CN116400395A - 一种格网化的星载gnss-r海面风速反演方法 - Google Patents
一种格网化的星载gnss-r海面风速反演方法 Download PDFInfo
- Publication number
- CN116400395A CN116400395A CN202310335068.4A CN202310335068A CN116400395A CN 116400395 A CN116400395 A CN 116400395A CN 202310335068 A CN202310335068 A CN 202310335068A CN 116400395 A CN116400395 A CN 116400395A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- satellite
- grid
- gnss
- observation 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000186140 Asperula odorata Species 0.000 description 1
- 235000008526 Galium odoratum Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01S19/38—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种格网化的星载GNSS‑R海面风速反演方法。首先将实测风速与星载GNSS‑R观测数据进行时空匹配,根据星载GNSS‑R观测数据的地理差异对已经匹配的数据集进行格网化处理,将海面划分为不同的格网,并在每个格网中建立独立的星载GNSS‑R观测数据与实测风速的经验模型。本发明提出的方法能同时顾及星载GNSS‑R观测数据经向与纬向的地理差异,建立的星载GNSS‑R观测数据与海面风速的经验模型更加简洁、准确,提高了星载GNSS‑R的海面风速反演精度。
Description
技术领域
本发明属于GNSS遥感技术领域,具体涉及一种格网化的星载GNSS-R海面风速反演方法。
背景技术
海面风速是影响海洋环境的重要因素之一,及时、准确地监测海面风速对海上航行安全和了解海洋气候环境具有重要意义。传统的海风监测方法包括使用浮标测量风速或使用主动星载遥感技术测量风速。浮标测量可以提供准确的风速值,但是不能覆盖全球海域。主动星载遥感技术可以覆盖全球海域,但其时间分辨率太低,无法及时提供最新的风速信息。
随着GNSS技术的不断发展,人们发现GNSS反射信号中会携带许多反射面物理特性信息。研究发现,经过海面反射的GNSS信号由于海面粗糙度的不同而表现出不同的物理特性,且海面风速是引起海面粗糙度变化的一个主要因素。因此,可以通过对GNSS反射信号进行处理分析而获得海面风速信息,其数学表达式如下:
式中,<|Y(τ,f)|2>表示GNSS的功率,λ为载波波长,T为相干积分时间,τ为时间延迟,f为频率偏移,Pt是GNSS发射天线功率,Gt是GNSS发射天线增益,Rt是发射机到镜面反射点的距离,Rr是接收机到镜面反射点的距离,Λ2与S2分别是延迟(三角函数)和延迟多普勒频率(多普勒失调引起的衰减)中伍德沃德模糊函数(Woodward Ambiguity Function,WAF)的分量,Gr是接收机天线增益,dA是散射区域A的表面元素,σ0表示归一化双基地雷达截面(NBRCS),该截面与反射区的粗糙度有关。
由于不同的海面风速会引起不同的粗糙度,因此利用σ0可以反演海面风速。但是海面粗糙度并不仅仅受海面风速影响,还会受到浪涌、波浪发展程度以及海底地形等其他与地理位置相关的多种因素的影响,而且这些因素之间也相互影响。因此通过建模方法排除这些因素干扰十分困难,但是如果不对这些影响因素进行改正,就会造成显著的反演误差。
发明内容
本发明针对现有技术的不足,提供一种格网化的星载GNSS-R海面风速反演方法。在进行风速反演时先根据星载GNSS-R观测数据的地理差异对数据集进行格网化处理,使得每一个独立格网中的星载GNSS-R观测数据受到除风速外的其他因素的干扰基本相同,从而削弱由地理差异引起的干扰。
为了达到上述目的,本发明提供的技术方案是一种格网化的星载GNSS-R海面风速反演方法,包括以下步骤:
步骤1,对星载GNSS-R观测数据与实测风速数据进行时空匹配;
步骤2,根据星载GNSS-R观测数据的变化趋势对步骤1完成匹配的星载GNSS-R观测数据、实测风速数据集进行经/纬向地理差异分析,统计同一风速在不同地理位置的GNSS-R观测数据变化趋势;
步骤3,计算经/纬向不同位置GNSS-R观测数据的斜率;
步骤4,在经/纬向斜率的正负交替的拐点处进行格网划分;
步骤5,将每一个独立格网中的数据划分为风速训练集和验证集;
步骤6,利用每一个格网中的训练集数据对人工神经网络进行训练,得到该格网星载GNSS-R观测数据与实测风速的ANN模型;
步骤7,利用训练好的ANN模型进行风速反演。
而且,所述步骤1中时空匹配标准为将直线距离小于N1km,时间间隔小于N2分钟的星载GNSS-R观测数据、实测风速数据匹配在一起。
而且,所述步骤3中采用宽度为N3°,步长为N4°的滑动窗口,利用线性拟合计算窗口内经/纬向风速相同时不同位置的GNSS-R观测数据连线的斜率。
而且,所述步骤4中将GNSS-R观测数据斜率表现出正负两种特性的位置视为斜率拐点,在拐点处对两侧匹配好的星载GNSS-R观测数据、实测风速数据进行格网划分,为了确保格网内具有足够数据,经向格网宽度需大于N5°,纬向格网宽度需大于N6°。
而且,所述步骤6中ANN模型包含输入层、隐含层和输出层,利用每个格网中的风速训练集数据对ANN模型进行训练,最大训练次数为N7次,当反演风速值与实际风速值误差小于N8m/s时停止训练,输出反演风速,得到能够削弱星载GNSS-R观测数据地理差异的ANN模型。
与现有技术相比,本发明具有如下优点:
1)顾及了星载GNSS-R观测数据的地理分布差异,对星载GNSS-R观测数据与实测风速的匹配数据集进行格网化处理,削弱了由星载GNSS-R观测数据的地理差异引起的海面风速反演误差;
2)建立的星载GNSS-R观测数据与海面风速的经验模型更加简洁、准确且模型运行速率高,提高了星载GNSS-R的海面风速反演精度与效率。
附图说明
图1为本发明实施例的流程图。
图2为风速相同时,GNSS-R观测数据经向的变化趋势图。
图3为风速相同时,GNSS-R观测数据纬向的变化趋势图。
图4为未进行格网化的星载GNSS-R风速反演结果的散点图。
图5为格网化后的星载GNSS-R风速反演结果的散点图。
具体实施方式
本发明提供一种格网化的星载GNSS-R海面风速反演方法,下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,对来自CYGNSS(Cyclone Global Navigation Satellite System)的星载GNSS-R观测数据与来自ECMWF(European Centre for Medium-Range Weather Forecasts)的实测风速数据进行时空匹配,匹配标准为将直线距离小于20km,时间间隔小于30分钟的星载GNSS-R观测数据、实测风速数据匹配在一起。
步骤2,根据星载GNSS-R观测数据的变化趋势对步骤1完成匹配的星载GNSS-R观测数据、实测风速数据集进行经/纬向地理差异分析,统计同一风速在不同地理位置的GNSS-R观测数据变化趋势。
如图2与图3所示,当风速相同时,GNSS-R观测数据随着地理位置的变化而变化,风速与GNSS-R观测数据并不是理想的一一对应的关系。如图2中,当风速相同时,经度20°~25°位置的GNSS-R观测数据大于-150°~-145°位置的观测数据。如果不进行格网划分,使用整个海面的数据同时进行建模,所得模型只是整个海面的一个均值模型,无法准确表达不同海面区域GNSS-R观测数据与风速的关系。
步骤3,计算经/纬向不同位置观测数据的斜率。
采用宽度为4°,步长为1°的滑动窗口,利用线性拟合计算窗口内经/纬向风速相同时不同位置的GNSS-R观测数据连线的斜率。
步骤4,在经/纬向斜率的正负交替的拐点进行格网划分。
如图2与图3中的虚线处,虚线前后位置的GNSS-R观测数据斜率表现出正负两种特性,此处即可视为斜率拐点,在拐点处对两侧匹配好的星载GNSS-R观测数据、实测风速数据进行格网划分。为了确保格网内具有足够数据,经向格网宽度需大于10°,纬向格网宽度需大于20°。
步骤5,对每一个独立格网中的数据进行划分,将其中75%的数据作为风速训练集,25%的数据作为验证集用来检验本发明所提方法的风速反演性能。
步骤6,利用每一个格网中的训练集数据对人工神经网络(Artificial NeuralNetwork,ANN)进行训练,建立该格网星载GNSS-R观测数据与实测风速的ANN模型。
ANN模型包含10个输入参数(NBRCS,LES,SNR,Rt,Rr,Incident,EIRP,Sp_theta_orbit,Lon,Lat),四层隐含层(前两层各8个神经元,后两层各16个神经元)和输出层。利用每个格网中的风速训练集数据对ANN模型进行训练,最大训练次数为500次,当反演风速值与实际风速值误差小于0.0001m/s时停止训练,输出反演风速,得到可以削弱星载GNSS-R观测数据地理差异的ANN模型。
步骤7,利用训练好的ANN模型进行风速反演。
图4为未进行格网化的星载GNSS-R风速反演结果的散点图,图5为格网化的星载GNSS-R风速反演结果的散点图。由图4和图5可以看出,与未进行格网化处理相比,格网化后的星载GNSS-R风速反演结果在1:1对角线的分布更加均匀紧凑,对于高风速的反演也更加灵敏,证明本发明所提出的方法可以有效提高星载GNSS-R的风速反演性能。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种格网化的星载GNSS-R海面风速反演方法,其特征在于,包括以下步骤:
步骤1,对星载GNSS-R观测数据与实测风速数据进行时空匹配;
步骤2,根据星载GNSS-R观测数据的变化趋势对步骤1完成匹配的星载GNSS-R观测数据、实测风速数据集进行经/纬向地理差异分析,统计同一风速在不同地理位置的GNSS-R观测数据变化趋势;
步骤3,计算经/纬向不同位置GNSS-R观测数据的斜率;
步骤4,在经/纬向斜率的正负交替的拐点处进行格网划分;
步骤5,将每一个独立格网中的数据划分为风速训练集和验证集;
步骤6,利用每一个格网中的训练集数据对人工神经网络进行训练,得到该格网星载GNSS-R观测数据与实测风速的ANN模型;
步骤7,利用训练好的ANN模型进行风速反演。
2.如权利要求1所述的一种格网化的星载GNSS-R海面风速反演方法,其特征在于:步骤1中时空匹配标准为将直线距离小于N1km,时间间隔小于N2分钟的星载GNSS-R观测数据、实测风速数据匹配在一起。
3.如权利要求1所述的一种格网化的星载GNSS-R海面风速反演方法,其特征在于:步骤3中采用宽度为N3°,步长为N4°的滑动窗口,利用线性拟合计算窗口内经/纬向风速相同时不同位置的GNSS-R观测数据连线的斜率。
4.如权利要求1所述的一种格网化的星载GNSS-R海面风速反演方法,其特征在于:步骤4中将GNSS-R观测数据斜率表现出正负两种特性的位置视为斜率拐点,在拐点处对两侧匹配好的星载GNSS-R观测数据、实测风速数据进行格网划分,为了确保格网内具有足够数据,经向格网宽度需大于N5°,纬向格网宽度需大于N6°。
5.如权利要求1所述的一种格网化的星载GNSS-R海面风速反演方法,其特征在于:步骤6中ANN模型包含输入层、隐含层和输出层,利用每个格网中的风速训练集数据对ANN模型进行训练,最大训练次数为N7次,当反演风速值与实际风速值误差小于N8m/s时停止训练,输出反演风速,得到能够削弱星载GNSS-R观测数据地理差异的ANN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310335068.4A CN116400395B (zh) | 2023-03-28 | 2023-03-28 | 一种格网化的星载gnss-r海面风速反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310335068.4A CN116400395B (zh) | 2023-03-28 | 2023-03-28 | 一种格网化的星载gnss-r海面风速反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400395A true CN116400395A (zh) | 2023-07-07 |
CN116400395B CN116400395B (zh) | 2023-12-08 |
Family
ID=87006867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310335068.4A Active CN116400395B (zh) | 2023-03-28 | 2023-03-28 | 一种格网化的星载gnss-r海面风速反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400395B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
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 |
CN114035205A (zh) * | 2021-10-29 | 2022-02-11 | 中国空间技术研究院 | Gnss-r海面测高精度与沿轨空间分辨率重构方法和系统 |
CN114488219A (zh) * | 2022-02-09 | 2022-05-13 | 长安大学 | 一种基于gnss-r的洪涝变化区域反演方法 |
CN114910661A (zh) * | 2022-05-13 | 2022-08-16 | 北京大学 | 海面风速的反演方法、装置、介质和计算设备 |
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 |
CN115047499A (zh) * | 2022-05-31 | 2022-09-13 | 武汉大学 | 星载gnss-r土壤温度与湿度的反演方法、系统 |
CN115184916A (zh) * | 2022-07-11 | 2022-10-14 | 北京大学 | 一种海面风速联合反演方法、装置、介质及计算设备 |
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 |
CN115754338A (zh) * | 2022-11-09 | 2023-03-07 | 北京卫星信息工程研究所 | 多星协同gnss-r海面矢量风场探测系统及在轨反演方法 |
-
2023
- 2023-03-28 CN CN202310335068.4A patent/CN116400395B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433233A (zh) * | 2020-11-19 | 2021-03-02 | 武汉大学 | 一种基于粒子群算法的gnss-r海面风速反演方法及系统 |
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 |
CN114035205A (zh) * | 2021-10-29 | 2022-02-11 | 中国空间技术研究院 | Gnss-r海面测高精度与沿轨空间分辨率重构方法和系统 |
CN114488219A (zh) * | 2022-02-09 | 2022-05-13 | 长安大学 | 一种基于gnss-r的洪涝变化区域反演方法 |
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 |
CN114910661A (zh) * | 2022-05-13 | 2022-08-16 | 北京大学 | 海面风速的反演方法、装置、介质和计算设备 |
CN115047499A (zh) * | 2022-05-31 | 2022-09-13 | 武汉大学 | 星载gnss-r土壤温度与湿度的反演方法、系统 |
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 |
CN115184916A (zh) * | 2022-07-11 | 2022-10-14 | 北京大学 | 一种海面风速联合反演方法、装置、介质及计算设备 |
CN115754338A (zh) * | 2022-11-09 | 2023-03-07 | 北京卫星信息工程研究所 | 多星协同gnss-r海面矢量风场探测系统及在轨反演方法 |
Non-Patent Citations (2)
Title |
---|
FEIXIONG HUANG ET AL.: "Sequential Processing of GNSS-R Delay-Doppler Maps to Estimate the Ocean Surface Wind Field", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 57, no. 12, pages 10202 - 10217, XP011752779, DOI: 10.1109/TGRS.2019.2931847 * |
王森 等: "GPS-MR海平面高度反演的多因素影响分析", 《桂林理工大学学报》, vol. 42, no. 2, pages 443 - 449 * |
Also Published As
Publication number | Publication date |
---|---|
CN116400395B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824510B (zh) | 一种提高gnss-r测高卫星接收海面反射信号数量的方法 | |
Huffaker | Feasibility study of satellite-borne lidar global wind monitoring system | |
Ebuchi et al. | Validation of wind speeds and significant wave heights observed by the TOPEX altimeter around Japan | |
Pozderac et al. | $ X $-Band Beacon-Receiver Array Evaporation Duct Height Estimation | |
CN114942428B (zh) | 多目标跟踪的混合体制雷达数据关联算法 | |
CN111965608A (zh) | 一种基于水体叶绿素浓度的星载海洋激光雷达探测能力评估方法 | |
CN111638521A (zh) | 一种成像高度计遥感数据的海面风速反演方法 | |
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 | |
Wang et al. | A passive technique to monitor evaporation duct height using coastal GNSS-R | |
CN114720426B (zh) | 星载gnss反射信号的溢油检测方法 | |
CN113534194B (zh) | 联合gnss与测风激光雷达的对流层温湿廓线反演方法 | |
Fischer et al. | Surveying the upper ocean with the Ocean Surveyor: a new phased array Doppler current profiler | |
Plimpton et al. | ADCP velocity errors from pelagic fish schooling around equatorial moorings | |
CN110793649A (zh) | 一种使用后向散射截面校正粗糙海面亮温的方法 | |
CN116400395B (zh) | 一种格网化的星载gnss-r海面风速反演方法 | |
CN114035205A (zh) | Gnss-r海面测高精度与沿轨空间分辨率重构方法和系统 | |
CN117554991A (zh) | 一种基于星载光子计数激光雷达反演海面风速的方法 | |
CN113589275A (zh) | 一种海面风场、海浪和海流的联合观测方法 | |
CN102495943A (zh) | 地球物理模型建模方法 | |
CN113589350B (zh) | 基于测量型gnss接收机的海面风速测量方法 | |
Zhang et al. | Wind direction retrieval from CYGNSS L1 level sea surface data based on machine learning | |
CN114252875B (zh) | 一种成像高度计数据的高精度网格化方法 | |
Zhang et al. | Global sea surface height measurement from CYGNSS based on machine learning | |
CN115238737A (zh) | 一种基于合作式航海雷达信号的蒸发波导剖面反演方法 | |
Cornford et al. | Improved neural network scatterometer forward models |
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 |