[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

说明书

本发明公开一种基于CNN多信息融合的GNSS‑R海面风速反演方法及系统，利用卷积神经网络提取出DDM特征，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，包括构建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；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。本发明充分利用CNN的特点，将构建GMF时特征提取和模型拟合两个步骤统一到了一个端到端的CNN网络中，并通过深度学习的方法训练得到了反演精度高、综合性强、鲁棒性强的GNSS‑R风速反演模型，实现高效自动反演。

技术领域

本发明涉及电子、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。

背景技术

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 navigationsatellite 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。该方法人为提取特征将损失一定的信息，同时很难融合多种与风速反演过程相关的辅助信息构建解析模型，比如海面的有效波高对GNSS-R风速反演存在较大的影响，传统方法很难建立联合模型。

综上，需要一种端到端的、多信息融合的GNSS-R海面风速反演方法。

发明内容

本发明的目的在于解决现有的人为提取DDM特征会损失有效信息、很难考虑所有影响GNSS-R风速反演过程信息的问题。本发明提出了一种基于CNN多信息融合的GNSS-R海面风速反演方法及系统，相比于GMF方法，该方法能通过卷积神经网络自适应地提取DDM中的有效特征，并与其它辅助信息如信号镜面反射点的经纬度、距离改正增益(rangecorrected gain,RCG)、信号入射角、有效波高等进行信息融合，然后通过深度学习原理构建风速反演模型，从而极大地提升GNSS-R风速反演的性能。

为了实现上述目的，本发明提供了一种基于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。

而且，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。