CN116643333A - 基于广义回归神经网络的高精度pwv监测方法 - Google Patents
基于广义回归神经网络的高精度pwv监测方法 Download PDFInfo
- Publication number
- CN116643333A CN116643333A CN202310678237.4A CN202310678237A CN116643333A CN 116643333 A CN116643333 A CN 116643333A CN 202310678237 A CN202310678237 A CN 202310678237A CN 116643333 A CN116643333 A CN 116643333A
- Authority
- CN
- China
- Prior art keywords
- pwv
- modis
- grnn
- model
- era5
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims description 10
- 238000011835 investigation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气水汽含量探测方法，具体为基于广义回归神经网络的高精度PWV监测方法。本方法收集了MODIS（ERA5）PWV及其采样位置经度、纬度和高度和时间，然后将其放入构建的GRNN‑MODIS（ERA5）模型中，获得了修改的MODIS（ERA5）PWV。由于GRNN模型意味着校准过程，因此将修改的MODIS（ERA5）PWV与GNSS PWV对齐，对齐后GRNN‑MODIS（ERA5）模型训练完成。本发明构建了GRNN‑MODIS模型和GRNN‑ERA5模型，在没有地面接收机的地方，使用MODIS和ERA5也能预测得到高精度PWV。
Description
技术领域
本发明涉及大气水汽含量探测方法，具体为基于广义回归神经网络的高精度PWV监测方法。
背景技术
在全球导航卫星系统（GNSS）定位过程中，卫星传出的信号经大气层期间会受到对流层中水蒸汽、电离层以及干燥大气等各种因素的共同作用，使其速度以及路径都会发生改变，所以地面接收机接收的信号会有一定的延迟现象。
GNSS大气水汽含量探测是一种新兴手段，它可以运用信号的延迟现象定量遥感大气层中的水汽含量，反演结果比较准确，可实现毫米级精度，相对于其他传统的手段而言，具有高精度、高时空分辨率、覆盖面广以及连续观测等特点，能够弥补常规气象探测技术在时间和空间上分辨率不足的缺陷，根据所探测出相关数据的波动情况来推测未来的天气变化以及可能来临的气象灾害，进行天气预报, 有效地减少自然灾害对人们的生活所造成的影响，是我国气象综合探测系统的重要组成部分。但是GNSS大气水汽含量探测需要用到地面接收机，若没有地面接收机的地方则无法进行GNSS大气水汽含量探测。传统的手段如中分辨率成像光谱仪（MODIS）和欧洲中期天气预报再分析中心5（ERA5）可监测可降水量（PWV），但是传统模型MODIS和ERA5预测水汽精度不高。
发明内容
本发明为了解决GNSS大气水汽含量探测需要用到地面接收机和传统模型MODIS和ERA5预测水汽精度不高的问题，提供了基于广义回归神经网络的高精度PWV监测方法，本方法的核心思想是使用高质量的GNSS PWV构建GRNN-MODIS（ERA5）模型来监测PWV。
本发明是采用如下的技术方案实现的：基于广义回归神经网络的高精度PWV监测方法，包括以下步骤：
采集研究区域的纬度、经度、高度、时间、MODIS PWV和GNSS PWV；
设定GRNN-MODIS模型，将研究区域的纬度、经度、高度、时间和MODIS PWV作为GRNN-MODIS模型的输入，GRNN-MODIS模型输出修改的MODIS PWV；
不断调整GRNN-MODIS模型的参数，使得修改的MODIS PWV和GNSS PWV对齐，修改的MODIS PWV和GNSS PWV对齐后，GRNN-MODIS模型训练完成；
对研究区域PWV监测时，将采集的研究区域的纬度、经度、高度、时间和MODIS PWV输入到训练好的GRNN-MODIS模型中，GRNN-MODIS模型输出的修改的MODIS PWV即为高精度PWV。
本发明所采用的另一种技术方案为：基于广义回归神经网络的高精度PWV监测方法，包括以下步骤：
采集研究区域的纬度、经度、高度、时间、ERA5 PWV和GNSS PWV；
设定GRNN- ERA5模型，将研究区域的纬度、经度、高度、时间和ERA5 PWV作为GRNN-ERA5模型的输入，GRNN- ERA5模型输出修改的ERA5 PWV；
不断调整GRNN- ERA5模型的参数，使得修改的ERA5 PWV和GNSS PWV对齐，修改的ERA5 PWV和GNSS PWV对齐后，GRNN- ERA5模型训练完成；
对研究区域PWV监测时，将采集的研究区域的纬度、经度、高度、时间和ERA5 PWV输入到训练好的GRNN- ERA5模型中，GRNN- ERA5模型输出的修改的ERA5 PWV即为高精度PWV。
本发明构建了GRNN-MODIS模型和GRNN-ERA5模型，在没有地面接收机的地方，使用MODIS和ERA5也能预测得到高精度PWV。
附图说明
图1为广义回归神经网络的架构图。
具体实施方式
基于广义回归神经网络的高精度PWV监测方法，包括以下四部分：
1、数据来源
选取研究区域为北美30°N–50°N和126°W–102°W的陆地区域。地形从太平洋东岸附近零度以下几米到研究区中心附近约4000米不等。高度变化的地形和陆海水汽输送导致研究区域PWV的严重空间变化。研究区域共有178个连续运行的全球导航卫星系统站点用于水蒸气融合和验证。可降水水蒸气数据：全球导航卫星系统PWV数据可从SuomiNet网络下载，MODIS和ERA5 PWV数据从官方下载。
2、广义回归神经网络
广义回归神经网络（GRNN）是径向基神经网络的变体。GRNN在单程学习算法中直接逼近输入和输出向量之间的任意函数，而不是像反向传播网络中的迭代过程，其特点是GRNN具有快速学习能力。此外，GRNN是一致的，因为学习集的大小足够大，估计误差接近于零。这些优势使GRNN成为回归、近似、拟合和预测的强大工具。在本发明中，将其用于PWV数据校准和优化。
GRNN基于核回归。假设标量随机变量y依赖于独立向量随机变量x，在给定学习集的情况下估计y的最可能值。该方法将产生y个估计值，以最小化均方误差。GRNN基于联合概率密度函数（PDF）以及学习集。由于PDF是从没有先验信息的数据中导出的，因此GRNN方案非常普遍，是一个单程学习网络，不需要反向传播算法。
3、构建了GRNN-MODIS模型和GRNN-ERA5模型
GRNN模型输入层由五个神经元组成：纬度、经度、高度、时间和MODIS（ERA5）PWV，它们共同构成观测向量。输出层只有一个神经元：输出的修改的MODIS（ERA5）PWV。模式层具有与观测向量相同数量的节点。该GRNN模型的目的是校准和优化MODIS（ERA5）PWV，通过校准和优化过程，修改了MODIS（ERA5）PWV并将其与GNSS PWV对齐。为了实现这一目的，需要同时放置MODIS（ERA5）-GNSS PWV观测样本来构建网络。由于MODIS和ERA5 PWV数据具有不同的系统偏差和误差特征，分别构建了GRNN-MODIS模型和GRNN-ERA5模型。
4、训练模型
收集了MODIS（ERA5）PWV及其采样位置（经度、纬度和高度）和时间，然后将其放入构建的GRNN-MODIS（ERA5）模型中，获得了修改的MODIS（ERA5）PWV。由于GRNN模型意味着校准过程，因此将修改的MODIS（ERA5）PWV与GNSS PWV对齐，对齐后GRNN-MODIS（ERA5）模型训练完成。
Claims (2)
1.基于广义回归神经网络的高精度PWV监测方法，其特征在于：包括以下步骤：
采集研究区域的纬度、经度、高度、时间和MODIS PWV和GNSS PWV；
设定GRNN-MODIS模型，将研究区域的纬度、经度、高度、时间和MODIS PWV作为GRNN-MODIS模型的输入，GRNN-MODIS模型输出修改的MODIS PWV；
不断调整GRNN-MODIS模型的参数，使得修改的MODIS PWV和GNSS PWV对齐，修改的MODIS PWV和GNSS PWV对齐后，GRNN-MODIS模型训练完成；
对研究区域PWV监测时，将采集的研究区域的纬度、经度、高度、时间和MODIS PWV输入到训练好的GRNN-MODIS模型中，GRNN-MODIS模型输出的修改的MODIS PWV即为高精度PWV。
2.基于广义回归神经网络的高精度PWV监测方法，其特征在于：包括以下步骤：
采集研究区域的纬度、经度、高度、时间、ERA5 PWV和GNSS PWV；
设定GRNN- ERA5模型，将研究区域的纬度、经度、高度、时间和ERA5 PWV作为GRNN-ERA5模型的输入，GRNN- ERA5模型输出修改的ERA5 PWV；
不断调整GRNN- ERA5模型的参数，使得修改的ERA5 PWV和GNSS PWV对齐，修改的ERA5PWV和GNSS PWV对齐后，GRNN- ERA5模型训练完成；
对研究区域PWV监测时，将采集的研究区域的纬度、经度、高度、时间和ERA5 PWV输入到训练好的GRNN- ERA5模型中，GRNN- ERA5模型输出的修改的ERA5 PWV即为高精度PWV。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678237.4A CN116643333A (zh) | 2023-06-09 | 2023-06-09 | 基于广义回归神经网络的高精度pwv监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678237.4A CN116643333A (zh) | 2023-06-09 | 2023-06-09 | 基于广义回归神经网络的高精度pwv监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116643333A true CN116643333A (zh) | 2023-08-25 |
Family
ID=87643297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310678237.4A Pending CN116643333A (zh) | 2023-06-09 | 2023-06-09 | 基于广义回归神经网络的高精度pwv监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643333A (zh) |
-
2023
- 2023-06-09 CN CN202310678237.4A patent/CN116643333A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
| CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 | |
| Reuter et al. | A joint effort to deliver satellite retrieved atmospheric CO 2 concentrations for surface flux inversions: the ensemble median algorithm EMMA | |
| Sun et al. | Pseudorange error prediction for adaptive tightly coupled GNSS/IMU navigation in urban areas | |
| Asgarimehr et al. | A GNSS-R geophysical model function: Machine learning for wind speed retrievals | |
| Castaldo et al. | P-RANSAC: An Integrity Monitoring Approach for GNSS Signal Degraded Scenario. | |
| WO2023134666A1 (zh) | 终端定位方法、装置、设备以及介质 | |
| Tye et al. | The first application of stare processing to retrieve mean square slope using the SGR-ReSI GNSS-R experiment on TDS-1 | |
| Zou et al. | A quality control procedure for GPS radio occultation data | |
| Nabi et al. | Deep learning-based soil moisture retrieval in conus using cygnss delay–doppler maps | |
| Chu et al. | Multimodal deep learning for heterogeneous GNSS-R data fusion and ocean wind speed retrieval | |
| CN110795895A (zh) | 利用地表反射信号和随机森林回归算法预测土壤水分的方法 | |
| CN109219762A (zh) | 导航卫星宽巷偏差的确定和超范围调整系统和方法 | |
| CN114894819B (zh) | 一种星载gnss-r土壤湿度反演方法 | |
| CN115616643B (zh) | 一种城市区域建模辅助的定位方法 | |
| CN115494086A (zh) | 一种顾及异常干涉相位的gnss-ir土壤湿度监测方法 | |
| Jiang et al. | Land water vapor retrieval for AMSR2 using a deep learning method | |
| CN116643293A (zh) | Gnss定位方法及装置、设备、存储介质 | |
| JP2008039691A (ja) | 搬送波位相式測位装置 | |
| Ghaffari Razin et al. | Estimation of tropospheric wet refractivity using tomography method and artificial neural networks in Iranian case study | |
| CN105388496A (zh) | 基于gps的交通应用脆弱性检测系统及其方法 | |
| Navarro et al. | Data fusion and machine learning for innovative GNSS science use cases | |
| CN116719062A (zh) | 卫星的信号质量评估方法及装置、设备、存储介质 | |
| CN116699671A (zh) | 一种基于随机森林回归的电离层幅度闪烁指数计算方法 | |
| CN116643333A (zh) | 基于广义回归神经网络的高精度pwv监测方法 |
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 |