CN115267850A - 海面风场预测方法 - Google Patents

海面风场预测方法 Download PDF

Info

Publication number
CN115267850A
CN115267850A CN202210957564.9A CN202210957564A CN115267850A CN 115267850 A CN115267850 A CN 115267850A CN 202210957564 A CN202210957564 A CN 202210957564A CN 115267850 A CN115267850 A CN 115267850A
Authority
CN
China
Prior art keywords
wind speed
information
wind
speed information
sea area
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.)
Pending
Application number
CN202210957564.9A
Other languages
English (en)
Inventor
张涛
张瑶
夏正欢
赵志龙
刘敦歌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Satellite Information Engineering
Original Assignee
Beijing Institute of Satellite Information Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Satellite Information Engineering filed Critical Beijing Institute of Satellite Information Engineering
Priority to CN202210957564.9A priority Critical patent/CN115267850A/zh
Publication of CN115267850A publication Critical patent/CN115267850A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/956—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on ship or other platform
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Signal Processing (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Ocean & Marine Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Electromagnetism (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种海面风场预测方法，包括：联合多波束GNSS‑R和多极化SAR反演获取目标海域的当前风场信息，所述当前风场信息包括风速信息和风向信息；获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。本发明风场反演精度高、计算效率高、分辨率较高，且可以预测邻近海域风场，具有高时效性。

Description

海面风场预测方法
本申请是申请日为2020年6月18日，申请号为202010561649.6，发明名称：多波束GNSS-R系统、海面风场反演方法和预测方法的分案申请。
技术领域
本发明涉及雷达技术领域，尤其涉及一种海面风场预测方法。
背景技术
在对海面舰船目标进行探测时，目标强度、海杂波强度分别受海洋环境和观测模式的影响，为提高目标的检测概率，天基智能雷达能够根据当前环境调整雷达观测模式，增加目标强度，减少海杂波强度。其中，获取海洋环境的重要部分是获取海面风场，由于舰船目标特性和天基雷达的运行方式，在目标探测中，要求海面风场数据精度高、分辨率高以及实时性好。
现有的海面风场数据获取的方法有浮标、测量船等现场测量方法，以及散射计、高度计、辐射计、GNSS-R(Global Navigation Satellite System-Reflectometry，全球导航卫星系统-反射信号测量)和SAR(Synthetic Aperture Radar，合成孔径雷达)等微波遥感方法。但是现场测量方法采样点少，维护成本高，难以大范围使用，散射计、高度计、辐射计和GNSS-R不能满足高分辨率风场数据需求，常规的同极化SAR的风场反演需要利用数值预报等外部数据获取风向，难以做到实时，海面交叉极化SAR的信噪比相比同极化SAR低，利用该模型反演风速则会出现较大偏差，而且在低风速的情况下，雷达后向散射截面不仅与风速有关，同样与其它因素相关，获取的数据精度低，难以为实时获取舰船目标附近的精确风场信息服务。
发明内容
本发明的目的在于提供一种多波束GNSS-R系统、海面风场反演方法和预测方法，以解决现有技术中的海面风场反演方法存在分辨率不高、实时性差和精度低的问题。
为实现上述发明目的，本发明的技术方案是：
本发明实施例的第一方面提供了一种多波束GNSS-R系统，包括：接收天线阵列、采样量化模块、多波束形成模块和位置估计模块；
所述接收天线阵列，用于接收预设幅宽范围内的海面反射信号；
所述采样量化模块，用于对所述海面反射信号依次进行低噪声放大、滤波与采样量化，获得多路数字域GNSS-R信号；
所述位置估计模块，用于接收GNSS-R卫星的直达信号，并根据所述直达信号确定所述海面反射信号对应的反射区域位置；
所述多波束形成模块，用于根据所述反射区域位置和所述多路数字域GNSS-R信号得到多个子空间的海面风速信息。
进一步地，所述接收天线阵列包括多个天线阵元，阵元间距为GNSS-R信号的半波长。
进一步地，所述多波束形成模块具体用于：
基于波束形成算法，根据所述反射区域位置和所述多路数字域GNSS-R信号生成多个指向所述反射区域位置的窄波束；
获取所述接收天线阵列接收的所述反射区域位置的反射信号；
基于地球物理模型，根据所述反射区域位置的反射信号反演出多个子空间的海面风速信息。
本发明实施例的第二方面提供了一种海面风场反演方法，包括：
获取多波束GNSS-R系统探测目标海域的多个子空间的海面风速信息，并根据多个所述海面风速信息确定所述目标海域的空间连续风速信息；
建立VH极化风速反演模型；
获取多极化SAR扫描所述目标海域的VH极化图像和VV极化图像，并根据所述空间连续风速信息、所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息；
根据所述风速信息和所述VV极化图像确定所述目标海域的风向信息。
进一步地，根据多个所述海面风速信息确定所述目标海域的空间连续风速信息，包括：
统计多个子区域之间的风场相关性信息，并根据所述风场相关性信息确定与预设个数的方向一一对应的相关因子；
根据所述预设个数的相关因子和所述多个子区域的海面风速信息，计算每个方向上的全空间海面风速信息；
根据每个方向上的所述全空间海面风速信息建立所述目标海域内的全空间风速模型，并根据所述全空间风速模型确定所述空间连续风速信息。
进一步地，根据所述空间连续风速信息和所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息，包括：
根据所述VH极化图像得到归一化后向散射截面积；
建立所述空间连续风速信息和所述归一化后向散射截面积的线性函数；
解算所述线性函数，得到与多个所述风速范围一一对应的模型参数；
根据所述模型参数更新对应风速范围的所述VH极化风速反演模型，得到所述目标海域的风速信息。
进一步地，在根据所述模型参数更新对应风速范围的所述VH极化风速反演模型之后，还包括：
判断相邻的所述风速范围的风速分段点是否相等；
若相等，则根据所述VH极化风速反演模型得到目标海域的风速信息；
若不相等，选择与所述空间连续风速信息最接近的目标海域的风速信息。
进一步地，根据所述风速信息和所述VV极化图像确定所述目标海域的风向信息，包括：
基于地球物理模型，根据所述风速信息和所述VV极化图像确定所述目标海域的模糊风向；
根据极化相关系数和所述模糊风向确定所述目标海域的风向信息。
本发明实施例的第三方面提供了一种海面风场预测方法，包括：
获取目标海域的当前风场信息；
获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
进一步地，获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场，包括：
获取所述目标海域的历史风场信息，并根据所述历史风场信息得到目标海域的风场相关性信息；
基于长短记忆单元循环神经网络，根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
与现有技术相比，本发明具有如下优点：
根据本发明的方案，多波束GNSS-R系统可以获高精度的多个子空间的海面风速信息；然后本发明给出了联合多波束GNSS-R与多极化SAR的大幅宽海面风场快速反演与预测方法，通过多个子空间的海面风速信息进行海面连续风速反演，得到与多极化SAR的海面观测范围匹配的全空间海面风速信息，风速反演精度高、计算效率高；然后联合全空间风速信息与VH极化图像进行VH极化SAR风速反演模型优化，根据VV极化图像反演风向，得到高精度高分辨率的海面风场信息；进一步结合风场相关性信息，在目标海域的基础上预测邻近区域风场，相比传统散射计、SAR、GNSS-R等海面风场反演，本发明具有高时效性、高分辨率、高精度的优势，且不需要外部信息输入，能够独立自主的为未来海面风场实时信息获取与预测提供支撑。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性表示本发明实施例提供的一种多波束GNSS-R系统的结构图；
图2示意性表示本发明实施例提供的多波束GNSS-R系统进行风场探测的示意图；
图3示意性表示本发明实施例提供的一种海面风场反演方法的实现流程图；
图4示意性表示图3中步骤S301的具体实现流程图；
图5示意性表示图3中步骤S303的具体实现流程图；
图6示意性表示图3中步骤S304的具体实现流程图；
图7示意性表示本发明实施例提供的海面风场预测方法的实现流程图；
图8示意性表示本发明实施例提供的8个方向的相关因子的示意图；
图9示意性表示本发明实施例提供的反射区域内分辨单元分布及已知风场点分布的示意图；
图10示意性表示本发明实施例提供的计算方向1的各点海面风速信息的示意图；
图11示意性表示本发明实施例提供的计算方向2的各点海面风速信息的示意图；
图12示意性表示本发明实施例提供的空间连续风速信息与VH极化图像融合的示意图；
图13示意性表示本发明实施例提供的风速范围与VH极化风速反演模型对应关系的示意图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
参见图1，本实施例提供了一种多波束GNSS-R系统，主要包括：接收天线阵列10、采样量化模块20、多波束形成模块30和位置估计模块40。接收天线阵列10、采样量化模块20和多波束形成模块30依次连接，位置估计模块40与采样量化模块20连接，接收天线阵列10还可以多波束形成模块30连接。
由于GNSS-R不用发射机，利用全球共享的GNSS星座为多源微波信号反射源，且功耗和成本低，风速反演方法简单成熟，实时性强，反演结果精度高，所以本实施例采用了多波束GNSS-R系统。
具体的，接收天线阵列10接收预设幅宽范围内的多路海面反射信号并发送给采样量化模块20；采样量化模块20对所述多路海面反射信号依次进行低噪声放大、滤波与采样量化，获得多路数字域GNSS-R信号，并将所述多路数字域GNSS-R信号发送给多波束形成模块30；位置估计模块40接收GNSS-R卫星的直达信号，并根据所述直达信号确定所述海面反射信号对应的反射区域位置；多波束形成模块30根据所述反射区域位置和所述多路数字域GNSS-R信号得到多个子空间的海面风速信息。
可选的，本实施例的接收天线阵列10包括多个天线阵元101，相邻天线阵元101的间距为GNSS-R信号的半波长，多个天线阵元101并行接收大幅宽范围内的海面反射信号。应理解，本实施例对天线阵元101的数量不进行限定，如图1，天线阵元101的数量可以为N×M个，N和M均为大于0的正整数。
示例性的，参见图1和图2，星载多波束GNSS-R系统通过一个N×M个天线阵元的接收天线阵列10对大幅宽内的GNSS-R信号进行并行接收与采样量化，在数字域进行多波束形成，恢复各个窄波束对应的子空间海面散射信息，并根据相应地球物理模型反演出各个子空间的海面风速信息。
进一步地，多波束形成模块30具体用于：基于波束形成算法，根据所述反射区域位置和所述多路数字域GNSS-R信号生成多个指向所述反射区域位置的窄波束；获取所述接收天线阵列接收的所述反射区域位置的反射信号；基于地球物理模型，根据所述反射区域位置的反射信号反演出多个子空间的海面风速信息。
具体的，多波束GNSS-R系统通过具有N×M个天线阵元的接收天线阵列10对大幅宽内的GNSS-R信号进行并行接收，采样量化模块20对N×M路的GNSS-R信号依次进行低噪声放大、带通滤波与采样量化，获得N×M路数字域GNSS-R信号；然后位置估计模块40接收GNSS卫星的直达信号，提取出同步信号，估计相应卫星位置，并计算出相应海面反射区域位置，引导多波束形成模块30对多个反射区域进行高增益窄波束合成；多波束形成模块30根据估计出的K个GNSS卫星的反射区域位置，利用N×M路数字域GNSS-R信号通过数字波束形成方法，生成K个指向反射区域位置的窄波束，进而恢复出K个反射区域的海面反射信号，并基于地球物理模型，根据区域位置的反射信号反演出多个子空间的海面风速信息。
进一步地，由于GNSS卫星形成的反射区域与数量有限，为了尽可能多的收集GNSS-R海面反射信号，本实施例的多波束GNSS-R系统能同时接受探测区域内与探测区域外的海面反射信号，并反演出相应区域的海面风速，如图2所示，为后期探测区域全空间海面风速反演提供更多的海面风速数据。
上述实施例的多波束GNSS-R系统，实现大幅宽多空间海面风速探测，并反演得到空间高精度风速，相比传统遥感风场探测技术，该技术同时具有高时效性、高精度的优势，且不需要外部信息输入，能够独立自主的为未来海面风场近实时信息获取与预测提供支撑。
本实施例还提供了一种海面风场反演方法，参见图3，为本实施例的一种海面风场反演方法的一个实施例实现流程示意图，详述如下：
步骤S301，获取多波束GNSS-R系统探测目标海域的多个子空间的海面风速信息，并根据多个所述海面风速信息确定所述目标海域的空间连续风速信息。
在一个实施例中，参见图4，步骤S301中所述的根据多个所述海面风速信息确定所述目标海域的空间连续风速信息的具体实施流程包括：
步骤S401，统计多个子区域之间的风场相关性信息，并根据所述风场相关性信息确定与预设个数的方向一一对应的相关因子。
步骤S402，根据所述预设个数的相关因子和所述多个子区域的海面风速信息，计算每个方向上的全空间海面风速信息。
步骤S403，根据每个方向上的所述全空间海面风速信息建立所述目标海域内的全空间风速模型，并根据所述全空间风速模型确定所述空间连续风速信息。
本实施例根据历史海面风场信息统计分析海面风场的空间相关性，获得一组与方向有关、具有一定取值范围的相关因子；根据已获得的相关因子，由目标海域内已知的多个子空间的风速信息，分别沿各个方向计算，获得整个探测区域(目标海域)连续全空间海面风速信息；然后建立探测区域内全空间风速的数学模型，最后通过最小二乘优化，获得整个探测区域全空间风速的分布。
示例性的，通过统计分析海面风场的空间相关性，获得与方向一一对应的相关因子Rk，其中k＝1,2,…,8，参见图8，这里选取8个夹角为45°的方向，即方向的预设个数为8个。相邻两个分辨单元的风速(相邻两个全空间海面风速信息)关系可以表示为vi+p,j+q＝Rkvij，其中，vij是第i行j列个分辨单元的风速，i＝1,2,…I，j＝1,2,…J，参见图9，整个目标海域共有I×J个分辨单元，p和q∈(-1,0,1)。
可选的，由大量风场数据的相关性分析，在目标海域内的相关因子的取值范围为：0.8<Rk<1.2，可以得到空间连续风速信息。
进一步地，由已获得的相关因子Rk以及目标海域内随机分布的、已知的多个子区域的海面风速信息，获得整个目标海域内所有方向的全空间海面风速信息。参见图10，先沿方向1，由相关性计算公式vi,j+1＝R1vij经过一次计算，获得已知点右侧的一点的风场，由求得的点多次计算，可得到已知点右侧所有点的风场；然后将其它各点补充为随机值，从而得到方向1上的整个目标海域的风场分布。同样，参见图11，沿方向2，由相关性计算公式vi+1,j+1＝R2vij经过多次计算，得到该方向各点的风场，如图7，然后将其他各点补充为随机值，得到方向2上的整个目标海域的风场分布。同理，可以分别沿8个方向计算，最后得到目标海域内8组风场分布值，即8个方向上的全空间海面风速信息。
进一步地，根据每个方向上的全空间海面风速信息建立目标海域内的全空间风速模型，并根据所述全空间风速模型确定空间连续风速信息，获得了整个目标海域精确的风场分布。示例性的，将8组全空间海面风速信息求平均，得到平均风场分布为：
Figure BDA0003791972600000081
从而得到8组风场分布的标准差为：
Figure BDA0003791972600000091
通过使探测区域内各点风场的标准差的总和最小：
Figure BDA0003791972600000092
实现探测区域各分辨单元的风场的优化，最终获得了整个目标海域精确的风场分布，即得到空间连续风速信息。
步骤S302，建立VH极化风速反演模型。
在一个实施例中，步骤S302的具体实现流程包括：
建立初始的多极化风速反演模型；获取所述目标海域的历史风速信息，并根据所述历史风速信息确定多极化风速反演模型在多个风速范围内的适用因数以及与多个风速范围一一对应的历史风速信息；根据所述多个风速范围内的适用因数以及与多个风速范围一一对应的历史风速信息更新所述多极化风速反演模型，得到每个所述风速范围对应的所述VH极化风速反演模型。
具体的，本实施例先根据先验信息和场景风速范围构造VH极化风速反演分段函数，即初始的多极化风速反演模型。现有多极化风速反演模型中线性参数会随SAR的工作模式、观测场景、风速范围等变化，因此本实施例在利用该模型进行风速反演前，先对模型中的线性参数进行精确估计。首先依据对历史数据的统计分析，得到多极化风速反演模型在不同风速范围内的适用程度和在不同风速范围内的风速，确定VH极化风速反演模型的分段方式，具体可以通过
Figure BDA0003791972600000093
得到不同风速范围内的VH极化风速反演模型
Figure BDA0003791972600000094
其中，i＝1,2,...,n，n为风速范围的总数量，v1,v2,...,vn是相邻风速范围的分段节点。
步骤S303，获取多极化SAR扫描所述目标海域的VH极化图像和VV极化图像，并根据所述空间连续风速信息和所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息。
本实施例采用多极化SAR与多波束GNSS-R系统联合的风场反演方法，多波束GNSS-R系统可同时搭载在SAR卫星上，成本低，反演风速方法成熟，获取风速快速准确，风速反演相比散射计工作模式更具实时性，能提供SAR观测同区域、实时、高精度的风速信息。联合SAR数据及风场反演模型可获得高精度、高分辨率、高时效性的风场信息，风场信息包括目标海域的风速信息和风向信息。同时本实施例还可以利用已观测区域获取的风场信息，结合风场时空相关特性，预测即将观测区域的风场，可指导天基智能雷达根据环境进行智能调整，提高目标探测性能。
在一个实施例中，参见图5，步骤S303中所述的根据所述空间连续风速信息和所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息的具体实现流程包括：
步骤S501，根据所述VH极化图像得到归一化后向散射截面积。
步骤S502，建立所述空间连续风速信息和所述归一化后向散射截面积的线性函数。
步骤S503，解算所述线性函数，得到与多个所述风速范围一一对应的模型参数。
步骤S504，根据所述模型参数更新对应风速范围的所述VH极化风速反演模型，得到所述目标海域的风速信息。
本实施例依据得到的空间连续风速信息及其对应范围的SAR图像归一化后向散射截面积，优化不同风速范围的VH极化风速反演模型，可计算出高分辨率的风速。示例性的，利用多个GNSS-R风速点，构造归一化后向散射截面积与空间连续风速信息的线性方程，如下所示：
Figure BDA0003791972600000101
Figure BDA0003791972600000102
其中下标代表模型参数的风速段，例如第一风速段有n个样本，第二风速段有m个样本。求解其中不同风速段的模型参数a1,b1,a2,b2,L，得到当前工作模式、探测范围的高精度VH极化分段风速反演模型。
进一步地，利用更新后的VH极化风速反演模型反演高分辨率的风速信息。具体的，在得到高精度的VH极化分段风速反演模型的基础上，对相较于GNSS-R风速更高分辨率的SAR观测场景进行风速反演，如采用5km分辨率的网格计算归一化后向散射截面积，带入VH极化风速反演模型计算风速，得到所述目标海域的风速信息，如图12所示。
可选的，在步骤S504之后，本实施例的反演方法还可以包括：
判断相邻的所述风速范围的风速分段点是否相等；若相等，则根据VH极化风速反演模型得到目标海域的风速信息；若不相等，选择与所述空间连续风速信息最接近的目标海域的风速信息。
具体的，本实施例还可以对风速反演结果进行选择。由于是对风速进行分段得到风速与对应风速范围的VH极化风速反演模型的线性关系，风速分段点处的线性模型可能发生重叠，参见图13，使得同一风速范围对应的VH极化风速反演模型中可能有对应多个风速。在高分辨率风速反演遇到此问题时，本实施例需要利用GNSS-R引导选择，选择反演值接近GNSS-R风速的高分辨风速值，确保反演值更加精确。
步骤S304，根据所述风速信息和所述VV极化图像确定所述目标海域的风向信息。
在一个实施例中，参见图6，步骤S304的具体实现流程可以包括：
步骤S601，基于地球物理模型，根据所述风速信息和所述VV极化图像确定所述目标海域的模糊风向。
步骤S602，根据极化相关系数和所述模糊风向确定所述目标海域的风向信息。
本实施例通过地球物理模型CMOD获取模糊风向。具体的，CMOD是归一化雷达散射截面与风向、风速和雷达入射角三个参数的函数，将多极化SAR获得的VV极化图像及上述反演方法得到的目标海域的风速信息带入模型中，可得到模糊风向。由于VV极化图像的归一化雷达散射截面与风向近似为余弦函数关系，由此反演的风向存在多个值。然后本实施例依据极化相关系数随着风向变化呈现出奇对称性规律，在多个反演的风向中确定目标海域的风向信息，联合S303获取的风速信息，得到了目标海域完整的风场信息。
上述实施例中的反演方法，给出了联合多波束GNSS-R与多极化SAR的大幅宽海面风场快速反演方法，通过多个子空间的海面风速信息进行海面连续风速反演，得到与多极化SAR的海面观测范围匹配的全空间海面风速信息，风速反演精度高、计算效率高；然后联合全空间风速信息与VH极化图像进行VH极化SAR风速反演模型优化，根据VV极化图像反演风向，得到高精度高分辨率的海面风场信息。
本实施例还提供了一种海面风场预测方法，参见图7，为本实施例的一种海面风场预测方法的一个实施例实现流程示意图，详述如下：
步骤S701，获取目标海域的当前风场信息。
步骤S702，获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
可选的，步骤S702的具体实现流程包括：
获取所述目标海域的历史风场信息，并根据所述历史风场信息得到目标海域的风场相关性信息；基于长短记忆单元循环神经网络，根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
本实施例可以先通过已有的数值预报数据对不同区域、不同海况下的风场空间相关性进行大量统计研究，进一步采用长短记忆单元循环神经网络(Long Short-TermMemory，LSTM)的时序预测法，对相邻区域进行实时高精度预测。
具体的，通过历史的数值预报数据对不同区域、不同海况下的风场空间相关性进行大量统计研究，建立风场空间相关性数据库。本实施例中，根据风场信息及其风场空间相关性数据库，采用基于长短记忆单元循环神经网络对相邻区域进行实时、高精度预测。
风场的矢量可以表示为一个序列
Figure BDA0003791972600000121
其中
Figure BDA0003791972600000122
是一个二维的坐标向量，下标代表其维度，上标代表序列个数，每两个相邻探测点(探测区域)的距离为Δd。考虑到当执行(d-1)·Δd后风场矢量的预测，以风场在前面n距离的风场数据为依据获得更准确的预测时，输入长短记忆单元模型应为：
Figure BDA0003791972600000131
Figure BDA0003791972600000132
...
Figure BDA0003791972600000133
相应的输出为
Figure BDA0003791972600000134
一个输入序列和相应的输出序列构成一个样本。此处本实施例设计了一种用于风场预测的LSTM神经网络，包括输入层、隐藏层和输出层，示例性的，输入层可以有2个神经元，即输入序列中每个元素的维数为2n，隐藏层可以由20个长、短期记忆单元组成，输出层可以有2个神经元，即输出序列中每个元素的维数为2。
具体应用中，对LSTM神经网络进行训练时，所有网络参数初始化为0到1之间的随机数，然后使用训练样本进行优化，对于每个训练样本，序列中的每个元素由LSTM神经网络逐一读取，在隐层和输出层之后得到一个输出向量，然后将其与标签进行比较，通过基于时间的后向传播算法将误差反向传播，且本实施例对模型进行测试过程与训练过程遵循相同的方式。然后，将风场相关性信息和当前风场信息输入到训练后的模型，得到了目标海域的邻近区域风场，预测精准度高，且分辨率高，时效性好。
上述实施例中的预测方法，结合目标区域的高精度高分辨率的风场信息和风场相关性信息，在目标海域的基础上预测邻近区域风场，相比传统散射计、SAR、GNSS-R等海面风场反演，本发明具有高时效性、高分辨率、高精度的优势，且不需要外部信息输入，可为未来天基雷达智能探测等在轨应用提供近实时的海面风场信息。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种海面风场预测方法，包括：
联合多波束GNSS-R和多极化SAR反演获取目标海域的当前风场信息，所述当前风场信息包括风速信息和风向信息；
获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
2.根据权利要求1所述的方法，其特征在于，联合多波束GNSS-R和多极化SAR反演获取目标海域的当前风场信息，所述当前风场信息包括风速信息和风向信息，包括：
获取多波束GNSS-R系统探测目标海域的多个子空间的海面风速信息，并根据多个所述海面风速信息确定所述目标海域的空间连续风速信息；
建立VH极化风速反演模型；
获取多极化SAR扫描所述目标海域的VH极化图像和VV极化图像，并根据所述空间连续风速信息、所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息；
根据所述风速信息和所述VV极化图像确定所述目标海域的风向信息。
3.根据权利要求2所述的方法，其特征在于，所述多波束GNSS-R系统包括：接收天线阵列(10)、采样量化模块(20)、多波束形成模块(30)和位置估计模块(40)，
所述接收天线阵列(10)，用于接收预设幅宽范围内的海面反射信号；
所述采样量化模块(20)，用于对所述海面反射信号依次进行低噪声放大、滤波与采样量化，获得多路数字域GNSS-R信号；
所述位置估计模块(40)，用于接收GNSS-R卫星的直达信号，并根据所述直达信号确定所述海面反射信号对应的反射区域位置；
所述多波束形成模块(30)，用于根据所述反射区域位置和所述多路数字域GNSS-R信号得到多个子空间的海面风速信息。
4.根据权利要求3所述的方法，其特征在于，所述接收天线阵列(10)包括多个天线阵元(101)，阵元间距为GNSS-R信号的半波长。
5.根据权利要求3所述的方法，其特征在于，所述多波束形成模块(30)具体用于：
基于波束形成算法，根据所述反射区域位置和所述多路数字域GNSS-R信号生成多个指向所述反射区域位置的窄波束；
获取所述接收天线阵列接收的所述反射区域位置的反射信号；
基于地球物理模型，根据所述反射区域位置的反射信号反演出多个子空间的海面风速信息。
6.根据权利要求2所述的方法，其特征在于，根据多个所述海面风速信息确定所述目标海域的空间连续风速信息，包括：
统计多个子区域之间的风场相关性信息，并根据所述风场相关性信息确定与预设个数的方向一一对应的相关因子；
根据所述预设个数的相关因子和所述多个子区域的海面风速信息，计算每个方向上的全空间海面风速信息；
根据每个方向上的所述全空间海面风速信息建立所述目标海域内的全空间风速模型，并根据所述全空间风速模型确定所述空间连续风速信息。
7.根据权利要求2所述的方法，其特征在于，根据所述空间连续风速信息和所述VH极化图像更新所述VH极化风速反演模型，得到所述目标海域的风速信息，包括：
根据所述VH极化图像得到归一化后向散射截面积；
建立所述空间连续风速信息和所述归一化后向散射截面积的线性函数；
解算所述线性函数，得到与多个所述风速范围一一对应的模型参数；
根据所述模型参数更新对应风速范围的所述VH极化风速反演模型，得到所述目标海域的风速信息。
8.根据权利要求7所述的方法，其特征在于，在根据所述模型参数更新对应风速范围的所述VH极化风速反演模型之后，还包括：
判断相邻的所述风速范围的风速分段点是否相等；
若相等，则根据所述VH极化风速反演模型得到目标海域的风速信息；
若不相等，选择与所述空间连续风速信息最接近的目标海域的风速信息。
9.根据权利要求2所述的方法，其特征在于，根据所述风速信息和所述VV极化图像确定所述目标海域的风向信息，包括：
基于地球物理模型，根据所述风速信息和所述VV极化图像确定所述目标海域的模糊风向；
根据极化相关系数和所述模糊风向确定所述目标海域的风向信息。
10.根据权利要求1所述的方法，其特征在于，获取所述目标海域的风场相关性信息，并根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场，包括：
获取所述目标海域的历史风场信息，并根据所述历史风场信息得到目标海域的风场相关性信息；
基于长短记忆单元循环神经网络，根据所述风场相关性信息和所述当前风场信息确定所述目标海域的邻近区域风场。
CN202210957564.9A 2020-06-18 2020-06-18 海面风场预测方法 Pending CN115267850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210957564.9A CN115267850A (zh) 2020-06-18 2020-06-18 海面风场预测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210957564.9A CN115267850A (zh) 2020-06-18 2020-06-18 海面风场预测方法
CN202010561649.6A CN111580138B (zh) 2020-06-18 2020-06-18 多波束gnss-r系统、海面风场反演方法和预测方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010561649.6A Division CN111580138B (zh) 2020-06-18 2020-06-18 多波束gnss-r系统、海面风场反演方法和预测方法

Publications (1)

Publication Number Publication Date
CN115267850A true CN115267850A (zh) 2022-11-01

Family

ID=72112790

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210957564.9A Pending CN115267850A (zh) 2020-06-18 2020-06-18 海面风场预测方法
CN202010561649.6A Active CN111580138B (zh) 2020-06-18 2020-06-18 多波束gnss-r系统、海面风场反演方法和预测方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010561649.6A Active CN111580138B (zh) 2020-06-18 2020-06-18 多波束gnss-r系统、海面风场反演方法和预测方法

Country Status (1)

Country Link
CN (2) CN115267850A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116184463A (zh) * 2023-02-17 2023-05-30 极诺星空(北京)科技有限公司 一种宽刈幅海面风场反演方法、装置、设备和介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050091B (zh) * 2021-03-08 2021-09-28 国家海洋技术中心 一种星载合成孔径雷达风速风向联合反演方法及系统
CN113391332B (zh) * 2021-06-15 2023-04-07 北京航空航天大学 一种基于gnss-r的海洋参数反演及远程监测系统
CN113589350B (zh) * 2021-06-25 2023-10-13 河海大学 基于测量型gnss接收机的海面风速测量方法
CN115545261A (zh) * 2021-06-30 2022-12-30 浙江三一装备有限公司 风象信息监测方法、装置、电子设备及存储介质
CN114545448B (zh) * 2022-02-17 2023-03-10 北京卫星信息工程研究所 星载gnss-r/s一体化接收系统与海洋智能探测方法
CN114895338B (zh) * 2022-03-31 2023-04-04 北京卫星信息工程研究所 星载gnss-s雷达多维信息的大范围海面风场反演系统及方法
CN114910934B (zh) * 2022-03-31 2023-02-07 北京卫星信息工程研究所 基于星载gnss-r/s一体化接收的海面矢量风场反演系统及方法
CN116068595B (zh) * 2023-04-06 2023-06-30 极诺星空(北京)科技有限公司 海面风速反演方法、装置、电子设备及介质
CN117111068B (zh) * 2023-10-19 2024-03-22 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0584111A4 (en) * 1991-05-16 1994-06-29 Commw Of Australia Oceanographic and meteorological data
CN101833090B (zh) * 2010-03-12 2012-07-04 中国科学院遥感应用研究所 利用全球卫星定位系统信号源的机载海洋微波遥感系统
CN104865581B (zh) * 2015-03-19 2017-06-13 中国科学院空间科学与应用研究中心 一种基于gnss‑r技术的河流流速测量方法与系统
CN105301622B (zh) * 2015-11-02 2018-06-15 北京航大泰科信息技术有限公司 一种基于导航卫星反射信号的风速探测装置
CN105300363A (zh) * 2015-11-02 2016-02-03 北京航大泰科信息技术有限公司 Gnss-r海面信息探测系统
CN105891832B (zh) * 2016-03-31 2019-01-15 南京信息工程大学 一种基于交叉极化模型与cmod5n的海面风速反演方法
CN107391794B (zh) * 2017-06-16 2020-09-01 杭州师范大学 一种台风连续立体风场反演方法
CN107748360A (zh) * 2017-09-05 2018-03-02 浙江海洋大学 海表风场反演方法及装置
CN107505616B (zh) * 2017-09-15 2019-10-29 浙江大学 一种基于sar的海面风场反演最优分辨率的判定方法
CN108776745A (zh) * 2018-06-27 2018-11-09 广东电网有限责任公司电力科学研究院 一种基于WRF和Fluent耦合的复杂地形风场模拟方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116184463A (zh) * 2023-02-17 2023-05-30 极诺星空(北京)科技有限公司 一种宽刈幅海面风场反演方法、装置、设备和介质

Also Published As

Publication number Publication date
CN111580138A (zh) 2020-08-25
CN111580138B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN111580138B (zh) 多波束gnss-r系统、海面风场反演方法和预测方法
Lund et al. A new technique for the retrieval of near‐surface vertical current shear from marine X‐band radar images
Belcher Theoretical limits on SAR imposed by the ionosphere
Schulz-Stellenfleth et al. Measurement of 2-D sea surface elevation fields using complex synthetic aperture radar data
Margarit et al. Exploitation of ship scattering in polarimetric SAR for an improved classification under high clutter conditions
Guo et al. GNSS-R wind speed retrieval of sea surface based on particle swarm optimization algorithm
Hauser et al. CFOSAT: A new Chinese-French satellite for joint observations of ocean wind vector and directional spectra of ocean waves
RU2411538C2 (ru) Способ определения ошибки измерения скорости ла инерциальной навигационной системой и бортовой навигационный комплекс для его реализации
Li et al. A deep learning approach to retrieve cold-season snow depth over Arctic sea ice from AMSR2 measurements
Lombardini et al. Model order selection in multi-baseline interferometric radar systems
Yang et al. An optimal polar format refocusing method for bistatic SAR moving target imaging
Lozinsky et al. ICEBEAR-3D: A low elevation imaging radar using a non-uniform coplanar receiver array for E region observations
Guo et al. OTHR multitarget tracking with a GMRF model of ionospheric parameters
Shin et al. Multiple sensor linear multi-target integrated probabilistic data association for ultra-wide band radar
CN111352083A (zh) 一种高频地波雷达多接收通道增益自动校准方法及装置
Wang et al. Radial Velocity Estimation Approach of Ship for Spaceborne Multi-Channel HRWS SAR SLC Data
Wang et al. Data acquisition of GNSS-based InSAR: Joint accuracy-efficiency optimization of 3-D deformation retrieval
Gierull Closed-form expressions for InSAR sample statistics and its application to non-Gaussian data
Hélal et al. Radar imaging and high-resolution array processing applied to a classical VHF-ST profiler
CN112162282A (zh) 一种基于合成孔径雷达海表流速反演方法
Zhu et al. Space-borne high resolution SAR tomography: experiments in urban environment using TS-X Data
H Mohammadloo et al. Multi-beam echo-sounder bathymetric measurements: Implications of using frequency modulated pulses
Stamm et al. Observing electric field and neutral wind with EISCAT 3D
McCann et al. A new airborne system for simultaneous high-resolution ocean vector current and wind mapping: first demonstration of the SeaSTAR mission concept in the macrotidal Iroise Sea
Wang et al. Inversion and assessment of swell waveheights from HF radar spectra in the Iroise Sea

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