一种基于多层迭代加权模型的星载GNSS-R海面风速反演方法

本发明属于卫星遥感领域，具体的说是一种基于多层迭代加权模型的星载gnss-r海面风速反演方法。

背景技术：

1、全球导航卫星系统反射测量（global navigation satellite system-reflectometry, gnss-r）是一种无源遥感技术，利用从卫星发射并在海面反射的信号来获取海洋表面信息。反射信号的特性（如延迟、频率偏移、信号强度等）受到海面粗糙度的影响，而海面粗糙度与风速密切相关。因此，分析反射信号可以间接推断出海面的风速。传统的海面风速测量通常依赖于气象浮标或卫星搭载的主动遥感仪器（如合成孔径雷达、微波散射计）。然而，这些方法成本较高且覆盖范围有限。gnss-r通过使用现有的全球导航卫星信号，大大降低了设备成本，并能够提供大范围的连续监测。随着深度学习的快速发展，研究人员开始使用深度神经网络和卷积神经网络等模型来处理gnss-r数据。通过对反射信号中的复杂特征进行自动提取和分析，深度学习模型能够在大数据量下学习反射信号与海面风速之间的非线性关系，显著提高反演精度。

2、虽然基于深度学习的星载gnss-r模型在海面风速反演中发挥了重要作用，但仍存在一些不足和挑战：1. 现有深度学习模型利用全风速区间数据进行模型训练，并利用训练后的模型进行风速估计，由于训练样本中不同风速区间样本占比差异较大，导致不同风速区间的风速反演误差差异较大，呈现出风速反演误差随风速增大而逐步增大的趋势，尤其是高风速区间的反演误差较低。2. 高风速环境下，反射信号中的噪声可能会增加，全风速区间的模型难以区分高风速区间有效信号和噪声，进一步降低高风速区间风速反演的精度。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于多层迭代加权模型的星载gnss-r海面风速反演方法，以期能够提高风速反演的精度，并能减小高风速区间的风速反演误差，从而为高时空分辨率的海面风速反演提供了一种新思路。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于多层迭代加权模型的星载gnss-r海面风速反演方法的特点在于，包含以下步骤：

4、s1、获取星载gnss-r数据并进行预处理后，再从中提取出n条星载gnss-r特征值序列，其中，第j条星载gnss-r特征值序列xj={}，其中，表示第j条星载gnss-r特征值序列xj中的第i个特征值，m表示每条星载gnss-r特征值序列的特征值的总数，j=1,2,…,n；

5、根据星载gnss-r数据的采集时间time，同步获取海面风速数据集，并根据星载gnss-r数据中镜面反射点的位置(splat，splon)，将第j条星载gnss-r特征值序列xj与海面风速数据集进行时空匹配后，得到第j条星载gnss-r特征值序列对应的海面风速，从而由xj与构成第j条数据样本，并由n条数据样本构成全风速区间数据集d；

6、将全风速区间数据集d按一定比例随机划分为全风速区间训练集dtrain、全风速区间验证集dval和全风速区间测试集dtest；

7、s2、利用全风速区间训练集dtrain对深度学习模型进行训练，从而得到全风速区间反演模型f；

8、s3、将全风速区间验证集dval中所有星载gnss-r特征值序列{xkval|k=1,2,…,m}输入全风速区间反演模型f中进行处理，得到预测的星载gnss-r风速序列{|k=1,2,…,m}，其中，xkval表示dval中第k条星载gnss-r特征值序列，表示预测的第k条星载gnss-r风速，m表示dval中的数据样本总数；

9、s4、根据全风速区间验证集dval中m条海面风速序列|k=1,2,…,m}，统计全风速区间反演模型f对dval的总风速反演误差；

10、按一定风速间隔p，将全风速区间数据集d中由最大海面风速和最小海面风速所构成的全风速区间分成t个风速区间，并依次统计各个风速区间的中误差{|s=1,2,…t}；其中，表示第s个风速区间的中误差；

11、s5、根据第s个风速区间的中误差与总的风速反演误差的关系，将全风速区间重新划分为q个分段风速区间，并分别记为{|v=1,2,…q}；其中，表示第v个分段风速区间，；

12、s6、根据q个分段风速区间{|v=1,2,…q}的风速范围，对dtrain进行分类，得到q个分段风速区间所对应的分段训练集|v=1,2,…q}，其中，表示第v个分段风速区间对应的分段训练集；

13、利用对深度学习模型进行训练，得到第v个分段风速区间反演模型hv，从而得到q个分段风速区间反演模型hv|v=1,2,…q}；

14、s7、将dtest中第条星载gnss-r特征值序列xltest输入全风速区间反演模型f中进行处理，得到预测的第条星载gnss-r风速 ；

15、s8、根据所在的风速区间对应的中误差，计算条星载gnss-r特征值序列xltest的风速估计区间[, +)，记为rl0；

16、s9、定义当前迭代次数为c，并初始化c=1；

17、s10、初始化v=1；

18、s11、计算第c-1轮迭代下的风速估计区间rlc-1与第v个分段风速区间在第c轮迭代下的重叠度，并判断>0是否成立，若成立，则将第v个分段风速区间反演模型hv作为第c轮迭代下的候选反演模型，并将作为hv的权重；否则，将v+1赋值给v后，返回s11，直到v>q为止，从而得到第c轮迭代下的筛选后的若干个候选反演模型及其权重；

19、s12、将dtest中的xltest分别输入第c轮迭代下的筛选后的若干个候选反演模型中进行处理，相应得到第c轮迭代下的若干个预测的星载gnss-r风速序列，并将第c轮迭代下的每个候选反演模型输出的预测的星载gnss-r风速序列与第c轮迭代下的自身候选反演模型对应的权重进行加权后求均值，得到xltest在第c轮迭代下的海面风速反演值；

20、s13、根据所在的风速区间对应的中误差，计算在第c轮迭代下的风速范围[, +)，记为rlc；

21、s14、判断与第c-1轮反演风速的差值绝对值是否小于一定限差，如果小于一定限差，则表示第c轮迭代下的海面风速反演值为最优值并输出，结束流程；否则，将c+1赋值给c后，返回s10顺序执行，其中，当c=1时，初始化。

22、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述星载gnss-r海面风速反演方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

23、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述星载gnss-r海面风速反演方法的步骤。

24、与现有技术相比，本发明的优点在于：

25、1、本发明针对不同风速区间实现分段建模，提出了构建分段风速区间反演模型，从而提高了模型在各个风速区间的适用性；

26、2、本发明利用风速反演结果及反演误差获得风速的估计范围，并通过反复迭代计算，提高了风速反演精度；

27、3、本发明使用多个分段风速区间反演模型加权机制可以有效减少单一模型的误差，增强了风速反演结果的可靠性；

28、4、本发明具有灵活适应性，能够根据不同环境和条件，可以灵活调整风速区间和模型的组合，适应性强，有助于在不同应用场景中，尤其是高风速下，保持良好表现，为现有研究所面临的高风速区间海面风速反演误差较大的难题提供了一种新思路。