星載GNSS-R技術(shù)反演海面降雨強度及風速和浪高方法研究

布金偉

昆明理工大學國土資源工程學院,云南 昆明 650093

星載GNSS-R是一種利用地球表面反射的GNSS信號監(jiān)測地球物理參數(shù)的新興遙感技術(shù),因其具有時空分辨率高、觀測成本低、覆蓋范圍廣和全天候運行等獨特優(yōu)勢,已在陸地和海洋遙感領(lǐng)域得到了廣泛應(yīng)用。論文側(cè)重于利用CYGNSS任務(wù)收集的星載GNSS-R數(shù)據(jù)研究海面降雨強度及風速和浪高反演方法,主要研究內(nèi)容涵蓋星載GNSS-R數(shù)據(jù)質(zhì)量控制、時延多普勒圖(DDM)特征觀測值提取、海面降雨檢測和強度反演建模、海面風速反演建模、海面浪高反演建模、海面降雨強度及風速和浪高聯(lián)合反演幾個方面。主要研究成果和貢獻如下。

(1) 針對降雨檢測和強度反演中采用傳統(tǒng)的噪底減法對DDM圖像去噪效果不佳的問題,提出了基于BM3D、小波變換和積分圖像加速的非局部均值算法進行DDM圖像去噪,去噪效果顯著優(yōu)于噪底減法;在降雨檢測中,提出了基于概率密度函數(shù)(PDF)、支持向量機(SVM)、隨機森林(RF)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的降雨檢測方法,試驗結(jié)果表明,這些方法準確度高,尤其是CNN方法檢測精度最高;在降雨強度反演中,首次實現(xiàn)了基于星載GNSS-R的海面降雨強度估計,提出了風速影響校正經(jīng)驗模型,構(gòu)建了雙和三觀測值經(jīng)驗組合模型。試驗結(jié)果表明,降雨強度估計性能可高達3.03 mm/h;針對組合模型精度提升有限的問題,提出了基于機器學習方法的前饋神經(jīng)網(wǎng)絡(luò)(FFNN)模型,與經(jīng)驗模型方法相比,FFNN模型反演精度提高了大約28.38%。

(2) 構(gòu)建了基于NBRCS和LES觀測值的風速反演經(jīng)驗模型。為改善單一觀測值反演精度低的問題,提出了一個基于最小方差估計(MVE)的風速反演組合模型;針對經(jīng)驗模型難以描述幾何參數(shù)和海況參數(shù)的影響,提出了一個深度學習模型框架(GloWS-Net),用于反演海面風速。結(jié)果表明,基于MVE方法的組合模型相比LES觀測值模型反演精度提升15%,相比MVE方法,GloWS-Net模型反演精度提升了10.31%。與先前的模型(如全連接網(wǎng)絡(luò)(FCN)、CNN)相比,GloWS-Net模型在反演高風速方面性能更好。

(3) 針對信噪比方法構(gòu)建的經(jīng)驗模型不適用于高海況條件下反演海面有效波高(SWH)的問題,分別提出了基于積分時延波形和中心時延波形的兩項指數(shù)函數(shù)模型;為了解決DDMA或LES-IDW觀測值模型反演精度較低和現(xiàn)有線性組合模型精度提高有限的問題,分別引入了MVE方法和粒子群優(yōu)化(PSO)方法構(gòu)建組合模型。針對PSO算法局部優(yōu)化問題,提出了一個基于模擬退火(SA)和PSO結(jié)合的組合模型(SA-PSO)。為進一步提高反演精度,提出了一個深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)模型。結(jié)果表明,MVE、PSO以及SA-PSO方法的反演精度相比加權(quán)平均模型分別提高了11.24%、17.91%和23.51%。DCNN模型反演精度相比傳統(tǒng)的CNN模型和FCN模型分別提高了43.14%和27.5%。

(4) 針對已有工作僅側(cè)重單一參數(shù)反演的問題,選取中國附近海洋為研究區(qū)域,提出了一種適用于星載GNSS-R海面降雨強度和風浪的聯(lián)合反演方法,該方法特別考慮了這些參數(shù)之間的相互影響。通過校正涌浪和風速影響提出了一種分風速區(qū)段的降雨檢測方法,該方法檢測精度高。通過同時校正風速和涌浪影響,降雨強度反演精度約2 mm/h。通過事先進行降雨檢測排除降雨干擾后,風速反演精度提高了大約5%。通過考慮風速影響和排除降雨干擾后,SWH反演精度改善了大約18%。最后,構(gòu)建DCNN模型反演涌浪SWH,結(jié)果表明,排除降雨干擾后,涌浪SWH反演精度優(yōu)于0.20 m。