关键词:
GNSS-R
CYGNSS
深度学习
海面风速
台风监测
摘要:
海洋占据了全球70%以上的面积,蕴含着丰富的资源,在生物圈、水圈当中发挥重要作用,充分了解海洋信息对合理开发利用海洋资源有着重要意义。其中海面风速监测是人类安全开展海面活动的重要保证。然而,现有的海面风速监测手段在时间分辨率与空间分辨率方面具有局限性,不能满足人类生产生活需要。随着全球导航卫星系统反射信号(Global Navigation Satellite System Reflection,GNSS-R)技术的发展,尤其是气旋全球导航卫星系统(The Cyclone Global Navigation Satellite System,CYGNSS)卫星的成功发射为获取海面风速提供了新的途径。目前,星载GNSS-R海面风速反演方法主要包括地球物理模型函数(Geophysical Model Function,GMF)与机器学习。本文基于CYGNSS观测资料,在数据预处理后用于模型建立,论文主要研究内容如下:(1)构建基于入射角、归一化双基地雷达截面(Normalized Bistatic Radar Cross Section,NBRCS)、前沿斜率(Leading Edge Slope,LES)、真实风速的GMF模型。使用CYGNSS数据与ERA-5再分析数据集进行时间空间插值获得模型数据集,建立GMF经验模型。评估NBRCS与LES两种观测数据模型反演性能,并利用最小方差估计(Minimum Variance estimator,MV),在NBRCS模型和LES模型的反演结果基础上建立MV模型,提高风速反演精度。针对GMF模型高风速反演精度低的问题,通过数据欠采样调整中低风速在训练数据中的占比,建立高风速GMF模型。评估四种不同的GMF模型在中低风速与高风速的性能和风速反演精度,选择反演精度最高模型进行全球风速反演,验证模型服务全球风速需求可行性。实验结果表明,高风速区间高风速GMF模型反演精度最高,在中低风速区间MV模型反演精度最高。结合两种GMF模型反演2019年10月6日至10月12日全球风速,反演结果误差集中于[-2,2]m/s误差区间。(2)提出联合卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short Term Memory,LSTM)的海面风速反演模型。针对GMF模型只使用部分观测量的缺点,选择GNSS反射信号特征参量与海洋状态参量,利用CNN模型提取输入数据特征,建立输入数据与海面风速的映射关系。顾及台风的持续性,由于CNN模型难以处理特征参数中的时间相关性和序列依赖性,所以联合CNN与LSTM方法反演风速。对比CNN模型与CNN-LSTM模型风速反演性能。实验结果表明:利用CNN模型优点,增加信号特征与海洋状态输入量有效提高反演精度。结合CNN模型特征提取与LSTM时间序列处理的优点,输入数据相同时,CNN-LSTM模型反演结果精度优于CNN模型反演结果精度。(3)面向台风监测需要,对比GMF模型与CNN-LSTM模型反演台风能力。应用GMF模型与CNN-LSTM模型对2019年10月6日至10月12日发生的台风“海贝思”进行反演,评估模型反演台风事件性能。实验结果表明:两种模型均可以反映台风区域内风速分布,体现台风发育过程中风速变化。CNN-LSTM模型精度明显高于GMF模型。该论文有图51幅,表16个,参考文献93篇