CN115825960A - 基于星载gnss-s雷达的海面风场反演方法 - Google Patents

Abstract

本发明涉及基于星载GNSS‑S雷达的海面风场反演方法，包括：S100，星载GNSS‑S雷达接收海面散射的多维GNSS‑S回波信号；S200，沿方位向，对所述多维GNSS‑S回波信号进行子孔径划分，得到多个回波子孔径SAR图像；S300，根据多个所述回波子孔径SAR图像，确定海杂波的时间相关性；S400，根据多个所述回波子孔径SAR图像进行GNSS‑SAR子孔径成像，得到多视SAR图像；S500，根据所述多视SAR图像，确定海杂波的空间相关性；S600，根据所述多视SAR图像，确定海杂波的幅度分布特性；S700，根据海杂波的时间相关性、空间相关性和幅度分布特性，确定海面风场模型。本发明可以实现海面风场的连续、大范围、高时效性反演。

Description

基于星载GNSS-S雷达的海面风场反演方法

技术领域

本发明涉及雷达技术领域，具体涉及一种基于星载GNSS-S雷达的海面风场反演方法。

背景技术

随着科技的发展，带来海上活动的增加，例如海上贸易等，海洋风场信息越来越受到重视。目前，实时获取全球海面风向信息较为困难。全球化海面风场获取方式主要依靠卫星对海面风场进行探测反演，主要手段包括散射计、GNSS-R、SAR等。

星载散射计具有高分辨率、高可靠性的优势，但系统复杂且成本高，难以形成组网星座实现全球海面风场的近实时探测。星载SAR通过后向散射强度和海浪波纹等方式反演风速、风向，但风向反演精度受其他因素影响大，SAR卫星造价较高。星载GNSS-R仅能获得镜面点及周围较小非连续区域的反射信息，可以反演出海面风速，而难以获得稳健的风向信息，但星载GNSS-R仅利用导航卫星信号的反射信号进行风速反演，无需主动发射大功率电磁波，具有小型化与低成本优势，具备星群组网优势。

综上所述，亟待开展新体制海面矢量风场探测方法，实现大范围海面风场的实时探测与反演，为构建全球实时动态海洋环境信息奠定基础。

随着我国北斗卫星导航系统的完善与全面开放利用，借助多颗导航卫星的多维电磁信号进行海面风场联合探测反演将成为重要解决途径之一，特别是联合同一海面区域多个频段、多个极化、多个角度的散射信号(GNSS-S)。然而，多维数据必然带来巨大的数据处理量，难以在轨实时计算。因此，依靠海面同一时刻的多维GNSS-S信号建立，多维GNSS-S信号与海面风场的统计关系，并减少多维数据的处理量，将成为海面风场快速反演的关键，对海面风场进行快速反演也将成为未来重要发展趋势之一。

传统星载GNSS-R海面风场反演方法仅能反演出镜面反射区的海面风速，难以反演风向，同时，计算量大且时效性差。

发明内容

有鉴于此，本发明实施例旨在提出一种基于星载GNSS-S雷达的海面风场反演方法，可以实现海面风场的大范围、高时效性反演。

本发明实施例提出一种基于星载GNSS-S雷达的海面风场反演方法，所述方法包括：

S100，星载GNSS-S雷达接收海面散射的多维GNSS-S回波信号；

S200，沿方位向，对所述多维GNSS-S回波信号进行子孔径划分，得到多个回波子孔径SAR图像；

S300，根据多个所述回波子孔径SAR图像，确定海杂波的时间相关性；

S400，根据多个所述回波子孔径SAR图像进行GNSS-SAR子孔径成像，得到多视SAR图像；

S500，根据所述多视SAR图像，确定海杂波的空间相关性；

S600，根据所述多视SAR图像，确定海杂波的幅度分布特性；

S700，根据海杂波的时间相关性、空间相关性和幅度分布特性，确定海面风场模型。

在本发明的优选实施例中，在步骤S100中：

所述多维GNSS-S回波信号为目标海域的多角度、多频段、多极化的GNSS-S信号。

在本发明的优选实施例中，在步骤S200中：

沿方位向，对每个频段和每种极化的多维GNSS-S回波信号，分别进行子孔径划分；

在每个频段和每种极化下均得到多个回波子孔径SAR成像。

在本发明的优选实施例中，在步骤S300中：

每个频段及每种极化下，顺序排列的多个回波子孔径SAR图像均构成一个多时相SAR图像，且每个回波子孔径SAR图像对应一个时相；

根据单元素的多时相SAR图像的多普勒时间相关系数以及沿时间方向的全局相关性确定多频段及多极化下的多时相SAR图像的多普勒时间相关性，并进而确定海杂波的时间相关性；

单元素的多时相SAR图像的多普勒时间相关系数为：

其中，i,k分别表示第i个和第k个时相，T_ij表示图像第i时相、第j元素的像素单元上的多普勒功率谱，＜.＞为向量的内积，||.||₂为向量二范数；

沿时间方向的全局相关性表示为：

其中，N,K分别表示多时相SAR图像的个数和每幅多时相SAR图像的像素点个数。

在本发明的优选实施例中，在步骤S400中：

对每个频段及每种极化下的多个回波子孔径SAR图像进行配准相加，形成对应频段和极化的多视SAR图像；

在每个频段及每种极化下均得到一个多视SAR图像。

在本发明的优选实施例中，在步骤S500中：

空间相关性包括距离向空间相关性和方位向空间相关性。

在本发明的优选实施例中，在步骤S500中：

距离向空间相关性由距离向空间相关系数和沿距离向的全局空间相关性确定；

距离向空间相关系数为：

其中，i,k分别表示多视SAR图像上第i个和第k个方位元素，S_ij表示多视SAR图像上第i个方位元素、第j距离单元的上幅度值，＜.＞为向量的内积，||.||₂为向量二范数；

沿距离向的全局空间相关性表示为：

其中，I,K分别是多视SAR图像上的距离向点个数和方位向点个数。

在本发明的优选实施例中，在步骤S600中：

对各频段和各极化的多视SAR图像进行归一化处理，并根据归一化处理后的图像确定海杂波的幅度分布特性。

在本发明的优选实施例中，

在步骤S100中：

星载GNSS-S雷达接收海面散射的多维GNSS-S回波信号的数量为多个，每个多维GNSS-S回波信号对应海面不同目标区域的海杂波的时间相关性、空间相关性和幅度分布特性。

在本发明的优选实施例中，在步骤S700中，通过卷积神经网络训练海面风场模型，且所述卷积神经网络以海面不同目标区域的海杂波所对应的时间相关性、空间相关性和幅度分布特性为输入，所述卷积神经网络包括参数信息标准化单元和矢量风场反演网络；

所述参数信息标准化单元包括多个第一标准化子模块和多个第二标准化子模块，第一标准化子模块用于对第一类参数信息进行参数信息标准化，第二标准化子模块用于对第二类参数信息进行参数信息标准化，第一类参数信息包括时间相关性、空间相关性和幅度分布特性，第二类参数信息包括多维GNSS-S回波信号的观测角以及多维GNSS-S回波信号对应的GNSS-S发射信号的观测角，观测角包括入射角和方位角，每个第一标准化子模块对应一个SAR图像的一个频段及一种极化，SAR图像包括多时相SAR图像和多视SAR图像，每个第二标准化子模块对应一个SAR图像的一个观测角；

所述矢量风场反演网络包括：

多个多层卷积单元，每个多层卷积单元对应一个第一标准化子模块，且所有的多层卷积单元之间数据共享；

多个特征连接单元，每个特征连接单元对应一个SAR图像，特征连接单元连接对应的SAR图像所对应的多个多层卷积单元；

多个第一全连接激活层，每个第一全连接激活层连接特征连接单元和相应SAR图像对应的第二标准化子模块，且所有的第一全连接激活层之间数据共享；

特征匹配融合单元，连接所有的第一全连接激活层；

第二全连接激活层，与所述特征匹配融合单元连接。

本发明实施例的基于星载GNSS-S雷达的海面风场反演方法，可以同时反演海面的风速与风向，且在反演前将图像进行了参数化，计算量大幅减少，可以实现海面风场的连续、大范围、高时效性反演，且无需主动发射大功率信号即可实现大范围海面风场反演，具有低成本、低功耗与轻量化等优势，有利于快速形成组网星座，实现全球海面矢量风场的近实时探测。

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为本发明实施例的基于星载GNSS-S雷达的海面风场反演方法的流程示意图；

图2为本发明实施例的基于星载GNSS-S雷达的海面风场反演方法的原理示意图；

图3为本发明实施例的基于星载GNSS-S雷达的海面风场反演方法中星载GNSS-S雷达的工作场景示意图；

图4为本发明实施例的基于星载GNSS-S雷达的海面风场反演方法中的卷积神经网络的结构示意图。

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。

如图1所示，是本发明实施例的基于星载GNSS-S雷达的海面风场反演方法的流程示意图。所述方法包括：

S100，星载GNSS-S雷达接收海面散射的多维GNSS-S回波信号。

如图2和图3所示，在本实施例中，星载GNSS-S雷达采用共口径的双频段、双极化天线，对多颗导航卫星的海面GNSS-S散射信号进行接收，获得目标海域多角度、双频段、双极化的多维GNSS-S信号。例如导航卫星的数量为M，则接收M颗导航卫星的海面GNSS-S散射信号，获得多维GNSS-S回波信号1、多维GNSS-S回波信号2、……、多维GNSS-S回波信号M。

共口径的双频段双极化天线同时具备双频段信号接收能力，接收导航信号L波段的两个相近频点信号，且具备双极化信号接收能力，分别为水平极化和垂直极化。同时，双频双极化天线为共口径形式，有利于减轻天线重量，天线指向一致。且天线以正侧视模式接收多维GNSS-S信号，有利于沿卫星飞行方向合成孔径。

S200，沿方位向，对多维GNSS-S回波信号进行子孔径划分，得到多个回波子孔径SAR图像。

如图2和图3所示，在本实施例中，沿方位向，对每个频段和每种极化的多维GNSS-S回波信号，分别进行子孔径划分。在每个频段和每种极化下均得到多个回波子孔径SAR成像。例如对于多维GNSS回波信号1，对其两个频段和两种极化分别沿方位向进行多个子孔径划分，共可获得N个回波子孔径SAR图像，则得到多维GNSS回波信号1的回波1子孔径SAR图像1、回波1子孔径SAR图像2、……、回波1子孔径SAR图像2。

S300，根据多个回波子孔径SAR图像，确定海杂波的时间相关性。

如图2所示，在本实施例中，每个多维GNSS-S回波信号的每个频段及每种极化下，顺序排列的多个回波子孔径SAR图像均构成一个对应的多维GNSS-S回波信号的对应频段及对应极化下的多时相SAR图像，每个回波子孔径SAR图像对应一个时相。或者说，顺序排列的多个回波子孔径SAR图像可反映图像的多时相变化。

根据单元素的多时相SAR图像的多普勒时间相关系数以及沿时间方向的全局相关性确定多频段及多极化下的多时相SAR图像的多普勒时间相关性，并进而确定海杂波的时间相关性；

单元素的多时相SAR图像的多普勒时间相关系数为：

其中，i,k分别表示第i个和第k个时相，T_ij表示图像第i时相、第j元素的像素单元上的多普勒功率谱，＜.＞为向量的内积，||.||₂为向量二范数；

沿时间方向的全局相关性表示为：

其中，N,K分别表示多时相SAR图像的个数和每幅多时相SAR图像的像素点个数。

由于对海洋环境反演时分辨率可适当降低，因此相比常规SAR可增加子孔径划分的数量，然后进行GNSS-SAR子孔径成像，在单视分辨率为10米的情况下，进行100米分辨率的子孔径成像，可得到10幅子孔径多时相SAR图像。

S400，根据多个回波子孔径SAR图像进行GNSS-SAR子孔径成像，得到多视SAR图像。

如图2所示，在本实施例中，对每个频段及每种极化下的多个回波子孔径SAR图像进行配准相加，形成对应频段和极化的多视SAR图像。在每个多维GNSS-S回波信号下每个频段及每种极化下均得到一个多视SAR图像。

S500，根据多视SAR图像，确定海杂波的空间相关性。

在本实施例中，空间相关性包括距离向空间相关性和方位向空间相关性。以距离向空间相关性为例：

距离向空间相关性由距离向空间相关系数和沿距离向的全局空间相关性确定；

距离向空间相关系数为：

其中，i,k分别表示多视SAR图像上第i个和第k个方位元素，S_ij表示多视SAR图像上第i个方位元素、第j距离单元的上幅度值，＜.＞为向量的内积，||.||₂为向量二范数；

沿距离向的全局空间相关性表示为：

其中，I,K分别是多视SAR图像上的距离向点个数和方位向点个数。

相类似地，方位向空间相关性由方位向空间相关系数和沿方位向的全局空间相关性确定，其与距离向空间相关性的计算原理相同，本实施例在此不再过多赘述。

S600，根据多视SAR图像，确定海杂波的幅度分布特性。

在本实施例中，对每个多维GNSS-S回波信号的各频段和各极化的多视SAR图像进行归一化处理，并根据归一化处理后的图像确定海杂波的幅度分布特性。首先，在不同风向情况下，以逆风、顺风和侧风条件下的L波段典型数据为例进行幅度分布拟合，逆风情况下海杂波幅度分布拖尾变长、尖峰性较强，使得K分布和韦布尔分布的形状参数偏小，对数正态分布标准差参数偏大，从卡方检验拟合优度计算结果来看，逆风方向K分布与实测数据拟合效果相对较好，顺风和侧风条件下采用对数正态分布拟合效果更优。其次，在不同海况等级下，海面粗糙度明显不同，海杂波的幅度分布类型会受到直接影响。随着海况的升高，时序起伏有变大的趋势。实测数据幅度分布明显偏离瑞利分布，特别是在拖尾部分，更符合韦布尔分布或K分布，两种分布曲线非常接近，理论上韦布尔分布和K分布在某些参数下会出现非常接近或相同的情况。因此，在不同的风向条件及海况条件下，采用上述不同的数学模型来统计海杂波的幅度分布特性。

S700，根据海杂波的时间相关性、空间相关性和幅度分布特性，确定海面风场模型。

在本实施例中，通过卷积神经网络训练海面风场模型，且所述卷积神经网络以海面不同目标区域(即不同多维GNSS-S回波信号)的海杂波所对应的时间相关性、空间相关性和幅度分布特性为输入，以海面风速、风向作为输出。因此，在之后，将实际获取的星载GNSS-S的雷达多维图像输入至训练好的卷积神经网络模型中，即可对海面风场进行反演，并输出相应的海面风速、风向。

如图4所示，在本实施例中，所述卷积神经网络包括参数信息标准化单元和矢量风场反演网络。所述参数信息标准化单元包括多个第一标准化子模块和多个第二标准化子模块，第一标准化子模块用于对第一类参数信息进行参数信息标准化，第二标准化子模块用于对第二类参数信息进行参数信息标准化，第一类参数信息包括时间相关性、空间相关性和幅度分布特性，第二类参数信息包括多维GNSS-S回波信号的观测角以及多维GNSS-S回波信号对应的GNSS-S发射信号的观测角，观测角包括入射角和方位角，每个第一标准化子模块对应一个SAR图像的一个频段及一种极化，SAR图像包括多时相SAR图像和多视SAR图像，每个第二标准化子模块对应一个SAR图像的一个观测角。所述矢量风场反演网络包括：多个多层卷积单元，每个多层卷积单元对应一个第一标准化子模块，且所有的多层卷积单元之间数据共享；多个特征连接单元，每个特征连接单元对应一个SAR图像，特征连接单元连接对应的SAR图像所对应的多个多层卷积单元；多个第一全连接激活层，每个第一全连接激活层连接特征连接单元和相应SAR图像对应的第二标准化子模块，且所有的第一全连接激活层之间数据共享；特征匹配融合单元，连接所有的第一全连接激活层；第二全连接激活层，与所述特征匹配融合单元连接。

如图4所示，在本实施例中，卷积神经网络的输入为双频段和双极化的多维GNSS-S回波信号的SAR图像，其中，f₁、f₂分别表示双频段，V、H分别代表双极化(水平极化和垂直极化)，则本实施例每个多维GNSS-S回波图像对应四种SAR图像，例如对于多维GNSS-S回波信号1来讲，则有图像1A(f₁+V)、图像1B(f₂+V)、图像1C(f₁+H)和图像1D(f₂+H)。第一标准化子模块将不同角度的双频双极化SAR子图像时间相关性统计、空间相关性统计、幅度分布统计采样成范围、量化位数一致的矢量。第二标准化子模块将对应的GNSS发射机的入射角、方位角以及GNSS接收机的入射角、方位角进行范围、量化位数一致的标准化。对应于每个多维GNSS-S回波信号具有四个多层卷积单元，分别对相应的双频段双极化SAR图像的参数化特征进行特征提取，不同角度(观测角)SAR图像的多层卷积参数共享，能够对任意个数的多角度SAR图像进行特征提取，形成图像特征向量。由此，通过本实施例的卷积神经网络，经过参数信息标准化单元对输入信息进行参数化，后经过矢量风场反演网络进行反演训练，在训练完成后，模型可根据输入的SAR图像的观测角及时间相关性、空间相关性和幅度分布特性，输出相应的海面风场、风速。

本发明实施例的基于星载GNSS-S雷达的海面风场反演方法，可以同时反演海面的风速与风向，且在反演前将图像进行了参数化，计算量大幅减少，可以实现海面风场的连续、大范围、高时效性反演，且不需要估计镜面反射区且无需主动发射大功率信号即可实现大范围海面风场反演，具有低成本、低功耗与轻量化等优势，有利于快速形成组网星座，实现全球海面矢量风场的近实时探测。

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)

1.一种基于星载GNSS-S雷达的海面风场反演方法，其特征在于，所述方法包括：

S100，星载GNSS-S雷达接收海面散射的多维GNSS-S回波信号；

S200，沿方位向，对所述多维GNSS-S回波信号进行子孔径划分，得到多个回波子孔径SAR图像；

S300，根据多个所述回波子孔径SAR图像，确定海杂波的时间相关性；

S400，根据多个所述回波子孔径SAR图像进行GNSS-SAR子孔径成像，得到多视SAR图像；

S500，根据所述多视SAR图像，确定海杂波的空间相关性；

S600，根据所述多视SAR图像，确定海杂波的幅度分布特性；

S700，根据海杂波的时间相关性、空间相关性和幅度分布特性，确定海面风场模型。

2.根据权利要求1所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S100中：

所述多维GNSS-S回波信号为目标海域的多角度、多频段、多极化的GNSS-S信号。

3.根据权利要求2所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S200中：

沿方位向，对每个频段和每种极化的多维GNSS-S回波信号，分别进行子孔径划分；

在每个频段和每种极化下均得到多个回波子孔径SAR成像。

4.根据权利要求3所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S300中：

每个频段及每种极化下，顺序排列的多个回波子孔径SAR图像均构成一个多时相SAR图像，且每个回波子孔径SAR图像对应一个时相；

根据单元素的多时相SAR图像的多普勒时间相关系数以及沿时间方向的全局相关性确定多频段及多极化下的多时相SAR图像的多普勒时间相关性，并进而确定海杂波的时间相关性；

单元素的多时相SAR图像的多普勒时间相关系数为：

其中，i,k分别表示第i个和第k个时相，T_ij表示图像第i时相、第j元素的像素单元上的多普勒功率谱，＜.＞为向量的内积，||.||₂为向量二范数；

沿时间方向的全局相关性表示为：

其中，N,K分别表示多时相SAR图像的个数和每幅多时相SAR图像的像素点个数。

5.根据权利要求2或3所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S400中：

对每个频段及每种极化下的多个回波子孔径SAR图像进行配准相加，形成对应频段和极化的多视SAR图像；

在每个频段及每种极化下均得到一个多视SAR图像。

6.根据权利要求1所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S500中：

空间相关性包括距离向空间相关性和方位向空间相关性。

7.根据权利要求6所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S500中：

距离向空间相关性由距离向空间相关系数和沿距离向的全局空间相关性确定；

距离向空间相关系数为：

其中，i,k分别表示多视SAR图像上第i个和第k个方位元素，S_ij表示多视SAR图像上第i个方位元素、第j距离单元的上幅度值，＜.＞为向量的内积，||.||₂为向量二范数；

沿距离向的全局空间相关性表示为：

其中，I,K分别是多视SAR图像上的距离向点个数和方位向点个数。

8.根据权利要求2或3所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S600中：

对各频段和各极化的多视SAR图像进行归一化处理，并根据归一化处理后的图像确定海杂波的幅度分布特性。

9.根据权利要求2或3所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，

在步骤S100中：

星载GNSS-S雷达接收海面散射的多维GNSS-S回波信号的数量为多个，每个多维GNSS-S回波信号对应海面不同目标区域的海杂波的时间相关性、空间相关性和幅度分布特性。

10.根据权利要求9所述的基于星载GNSS-S雷达的海面风场反演方法，其特征在于，在步骤S700中，通过卷积神经网络训练海面风场模型，且所述卷积神经网络以海面不同目标区域的海杂波所对应的时间相关性、空间相关性和幅度分布特性为输入；

所述卷积神经网络包括参数信息标准化单元和矢量风场反演网络；

所述参数信息标准化单元包括多个第一标准化子模块和多个第二标准化子模块，第一标准化子模块用于对第一类参数信息进行参数信息标准化，第二标准化子模块用于对第二类参数信息进行参数信息标准化，第一类参数信息包括时间相关性、空间相关性和幅度分布特性，第二类参数信息包括多维GNSS-S回波信号的观测角以及多维GNSS-S回波信号对应的GNSS-S发射信号的观测角，观测角包括入射角和方位角，每个第一标准化子模块对应一个SAR图像的一个频段及一种极化，SAR图像包括多时相SAR图像和多视SAR图像，每个第二标准化子模块对应一个SAR图像的一个观测角；

所述矢量风场反演网络包括：

多个多层卷积单元，每个多层卷积单元对应一个第一标准化子模块，且所有的多层卷积单元之间数据共享；

多个特征连接单元，每个特征连接单元对应一个SAR图像，特征连接单元连接对应的SAR图像所对应的多个多层卷积单元；

多个第一全连接激活层，每个第一全连接激活层连接特征连接单元和相应SAR图像对应的第二标准化子模块，且所有的第一全连接激活层之间数据共享；

特征匹配融合单元，连接所有的第一全连接激活层；

第二全连接激活层，与所述特征匹配融合单元连接。

Images