CN115728760B - 基于张量化散射信息的海面风浪流星载无源探测方法 - Google Patents
基于张量化散射信息的海面风浪流星载无源探测方法 Download PDFInfo
- Publication number
- CN115728760B CN115728760B CN202211465848.2A CN202211465848A CN115728760B CN 115728760 B CN115728760 B CN 115728760B CN 202211465848 A CN202211465848 A CN 202211465848A CN 115728760 B CN115728760 B CN 115728760B
- Authority
- CN
- China
- Prior art keywords
- scattering
- sea surface
- radar
- signals
- wave
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 32
- 230000010287 polarization Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 abstract description 8
- 230000006855 networking Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及基于张量化散射信息的海面风浪流星载无源探测方法，包括：S100，接收导航卫星信号、雷达卫星信号及导航卫星信号和雷达卫星信号经海面的多维散射信号；S200，捕获及跟踪导航卫星信号和雷达卫星信号，并解算信号参数及卫星位置参数；S300，根据信号参数及卫星位置参数，抑制来自导航卫星信号和雷达卫星信号的同频直射干扰，优化多维散射信号；S400，根据优化后的多维散射信号获取海面双站雷达视频图像，并计算海面上各成像网格点的动态多维散射强度；S500，根据动态多维散射强度，构建海面张量化散射信息；S600，根据海面张量化散射信息，反演海面的风场、浪场和流场。具有低功耗、低成本和易于快速组网的优势，能够实现海面风浪流同步高分辨率探测。
Description
技术领域
本发明涉及空间雷达探测技术领域，具体涉及一种基于张量化散射信息的海面风浪流星载无源探测方法。
背景技术
海面风场是海洋和气象领域中诸多过程中最基本的要素，台风和风暴潮等大风过程是最具破坏性的海洋天气系统，海面风场的研究将提高对台风等的预测精度，减少海洋灾害。海浪携带有巨大能量对各类远洋船舶、海洋工程造成威胁，同时，海浪是未来潜在的重要清洁能源之一。海流是海洋气候和天气形成的重要影响与制约要素。实现海面风场、浪场、流场等海洋动力环境的准确探测对于海洋经济发展、海洋防灾减灾、海上安全航行和海洋科学研究都具有十分重要的科学意义与实用价值。
现有海面风浪流探测技术包括散射计、SAR、波谱仪、GNSS-R等，单一技术手段仅能获得海面有限几个维度的散射信息，无法同步探测海面风场、浪场、流场。散射计仅能探测风场，且系统成本高；SAR能反演风速，但依赖外部输入风向，能反演浪场，但精度不高，能反演径向流速，但无法得到二维流场，且功耗高，时间分辨率差；波谱仪仅能反演风场和浪场，但探测幅宽窄；GNSS-R仅能反演风场和浪场，但探测区域小。因此，亟需一种大幅宽、高时空分辨率、高精度的海面风浪流一体化同步探测技术。
我国及国际空间基础设施不断完善，主要包括导航卫星信号与雷达卫星信号，预计2026年两类卫星数量总和将超过1000颗，具有全球全时段覆盖能力。传统的海面风、浪、流探测受限于技术，存在功耗高、成本高等问题，无法对海面风浪流实现多维度的高精度探测。
发明内容
有鉴于此，本发明实施例提出一种基于张量化散射信息的海面风浪流星载无源探测方法，具有低功耗、低成本、易于快速组网的优势，能够同时获取多个维度的海面散射信息，实现海洋环境多要素同步探测。
本发明实施例提出一种基于张量化散射信息的海面风浪流星载无源探测方法，所述方法包括：
S100，接收导航卫星信号、雷达卫星信号及所述导航卫星信号和所述雷达卫星信号经海面的多维散射信号；
S200，捕获及跟踪所述导航卫星信号和所述雷达卫星信号，并解算信号参数及卫星位置参数；
S300，根据所述信号参数及所述卫星位置参数，抑制来自所述导航卫星信号和所述雷达卫星信号的同频直射干扰，优化所述多维散射信号；
S400，根据优化后的所述多维散射信号获取海面双站雷达视频图像，并计算海面上各成像网格点的动态多维散射强度；
S500，根据所述动态多维散射强度，构建海面张量化散射信息；
S600，根据所述海面张量化散射信息，反演海面的风场、浪场和流场。
进一步地，在步骤S100中：
所述导航卫星信号包括L波段的导航卫星信号，所述雷达卫星信号包括L、C、X三个波段的雷达卫星信号。
进一步地，在步骤S100中：
采用多波段双极化共口径天线接收所述导航卫星信号、所述雷达卫星信号和所述多维散射信号；
其中，所述多波段双极化共口径天线包括以微带偶极子为L和C波段的辐射单元，及以方形叠层贴片为X波段的辐射单元。
进一步地，在步骤S200中：
雷达卫星的坐标为T(x,y,z)，分布式节点坐标为R0(x0,y0,z0)、R1(x1,y1,z1)、R2(x2,y2,z2)，则有方程组(1)：
其中，Δτ1为雷达卫星信号到分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的延时差，Δτ2为雷达卫星信号到分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的延时差，Δfd1为分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的多普勒频率差，Δfd2为分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的多普勒频率差；
以雷达卫星的星历输出的位置作为初始值对方程组(1)进行迭代求解，得到雷达卫星的位置参数。
进一步地，在步骤S300中：
根据所述信号参数及所述卫星位置参数建立同频直射干扰零陷多目标优化函数；
对所述多目标优化函数进行寻优，得到二维多通道阵列天线的最优化复数权值；
根据所述最优化复数权值对多通道回波信号进行波束赋形，以抑制来自所述导航卫星信号和所述雷达卫星信号的同频直射干扰。
进一步地，在步骤S400中：
同步接收大幅宽海面的散射回波信号，得到K1×K2个散射回波信号，并进行距离向数字波束形成处理，在海面上形成γR个高增益子测绘带，其中，K1、K2分别是天线在距离向和方位向上的通道数；
依次对γR个子测绘带回波信号进行匹配滤波，每个子测绘带获得Ns×Nb×Np个回波信号，其中，Ns、Nb、Np分别为天基信号的个数、波段的个数与极化的个数；
以预定时间间隔在每个子测绘带对应的距离向空域上，分别对Ns×Nb×Np个回波信号进行方位向数字波束形成处理，每个子测绘带获得Ns×Nb×Np×Nv个回波信号，其中，Nv为时频帧数；
分别对Ns×Nb×Np×Nv个回波信号进行双站雷达成像，获得Ns×Nb×Np×Nv个雷达图像信息和Ns×Nb×Np个雷达视频图像；
分别对Ns×Nb×Np个雷达视频图像进行功率标定，计算各网格点的动态多维散射强度。
进一步地，在步骤S500中：
海面张量化散射信息为：
Ω(t')＝[Ψ1(t') Ψ2(t') L ΨM(t') ΨM+1(t') ΨM+2(t') L ΨM+Q(t')]T；
其中，t′为视频帧的时间序列，M为导航卫星的个数，Q为雷达卫星的个数，ψm(t′)为第m个天基信号对应的观测散射信息集，ψm(t′)为：
当1≤m≤M时，第m个天基信号为导航卫星信号，此时，散射信号由N+1个分布式节点同时接收，为：
则，第m个卫星发射与第n个分布式节点组合的双站雷达获取的海面多维散射信息为：
其中，fL1＝1.268GHz和fL2＝1.575GHz分别为同时接收导航卫星信号的散射信号的两个频段，LP1和LP2分别为右旋圆极化-垂直极化和右旋圆极化-水平极化，θsm、分别表示第m颗卫星的发射入射角与方位角，θrn、/>分别表示第n个分布式节点接收入射角与方位角，σ1m,n(t')、σ2m,n(t')、σ3m,n(t')和σ4m,n(t')为位置(x,y)处的海面散射系数；
当m≥M+1时，第m个天基信号为雷达卫星信号，此时，散射信号被N+1个分布式节点同时接收，为：
则，第m个卫星与第n个分布式节点组合的双站雷达获取的海面多维散射信息为：
其中，fLCX为雷达卫星的波段，LP3为垂直极化-垂直极化，LP4为垂直极化-水平极化，σ5m,n(t')、σ6m,n(t')为位置(x,y)处的海面散射系数。
进一步地，步骤S600具体包括：
根据所述海面张量化散射信息，训练反演模型，以及根据所述反演模型，反演海面的风场、浪场和流场：
其中，训练反演模型包括：
根据所述海面张量化散射信息，提取海面位置、信号的频率与极化、入射角及入射方位角、散射角及散射方位角、散射强度，构建所述反演模型的输入数据集；
获取与所述海面张量化散射信息时空一致的观测数据，并提取海面风速、风向、有效波高、平均波周期信息，构建所述反演模型的输出数据集；
通过深度学习方法，根据所述输入数据集和所述输出数据集训练所述反演模型。
进一步地，在步骤S600中，根据反演模型，反演海面的风场、浪场和流场，包括：
根据多个海面张量化散射信息，提取同一海面区域的多帧子视图像，对所述子视图像的互相关做傅里叶变换，得到多个图像交叉谱；
对多个所述图像交叉谱进行非线性变换得到多个海浪谱；
对多个所述海浪谱分别求解，得到海洋深水重力波的色散关系曲线；
根据所述色散关系曲线反演海表流场；
将反演得到的风场、浪场和流场参数作为所述反演模型的初始值，通过非线性优化求解，反演海面的风场、浪场和流场。
进一步地，在步骤S600中：
所述非线性优化求解的代价函数为：
其中，为反演的风场矢量，/>为反演的流场矢量，S(k)为反演的海浪谱；σi为第i次观测的散射值，/>为建立的张量化风场散射地球物理模型函数，θi和/>为第i次观测的视角和方位角，Δσi为第i次观测的散射测量误差的均方差；fi为海面流场产生的多普勒信号，/>为流场多普勒地球物理模型函数，Δfi为多普勒估计精度，/>为第i次观测中雷达视向在水平面投影的单位矢量；Pi(k)为第i次观测的海浪谱，k为波数，为海浪谱到雷达图像谱的正演模型，ΔPi(k)为第i次观测的海浪谱误差的均方差；a、b和c分别为可调节系数。
本发明实施例不需要主动发射电磁信号，采用现有导航卫星和雷达卫星作为天然信号源，具有低功耗、低成本和易于快速组网的优势，且避免繁杂耗时的频率申报，能够同时获取多个维度的海面散射信息，实现海面风浪流同步高分辨率探测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，对于本领域普通技术人员来讲，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是本发明实施例的基于张量化散射信息的海面风浪流星载无源探测方法的流程示意图；
图2是本发明实施例的L/C/X三波段共口径天线辐射单元的结构示意图；
图3是本发明实施例的强直射干扰信号抑制及极弱多维海面散射信号接收方法的原理示意图；
图4是本发明实施例的双站雷达成像方法的原理示意图；
图5是本发明实施例的海面风浪流同步反演方法的实现流程图。
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。
如图1所示，是本发明的一种基于张量化散射信息的海面风浪流星载无源探测方法的流程示意图，所述方法包括：
S100，接收导航卫星信号、雷达卫星信号及所述导航卫星信号和所述雷达卫星信号经海面的多维散射信号。
在本实施例中，采用多波段双极化共口径天线单元来接收导航卫星信号、雷达卫星信号和多维散射信号，其中，导航卫星信号包括L波段的导航卫星信号，雷达卫星信号包括L、C、X三个波段的雷达卫星信号。用于接收导航卫星和雷达卫星的直达信号的天线称为感知天线，用于接收散射信号的天线称为探测天线。感知天线与探测天线都采用L/C/X三波段双极化共口径天线技术，双极化包括水平线极化与垂直线极化，感知天线采用单阵元L/C/X三波段双极化共口径天线，天线口径较小，探测天线采用二维多通道阵列L/C/X三波段双极化共口径天线，天线口径较大。
如图2所示，为了实现三波段双极化共口径排布，需要对三个波段的天线单元形式优化，使不同波段的天线单元互不遮蔽，经过多种天线单元形式对比分析，采用微带偶极子作为L、C波段的辐射单元，方形叠层贴片作为X波段的辐射单元。此外，采用串并结合的馈电网络，节省空间的同时，尽量保证相位一致。
S200，捕获及跟踪所述导航卫星信号和所述雷达卫星信号，并解算信号参数及卫星位置参数。
在本实施例中，采用分布式多节点协同探测技术，对导航卫星和雷达卫星的直达信号进行捕获及跟踪，解算信号参数及卫星位置参数。
以导航卫星信号为近似合作信号，通过直达信号接收机对导航卫星的直达信号捕获跟踪，解算信号的波形、频率、重频等参数，再根据导航卫星实时播发的星历信息进行位置解算，解算精度约1m-2m。
以雷达卫星信号为非合作信号，通过直达信号接收机对雷达卫星的直达信号捕获跟踪，解算信号的波形、频率、重频等参数，再采用基于分布式多节点协同定位算法，解算雷达卫星位置参数。
其中，雷达卫星的位置参数解算具体包括：
以雷达卫星的坐标为T(x,y,z)，以三个分布式节点坐标分别为R0(x0,y0,z0)、R1(x1,y1,z1)、R2(x2,y2,z2)，则有方程组(1)：
其中，Δτ1为雷达卫星信号到分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的延时差，Δτ2为雷达卫星信号到分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的延时差，Δfd1为分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的多普勒频率差，Δfd2为分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的多普勒频率差。
采用雷达卫星的星历给出的位置(精度约1km)作为初始值，对上述方程组(1)进行迭代求解，可得到高精度的雷达卫星位置参数(精度约10m)。
S300，根据所述信号参数及所述卫星位置参数，抑制所述导航卫星信号和所述雷达卫星信号的同频直射干扰，优化所述多维散射信号。
如图3所示，在本实施例中，对海探测天线存在30°-40°的仰角，部分导航卫星信号与雷达卫星直达信号将从天线主瓣或副瓣进入接收机，成为同频直射干扰，直射干扰信号功率比海面散射回波信号功率大40dB-60dB，且海面散射回波信号功率极其微弱，远低于系统热噪声。因此，采用二维多通道接收及智能波束赋形技术实现导航卫星及雷达卫星的强直射干扰信号抑制，提高海面散射信号的接收机灵敏度，有利于极弱多维海面散射信号的接收。
根据导航卫星和雷达卫星的信号参数与卫星位置信息、接收系统的运动信息，以及天线结构、探测区域信息，建立同频直射干扰零陷多目标优化函数。利用遗传算法等智能优化方法对多目标函数进行寻优，获得二维多通道阵列天线的最优化复数权值，并根据得出的最优化复数权值，利用最优化数字波束形成技术对多通道极弱回波信号实现智能波束赋形，提高回波信噪比(SNR)，抑制来自导航卫星信号和雷达卫星信号的同频直射干扰，优化海面多维散射信号。
S400，根据优化后的所述多维散射信号获取海面双站雷达视频图像，并计算海面上各成像网格点的动态多维散射强度。
如图4所示，在本实施例中，采用双站雷达成像技术，获得海面双站雷达视频图像，并计算各网格点的动态多维散射强度。具体地：
利用二位多通道对海探测天线对大幅宽海面散射回波信号进行同步接收，得到K1×K2个散射回波信号，并进行距离向数字波束形成(DBF)处理，在海面上形成γR个高增益子测绘带，其中，K1、K2分别是天线在距离向和方位向上的通道数。依次对γR个子测绘带回波信号进行匹配滤波，每个子测绘带获得Ns×Nb×Np个回波信号，其中，Ns、Nb、Np分别为天基信号的个数、波段的个数与极化的个数。以预定时间间隔在每个子测绘带对应的距离向空域，分别对Ns×Nb×Np个回波信号进行方位向数字波束形成(DBF)处理，每个子测绘带获得Ns×Nb×Np×Nv个回波信号，其中，Nv为时频帧数，时间间隔一般取0.2s-2s。分别对Ns×Nb×Np×Nv个回波信号进行双站雷达成像，获得Ns×Nb×Np×Nv个雷达图像信息和Ns×Nb×Np个雷达视频图像。分别对Ns×Nb×Np个雷达视频图像进行功率标定，计算各网格点的动态多维散射强度。
S500，根据所述动态多维散射强度，构建海面张量化散射信息。
在本实施例中，将海面各个成像网格点的位置(x,y)作为引导信息，将工作波段、极化方式、观测角等作为模式信息，将海面各成像网格点的散射特性作为表征信息，则海面张量化散射信息可表示为：
Ω(t')＝[Ψ1(t') Ψ2(t') L ΨM(t') ΨM+1(t') ΨM+2(t') L ΨM+Q(t')]T；
其中，t′表示视频帧的时间序列，M表示导航卫星的个数，Q表示雷达卫星的个数，ψm(t′)为第m个天基信号对应的观测散射信息集，ψm(t′)为：
当1≤m≤M时，表示第m个天基信号为导航卫星信号，其散射信号被N+1个分布式节点(1个主节点，N个从节点)同时接收，可表示为：
同时接收导航卫星信号的散射信号包括两个频段，分别为fL1＝1.268GHz与fL2＝1.575GHz，且同时接收右旋圆极化-垂直极化(LP1)、右旋圆极化-水平极化(LP2)两种极化，则第m个卫星发射与第n个分布式节点组合的双站雷达获取的海面多维散射信息可表示为：
其中，θsm、分别表示第m颗卫星的发射入射角与方位角，θrn、/>分别表示第n个分布式节点接收入射角与方位角，σ1m,n(t')、σ2m,n(t')、σ3m,n(t')、σ4m,n(t')分别为位置(x,y)处的海面散射系数。
当m≥M+1时，表示第m个天基信号为雷达卫星信号，其散射信号同样被N+1个分布式节点同时接收，可表示为：
由于雷达卫星为单个波段，包括L、C、X波段，记为fLCX；每个分布式节点同时接收垂直极化-垂直极化(LP3)、垂直极化-水平极化(LP4)两种极化，则第m个卫星与第n个分布式节点组合的双站雷达获取的海面多维散射信息可表示为：
其中，σ5m,n(t')、σ6m,n(t')分别为位置(x,y)处的海面散射系数。
S600，根据所述海面张量化散射信息，反演海面的风场、浪场和流场。
如图5所示，在本实施例中，基于深度学习方法建立海面风浪参数反演模型，实现海面风浪参数一体化反演。利用交叉谱反演得到海浪谱，在海浪谱基础上利用海流对海浪谱的色散关系反演海表流场。将反演得到的风、浪、流参数作为初始值代入到非线性优化迭代方程，实现更高精度的海面风场、浪场和流场反演。
根据张量化散射信息，提取海面位置、信号的频率与极化、入射角及入射方位角、散射角及散射方位角、散射强度等信息，构建海面风浪一体化反演模型的输入数据集。其次，搜集大量与海面张量化散射信息时空一致的高分辨率的现场观测数据，提取海面风速、风向、有效波高、平均波周期信息，构建海面风浪一体化反演模型的输出数据集。然后，选取适合的深度学习方法，利用建立的输入输出数据集对深度学习模型进行训练，建立海面风浪一体化反演模型，实现海面风、浪一体化反演。
根据海面动态张量化散射信息，提取同一海面区域的3帧子视图像，对子视图像的互相关做傅里叶变换，得到图像交叉谱，对图像交叉谱进行非线性变换可以得到海浪谱。最后，对得到的海浪谱分别求解出满足海洋深水重力波色散关系曲线，进一步根据色散关系曲线得到海面流速信息。其中，动态张量化散射信息指的是对应于多帧图像的多个张量化散射信息。
海面风、浪、流一体化反演可以充分利用三者内在的耦合关系，由海面动态张量化散射信息得到风、浪、流信息是一个典型的非线性优化问题，为求解非线性优化问题，可采用下列代价函数：
其中，为反演的风场矢量，/>为反演的流场矢量，S(k)为反演的海浪谱。
式(2)等号右边第一项代表风散射信息的代价函数，其中σi为第i次观测的散射值，为建立的张量化风场散射地球物理模型函数，θi和/>为第i次观测的视角和方位角，Δσi为第i次观测的散射测量误差的均方差。
式(2)等号右边第二项代表海表面流的代价函数，fi为海面流程产生的多普勒信号，为流场多普勒地球物理模型函数，Δfi为多普勒估计精度，/>为第i次观测中雷达视向在水平面投影的单位矢量。
式(2)等号右边第三项为海浪谱测量的代价函数，其中Pi(k)为第i次观测的海浪谱，k为波数，为海浪谱到雷达图像谱的正演模型，ΔPi(k)为第i次观测的海浪谱误差的均方差。
a、b、c分别为可调节系数，用于调节上述三项的权重，在实际数据处理中视处理效果予以调整。
上述代价函数近似满足二次型凸问题，因此适合采用最陡梯度法求解。
综上所述，本发明提出了一种基于张量化散射信息的海面风浪流星载无源探测技术，利用空间微波遥感卫星作为“天然”的信号源，主要包括导航卫星和雷达卫星，这些卫星信号是周期性信号，适合海洋环境探测，具有L、C、X等多个波段，圆极化、线极化等多种极化方式。将接收机搭载于低轨卫星或无人机平台上，采用分布式多节点协同探测技术、多波段双极化共口径天线技术，实现对近似合作的导航卫星、非合作的雷达卫星的多波段、多极化直达信号进行捕获跟踪，解算信号参数及卫星位置参数。此外，采用二维多通道接收及智能波束赋形技术，实现强直射干扰信号的抑制，及极弱海面散射回波信号的接收。采用双站雷达成像技术实现多角度、多波段、多极化海面散射回波成像，获取海面网格点的多维散射强度，构建海面张量化散射信息。采用数字波束形成技术，在数字域形成多个高增益数字窄波束指向同一海面，形成凝视效果，利用双站雷达成像技术，获得同一海面的双站雷达视频图像，计算各网格点的动态多维散射强度。基于海面张量化散射信息，采用深度学习方法实现海面风、浪、流一体化高精度反演。采用基于联邦学习的分布式智能处理方法，提高海洋风场、浪场、流场一体化同步反演效率。不需要主动发射电磁信号，具有低功耗、低成本、易于快速组网等优势，能够同时获取多个维度的海面散射信息，实现海面风浪流同步高精度探测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，所述方法包括：
S100，接收导航卫星信号、雷达卫星信号及所述导航卫星信号和所述雷达卫星信号经海面的多维散射信号；
S200，捕获及跟踪所述导航卫星信号和所述雷达卫星信号，并解算信号参数及卫星位置参数；
S300，根据所述信号参数及所述卫星位置参数，抑制来自所述导航卫星信号和所述雷达卫星信号的同频直射干扰，优化所述多维散射信号；
S400，根据优化后的所述多维散射信号获取海面双站雷达视频图像，并计算海面上各成像网格点的动态多维散射强度；
S500，根据所述动态多维散射强度，构建海面张量化散射信息；
S600，根据所述海面张量化散射信息，反演海面的风场、浪场和流场。
2.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S100中：
所述导航卫星信号包括L波段的导航卫星信号，所述雷达卫星信号包括L、C、X三个波段的雷达卫星信号。
3.根据权利要求1或2所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S100中：
采用多波段双极化共口径天线接收所述导航卫星信号、所述雷达卫星信号和所述多维散射信号；
其中，所述多波段双极化共口径天线包括以微带偶极子为L和C波段的辐射单元，及以方形叠层贴片为X波段的辐射单元。
4.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S200中：
雷达卫星的坐标为T(x,y,z)，分布式节点坐标为R0(x0,y0,z0)、R1(x1,y1,z1)、R2(x2,y2,z2)，则有方程组(1)：
其中，λ为雷达卫星所发射电磁波的波长，c为电磁波在真空中的传播速度，Δτ1为雷达卫星信号到分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的延时差，Δτ2为雷达卫星信号到分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的延时差，Δfd1为分布式节点R1(x1,y1,z1)与R0(x0,y0,z0)的多普勒频率差，Δfd2为分布式节点R2(x2,y2,z2)与R0(x0,y0,z0)的多普勒频率差；
以雷达卫星的星历输出的位置作为初始值对方程组(1)进行迭代求解，得到雷达卫星的卫星位置参数。
5.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S300中：
根据所述信号参数及所述卫星位置参数建立同频直射干扰零陷多目标优化函数；
对所述多目标优化函数进行寻优，得到二维多通道阵列天线的最优化复数权值；
根据所述最优化复数权值对多通道回波信号进行波束赋形，以抑制来自所述导航卫星信号和所述雷达卫星信号的同频直射干扰。
6.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S400中：
同步接收大幅宽海面的散射回波信号，得到K1×K2个散射回波信号，并进行距离向数字波束形成处理，在海面上形成γR个高增益子测绘带，其中，K1、K2分别是天线在距离向和方位向上的通道数；
依次对γR个子测绘带回波信号进行匹配滤波，每个子测绘带获得Ns×Nb×Np个回波信号，其中，Ns、Nb、Np分别为天基信号的个数、波段的个数与极化的个数；
以预定时间间隔在每个子测绘带对应的距离向空域上，分别对Ns×Nb×Np个回波信号进行方位向数字波束形成处理，每个子测绘带获得Ns×Nb×Np×Nv个回波信号，其中，Nv为时频帧数；
分别对Ns×Nb×Np×Nv个回波信号进行双站雷达成像，获得Ns×Nb×Np×Nv个雷达图像信息和Ns×Nb×Np个雷达视频图像；
分别对Ns×Nb×Np个雷达视频图像进行功率标定，计算各网格点的动态多维散射强度。
7.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S500中：
海面张量化散射信息为：
Ω(t')＝[Ψ1(t') Ψ2(t') L ΨM(t') ΨM+1(t') ΨM+2(t') L ΨM+Q(t')]T；
其中，t′为视频帧的时间序列，M为导航卫星的个数，Q为雷达卫星的个数，Ψm(t’)为第m个天基信号对应的观测散射信息集，Ψm(t’)为：
当1≤m≤M时，第m个天基信号为导航卫星信号，此时，散射信号由N+1个分布式节点同时接收，为：
则，第m个卫星发射与第n个分布式节点组合的双站雷达获取的海面多维散射信息为：
其中，fL1＝1.268GHz和fL2＝1.575GHz分别为同时接收导航卫星信号的散射信号的两个频段，LP1和LP2分别为右旋圆极化-垂直极化和右旋圆极化-水平极化，θsm、分别表示第m颗卫星的发射入射角与方位角，θrn、/>分别表示第n个分布式节点接收入射角与方位角，σ1m,n(t′)、σ2m,n(t')、σ3m,n(t')和σ4m,n(t')为位置(x,y)处的海面散射系数；
当m≥M+1时，第m个天基信号为雷达卫星信号，此时，散射信号被N+1个分布式节点同时接收，为：
则，第m个卫星与第n个分布式节点组合的双站雷达获取的海面多维散射信息为：
其中，fLCX为雷达卫星的波段，LP3为垂直极化-垂直极化，LP4为垂直极化-水平极化，σ5m,n(t′)、σ6m,n(t′)为位置(x,y)处的海面散射系数。
8.根据权利要求1所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，步骤S600具体包括：
根据所述海面张量化散射信息，训练反演模型，以及根据所述反演模型，反演海面的风场、浪场和流场：
其中，训练反演模型包括：
根据所述海面张量化散射信息，提取海面位置、信号的频率与极化、入射角及入射方位角、散射角及散射方位角、散射强度，构建所述反演模型的输入数据集；
获取与所述海面张量化散射信息时空一致的观测数据，并提取海面风速、风向、有效波高、平均波周期信息，构建所述反演模型的输出数据集；
通过深度学习方法，根据所述输入数据集和所述输出数据集训练所述反演模型。
9.根据权利要求8所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S600中，根据反演模型，反演海面的风场、浪场和流场，包括：
根据多个海面张量化散射信息，提取同一海面区域的多帧子视图像，对所述子视图像的互相关做傅里叶变换，得到多个图像交叉谱；
对多个所述图像交叉谱进行非线性变换得到多个海浪谱；
对多个所述海浪谱分别求解，得到海洋深水重力波的色散关系曲线；
根据所述色散关系曲线反演海表流场；
将反演得到的风场、浪场和流场参数作为所述反演模型的初始值，通过非线性优化求解，反演海面的风场、浪场和流场。
10.根据权利要求9所述的基于张量化散射信息的海面风浪流星载无源探测方法，其特征在于，在步骤S600中：
所述非线性优化求解采用如下代价函数：
其中，W为同一海面区域的多维散射回波数量，λ为雷达卫星所发射电磁波的波长，c为电磁波在真空中的传播速度，为反演的风场矢量，/>为反演的流场矢量，S(k)为反演的海浪谱；σi为第i次观测的散射值，/>为建立的张量化风场散射地球物理模型函数，θi和/>为第i次观测的视角和方位角，Δσi为第i次观测的散射测量误差的均方差；fi为海面流场产生的多普勒信号，/>为流场多普勒地球物理模型函数，Δfi为多普勒估计精度，/>为第i次观测中雷达视向在水平面投影的单位矢量；Pi(k)为第i次观测的海浪谱，k为波数，/>为海浪谱到雷达图像谱的正演模型，ΔPi(k)为第i次观测的海浪谱误差的均方差；a、b和c分别为可调节系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465848.2A CN115728760B (zh) | 2022-11-22 | 2022-11-22 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465848.2A CN115728760B (zh) | 2022-11-22 | 2022-11-22 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115728760A CN115728760A (zh) | 2023-03-03 |
| CN115728760B true CN115728760B (zh) | 2023-08-11 |
Family
ID=85297308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211465848.2A Active CN115728760B (zh) | 2022-11-22 | 2022-11-22 | 基于张量化散射信息的海面风浪流星载无源探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115728760B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609287A (zh) * | 2018-06-14 | 2019-12-24 | 中国科学院国家空间科学中心 | 一种双频雷达散射计及同时测量海面风场和流场的方法 |
| CN112014842A (zh) * | 2020-09-16 | 2020-12-01 | 国家海洋技术中心 | 高分三号全极化sar数据的有效波高估计方法及系统 |
| CN113589275A (zh) * | 2021-07-01 | 2021-11-02 | 中国科学院国家空间科学中心 | 一种海面风场、海浪和海流的联合观测方法 |
| CN114488133A (zh) * | 2022-03-08 | 2022-05-13 | 北京卫星信息工程研究所 | 星载gnss-s雷达舰船多维散射特性提取与分类方法 |
| CN114638441A (zh) * | 2022-05-18 | 2022-06-17 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
| CN114861537A (zh) * | 2022-04-29 | 2022-08-05 | 武汉大学 | 基于cnn多信息融合的gnss-r海面风速反演方法及系统 |
| CN114895338A (zh) * | 2022-03-31 | 2022-08-12 | 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 |
| CN114910934A (zh) * | 2022-03-31 | 2022-08-16 | 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 |
-
2022
- 2022-11-22 CN CN202211465848.2A patent/CN115728760B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609287A (zh) * | 2018-06-14 | 2019-12-24 | 中国科学院国家空间科学中心 | 一种双频雷达散射计及同时测量海面风场和流场的方法 |
| CN112014842A (zh) * | 2020-09-16 | 2020-12-01 | 国家海洋技术中心 | 高分三号全极化sar数据的有效波高估计方法及系统 |
| CN113589275A (zh) * | 2021-07-01 | 2021-11-02 | 中国科学院国家空间科学中心 | 一种海面风场、海浪和海流的联合观测方法 |
| CN114488133A (zh) * | 2022-03-08 | 2022-05-13 | 北京卫星信息工程研究所 | 星载gnss-s雷达舰船多维散射特性提取与分类方法 |
| CN114895338A (zh) * | 2022-03-31 | 2022-08-12 | 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 |
| CN114910934A (zh) * | 2022-03-31 | 2022-08-16 | 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 |
| CN114861537A (zh) * | 2022-04-29 | 2022-08-05 | 武汉大学 | 基于cnn多信息融合的gnss-r海面风速反演方法及系统 |
| CN114638441A (zh) * | 2022-05-18 | 2022-06-17 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 朱德军等.GNSS遥感技术在智慧水利建设中的应用展望.水利水电技术(中英文).2022,第53卷(第10期),第33-57页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115728760A (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pierdicca et al. | SAVERS: A simulator of GNSS reflections from bare and vegetated soils | |
| EP2896971B1 (en) | Spaceborne Multi-Channel Synthetic Aperture Radar Imaging Device | |
| CN107121670B (zh) | 一种基于合成孔径雷达的反无人机防御方法 | |
| Belcher | Theoretical limits on SAR imposed by the ionosphere | |
| US20210215795A1 (en) | Synthetic aperture radar method and synthetic aperture radar device | |
| Wang et al. | Joint amplitude-phase compensation for ionospheric scintillation in GEO SAR imaging | |
| CN100380135C (zh) | 基于天线子阵的高频地波雷达抗干扰方法 | |
| CN114660552B (zh) | 星载gnss-s雷达舰船目标信号接收与直射干扰抑制方法 | |
| CN110346794A (zh) | 一种资源优化配置的分布式雷达成像方法 | |
| CN114488134A (zh) | 星载多通道gnss-s雷达视频成像系统及舰船轨迹提取方法 | |
| Chen et al. | MST radars of Chinese meridian project: System description and atmospheric wind measurement | |
| US20240134061A1 (en) | Systems and Methods for a Global Positioning System using GNSS Signals and Stokes Parameters | |
| Mojarrabi et al. | Power budget study for passive target detection and imaging using secondary applications of GPS signals in bistatic radar systems | |
| Liu et al. | High-resolution ice-sounding radar measurements of ice thickness over East Antarctic Ice Sheet as a part of Chinese National Antarctic Research Expedition | |
| CN115728760B (zh) | 基于张量化散射信息的海面风浪流星载无源探测方法 | |
| Nai et al. | Adaptive beamspace processing for phased-array weather radars | |
| CN112162282A (zh) | 一种基于合成孔径雷达海表流速反演方法 | |
| Haynes et al. | Surface clutter discrimination analysis for radar sounding interferometry | |
| RU2379705C2 (ru) | Способ двухэтапного восстановления изображений в многоканальных радиолокационных и радиотеплолокационных станциях | |
| Wada et al. | Mitigation of Ground-Clutter Effects by Digital Beamforming With Precomputed Weighting Matrix for Phased Array Weather Radar | |
| Kikuchi et al. | Adaptive Beamforming Using Steering Vector Correction for Phased-Array Weather Radar | |
| Wang et al. | Sample Selection Method and Solution to Interference Incidence Angle Variation in Multi-Channel SAR Anti-Jamming Based on ADBF | |
| Ivić | Cross-Coupling Mitigation in Polarimetric PAR via Antenna Tilt | |
| Son et al. | Radar detection using sparsely distributed apertures in urban environment | |
| Wen et al. | A Study on Adaptive Range Digital Beam-Forming Method for Ka-band Automotive SAR |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |