CN110927829A - 一种支持向量机辅助的gps信噪比雪深反演方法 - Google Patents
一种支持向量机辅助的gps信噪比雪深反演方法 Download PDFInfo
- Publication number
- CN110927829A CN110927829A CN201911191121.8A CN201911191121A CN110927829A CN 110927829 A CN110927829 A CN 110927829A CN 201911191121 A CN201911191121 A CN 201911191121A CN 110927829 A CN110927829 A CN 110927829A
- Authority
- CN
- China
- Prior art keywords
- noise ratio
- signal
- snow depth
- gps
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种支持向量机辅助的GPS信噪比雪深反演方法,首先利用二次项拟合的方法对GPS数据预处理,批量获取各GPS卫星直反射信号;然后通过解析直反射信号,分离出5~25°的卫星高度角信息和信噪比数据,并对信噪比消除趋势项和单位转换,获取低高度角线性信噪比残差数据;接下来对低高度角线性信噪比残差数据进行Lomb‑Scargle谱分析解算出频谱频率、对接收器垂直距离和天线高求差值及公式换算,进而获取多颗卫星的雪深反演值;最后综合GPS卫星观测质量和状况,筛选出2组卫星的雪深反演值,利用支持向量机对筛选出的2组卫星的雪深反演结果进行监督学习和训练,输出机器学习后的雪深预测值。
Description
技术领域
本发明涉及计算机机器学习领域和使用全球定位系统(Global PositioningSystem,GPS),尤其涉及一种支持向量机辅助的GPS信噪比雪深反演方法。
背景技术
积雪作为水文循环的关键存储要素,不仅影响全球冰冻圈的气候,而且在 地表能量平衡和全球气候变化反馈中发挥着至关重要的作用。因此,进行积雪 变化研究对评估区域和全球能源和水循环变化十分重要。
当下常规的积雪探测方法主要是通过人工实地考察和采样测量雪深,而近 年快速发展起来的遥感技术——GPS干涉反射技术(Global Positioning System-Interferometric Reflectometry,GPS-IR)凭借着高精度、低成本、低功耗、 高时空分辨率、空间覆盖广等优点,受到了广泛的关注,为地面积雪雪深反演 提供新思路。GPS-IR的主要原理是提取GPS反射信号中包含物体表面的偏振特 性和物理反射率的信噪比信号数据来反演地表特征参数。
目前利用GPS-IR进行积雪雪深探测仍存在以下不足:
(1)当前常规的GPS-IR雪深反演一般是提取单颗GPS卫星反射信号中的信 噪比数据来反演地表积雪厚度,然而单颗GPS卫星反演的稳定性较差,易受卫 星观测质量的影响,故雪深反演精度较低。
(2)卫星信号在传播过程中易受外界条件干扰而导致GPS-IR反演中存在的 跳变和偏差问题,导致GPS-IR反演结果大幅度偏离实测雪深。
发明内容
本发明提出了一种支持向量机辅助的GPS信噪比雪深反演方法,以解决目 前国际上利用GPS-IR单星反演雪深中易受到单颗GPS卫星观测质量影响和跳 变和偏差问题所导致反演结果大幅度偏离实测雪深的关键技术问题。
为解决上述关键技术问题,本发明使用以下具体技术方案予以实现:
利用二次项拟合的方法对GPS监测数据进行预处理,批量获取各GPS卫星 的直射信号和反射信号;
通过解析GPS直射信号和反射信号,提取卫星高度角信息和信噪比数据;
分离出5~25°的卫星高度角信息和信噪比数据,对GPS信噪比信号消除趋 势项,得到消除了趋势项的信噪比;
通过解算低卫星高度角的正弦值和对消除了趋势项的信噪比进行单位转换 (指数变化变换成线性变化),获取低高度角线性信噪比残差数据;
通过对低高度角线性信噪比残差数据进行Lomb-Scargle谱分析解算出频谱 频率;
通过对GPS接收器垂直距离和天线高求差值以及公式换算,获取多颗卫星 的雪深反演值;
通过综合GPS卫星的观测质量和状况,筛选出2组卫星的雪深反演值;
利用支持向量机对筛选出的2组卫星的雪深反演结果进行监督学习和训练, 输出机器学习后的雪深预测值。
附图说明
图1是本发明实施例测站地理概况图;
图2是本发明总体设计图;
图3是本发明GPS-IR积雪反演模型图;
图4是本发明GPS卫星信噪比的趋势变化图;
图5是本发明GPS-IR雪深反演结果图;
图6是本发明支持向量机算法模型图;
图7是本发明实施例支持向量机辅助的GPS信噪比雪深反演结果图;
图8是本发明实施例雪深反演精度统计图。
具体实施方式
下面,结合本发明附图说明一节中的实例附图对本发明的具体实施方式做 进一步说明:
本实施例中,进行积雪雪深反演所使用的GPS监测数据和实测雪深对比验 证数据是由美国地球透镜计划(Earthscope)的板块边界观测项目(Plate BoundaryObservatory,http://pboweb.unavco.org)提供。
本实施例选用了美国地球透镜计划布设在美国犹他州(State of Utah)兰道 夫(Randolph)地区的P101测站(西经111.236°,北纬41.692°)的2016年335 年积日~2017年103年积日共135天的GPS观测数据,该测站基本参数如下: 接收器类型为TRIMBLE NETRSGPS,天线类型为TRM29659.00,整流罩类型 为SCIT,测站高为2m,采样率为15s,测站年积雪覆盖时间约100天,测站 周围主要植被类型是灌木,其详细地理条件见测站地理概况图(图1)。
本发明提出的一种支持向量机辅助的GPS信噪比雪深反演方法具体步骤见 总体设计图(图2)。
步骤1,结合GPS-IR积雪反演模型(图3),利用二次项拟合的方法对GPS 监测数据进行预处理,批量获取各GPS卫星的直射信号和反射信号;此时,GPS 接收机的信噪比信号和直、反射信号可表示为:
步骤2,结合GPS卫星信噪比的趋势变化(图4),分离出上升段反射信号 5~25°的卫星高度角信息和信噪比数据,并对GPS信噪比信号消除趋势项:
其中,DSNR表示消除了趋势项的信噪比、λ表示波长、A表示分别振幅。
通过解算低卫星高度角的正弦值和对消除了趋势项的信噪比进行单位转换 (指数变化变换成线性变化),获取低高度角线性信噪比残差数据:
其中,VSNR表示线性变化的信噪比、BSNR表示指数变化的信噪比。
其中,通过对低高度角线性信噪比残差数据进行Lomb-Scargle谱分析解算 出频谱频率f,通过可解算出垂直距离h,而λ=0.244.2m(本实施例选用GPS L2载波信噪比),再对垂直距离h和天线高H求差,可解算出多颗GPS卫星的 雪深反演值。
步骤4,通过综合GPS卫星的观测质量和状况,筛选出4组卫星的雪深反 演值。
结合图5,在本实施例中综合GPS卫星的观测质量和状况选取PRN02、 PRN10、PRN29、PRN31号作为实施例对象。由图5可以发现,没有发生严重 跳变的时间段内,各颗卫星的GPS-IR单星反演情况较好,可以较好的变现出测 区地面雪深随时间的变化趋势。但在发生严重跳变的卫星观测时段内,雪深观 测值的跳变相对明显,雪深反演值较大的偏离了实测雪深。
步骤5,结合图6,利用支持向量机机器学习算法,选取2组卫星的雪深反 演结果进行监督学习和训练,输出机器学习后的雪深预测值。其基本原理如下: 以监督学习为基础的对输入样本进行二元分类,从而解算输入样本的最大边距 超平面并进行决策。
结合图7,可以发现,支持向量机辅助的GPS信噪比雪深反演结果相比单 星反演,跳变和偏差的幅度减小了,更符合实测雪深的变化趋势。
结合图8,可以发现,PRN02和PRN10号卫星的反演值经支持向量机处理 所输出的雪深预测结果的相关系数R2相比PRN02卫星的单星反演结果提高了 5.20%,相比PRN10卫星提高了14.91%;支持向量机辅助的PRN10和PRN29 卫星的雪深预测结果相比PRN10、PRN29分别提高了9.95%、7.42%;支持向量 机辅助的PRN29和PRN31卫星的SVM雪深预测结果相比PRN29、PRN31分 别提高了14.92%、39.08%。
虽然结合附图描述了本发明的实施方式,但是本领域内熟练的技术人员可 以在所附权利要求的范围内做出各种修改和变形。
Claims (6)
1.一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于包括GPS观测数据预处理,分离卫星高度角数据和信噪比数据,提取5~25°的卫星高度角数据和信噪比数据,消除信噪比数据的趋势项,Lomb-Scargle谱分析解算出频谱频率,对GPS接收器垂直距离和天线高求差值及公式换算,综合GPS卫星观测质量和状况筛选卫星,利用支持向量机对筛选出的卫星的雪深反演结果进行监督学习和训练。
2.如权利要求1所述的一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于利用二次项拟合的方法对GPS数据预处理,批量获取各GPS卫星直反射信号。
3.如权利要求1所述的一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于分离出5~25°的卫星高度角信息和信噪比数据,并对信噪比消除趋势项和单位转换,获取低高度角线性信噪比残差数据。
4.如权利要求1所述的一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于对低高度角线性信噪比残差数据进行Lomb-Scargle谱分析解算出频谱频率、对接收器垂直距离和天线高求差值及公式换算,进而获取多颗卫星的雪深反演值。
5.如权利要求1所述的一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于综合GPS卫星观测质量和状况筛选卫星的反演结果。
6.如权利要求1所述的一种支持向量机辅助的GPS信噪比雪深反演方法,其特征在于利用支持向量机对筛选出的卫星的雪深反演结果进行监督学习和训练,输出机器学习后的雪深预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191121.8A CN110927829A (zh) | 2019-11-28 | 2019-11-28 | 一种支持向量机辅助的gps信噪比雪深反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191121.8A CN110927829A (zh) | 2019-11-28 | 2019-11-28 | 一种支持向量机辅助的gps信噪比雪深反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110927829A true CN110927829A (zh) | 2020-03-27 |
Family
ID=69846894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911191121.8A Withdrawn CN110927829A (zh) | 2019-11-28 | 2019-11-28 | 一种支持向量机辅助的gps信噪比雪深反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927829A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130174A (zh) * | 2020-09-30 | 2020-12-25 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
CN112835077A (zh) * | 2021-01-08 | 2021-05-25 | 上海海洋大学 | 基于变分模态分解的卫星导航信噪比数据去趋势方法 |
CN113805208A (zh) * | 2021-08-31 | 2021-12-17 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
CN114265127A (zh) * | 2021-12-23 | 2022-04-01 | 上海海洋大学 | 一种基于支持向量机的gnss-r积雪检测方法 |
-
2019
- 2019-11-28 CN CN201911191121.8A patent/CN110927829A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
任超: "SVM 辅助的GPS SNR 雪深时间序列反演", 《测绘科学技术学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130174A (zh) * | 2020-09-30 | 2020-12-25 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
CN112130174B (zh) * | 2020-09-30 | 2022-10-18 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
CN112505068B (zh) * | 2020-11-03 | 2023-08-11 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
CN112835077A (zh) * | 2021-01-08 | 2021-05-25 | 上海海洋大学 | 基于变分模态分解的卫星导航信噪比数据去趋势方法 |
CN112835077B (zh) * | 2021-01-08 | 2023-10-24 | 上海海洋大学 | 基于变分模态分解的卫星导航信噪比数据去趋势方法 |
CN113805208A (zh) * | 2021-08-31 | 2021-12-17 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
CN113805208B (zh) * | 2021-08-31 | 2024-04-16 | 杭州电子科技大学 | 一种适用于导航接收机的gnss-ir测高方法 |
CN114265127A (zh) * | 2021-12-23 | 2022-04-01 | 上海海洋大学 | 一种基于支持向量机的gnss-r积雪检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927829A (zh) | 一种支持向量机辅助的gps信噪比雪深反演方法 | |
Xu et al. | Do ERA5 and ERA5-land precipitation estimates outperform satellite-based precipitation products? A comprehensive comparison between state-of-the-art model-based and satellite-based precipitation products over mainland China | |
Larson | GPS interferometric reflectometry: applications to surface soil moisture, snow depth, and vegetation water content in the western United States | |
Löfgren et al. | Sea level measurements using multi-frequency GPS and GLONASS observations | |
Tabibi et al. | Tidal analysis of GNSS reflectometry applied for coastal sea level sensing in Antarctica and Greenland | |
Bonnefond et al. | SARAL/AltiKa absolute calibration from the multi-mission Corsica facilities | |
CN103810376A (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
CN112782689A (zh) | 一种多星数据融合的gnss-ir土壤湿度监测方法 | |
CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
White et al. | Space/time statistics of short‐term climatic variability in the western North Pacific | |
CN105352979A (zh) | 基于北斗geo卫星信号的土壤湿度估计方法 | |
CN106767383A (zh) | 基于连续运行gnss站信噪比数据的积雪深度的测量方法 | |
Stevens et al. | Graph-guided regularized regression of Pacific Ocean climate variables to increase predictive skill of southwestern US winter precipitation | |
CN112130174B (zh) | 一种改进的gnss-ir提取积雪深度方法 | |
CN115048952A (zh) | 一种融合稳健估计和机器学习的gnss-ir土壤湿度反演方法 | |
CN115494086A (zh) | 一种顾及异常干涉相位的gnss-ir土壤湿度监测方法 | |
Elyouncha et al. | Joint retrieval of ocean surface wind and current vectors from satellite SAR data using a Bayesian inversion method | |
Gohil et al. | A new algorithm for wind-vector retrieval from scatterometers | |
CN113031036B (zh) | 基于GNSS 30s采样频率数据的电离层相位闪烁因子构建方法 | |
Zhao et al. | Ionospheric phase scintillation index estimation based on 1 Hz geodetic GNSS receiver measurements by using continuous wavelet transform | |
Nielsen-Englyst et al. | Impact of channel selection on SST retrievals from passive microwave observations | |
Hu et al. | An SVM-based snow detection algorithm for GNSS-R snow depth retrievals | |
Jiang | Wind speed and direction estimation from wave spectra using deep learning | |
CN116699671A (zh) | 一种基于随机森林回归的电离层幅度闪烁指数计算方法 | |
Idris et al. | Comparison of retracked coastal altimetry sea levels against high frequency radar on the continental shelf of the Great Barrier Reef, Australia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200327 |