發(fā)布時(shí)間：2021-10-21 03:34

　　海面風(fēng)場(chǎng)是上層海水運(yùn)動(dòng)的主要?jiǎng)恿碓?是海洋學(xué)的重要物理參數(shù),在區(qū)域及全球氣候變化中起著舉足輕重的作用,對(duì)于海面風(fēng)場(chǎng)的準(zhǔn)確預(yù)測(cè)有利于全球天氣預(yù)報(bào)的發(fā)展以及海浪的預(yù)防。因此,對(duì)于海風(fēng)的監(jiān)測(cè)與研究是十分有意義的。對(duì)于3-18m/s風(fēng)速段數(shù)據(jù),當(dāng)前基于GNSS-R反演海面風(fēng)場(chǎng)的方法得到的精度在2.2m/s左右,存在與風(fēng)場(chǎng)相關(guān)的物理量提取不完備、模型復(fù)雜以及反演耗時(shí)長(zhǎng)等或多或少的缺點(diǎn)。為了進(jìn)一步縮短反演時(shí)間并提高反演精度,本文以GNSS-R技術(shù)結(jié)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)來反演海面風(fēng)場(chǎng)為研究方向展開了相關(guān)工作。本文利用TDS-1（Tech Demo Sat-1）衛(wèi)星數(shù)據(jù)與歐洲中期天氣預(yù)報(bào)中心（European Centre for Medium-Range Weather Forecasts,ECMWF）數(shù)據(jù)構(gòu)成原始樣本集,對(duì)其進(jìn)行篩選、采樣、歸一化處理、切分成訓(xùn)練集和測(cè)試集等操作,得到的訓(xùn)練集和測(cè)試集分別用于BP（back propagation Neural Network）和CNN（Convolutional Neural Networks）模型的訓(xùn)練和測(cè)試,最終構(gòu)建了以衛(wèi)星的DDM數(shù)據(jù)圖為輸入... 

【文章來源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院國(guó)家空間科學(xué)中心)北京市

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

GNSS系統(tǒng)

第1章緒論71.2.4基于GNSS-R的海面風(fēng)速反演方法總結(jié)GNSS接收機(jī)的反射信號(hào)來自于海面的閃爍區(qū)，閃爍區(qū)的大小取決于風(fēng)速大校如下圖所示，閃爍區(qū)的不同部分依據(jù)不同的時(shí)間延遲以及鏡面點(diǎn)的多普勒頻率對(duì)反射信號(hào)產(chǎn)生影響，最終形成多普勒?qǐng)D（DDM）。從這可以看出，多普勒?qǐng)D是和海面的粗糙程度是相關(guān)的。海面的風(fēng)速越大即海面的粗糙程度越大，那么在時(shí)延/頻域中的DDM圖就越寬。圖1.2不同情況下的散射信號(hào)的相關(guān)功率曲線Figure1.2Correlationpowercurveofscatteredsignalunderdifferentconditions傳統(tǒng)的GNSS-R風(fēng)速反演方法有兩種，一是將實(shí)測(cè)的時(shí)延功率曲線與理論曲線進(jìn)行匹配來反演海面風(fēng)場(chǎng)，二是基于經(jīng)驗(yàn)函數(shù)的反演方法。

第1章緒論9圖1.4DDM波形圖Figure1.4Delay-DopplerMap基于經(jīng)驗(yàn)函數(shù)的反演方法是一種應(yīng)用最多的海面風(fēng)速反演方法，通過對(duì)大量實(shí)測(cè)數(shù)據(jù)的經(jīng)驗(yàn)總結(jié)，選取與海面風(fēng)速相關(guān)性高的某一兩個(gè)物理量，建立其與海面風(fēng)速的函數(shù)映射來獲取風(fēng)速，比如散射系數(shù)與風(fēng)速的關(guān)系。但是所存在的問題是海面風(fēng)速往往不只是一兩個(gè)因素決定的結(jié)果，其他與海面風(fēng)速相關(guān)的物理量如一些位置及姿態(tài)信息可能被忽略。因此，該方法的反演精度會(huì)由于忽視其他物理參數(shù)而受到影響。[33][35][38]1.3本文的研究目的和研究?jī)?nèi)容隨著互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代的到來，機(jī)器學(xué)習(xí)算法受到越來越多專家學(xué)者的關(guān)注，該技術(shù)得到快速發(fā)展，在GNSS應(yīng)用領(lǐng)域也逐漸嶄露頭角。2011年，F(xiàn)abrizioPelliccia等人利用人工神經(jīng)網(wǎng)絡(luò)基于GNSS掩星的數(shù)據(jù)去探測(cè)北極大氣[78]。2018年，GUERMAH等人將GNSS與決策樹算法相結(jié)合，提高了智能交通系統(tǒng)在惡劣環(huán)境下的定位性能[79]。2019年，Jia,Y等人采用了XGBoost算法和GNSS-R技術(shù)來反演土壤水分特征[80]。由此可見，機(jī)器學(xué)習(xí)算法已經(jīng)融入到了GNSS的相關(guān)研究中并有了極佳的效果。神經(jīng)網(wǎng)絡(luò)模型里帶有非線性的激活函數(shù)，賦予神


本文編號(hào)：3448158