CN115856879B - 一种海冰融化期密集度反演方法 - Google Patents
一种海冰融化期密集度反演方法 Download PDFInfo
- Publication number
- CN115856879B CN115856879B CN202211528183.5A CN202211528183A CN115856879B CN 115856879 B CN115856879 B CN 115856879B CN 202211528183 A CN202211528183 A CN 202211528183A CN 115856879 B CN115856879 B CN 115856879B
- Authority
- CN
- China
- Prior art keywords
- ddm
- sea ice
- power
- delay
- data
- 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
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种海冰融化期密集度反演方法,提取GNSS‑R时延‑多普勒图(DDM)的特征参数:时延‑多普勒图平均值(DDMA)、信噪比、相关功率底噪、峰值功率比、后沿斜率、前沿斜率、峰度和偏度,结合ERA5再分析资料,通过DDM特征参数和风速、海表温度参数,与参考海冰密集度产品训练来构建lightGBM机器学习回归模型,模型输出海冰密集度(SIC)。本发明可有效实现对融冰期海冰边缘区海冰密集度的反演,并且实现了高精度和快速化。
Description
技术领域
本发明属于海洋技术领域,具体涉及一种海冰融化期密集度反演方法。
背景技术
对海冰状况的充分了解对气候研究和人类活动至关重要。海冰密集度是研究海冰变化的重要参量,它是指单位区域内海冰覆盖率的百分比。GNSS-R数据延迟多普勒图(DDM)的观测值(特征参数)最初是用来描述DDM的扩展程度,它由表面粗糙度决定,海冰的DDMs与海水的DDMs之间的差异明显。DDM形状即GNSS-R反射信号功率波形的变化可以区分海水和海冰进而可以获取海冰密集度。文献1,Yan,Q.;Huang,W.Spaceborne GNSS-R Sea IceDetection Using Delay-Doppler Maps:First Results from the U.K.TechDemoSat-1Mission.IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.2016,9,4795–4801.文献2,Zhang,G.;Guo,J.;Yang,D.;Wang,F.;Gao,H.Sea Ice Edge Detection Using SpaceborneGNSS-R Signal.Geomatics Inf.Sci.Wuhan Univ.2019,44,668–674,以及文献3,Cartwright,J.;Banks,C.J.;Srokosz,M.Sea Ice Detection Using GNSS-R Data FromTechDemoSat-1.J.Geophys.Res.Ocean.2019,124,5801–5810.都利用了DDM特征参数进行海冰探测,准确率均较高,但是没有研究这些参数与海冰密集度的联系且大多使用冬季样本数据。目前还存在低海况和低风速导致部分冰区SIC值高估的问题,以及干/湿冰条件可能会影响SIC估计的性能。夏季海洋活动活跃,加上海冰融化,北极海冰出现融池,增加了反演海冰密集度的困难,热力学和动力学参数在海冰变化中起很大作用。
发明内容
发明目的:针对以上问题,本发明提出一种海冰融化期密集度反演方法,对融冰期海冰边缘区SIC的反演,利用GNSS-R DDM结合风速和海表温度,通过机器学习回归模型反演海冰密集度,实现GNSS-R观测数据对融冰期海冰密集度的高效检索。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种海冰融化期密集度反演方法,包括以下步骤:
S1,采集GNSS-R DDM数据,并对GNSS-R DDM数据进行预处理和质量控制;
S2,计算每个DDM的特征参数,包括时延-多普勒图平均值DDMA、信噪比、相关功率底噪、峰值功率比、后沿斜率、前沿斜率、峰度和偏度;
S3,预处理后的GNSS-R DDM数据与ERA5再分析资料和参考海冰密集度数据进行匹配,通过DDM采集时间和镜面反射点位置,确定相关的风速、海表温度和SIC值;
S4,构建lightGBM回归模型;利用DDM的特征参数与风速、海表温度构成特征参数集作为模型输入,海冰密集度SIC作为模型输出;划分训练集与测试集,利用训练集对模型进行训练,得到训练好的回归模型;
S5,将测试集输入S4得到的回归模型中进行机器学习,最终输出结果为海冰密集度回归预测值。
进一步的,S1,GNSS-R DDM数据预处理和质量控制,具体包括:
过滤陆地和海岸线一定距离内带有镜面反射点SPs的DDM数据;剔除信噪比低于0dB的DDM数据,并剔除含直射信号的DDM数据;
去除DDM底噪,再根据DDM峰值功率归一化,使用DDM镜面反射点一定范围内的时延;信噪比SNR表达式如下:
SNR=10×log10((DDM(t,f)-DDMnoise)/DDMnoise)
其中,DDM(τ,f)为DDM的原始功率值,DDMnoise为相关功率底噪,相关功率底噪是归一化DDM无信号区的散射功率平均值。
进一步的,S2,计算每个DDM的特征参数,具体包括:
时延-多普勒图平均值DDMA,是在以峰值为中心一定范围内归一化DDM的指定延迟多普勒窗口上计算的平均散射功率;
峰值功率比pp,是以峰值点为中心的一个时延-多普勒频移窗口内总功率与整个DDM的功率之比,计算公式如下:
式中,ti和fj分别代表时延和多普勒频移坐标值,m和n分别代表峰值点的时延坐标和多普勒频移坐标;DDM(ti,fj)为时延ti和多普勒频移fj处DDM功率值;
后沿斜率TES和前沿斜率LES计算公式如下:
式中,V表示DIW的最大值,Γm+3表示DIW峰值后3像素处的值,Γm-3表示DIW峰值前3像素处的值,DIW是多普勒域上DDM的积分,Δ为DDM图的时延分辨率;
峰度和偏度:散射功率DDM的峰度和偏度,是直接从DDM数据中导出的统计参数。
进一步的,S4,构建lightGBM回归模型进行训练,具体包括:
给定具有n个DDM样本及风速、海表温度的训练集{(x1,y1),(x2,y2),...,(xn,yn)},其中xj是输入的特征向量即构建的特征参数集,j=1,2,...,n;yj是DDMs的相关SIC值;
使用基于树的模型进行计算,弱学习器指定为梯度提升决策树,确定评估函数,调整模型的其他参数,包括:叶子节点数、学习速率、建树的特征选择比例、建树的样本采样比例和需要执行bagging的迭代频次。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明提出的一种海冰融化期密集度反演方法,可以根据GNSS-R观测数据结合风速、海表温度数据,通过lightGBM机器学习反演模型可以快速得到高精度的海冰密集度。该模型首次考虑了风速和海表温度,极大地改进海冰边缘区的SIC反演结果,得到的结果与真值SIC一致性更好,估计误差减小,改善了海水表面的SIC高估情况。
附图说明
图1为海冰融化期密集度反演方法的流程图;
图2为基于lightGBM回归模型的融冰期海冰密集度反演结果图;
图3为基于lightGBM回归模型的验证结果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明所述的一种海冰融化期密集度反演方法,如图1所示,提取GNSS-R时延-多普勒图(Delay-Doppler Mapping,DDM)的特征参数:时延-多普勒图平均值(DDMA)、信噪比、相关功率底噪、峰值功率比、后沿斜率、前沿斜率、峰度和偏度,结合ERA5再分析资料,通过DDM特征参数和风速、海表温度参数,与参考海冰密集度产品训练来构建lightGBM机器学习回归模型,模型输出海冰密集度(SIC)。具体包括以下步骤:
S1,GNSS-R DDM数据预处理和质量控制。
过滤陆地和海岸线附近(50公里以内)带有镜面反射点SPs的DDM,减少陆地散射的影响;DDM可能会受到噪声的严重影响,无法正确显示反射表面的特性,因此剔除信噪比低于0dB的DDM数据,并剔除含直射信号的DDM;去除DDM底噪,再根据DDM峰值功率归一化,此外,只使用DDM镜面反射点所在时延的-2~+8.75chips的时延范围。本实施例选用此时延范围是为了减少热噪声的影响,该范围外可能没有信号,文献里选取DDM范围有-1~8.75和-4~8.75等,该范围可自定义。信噪比SNR计算公式如下:
SNR=10×log10((DDM(t,f)-DDMnoise)/DDMnoise)
其中,DDM(t,f)为DDM的原始功率值,DDMnoise为相关功率底噪,相关功率底噪是归一化DDM无信号区的散射功率平均值,本发明将无信号区定义为DDM前5个时延像素×所有多普勒像素。
S2,由于每条GNSS-R轨迹有多个DDM,一个DDM对应一个收集的时间和位置,因此,计算每个DDM的特征参数,得到时延-多普勒图平均值DDMA、信噪比、相关功率底噪、峰值功率比、后沿斜率、前沿斜率、峰度和偏度;除了信噪比和相关功率底噪,其余参数计算时都使用的是减去底噪的DDM。
时延-多普勒图平均值(DDMA):在以峰值为中心一定范围内归一化DDM的指定延迟多普勒窗口上计算的平均散射功率。
峰值功率比(pp):峰值功率比是以峰值点为中心的一个时延-多普勒频移窗口内总功率,与整个DDM的功率之比。
式中,ti和fj分别代表时延和多普勒频移坐标值,m和n分别代表峰值点的时延坐标和多普勒频移坐标,DDM(ti,fj)为时延ti和多普勒频移fj处DDM功率值。上述表达式分母中-8、35代表裁切后的DDM的时延范围,即峰值周围-2~8.75chips,1像素=4chips,20是固定的多普勒像素数。
后沿斜率TES:多普勒综合波形(DIW)的最大值与峰值后3像素处的值之间的斜率,表征反射表面的粗糙度,与散射面的相干性/非相干性直接相关。DIW是多普勒域上DDM的积分,考虑了所有多普勒频移在相同延迟下的散射功率,并且热噪声可变性降低。
前沿斜率LES:多普勒综合波形(DIW)的最大值与峰值前3像素处的值之间的斜率,与后沿斜率类似。
后沿斜率TES和前沿斜率LES:
式中Δ为DDM图的时延分辨率;Γm表示DIW的最大值,Γm+3表示DIW峰值后3像素处的值,Γm-3表示DIW峰值前3像素处的值。
峰度和偏度:散射功率DDM的峰度和偏度,是直接从DDM数据中提取的统计参数。
S3,预处理后的GNSS-R DDM数据与ERA5再分析资料和参考海冰密集度数据进行匹配,通过DDM采集时间和镜面反射点位置,可以确定相关的风速、海表温度和SIC值,DDM的特征参数与风速、海表温度构成特征参数集,并划分为训练集与测试集。
S4,构建lightGBM回归模型进行训练,给定具有n个DDM样本及风速、海表温度的训练集{(x1,y1),(x2,y2),...,(xn,yn)},其中xj(j=1,2,...,n)是输入的特征向量即S3构建的特征参数集,yj(j=1,2,...,n)是DDMs的相关SIC值。利用DDM的特征参数与风速、海表温度构成特征参数集作为模型输入,海冰密集度SIC作为模型输出。
使用基于树的模型进行计算,弱学习器指定为梯度提升决策树,调整模型的其他参数:评估函数选择′12′和′auc′,叶子节点数为31,学习速率为0.06,建树的特征选择比例为0.9,建树的样本采样比例为0.8,每5次迭代执行bagging。
S5,将测试集输入S4得到的回归模型中进行机器学习,最终输出结果为海冰密集度回归预测值。
lightGBM计算特征重要性对特征变量进行评估,采用均方根误差RMSE(Root MeanSquared Error)、平均绝对偏差MAE(Mean Absolute Error)、相关系数R,根据回归预测值与相应的真实值(匹配的参考海冰密集度数据)对模型进行评价,得到的相关系数可达98.5%以上,MAE在4.1%左右,RMSE在6.1%左右。
图2中的(a)是测试样本的模型结果与OSI-SAF的SIC对比图。图2中的(b)选取了前1000个测试样本,展示了本发明模型反演的具体SIC值及对应的真值SIC。图3是基于DDM特征参数、风速和海表温度的lightGBM模型验证结果,可见该模型在其他时间段的估计SIC准确性也很高,说明该模型具有较好的泛化能力。
以上结合附图对本发明的实施方式做出详细说明,但本发明不局限于所描述的实施方式。对本领域的普通技术人员而言,在本发明的原理和技术思想的范围内,对这些实施方式进行多种变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (4)
1.一种海冰融化期密集度反演方法,其特征在于:包括以下步骤:
S1,采集GNSS-R DDM数据,并对GNSS-R DDM数据进行预处理和质量控制;
S2,计算每个DDM的特征参数,包括时延-多普勒图平均值DDMA、信噪比、相关功率底噪、峰值功率比、后沿斜率、前沿斜率、峰度和偏度;
S3,预处理后的GNSS-R DDM数据与ERA5再分析资料和参考海冰密集度数据进行匹配,通过DDM采集时间和镜面反射点位置,确定相关的风速、海表温度和SIC值;
S4,构建lightGBM回归模型;利用DDM的特征参数与风速、海表温度构成特征参数集作为模型输入,海冰密集度SIC作为模型输出;划分训练集与测试集,利用训练集对模型进行训练,得到训练好的回归模型;
S5,将测试集输入S4得到的回归模型中进行机器学习,最终输出结果为海冰密集度回归预测值。
2.根据权利要求1所述的一种海冰融化期密集度反演方法,其特征在于:S1,GNSS-RDDM数据预处理和质量控制,具体包括:
过滤陆地和海岸线一定距离内带有镜面反射点SPs的DDM数据;剔除信噪比低于0dB的DDM数据,并剔除含直射信号的DDM数据;
去除DDM底噪,再根据DDM峰值功率归一化,使用DDM镜面反射点一定范围内的时延;信噪比SNR表达式如下:
SNR=10×log10((DDM(t,f)-DDMnoise)/DDMnoise)
其中,DDM(t,f)为DDM的原始功率值,DDMnoise为相关功率底噪,相关功率底噪是归一化DDM无信号区的散射功率平均值。
3.根据权利要求1所述的一种海冰融化期密集度反演方法,其特征在于:S2,计算每个DDM的特征参数,具体包括:
时延-多普勒图平均值DDMA,是在以峰值为中心一定范围内归一化DDM的指定延迟多普勒窗口上计算的平均散射功率;
峰值功率比pp,是以峰值点为中心的一个时延-多普勒频移窗口内总功率与整个DDM的功率之比,计算公式如下:
式中,ti和fj分别代表时延和多普勒频移坐标值,m和n分别代表峰值点的时延坐标和多普勒频移坐标;DDM(ti,fj)为时延ti和多普勒频移fj处DDM功率值;
后沿斜率TES和前沿斜率LES计算公式如下:
式中,Γm表示DIW的最大值,Γm+3表示DIW峰值后3像素处的值,Γm-3表示DIW峰值前3像素处的值,DIW是多普勒域上DDM的积分,Δ为DDM图的时延分辨率;
峰度和偏度:散射功率DDM的峰度和偏度,是直接从DDM数据中导出的统计参数。
4.根据权利要求1-3任一所述的一种海冰融化期密集度反演方法,其特征在于:S4,构建lightGBM回归模型进行训练,具体包括:
给定具有n个DDM样本及风速、海表温度的训练集{(x1,y1),(x2,y2),…,(xn,yn)},其中xj是输入的特征向量即构建的特征参数集,j=1,2,…,n;yj是DDMs的相关SIC值;
使用基于树的模型进行计算,弱学习器指定为梯度提升决策树,确定评估函数,调整模型的其他参数,包括:叶子节点数、学习速率、建树的特征选择比例、建树的样本采样比例和需要执行bagging的迭代频次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211528183.5A CN115856879B (zh) | 2022-11-30 | 2022-11-30 | 一种海冰融化期密集度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211528183.5A CN115856879B (zh) | 2022-11-30 | 2022-11-30 | 一种海冰融化期密集度反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115856879A CN115856879A (zh) | 2023-03-28 |
CN115856879B true CN115856879B (zh) | 2023-07-25 |
Family
ID=85668739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211528183.5A Active CN115856879B (zh) | 2022-11-30 | 2022-11-30 | 一种海冰融化期密集度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856879B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10107904B2 (en) * | 2012-09-04 | 2018-10-23 | Fugro N.V. | Method and apparatus for mapping and characterizing sea ice from airborne simultaneous dual frequency interferometric synthetic aperture radar (IFSAR) measurements |
CN107886473B (zh) * | 2017-11-09 | 2020-12-11 | 河南工业大学 | 从fy-3mwri数据反演北极海冰密集度的方法 |
CN111639747B (zh) * | 2020-05-14 | 2023-10-20 | 中国科学院国家空间科学中心 | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 |
WO2022005619A2 (en) * | 2020-05-18 | 2022-01-06 | The Regents Of The University Of Colorado, A Body Corporate | Ocean surface wind direction retrieval from reflected radio signals on space-borne platforms |
CN112051221A (zh) * | 2020-08-27 | 2020-12-08 | 武汉大学 | 一种基于时空系点值的海冰密集度获取方法 |
CN113945955A (zh) * | 2021-08-31 | 2022-01-18 | 中国空间技术研究院 | 基于大气延迟误差修正提高海面测高精度的方法和系统 |
CN114117908A (zh) * | 2021-11-19 | 2022-03-01 | 河南工业大学 | 基于cgan进行数据校正的高精度asi海冰密集度反演算法 |
CN115311571A (zh) * | 2022-08-30 | 2022-11-08 | 南京信息工程大学 | 一种基于近红外波段光学遥感影像的海冰密集度反演方法 |
-
2022
- 2022-11-30 CN CN202211528183.5A patent/CN115856879B/zh active Active
Non-Patent Citations (1)
Title |
---|
Yongchao Zhu et al..ea Ice Detection Based on Differential Delay-Doppler Maps from UK TechDemoSat-1.Sensors.2017,1-18. * |
Also Published As
Publication number | Publication date |
---|---|
CN115856879A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bianco et al. | Convective boundary layer depth: Improved measurement by Doppler radar wind profiler using fuzzy logic methods | |
Visbeck | Deep velocity profiling using lowered acoustic Doppler current profilers: Bottom track and inverse solutions | |
Klipp et al. | Flux–gradient relationship, self‐correlation and intermittency in the stable boundary layer | |
Ventrice et al. | A modified multivariate Madden–Julian oscillation index using velocity potential | |
Huang et al. | Improvements in typhoon forecasts with assimilated GPS occultation refractivity | |
Bianco et al. | Convective boundary layer depth estimation from wind profilers: Statistical comparison between an automated algorithm and expert estimations | |
CN103760565A (zh) | 一种区域尺度森林冠层高度遥感反演方法 | |
Summa et al. | Characterization of the planetary boundary layer height and structure by Raman lidar: comparison of different approaches | |
CN110673108B (zh) | 一种基于迭代Klett的机载海洋激光雷达信号处理方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
Ali et al. | A case study on the use of appropriate surrogates for antecedent moisture conditions (AMCs) | |
Wang et al. | Application of multi-scale tracking radar echoes scheme in quantitative precipitation nowcasting | |
Qi et al. | Phase-resolved wave field simulation calibration of sea surface reconstruction using noncoherent marine radar | |
Haines et al. | Implementing quality control of high-frequency radar estimates and application to Gulf Stream surface currents | |
Ge et al. | Impacts of beam broadening and earth curvature on storm-scale 3D variational data assimilation of radial velocity with two Doppler radars | |
CN115293198A (zh) | 一种基于多隐层神经网络提高gnss-r测高反演精度的方法 | |
CN113553766A (zh) | 一种使用机器学习反演北极积雪深度的方法 | |
Tedesco et al. | Dynamic approaches for snow depth retrieval from spaceborne microwave brightness temperature | |
Koch et al. | Relationship between SAR-derived wind vectors and wind at 10-m height represented by a mesoscale model | |
CN115856879B (zh) | 一种海冰融化期密集度反演方法 | |
CN108646248A (zh) | 一种针对低速运动声源的被动声学测速测距方法 | |
Deng et al. | Assimilation of Argo temperature and salinity profiles using a bias-aware localized EnKF system for the Pacific Ocean | |
Zhou et al. | Wind and current dependence of the first-order Bragg scattering power in high-frequency radar sea echoes | |
Ramos et al. | Observation of wave energy evolution in coastal areas using HF radar | |
Liou | The derivation of absolute potential temperature perturbations and pressure gradients from wind measurements in three-dimensional space |
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 |