CN112904384B - 基于机器学习的星载gnss-r高度要素探测装置及方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的星载GNSS‑R高度要素探测装置及方法，该发明科学合理、易于实现。本发明基于星载GNSS‑R探测仪的在轨特性，融合机器学习相关算法，提供了有效的水面/海面/冰面等反射面的高度要素探测方法及装置，从而可以解决星载GNSS‑R水面/海面/冰面等反射面的高度要素探测的多误差源且误差难以修正等问题，能优化星载GNSS‑R水面/海面/冰面等反射面的高度要素探测方法的复杂度，进而为提高GNSS‑R水面/海面/冰面等反射面的高度要素探测精度打下良好的基础。

Description

基于机器学习的星载GNSS-R高度要素探测装置及方法

技术领域

本发明涉及一种基于机器学习的星载GNSS-R高度要素探测装置及方法。

背景技术

星载GNSS-R探测仪基于卫星导航系统反射信号技术(Global NavigationSatellite System-Reflectometry：GNSS-R)，能够同时接收多颗GNSS卫星的信号，且其观测范围广，不受天气(云、雾)等影响，能够对反射面高度测量测量实现低成本、高时空分辨率全天候的实时观测。

现有的星载平台下GNSS-R反射面高度要素探测，需在码相位测高/载波相位测高等模型的基础上，精确计算电离层误差、对流层误差、海面粗糙度误差、直射天线和反射天线之间的位置偏差等参数，才能计算得到反射面高度要素。现有的星载GNSS-R反射面高度要素计算过程中，误差源多且误差难以修正，探测方法复杂。

发明内容

本发明的目的在于提供一种基于机器学习的星载GNSS-R高度要素探测装置及方法。

为解决上述问题，本发明提供一种基于机器学习的星载GNSS-R高度要素探测装置，包括：

包括：数据采集模块，特征数据集提取模块，数据处理模块，辅助数据模块，机器学习模块，高度要素计算模块，其中，

所述数据采集模块，用于采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二传递到数据特征提取模块；

所述特征数据集提取模块，用于根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块；

所述数据处理模块，用于根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分形成第一基础数据集，将第一基础数据集传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分形成第二基础数据集，将第二基础数据集传递给高度要素计算模块；

所述辅助数据模块，用于根据数据处理模块传递的第一基础数据集，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

所述机器学习模块，用于根据数据处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

所述高度要素计算模块，用于根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集所对应的高度要素。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述第一数据包括：

GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星的天线增益方向图及GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数，包括：

接收到信号的时间、信号的信噪比、信号的时延多普勒图、多普勒为0的波形的峰值点位置、多普勒为O的波形前沿70％能量值点位置和多普勒为0的波形前沿波形斜率。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述第二数据包括：

GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述特征数据集提取模块，用于根据GNSS-R接收卫星的位置、GNSS-R接收卫星的天线增益方向图、GNSS发射卫星的位置、多普勒为0的波形前沿70％能量值点位置，计算得到椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)，进一步计算得到反射面上镜面反射点处的仰角、GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益、GNSS直射信号的路径、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述特征数据集，包括：

GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星接收到信号的时间和接收到信号的信噪比、GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)、椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)、反射面上镜面反射点处的仰角，GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益、GNSS直射信号的路径、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述数据处理模块进行的重要性分析和标准化处理，包括：选用主成分分析的算法对特征数据集处理后，再加上GNSS-R接收卫星接收到信号的时间和反射面上镜面反射点的位置(X4、Y4、Z4)，转化为基础数据集。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述辅助数据模块，用于选用丹麦技术大学研发的海平面高度模型的海平面高度值加上海平面高度模型的海潮值，作为高度要素真值。

进一步的，在上述基于机器学习的星载GNSS-R高度要素探测装置中，所述机器学习模块，用于选用径向基核函数的非线性SVR模型作为所述机器学习模型。

根据本发明的另一面，还提供一种基于机器学习的星载GNSS-R高度要素探测方法，所述方法包括：

步骤1、数据采集模块采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二传递到数据特征提取模块；

步骤2、特征数据集提取模块根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块；

步骤3、数据处理模块根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分形成第一基础数据集，将第一基础数据集传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分形成第二基础数据集，将第二基础数据集传递给高度要素计算模块；

步骤4、辅助数据模块根据数据处理模块传递的第一基础数据集，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

步骤5、机器学习模块根据数据处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

步骤6、高度要素计算模块根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集所对应的高度要素。

与现有技术相比，本发明的基于机器学习的星载GNSS-R高度要素探测装置及方法科学合理、易于实现。本发明基于星载GNSS-R探测仪的在轨特性，融合机器学习相关算法，提供了有效的反射面高度要素探测方法及装置，无需计算电离层误差、对流层误差、海面粗糙度等多源误差，简化了高度要素探测的方法，为提高GNSS-R反射面的高度要素探测精度打下良好的基础。

附图说明

图1是本发明一实施例的基于机器学习的星载GNSS-R高度要素探测装置及的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于机器学习的星载GNSS-R高度要素探测装置，包括：数据采集模块，特征数据集提取模块，数据处理模块，辅助数据模块，机器学习模块，高度要素计算模块，其中，

所述数据采集模块，用于采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二传递到数据特征提取模块；

所述特征数据集提取模块，用于根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块；

所述数据处理模块，用于根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分(可随机选20％的基础数据集)形成第一基础数据集d1，将第一基础数据集d1传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分(随机选取后剩下的基础数据集)形成第二基础数据集d2，将第二基础数据集d2传递给高度要素计算模块；

所述辅助数据模块，用于根据数据处理模块传递的第一基础数据集d1，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

所述机器学习模块，用于根据数据处理模块传递的第一基础数据集d1和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

所述高度要素计算模块，用于根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集d2所对应的高度要素。

在此，本发明科学合理、易于实现。本发明无需计算电离层误差、对流层误差、海面粗糙度等多源误差，简化了高度要素探测的方法，为提高GNSS-R反射面的高度要素探测精度打下良好的基础。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述第一数据包括：

GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星的天线增益方向图及GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数，包括：

接收到信号的时间(t，也约等于信号在镜面反射点反射的时间)、信号的信噪比(SNR)、信号的时延多普勒图(DDM图)、多普勒为0的波形的峰值点位置、多普勒为0的波形前沿70％能量值点位置、多普勒为0的波形前沿波形斜率等等。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述第二数据包括：

GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述特征数据集提取模块，用于根据GNSS-R接收卫星的位置、GNSS-R接收卫星的天线增益方向图、GNSS发射卫星的位置、多普勒为0的波形前沿70％能量值点位置，计算得到椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)，进一步计算得到反射面上镜面反射点处的仰角(a)、GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益(b)、GNSS直射信号的路径d(GNSS发射卫星的位置和GNSS-R接收卫星之间的路径)、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径r1(GNSS发射卫星的位置和反射面上的镜面反射点之间的路径、加反射面上的镜面反射点和GNSS-R接收卫星之间的路径)、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径r2(GNSS发射卫星的位置和椭球面上的镜面反射点之间的路径，加椭球面上的镜面反射点和GNSS-R接收卫星之间的路径)。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述特征数据集，包括：

GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星接收到信号的时间(t)和接收到信号的信噪比(SNR)、GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)、椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)、反射面上镜面反射点处的仰角(a)，GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益(b)、GNSS直射信号的路径d、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径r1、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径r2。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述数据处理模块进行的重要性分析和标准化处理，包括：选用主成分分析(PCA)的算法对特征数据集处理后，再加上GNSS-R接收卫星接收到信号的时间(t)和反射面上镜面反射点的位置(X4、Y4、Z4)，转化为基础数据集。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述辅助数据模块，用于选用丹麦技术大学研发的海平面高度模型(DTU模型)的海平面高度值加上海平面高度模型(DTU模型)的海潮值，作为高度要素真值。

本发明的基于机器学习的星载GNSS-R高度要素探测装置一实施例中，所述机器学习模块，用于选用径向基核函数的非线性SVR模型作为所述机器学习模型。

根据本发明的另一方面，还提供一种基于机器学习的星载GNSS-R高度要素探测方法，所述方法包括：

步骤1、数据采集模块采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二传递到数据特征提取模块；

步骤2、特征数据集提取模块根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块；

步骤3、数据处理模块根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分(可随机选20％的基础数据集)形成第一基础数据集d1，将第一基础数据集d1传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分(随机选取后剩下的基础数据集)形成第二基础数据集d2，将第二基础数据集d2传递给高度要素计算模块；

步骤4、辅助数据模块根据数据处理模块传递的第一基础数据集d1，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

步骤5、机器学习模块根据数据处理模块传递的第一基础数据集d1和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

步骤6、高度要素计算模块根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集d2所对应的高度要素。

综上所述，本发明提出了一种基于机器学习的星载GNSS-R高度要素探测方法。该方法与传统的码相位测高/载波相位测高等模型高度要素探测方法不同，无需计算电离层误差、对流层误差、海面粗糙度等多源误差，基于星载GNSS-R探测仪的在轨特性，融合机器学习相关算法，提供了有效的反射面高度要素探测方法，简化了高度要素探测的方法，为提高GNSS-R反射面的高度要素探测精度打下良好的基础。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于机器学习的星载GNSS-R高度要素探测装置，其特征在于，包括：数据采集模块，特征数据集提取模块，数据处理模块，辅助数据模块，机器学习模块，高度要素计算模块，其中，

所述数据采集模块，用于采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二数据传递到数据特征提取模块，其中，所述第一数据包括：GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星的天线增益方向图及GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数；所述GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数，包括：接收到信号的时间、信号的信噪比、信号的时延多普勒图、多普勒为0的波形的峰值点位置、多普勒为0的波形前沿70％能量值点位置和多普勒为0的波形前沿波形斜率；所述第二数据包括：GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)；

所述特征数据集提取模块，用于根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块，其中，所述特征数据集，包括：GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星接收到信号的时间和接收到信号的信噪比、GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)、椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)、反射面上镜面反射点处的仰角，GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益、GNSS直射信号的路径、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径；

所述数据处理模块，用于根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分形成第一基础数据集，将第一基础数据集传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分形成第二基础数据集，将第二基础数据集传递给高度要素计算模块；

所述辅助数据模块，用于根据数据处理模块传递的第一基础数据集，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

所述机器学习模块，用于根据数据处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

所述高度要素计算模块，用于根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集所对应的高度要素。

2.如权利要求1所述的基于机器学习的星载GNSS-R高度要素探测装置，其特征在于，所述特征数据集提取模块，用于根据GNSS-R接收卫星的位置、GNSS-R接收卫星的天线增益方向图、GNSS发射卫星的位置、多普勒为0的波形前沿70％能量值点位置，计算得到椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)，进一步计算得到反射面上镜面反射点处的仰角、GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益、GNSS直射信号的路径、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径。

3.如权利要求1所述的基于机器学习的星载GNSS-R高度要素探测装置，其特征在于，所述数据处理模块进行的重要性分析和标准化处理，包括：选用主成分分析的算法对特征数据集处理后，再加上GNSS-R接收卫星接收到信号的时间和反射面上镜面反射点的位置(X4、Y4、Z4)，转化为基础数据集。

4.如权利要求1所述的基于机器学习的星载GNSS-R高度要素探测装置，其特征在于，所述辅助数据模块，用于选用丹麦技术大学研发的海平面高度模型的海平面高度值加上海平面高度模型的海潮值，作为高度要素真值。

5.如权利要求1所述的基于机器学习的星载GNSS-R高度要素探测装置，其特征在于，所述机器学习模块，用于选用径向基核函数的非线性SVR模型作为所述机器学习模型。

6.一种基于机器学习的星载GNSS-R高度要素探测方法，其特征在于，所述方法包括：

步骤1、数据采集模块采集GNSS-R接收卫星的第一数据和所对应的GNSS发射卫星的第二数据，并将所有第一数据和第二传递到数据特征提取模块，其中，所述第一数据包括：GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星的天线增益方向图及GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数；所述GNSS信号经反射面反射回来被GNSS-R接收卫星接收的信号参数，包括：接收到信号的时间、信号的信噪比、信号的时延多普勒图、多普勒为0的波形的峰值点位置、多普勒为0的波形前沿70％能量值点位置和多普勒为0的波形前沿波形斜率；所述第二数据包括：GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)；

步骤2、特征数据集提取模块根据数据采集模块传递的第一数据和第二数据，计算和提取跟高度要素探测相关的特征数据集，并将特征数据集传递到数据处理模块，其中，所述特征数据集，包括：GNSS-R接收卫星的位置(X1、Y1、Z1)和速度(Tx₁、Ty₁、Tz₁)、GNSS-R接收卫星接收到信号的时间和接收到信号的信噪比、GNSS发射卫星的位置(X2、Y2、Z2)和速度(Tx₂、Ty₂、Tz₂)、椭球面上镜面反射点的位置(X3、Y3、Z3)、反射面上镜面反射点的位置(X4、Y4、Z4)、反射面上镜面反射点处的仰角，GNSS-R接收卫星的接收天线指向反射面上镜面反射点的天线增益、GNSS直射信号的路径、GNSS直射信号经过反射面上的镜面反射点反射后到GNSS-R接收卫星的路径、GNSS直射信号经过椭球面上的镜面反射点反射后到GNSS-R接收卫星的路径；

步骤3、数据处理模块根据特征数据集提取模块传递的特征数据集，进行重要性分析和标准化处理，以形成基础数据集，选取基础数据集的一部分形成第一基础数据集，将第一基础数据集传递给辅助数据模块和机器学习模块；将基础数据集的除第一基础数据集外的剩下部分形成第二基础数据集，将第二基础数据集传递给高度要素计算模块；

步骤4、辅助数据模块根据数据处理模块传递的第一基础数据集，提取信号在镜面反射点反射的时间和反射面上镜面反射点的位置，计算与所述信号在镜面反射点反射的时间和反射面上镜面反射点的位置相匹配的高度要素真值，以形成包含高度要素真值和镜面反射点时空数据的辅助数据集，并将辅助数据集传递给机器学习模块；

步骤5、机器学习模块根据数据处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给高度要素计算模块；

步骤6、高度要素计算模块根据机器学习模块传递的训练好的机器学习模型及相关模型参数，计算得到数据处理模块传递第二基础数据集所对应的高度要素。

Images