CN116068595B - 海面风速反演方法、装置、电子设备及介质 - Google Patents

海面风速反演方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116068595B
CN116068595B CN202310360411.0A CN202310360411A CN116068595B CN 116068595 B CN116068595 B CN 116068595B CN 202310360411 A CN202310360411 A CN 202310360411A CN 116068595 B CN116068595 B CN 116068595B
Authority
CN
China
Prior art keywords
wind speed
inversion
data
data set
training
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
Application number
CN202310360411.0A
Other languages
English (en)
Other versions
CN116068595A (zh
Inventor
李伟
刘小煦
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.)
Jinuo Xingkong Beijing Technology Co ltd
Original Assignee
Jinuo Xingkong Beijing Technology Co ltd
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 Jinuo Xingkong Beijing Technology Co ltd filed Critical Jinuo Xingkong Beijing Technology Co ltd
Priority to CN202310360411.0A priority Critical patent/CN116068595B/zh
Publication of CN116068595A publication Critical patent/CN116068595A/zh
Application granted granted Critical
Publication of CN116068595B publication Critical patent/CN116068595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G01S19/14—Receivers specially adapted for specific applications
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/52—Determining velocity
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种海面风速反演方法、装置、电子设备及介质，涉及遥感技术应用领域。该方法包括：利用风速反演模型对包括待反演的时延多普勒图像以及对应的第一辅助特征数据的待观测的数据进行分析，得到第一反演风速，利用偏差校正模型对风速反演模型输出的第一反演风速进行处理，确定该第一反演风速对应的偏差项，利用该偏差项对第一反演风速进行校正，将校正得到的第二反演风速作为最终的反演结果。该方法在提高反演精度的同时降低了风速反演的计算量，提高了反演速度。

Description

海面风速反演方法、装置、电子设备及介质
技术领域
本发明涉及遥感技术应用领域，尤其涉及一种海面风速反演方法、装置、电子设备及介质。
背景技术
海面风速是海面风场的重要组成部分，海面风速反演是探索和研究海洋以及海气相互作用的重要环节，对于海洋预报和防灾都有十分重要的意义。随着各国全球、区域导航系统的部署，以及小卫星技术等的发展，为风速反演方法提供了海量的数据资源。全球导航卫星系统反射信号遥感(Global Navigation Satellite System Reflectometry, GNSS-R)技术是将导航卫星视作发射源，通过搭载的接收机接收处理导航卫星反射信号，来获取相应物理特征信息的相对新型的遥感探测技术。由于其不需要额外发射设备，因此相较于其他星载遥感探风技术，其具有低成本的优势，同时还具有高时空分辨率、全天候、全天时、以及不易受云雨等气候条件影响的众多优势。因此，可以将GNSS-R观测数据应用于海面风速反演方法中。目前较为广泛的风速反演方法为波形匹配方法以及基于统计方法的地球物理函数模型方法，前者需要消耗大量时间与计算资源，后者则是通过构建特征值与风速之间的二维查找表，涉及到的特征有限，反演精度有限。
发明内容
为解决上述技术问题或至少部分地解决上述技术问题，本发明实施例提供一种海面风速反演方法、装置、电子设备及介质。
第一方面，本发明实施例提供了一种海面风速反演方法，包括：
获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果。
在可选的实施例中，所述第一辅助特征数据包括以下一种或多种维度的数据：镜面反射点空间位置数据、几何相关属性特征数据和仪器相关属性特征数据。
在可选的实施例中，所述风速反演模型包括卷积单元和全连接单元；所述卷积单元用于获取所述待反演的时延多普勒图像的时延波形特征；所述全连接单元用于构建所述时延波形特征、所述第一辅助特征数据与海面风速之间的关系。
在可选的实施例中，所述卷积单元包括依次连接的卷积层、池化层、归一化层和展平层。
在可选的实施例中，所述风速反演模型根据如下过程训练得到：基于历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据和参考数据，获得原始数据集；其中，所述参考数据用于作为海面风速的真实值；在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本；基于所述多个采样样本，执行当前迭代轮次的训练；在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本；基于所述多个新的采样样本，执行下一迭代轮次的训练。
在可选的实施例中，所述方法还包括：根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集；
所述对原始数据集进行采样，获得多个采样样本，包括：对所述训练数据集进行采样，获得多个采样样本；
所述重新对所述原始数据集进行采样，获得多个新的采样样本，包括：重新对所述训练数据集进行采样，获得多个新的采样样本。
在可选的实施例中，所述根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集，包括：确定目标时间跨度；根据所述目标时间跨度，对所述原始数据集进行划分，获得训练数据集和验证数据集，所述训练数据集和所述验证数据集其中之一的数据在所述目标时间跨度内。
在可选的实施例中，所述基于所述历史观测数据及所述历史参考数据，获得原始数据集，包括：基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配；基于匹配后的所述历史观测数据和所述历史参考数据，获得原始数据集。
在可选的实施例中，所述基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配，包括：在空间维度上，对所述历史观测数据和所述历史参考数据进行双线性插值；在时间维度上，对所述历史观测数据和所述历史参考数据进行线性插值。
在可选的实施例中，所述方法还包括：根据预设的数据质量控制标准，对所述原始数据集进行筛选。
在可选的实施例中，所述方法还包括：对所述原始数据集进行归一化处理。
在可选的实施例中，所述方法还包括：利用梯度下降法训练所述风速反演模型的网络参数。
在可选的实施例中，所述方法还包括：利用自适应运动估计算法训练所述风速反演模型的网络参数。
在可选的实施例中，所述方法还包括：基于提前终止策略，确定所述风速反演模型的迭代轮数。
在可选的实施例中，所述基于提前终止策略，确定所述风速反演模型的迭代轮数，包括：若连续N个迭代轮次的验证数据集的损失满足预设条件，则确定终止所述风速反演模型的训练，所述N为大于1的整数。
在可选的实施例中，所述方法还包括：基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型。
在可选的实施例中，所述基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型，包括：基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，利用累积分布函数构建偏差校正模型。
第二方面，本发明实施例提供了一种海面风速反演装置，包括：
数据获取模块，用于获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
模型反演模块，用于将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
偏差确定模块，用于将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
校正模块，用于利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果。
在可选的实施例中，所述装置还包括模型训练模块，用于：基于历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据和参考数据，获得原始数据集；其中，所述参考数据用于作为海面风速的真实值；在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本；基于所述多个采样样本，执行当前迭代轮次的训练；在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本；基于所述多个新的采样样本，执行下一迭代轮次的训练。
在可选的实施例中，所述模型训练模块还用于：根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集；对所述训练数据集进行采样，获得多个采样样本；重新对所述训练数据集进行采样，获得多个新的采样样本。
在可选的实施例中，所述模型训练模块用于：确定目标时间跨度；根据所述目标时间跨度，对所述原始数据集进行划分，获得训练数据集和验证数据集，所述训练数据集和所述验证数据集其中之一的数据在所述目标时间跨度内。
在可选的实施例中，所述模型训练模块用于：基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配；基于匹配后的所述历史观测数据和所述历史参考数据，获得原始数据集。
在可选的实施例中，所述模型训练模块用于：在空间维度上，对所述历史观测数据和所述历史参考数据进行双线性插值；在时间维度上，对所述历史观测数据和所述历史参考数据进行线性插值。
在可选的实施例中，所述装置还包括筛选模块，用于根据预设的数据质量控制标准，对所述原始数据集进行筛选。
在可选的实施例中，所述装置还包括格式处理模块，用于对所述原始数据集进行归一化处理。
在可选的实施例中，所述模型训练模块用于：利用梯度下降法训练所述风速反演模型的网络参数。
在可选的实施例中，所述模型训练模块用于：利用自适应运动估计算法训练所述风速反演模型的网络参数。
在可选的实施例中，所述模型训练模块用于：基于提前终止策略，确定所述风速反演模型的迭代轮数。
在可选的实施例中，所述模型训练模块用于：若连续N个迭代轮次的验证数据集的损失满足预设条件，则确定终止所述风速反演模型的训练，所述N为大于1的整数。
在可选的实施例中，所述装置还包括校正构建模块，用于基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型。
在可选的实施例，中所述校正构建模块用于基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，利用累积分布函数构建偏差校正模型。
第三方面，本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例的海面风速反演方法
第四方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明任一实施例的海面风速反演方法。
上述发明中的一个实施例具有如下优点或有益效果：
本发明实施例的海面风速反演方法，利用风速反演模型对待反演的时延多普勒图像以及该时延多普勒图像对应的第一辅助特征数据进行分析，可以从多个维度的特征数据反演海面风速，提高了反演精度；利用偏差校正模型对风速反演模型输出的第一反演风速进行处理，确定该第一反演风速对应的偏差项，利用该偏差项对第一反演风速进行校正，将校正得到的第二反演风速作为最终的反演结果，能够进一步提高反演精度，且该风速反演模型仅对海面风速相关的时延多普勒图像以及相关辅助特征进行分析，在保证反演精度的情况下，降低了计算量，提高了反演速度，能够进实时的对海面风速进行反演。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1示出了本发明一实施例的海面风速反演方法的流程图；
图2示出了本发明实施例的海面风速反演方法中风速反演模型的训练方法的流程图；
图3示出了本发明另一实施例的海面风速反演方法的流程图；
图4示出了本发明实施例的海面风速反演结果与风速真值的密度散点图；
图5示出了本发明实施例的海面风速反演装置的结构示意图；
图6示出了本发明实施例的电子设备的框图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了本发明一实施例的海面风速反演方法的流程图。如图1所示，该方法包括：
步骤S101：获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据。
其中，第一辅助特征数据可以包括多个不同维度的与海面风速观测相关的特征数据。作为示例，第一辅助特征数据可以包括但不限于：镜面反射点空间位置、几何相关属性特征数据和仪器相关属性特征数据。几何相关属性特征数据主要包括几何关系方面的特征，例如入射角和反射角。作为具体的示例，几何相关属性特征数据可以包括但不限于：波速的入射角、镜面反射点与地球表面的反射角、天线反射的夹角等。仪器相关属性特征数据主要包括GNSS-R仪器本身的特征数据，可以包括但不限于：二维观测功率谱的维度、航天器参数如天线增益、天线方向图、接收机通道、带宽、采样率等。
步骤S102：将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速。
本实施例中，利用风速反演模型对待反演的观测数据进行分析处理，可以从多个维度的观测数据反演海面风速，提高了风速反演精度。该风速反演模型可以是预先训练的深度神经网络模型。
在可选的实施例中，风速反演模型可以包括卷积单元和全连接单元。卷积单元用于获取待反演的时延多普勒图像的时延波形特征。全连接单元用于构建时延波形特征、第一辅助特征数据与海面风速之间的关系。其中，卷积单元可以包括依次连接的一维卷积层、池化层、归一化层和展平层（flatten层）。一维卷积层用于挖掘待反演的时延多普勒图像的特征，池化层用于对特征进行降维处理，归一化层用于提升模型性能，展平层用于将挖掘到的特征信息展平为一维向量，以便后续与第一辅助特征结合。全连接部分包括多层全连接层，用于组合时延波形特征和第一辅助特征数据，并构建时延波形特征、第一辅助特征数据与海面风速之间复杂的非线性关系。
本发明实施例的风速反演模型，通过卷积结构能够对时延波形直接接收并对齐进行特征挖掘，能够进一步提取来自波形中涵盖的风速信息，并联合多种属性的辅助特征进行联合拟合，提升了反演精度。
步骤S103：将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项。
偏差校正模型的输入为风速反演模型的反演结果，输出为该反演结果对应的偏差项（可以理解为偏差校正项），用于修正风速反演模型的反演结果。
步骤S104：利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果。
在一些实施例中，可以直接计算第一反演风速与其对应的偏差项的和值，将该和值作为最终的风速反演结果。在其他可选的实施例中，可以计算第一反演风速与其对应的偏差像的加权和，将该加权和作为最终的风速反演结果。
本发明实施例的海面风速反演方法，利用风速反演模型对待反演的时延多普勒图像以及该时延多普勒图像对应的第一辅助特征数据进行分析，可以从多个维度的特征数据反演海面风速，提高了反演精度；利用偏差校正模型对风速反演模型输出的第一反演风速进行处理，确定该第一反演风速对应的偏差项，利用该偏差项对第一反演风速进行校正，将校正得到的第二反演风速作为最终的反演结果，能够进一步提高反演精度，且该风速反演模型仅对海面风速相关的时延多普勒图像以及相关辅助特征进行分析，在保证反演精度的情况下，降低了计算量，提高了反演速度，能够进实时的对海面风速进行反演。
图2示出了本发明实施例的风速反演模型的训练方法的示意图。如图2所示，该方法包括：
步骤S201：获取历史观测数据及所述历史观测数据对应的历史参考数据，基于所述历史观测数据及所述历史参考数据，获得原始数据集；所述历史观测数据包括历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据，所述历史参考数据用于作为海面风速的真实值。
步骤S202：在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本。
步骤S203：基于所述多个采样样本，执行当前迭代轮次的训练。
步骤S204：在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本。
步骤S205：基于所述多个新的采样样本，执行下一迭代轮次的训练。
其中，历史参考数据可以选取欧洲中期天气预报中心(European Centre forMedium-Range Weather Forecasts, ECMWF)的ERA5重分析数据。历史参考数据与历史观测数据处于相同的时间跨度内，例如历史观测数据为2019年8月1日至2019年8月31日的数据，历史参考数据同样为2019年8月1日至2019年8月31日的数据。
在可选的实施例中，基于历史观测数据和历史参考数据，获得原始数据集的过程可以包括：
基于预设的插值规则，对历史观测数据和历史参考数据进行时空匹配；
基于匹配后的历史观测数据和历史参考数据，获得原始数据集。
其中，在对历史观测数据和历史参考数据进行时空匹配时，可以在空间维度上对历史观测数据和历史参考数据进行双线性插值，在时间维度上对历史观测数据和历史参考数据进行线性插值。双线性插值（Bilinear Interpolation）是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。
在获得原始数据集之后，可以利用原始数据集进行迭代训练，优化风速反演模型的网络参数，使得模型的反演风速与真实参考风速（参考数据）之间的差异最小。在训练风速反演模型时，可以通过基于梯度下降算法的最优化方法迭代微调网络中的各项参数，即权重与偏差，使得用来评估模型反演风速与真实参考风速之间的差异的损失函数的结果最小。进一步的，可以使用小批尺寸的自适应运动估计算法（即Adam优化算法）优化网络参数，即从整个原始数据集中迭代抽取批次大小的数据进行训练并更新网络参数，而不是每轮使用完整的数据集。
在可选的实施例中，可以选取均方误差函数（Mean Squared Error，MSE）作为训练风速反演模型的损失函数。可以选取Dropout策略缓解模型过拟合。
在可选的实施例中，在获得原始数据集之后，可以将原始数据集划分为训练数据集和验证数据集，例如，按照预设的时间约束条件，对原始数据集进行划分，获得训练数据集和验证数据集。具体的，可以确定一个目标时间跨度，根据该目标时间跨度，对原始数据集进行划分，获得训练数据集和验证数据集，训练数据集和所述验证数据集其中之一的数据在目标时间跨度内，另一个的数据不在该目标时间跨度内，从而使得训练数据集和验证数据集内的数据之间无时间交集，避免因数据集数据之间的相关性造成数据特征信息泄露，并使模型能够满足近实时反演的业务化应用需求。例如，原始数据集的时间跨度为2019年8月1日至2019年8月31日，则可以将为2019年8月1日至2019年8月20日的数据划分为训练数据集内，2019年8月21日至2019年8月31日的数据划分为验证数据集内。在划分训练数据集和验证数据集之后，可以利用训练数据集训练风速反演模型，利用验证数据集验证风速反演模型的效果。因此，在对原始数据集进行采样时，采样训练数据集中的数据，获得多个采样样本。在重新对原始数据集进行采样，获得多个新的采样样本时，重新对训练数据集进行采样，获得多个新的采样样本。
本发明实施例中根据时间跨度划分训练数据集和验证数据集，相较于以往从总数据中随机抽取用于模型训练以及测试的各个数据集的方式，本发明实施例的数据集之间无时间交集，避免了因相关性导致的数据信息泄露问题，使其能应用于近实时的风速反演应用。
在可选的实施例中，也可以根据时间跨度，将原始数据集划分为训练数据集、验证数据集和测试数据集，使得训练数据集、验证数据集以及测试数据集内的数据之间无时间交集。
在可选的实施例中，可以基于提前终止策略，确定风速反演模型的迭代轮数。其中，提前终止策略是指，若连续N个迭代轮次的验证数据样本的损失满足预设条件，则确定终止所述风速反演模型的训练，所述N为大于1的整数。即连续N个迭代轮次的验证数据样本（验证数据样本为验证数据集中的数据）的损失在一定范围内或连续N个迭代轮次的验证数据样本的损失之间的差值小于阈值，则确定终止所述风速反演模型的训练。
本发明实施例构建了一种新的基于GNSS-R的海洋表面风速近实时反演模型，该模型能够直接接收时延波形并进行特征提取，并能够联合多个辅助特征进行风速反演。本发明实施例的风速反演方法包括由深度神经网络构建的风速反演模型与偏差校正模型，通过风速反演模型对DDM图像和辅助特征进行联合反演，得到初始的反演结果，然后通过偏差校正模型对初始的反演结果进行校正，得到最终的反演结果，提高了海面风速反演的精度，且具有较长时间的稳定性，响应速度能够满足近实时的反演需求。
在可选的实施例中，在获得所述原始数据集之后，为保证数据质量和模型的精度，该海面风速反演方法还包括：根据预设的数据质量控制标准，对原始数据集中的数据进行筛选。例如，剔除观测值以及参考风值为NAN的数据；反射点位置位于海面的数据；根据数据质量控制标签，剔除低质量数据，包括反射点在海冰区域以及DDM噪声、航天器参数、校准条件等超出阈值的数据。
在可选的实施例中，为使数据的尺度、数量级、量纲一致，该海面风速反演方法还可以对原始数据集中的数据进行归一化处理。其中，可以利用线性归一化法、零-均值归一化法等多种归一化方式进行处理。可选的，可以在对原始数据集进行筛选之后，对原始数据集中的数据进行归一化处理。
在可选的实施例中，可以根据如下过程构建偏差校正模型：基于风速反演模型对训练数据集的反演风速和训练数据集对应的参考数据，构建偏差校正模型。其中，可以利用累积分布函数（Cumulative Distribution Function，CDF）构建偏差校正模型。累积分布函数也可以称为分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。在本实施例中，通过偏差校正模型可以对风速反演模型的反演结果进行校正，能够减小误差，提升海面风速反演的精度。
为便于理解，以下述示例为例说明本发明的海面风速反演方法。
本实施例中所选的观测数据来自飓风全球导航卫星系统(Cyclone GlobalNavigation Satellite System, CYGNSS) L1级数据产品。参考数据选取相应时间范围内欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的ERA5重分析数据，该数据可通过哥白尼气候变化服务(C3S)气候数据库获取。
步骤S301：原始数据采集与数据集生成。
选取时间跨度为2019年1月1日至2019年5月31日的CYGNSS L1观测值以及ECMWF的ERA5重分析数据用于本发明实施例构建风速反演模型所需的原始观测数据与参考数据，并匹配生成原始数据集。观测数据包括DDM图像与若干辅助特征，随后通过DDM提取时延波形。对于参考数据，首先将径向以及纬向的风速数据进行合成，随后将合成的风速数据与观测数据进行时空匹配生成原始数据集，即在空间维度上进行双线性插值，在时间维度上进行线性插值。随后将原始数据集中的数据按时间划分为后续用于模型训练、验证以及近实时风速反演的训练数据集、验证数据集以及测试数据集，其中，训练数据集时间跨度为2019年1月1日至2月21日，验证数据集的时间跨度为2019年2月21日至2月29日，测试集时间涵盖范围为2019年3月1日至5月31日。
步骤S302：数据质量控制与格式转换。
根据数据质量控制指标对各数据集进行数据质量控制，随后对筛选后数据进行归一化处理。根据以下数据质量控制标准对数据集数据进行筛选，具体包括：各观测值以及参考风值不为NAN；反射点位置位于海面；根据数据质量控制标签，剔除低质量数据，包括反射点在海冰区域以及DDM噪声、航天器参数、校准条件等超出阈值的数据。然后，将时延波形进行归一化处理，得到归一化积分延迟波形，同时也对各观测值进行归一化处理。
步骤S303：风速反演模型搭建。
搭建深度神经网络模型结构，该部分由卷积单元与全连接单元组成，其中卷积单元由依次连接的一维卷积层、池化层、归一化层以及展平层（flatten层）组成。卷积单元用于时延波形的输入以及特征提取，其中，卷积层用于特征挖掘，池化层用于降维，归一化层用于提升模型性能，展平层（flatten层）将挖掘到的特征信息展平为一维向量，以便后续与辅助特征相结合。全连接单元由多层全连接网络层组成，用于接收、组合时延波形特征与辅助特征参数，然后构建时延波形特征、辅助特征与风速之间复杂非线性关系。
风速反演模型的其他超参数例如卷积核大小、参数初始方式、隐藏层节点数以及批尺寸大小可以由网格搜索的方式确定。
步骤S304：模型参数学习。
通过训练数据集与验证数据集数据训练深度神经网络模型。神经网络训练阶段即模型学习阶段，使用训练数据集中的数据，通过基于梯度下降算法的最优化方法迭代微调网络中的各项参数，即权重与偏差，使得用来评估模型反演风与真实参考风之间的差异的损失函数的结果最小。在可选的实施例中，可以使用Adam优化算法迭代微调网络中的各项参数，进一步的可以基于小批尺寸的Adam优化算法迭代微调网络中的各项参数，即从整个训练数据集中迭代抽取批次大小的数据进行训练并更新参数，而不是每轮使用完整的训练数据集，损失函数选取MSE，使用提前终止策略来决定各模型的迭代轮数，即当验证数据集误差在指定循环内没有进一步改善则训练终止。提前终止策略可以有效的减少训练过程计算成本。
在可选的实施例中，可以选取Dropout策略缓解模型过拟合。
步骤S305：构建偏差校正模型。
可以基于风速反演模型对训练数据集的反演风速和训练数据集对应的参考数据，利用累积分布函数（Cumulative Distribution Function，CDF）构建偏差校正模型，以修正风速反演模型的反演结果。
步骤S306：近实时风速反演。
可通过训练后的风速反演模型对测试数据集进行近实时反演，输入当前时刻的时延多普勒图像及相应的辅助特征则可获取当前的模型输出结果，随后通过偏差校正模型获得对应的偏差校正项，通过则可获取该时刻的模型最终反演风速结果。
本实施例的风速反演放的整体的均方根误差(Root mean square error, RMSE)为1.553m/s，反演精度高，反演结果与风速真值之间的密度散点图如图4所示。由图4可知，该方法具有较长时间内的稳定性，响应速度能够满足近实时的反演需求。
图5示出了本发明实施例的海面风速反演装置的结构示意图。如图5所示，该海面风速反演装置500包括：
数据获取模块501，用于获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
模型反演模块502，用于将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
偏差确定模块503，用于将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
校正模块504，用于利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果。
本发明实施例的海面风速反演装置，利用风速反演模型对待反演的时延多普勒图像以及该时延多普勒图像对应的第一辅助特征数据进行分析，可以从多个维度的特征数据反演海面风速，提高了反演精度；利用偏差校正模型对风速反演模型输出的第一反演风速进行处理，确定该第一反演风速对应的偏差项，利用该偏差项对第一反演风速进行校正，将校正得到的第二反演风速作为最终的反演结果，能够进一步提高反演精度，且该风速反演模型仅对海面风速相关的时延多普勒图像以及相关辅助特征进行分析，在保证反演精度的情况下，降低了计算量，提高了反演速度，能够进实时的对海面风速进行反演。
在可选的实施例中，所述装置还包括模型训练模块，用于：基于历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据和参考数据，获得原始数据集；其中，所述参考数据用于作为海面风速的真实值；在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本；基于所述多个采样样本，执行当前迭代轮次的训练；在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本；基于所述多个新的采样样本，执行下一迭代轮次的训练。
在可选的实施例中，所述模型训练模块还用于：根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集；对所述训练数据集进行采样，获得多个采样样本；重新对所述训练数据集进行采样，获得多个新的采样样本。
在可选的实施例中，所述模型训练模块用于：确定目标时间跨度；根据所述目标时间跨度，对所述原始数据集进行划分，获得训练数据集和验证数据集，所述训练数据集和所述验证数据集其中之一的数据在所述目标时间跨度内。
在可选的实施例中，所述模型训练模块用于：基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配；基于匹配后的所述历史观测数据和所述历史参考数据，获得原始数据集。
在可选的实施例中，所述模型训练模块用于：在空间维度上，对所述历史观测数据和所述历史参考数据进行双线性插值；在时间维度上，对所述历史观测数据和所述历史参考数据进行线性插值。
在可选的实施例中，所述装置还包括筛选模块，用于根据预设的数据质量控制标准，对所述原始数据集进行筛选。
在可选的实施例中，所述装置还包括格式处理模块，用于对所述原始数据集进行归一化处理。
在可选的实施例中，所述模型训练模块用于：利用梯度下降法训练所述风速反演模型的网络参数。
在可选的实施例中，所述模型训练模块用于：利用自适应运动估计算法训练所述风速反演模型的网络参数。
在可选的实施例中，所述模型训练模块用于：基于提前终止策略，确定所述风速反演模型的迭代轮数。
在可选的实施例中，所述模型训练模块用于：若连续N个迭代轮次的验证数据集的损失满足预设条件，则确定终止所述风速反演模型的训练，所述N为大于1的整数。
在可选的实施例中，所述装置还包括校正构建模块，用于基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型。
在可选的实施例，中所述校正构建模块用于基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，利用累积分布函数构建偏差校正模型。
上述装置可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果。
上述终端提到的通信总线604可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述终端与其他设备之间的通信。
存储器603可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器，包括中央处理器 (Central ProcessingUnit，简称CPU)、网络处理器 (Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读介质，该计算机可读介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的海面风速反演的方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的海面风速反演方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (19)

1.一种海面风速反演方法，其特征在于，包括：
获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果；
其中，所述风速反演模型根据如下过程训练得到：
获取历史观测数据及所述历史观测数据对应的历史参考数据，基于所述历史观测数据及所述历史参考数据，获得原始数据集；所述历史观测数据包括历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据，所述历史参考数据用于作为海面风速的真实值；
在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本；
基于所述多个采样样本，执行当前迭代轮次的训练；
在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本；
基于所述多个新的采样样本，执行下一迭代轮次的训练。
2.根据权利要求1所述的方法，其特征在于，所述第一辅助特征数据包括以下一种或多种维度的数据：镜面反射点空间位置数据、几何相关属性特征数据和仪器相关属性特征数据。
3.根据权利要求1所述的方法，其特征在于，所述风速反演模型包括卷积单元和全连接单元；
所述卷积单元用于获取所述待反演的时延多普勒图像的时延波形特征；
所述全连接单元用于构建所述时延波形特征、所述第一辅助特征数据与海面风速之间的关系。
4.根据权利要求3所述的方法，其特征在于，所述卷积单元包括依次连接的卷积层、池化层、归一化层和展平层。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集；
所述对所述原始数据集进行采样，获得多个采样样本，包括：对所述训练数据集进行采样，获得多个采样样本；
所述重新对所述原始数据集进行采样，获得多个新的采样样本，包括：重新对所述训练数据集进行采样，获得多个新的采样样本。
6.根据权利要求5所述的方法，其特征在于，所述根据预设的时间约束条件，对所述原始数据集进行划分，获得训练数据集和验证数据集，包括：
确定目标时间跨度；
根据所述目标时间跨度，对所述原始数据集进行划分，获得训练数据集和验证数据集，所述训练数据集和所述验证数据集其中之一的数据在所述目标时间跨度内。
7.根据权利要求1所述的方法，其特征在于，所述基于所述历史观测数据及所述历史参考数据，获得原始数据集，包括：
基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配；
基于匹配后的所述历史观测数据和所述历史参考数据，获得原始数据集。
8.根据权利要求7所述的方法，其特征在于，所述基于预设的插值规则，对所述历史观测数据和所述历史参考数据进行时空匹配，包括：
在空间维度上，对所述历史观测数据和所述历史参考数据进行双线性插值；
在时间维度上，对所述历史观测数据和所述历史参考数据进行线性插值。
9.根据权利要求1所述的方法，其特征在于，在获得所述原始数据集之后，所述方法还包括：
根据预设的数据质量控制标准，对所述原始数据集进行筛选。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述原始数据集进行归一化处理。
11.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用梯度下降法训练所述风速反演模型的网络参数。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用自适应运动估计算法训练所述风速反演模型的网络参数。
13.根据权利要求5所述的方法，其特征在于，所述方法还包括：基于提前终止策略，确定所述风速反演模型的迭代轮数。
14.根据权利要求13所述的方法，其特征在于，所述基于提前终止策略，确定所述风速反演模型的迭代轮数，包括：
若连续N个迭代轮次的验证数据集的损失满足预设条件，则确定终止所述风速反演模型的训练，所述N为大于1的整数。
15.根据权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型。
16.根据权利要求15所述的方法，其特征在于，所述基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，构建偏差校正模型，包括：
基于所述风速反演模型对所述训练数据集的反演风速和所述训练数据集对应的历史参考数据，利用累积分布函数构建偏差校正模型。
17.一种海面风速反演装置，其特征在于，包括：
数据获取模块，用于获取待反演的观测数据，所述待反演的观测数据包括待反演的时延多普勒图像以及所述待反演的时延多普勒图像对应的第一辅助特征数据；
模型反演模块，用于将所述待反演的时延多普勒图像和所述第一辅助特征数据作为风速反演模型的输入数据，输入所述风速反演模型，获得第一反演风速；
偏差确定模块，用于将所述第一反演风速作为偏差校正模型的输入数据，输入所述偏差校正模型，获得与所述第一反演风速对应的偏差项；
校正模块，用于利用所述偏差项对所述第一反演风速进行校正，获得第二反演风速，所述第二反演风速作为所述待反演的观测数据最终的反演结果；
模型训练模块，用于：基于历史时延多普勒图像、所述历史时延多普勒图像对应的第二辅助特征数据和历史参考数据，获得原始数据集；其中，所述历史参考数据用于作为海面风速的真实值；在训练所述风速反演模型的当前迭代轮次中，对所述原始数据集进行采样，获得多个采样样本；基于所述多个采样样本，执行当前迭代轮次的训练；在训练所述风速反演模型的下一迭代轮次中，重新对所述原始数据集进行采样，获得多个新的采样样本；基于所述多个新的采样样本，执行下一迭代轮次的训练。
18.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-16中任一所述的方法。
19.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-16中任一所述的方法。
CN202310360411.0A 2023-04-06 2023-04-06 海面风速反演方法、装置、电子设备及介质 Active CN116068595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310360411.0A CN116068595B (zh) 2023-04-06 2023-04-06 海面风速反演方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310360411.0A CN116068595B (zh) 2023-04-06 2023-04-06 海面风速反演方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116068595A CN116068595A (zh) 2023-05-05
CN116068595B true CN116068595B (zh) 2023-06-30

Family

ID=86183977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310360411.0A Active CN116068595B (zh) 2023-04-06 2023-04-06 海面风速反演方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116068595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829223B (zh) * 2023-12-27 2024-08-06 航天天目(重庆)卫星科技有限公司 基于机器学习的gnss-r海面风速反演和矫正方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111580138A (zh) * 2020-06-18 2020-08-25 北京卫星信息工程研究所 多波束gnss-r系统、海面风场反演方法和预测方法
CN111583214A (zh) * 2020-04-30 2020-08-25 江苏科技大学 基于rbf神经网络的航海雷达图像反演海面风速方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019179014A (ja) * 2018-03-30 2019-10-17 株式会社熊谷組 風速予測方法
CN111639746B (zh) * 2020-05-14 2023-10-20 中国科学院国家空间科学中心 一种基于cnn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
CN114647812A (zh) * 2022-03-17 2022-06-21 中国科学院国家空间科学中心 基于多维特征挖掘神经网络的gnss-r海风反演方法
CN115293198A (zh) * 2022-06-29 2022-11-04 中国空间技术研究院 一种基于多隐层神经网络提高gnss-r测高反演精度的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583214A (zh) * 2020-04-30 2020-08-25 江苏科技大学 基于rbf神经网络的航海雷达图像反演海面风速方法
CN111580138A (zh) * 2020-06-18 2020-08-25 北京卫星信息工程研究所 多波束gnss-r系统、海面风场反演方法和预测方法

Also Published As

Publication number Publication date
CN116068595A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Ceci et al. Spatial autocorrelation and entropy for renewable energy forecasting
Thibaud et al. Threshold modeling of extreme spatial rainfall
US10275707B2 (en) Systems and methods for training multipath filtering systems
US20160290805A1 (en) Systems and methods for gnss snr probabilistic localization and 3-d mapping
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN116068595B (zh) 海面风速反演方法、装置、电子设备及介质
Madaus et al. Evaluating smartphone pressure observations for mesoscale analyses and forecasts
Pleskachevsky et al. Multiparametric sea state fields from synthetic aperture radar for maritime situational awareness
CN116458091A (zh) 使用不同的地面站集合调度卫星数据传输
CN112200358A (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN113378443B (zh) 一种地波雷达数据融合同化方法及计算机设备
CN112200354A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN112733394A (zh) 一种大气参数反演方法及装置
KR102248963B1 (ko) 해무 예측 방법 및 그 장치
Mile et al. Supermodding–A special footprint operator for mesoscale data assimilation using scatterometer winds
Mooneyham et al. SWRL Net: A spectral, residual deep learning model for improving short-term wave forecasts
Yang et al. Uncertainty analysis of radar rainfall estimates induced by atmospheric conditions using long short-term memory networks
Kumah et al. Near real-time estimation of high spatiotemporal resolution rainfall from cloud top properties of the MSG satellite and commercial microwave link rainfall intensities
Hess et al. Deep Learning for Bias‐Correcting CMIP6‐Class Earth System Models
Limsupavanich et al. Application of RNN on GNSS Reflectometry Sea level monitoring
Nai et al. The impact of elevation sidelobe contamination on radar data quality for operational interpretation
CN111915570A (zh) 基于反向传播神经网络的大气延迟估计方法
Pietrella et al. A comparative study of ionospheric IRIEup and ISP assimilative models during some intense and severe geomagnetic storms
Hill Assimilation of weather radar and binary ubiquitous sensor measurements for quantitative precipitation estimation
Verbois et al. Retrieval of surface solar irradiance from satellite imagery using machine learning: pitfalls and perspectives

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