[发明专利]基于CNN多信息融合的GNSS-R海面风速反演方法及系统

权利要求书

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batch不断训练GNSS-R海面风速反演模型，建立卷积层输入向量与辅助向量与风速之间的映射关系；

训练完成后，利用测试集对保存下最优的GNSS-R海面风速反演模型进行性能测试，给出风速反演结果的RMSE和bias。

5.根据权利要求4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：所述数据预处理实现方式如下，

通过python脚本批量获取GNSS-R DDM数据及对应的有效散射面积、信号镜面反射点经纬度、信号入射角数据，风速参考数据和有效波高数据；

计算GNSS-R样本中的RCG；

将GNSS-R数据与风速数据和有效波高数据根据时间和空间进行匹配；

以RCG、GPS卫星类型、质量控制标识、掩星事件、是否存在空值作为筛选条件对数据集进行质量控制；

将筛选后的样本按照预设比例随机划分为训练集和测试集。