以得到地球表面散射面的物理参数信息。星载GNSS
‑
R具有重访周期短，观测成本低，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的星载GNSS
‑
R海面风速反演的多模态深度学习方法，其特征在于，包括以下步骤：步骤S1，获取星载GNSS
‑
R观测数据、ERA5风速、ERA5涌浪高、ERA5波向数据和IMERG降雨数据；步骤S2，对所获取的所有数据集预处理和时空匹配；步骤S3，数据质量控制和数据划分；步骤S4，GloWS
‑
Net模型构建和训练，GloWS
‑
Net模型有三条输入线，第一条用于输入BRCSDDM，第二条用于输入有效散射面积(effective scattering area)，第三条用于输入辅助参数；步骤S5，将测试数据集输入到训练后的GloWS
‑
Net模型中，得到反演风速值，并对结果进行评估。2.根据权力要求1所述的基于CNN的星载GNSS
‑
R海面风速反演的多模态深度学习方法，其特征在于，所述星载GNSS
‑
R观测数据包含L1b BRCSDDM、有效散射面积(effective scattering area)、归一化双基雷达散射截面(NBRCS)、前沿斜率(LES)、后沿斜率(TES)、信噪比(SNR)、接收机天线增益(sp_rx_gain)、镜面反射点的经纬度和入射角；所述ERA5风速为海面以上10m的U分量和V分量合成风速；所述ERA5涌浪高为涌浪的SWH(Significant height oftotal swell)；所述ERA5波向数据为ERA5产品中提供的平均波向(Mean wave direction)；所述IMERG降雨数据为IMERG
‑
F降雨强度。3.根据权力要求1所述的基于CNN的星载GNSS
‑
R海面风速反演的多模态深度学习方法，其特征在于，步骤S2包括以下子步骤：步骤S2.1，CYGNSS GNSS
‑
R数据进行下采样；步骤S2.2，CYGNSS GNSS
‑
R下采样数据与ECMWF ERA5风速、ERA5波向、ERA5涌浪SWH和IMERG降雨数据进行时空匹配，得到匹配后的数据集。4.根据权力要求1所述的基于CNN的星载GNSS
‑
R海面风速反演的多模态深度学习方法，其特征在于：步骤S3所述的匹配后数据集质量控制包括删除所有包含NaN值的观测值；所有小于0的观测值都需要丢弃；RCG值应大于3；如果反射点方向上接收天线的增益(sp_rx_gain)小于0dBi，则需要丢弃；如果BRCS(ddm_BRCS_uncert)的不确定性大于1，也需要丢弃；数据过滤在CYGNSS L1B数据中使用基本质量控制(QC)标志；采用单个QC标志位应用数据过滤，而不是整个QC标志位(“总体质量差”，最低有效位或位0)。即删除DDM无效或异常的数据(位4、7、8、9、10、15、17
‑
20)；删除其他一些仪器存在数据传输和校准问题的数据(位1、5、6、13、14、21

【专利技术属性】
技术研发人员：布金伟，左小清，朱大明，李勇发，黄成，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：