星载GNSS-R技术反演海面降雨强度及风速和浪高方法研究

布金伟

昆明理工大学国土资源工程学院,云南 昆明 650093

星载GNSS-R是一种利用地球表面反射的GNSS信号监测地球物理参数的新兴遥感技术,因其具有时空分辨率高、观测成本低、覆盖范围广和全天候运行等独特优势,已在陆地和海洋遥感领域得到了广泛应用。论文侧重于利用CYGNSS任务收集的星载GNSS-R数据研究海面降雨强度及风速和浪高反演方法,主要研究内容涵盖星载GNSS-R数据质量控制、时延多普勒图(DDM)特征观测值提取、海面降雨检测和强度反演建模、海面风速反演建模、海面浪高反演建模、海面降雨强度及风速和浪高联合反演几个方面。主要研究成果和贡献如下。

(1) 针对降雨检测和强度反演中采用传统的噪底减法对DDM图像去噪效果不佳的问题,提出了基于BM3D、小波变换和积分图像加速的非局部均值算法进行DDM图像去噪,去噪效果显著优于噪底减法;在降雨检测中,提出了基于概率密度函数(PDF)、支持向量机(SVM)、随机森林(RF)和卷积神经网络(CNN)的降雨检测方法,试验结果表明,这些方法准确度高,尤其是CNN方法检测精度最高;在降雨强度反演中,首次实现了基于星载GNSS-R的海面降雨强度估计,提出了风速影响校正经验模型,构建了双和三观测值经验组合模型。试验结果表明,降雨强度估计性能可高达3.03 mm/h;针对组合模型精度提升有限的问题,提出了基于机器学习方法的前馈神经网络(FFNN)模型,与经验模型方法相比,FFNN模型反演精度提高了大约28.38%。

(2) 构建了基于NBRCS和LES观测值的风速反演经验模型。为改善单一观测值反演精度低的问题,提出了一个基于最小方差估计(MVE)的风速反演组合模型;针对经验模型难以描述几何参数和海况参数的影响,提出了一个深度学习模型框架(GloWS-Net),用于反演海面风速。结果表明,基于MVE方法的组合模型相比LES观测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%。与先前的模型(如全连接网络(FCN)、CNN)相比,GloWS-Net模型在反演高风速方面性能更好。

(3) 针对信噪比方法构建的经验模型不适用于高海况条件下反演海面有效波高(SWH)的问题,分别提出了基于积分时延波形和中心时延波形的两项指数函数模型;为了解决DDMA或LES-IDW观测值模型反演精度较低和现有线性组合模型精度提高有限的问题,分别引入了MVE方法和粒子群优化(PSO)方法构建组合模型。针对PSO算法局部优化问题,提出了一个基于模拟退火(SA)和PSO结合的组合模型(SA-PSO)。为进一步提高反演精度,提出了一个深度卷积神经网络(DCNN)模型。结果表明,MVE、PSO以及SA-PSO方法的反演精度相比加权平均模型分别提高了11.24%、17.91%和23.51%。DCNN模型反演精度相比传统的CNN模型和FCN模型分别提高了43.14%和27.5%。

(4) 针对已有工作仅侧重单一参数反演的问题,选取中国附近海洋为研究区域,提出了一种适用于星载GNSS-R海面降雨强度和风浪的联合反演方法,该方法特别考虑了这些参数之间的相互影响。通过校正涌浪和风速影响提出了一种分风速区段的降雨检测方法,该方法检测精度高。通过同时校正风速和涌浪影响,降雨强度反演精度约2 mm/h。通过事先进行降雨检测排除降雨干扰后,风速反演精度提高了大约5%。通过考虑风速影响和排除降雨干扰后,SWH反演精度改善了大约18%。最后,构建DCNN模型反演涌浪SWH,结果表明,排除降雨干扰后,涌浪SWH反演精度优于0.20 m。