1.一种基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,包括以下步骤:步骤S1,获取星载GNSS‑R观测数据、ERA5风速、ERA5涌浪高、ERA5波向数据和IMERG降雨数据;
步骤S2,对所获取的所有数据集预处理和时空匹配;
步骤S3,数据质量控制和数据划分;
步骤S4,GloWS‑Net模型构建和训练,GloWS‑Net模型有三条输入线,第一条用于输入BRCSDDM,第二条用于输入有效散射面积(effective scattering area),第三条用于输入辅助参数;
步骤S5,将测试数据集输入到训练后的GloWS‑Net模型中,得到反演风速值,并对结果进行评估。
2.根据权力要求1所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,所述星载GNSS‑R观测数据包含L1b BRCSDDM、有效散射面积(effective scattering area)、归一化双基雷达散射截面(NBRCS)、前沿斜率(LES)、后沿斜率(TES)、信噪比(SNR)、接收机天线增益(sp_rx_gain)、镜面反射点的经纬度和入射角;
所述ERA5风速为海面以上10m的U分量和V分量合成风速;
所述ERA5涌浪高为涌浪的SWH(Significant height oftotal swell);
所述ERA5波向数据为ERA5产品中提供的平均波向(Mean wave direction);
所述IMERG降雨数据为IMERG‑F降雨强度。
3.根据权力要求1所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,步骤S2包括以下子步骤:步骤S2.1,CYGNSS GNSS‑R数据进行下采样;
步骤S2.2,CYGNSS GNSS‑R下采样数据与ECMWF ERA5风速、ERA5波向、ERA5涌浪SWH和IMERG降雨数据进行时空匹配,得到匹配后的数据集。
4.根据权力要求1所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于:步骤S3所述的匹配后数据集质量控制包括删除所有包含NaN值的观测值;所有小于0的观测值都需要丢弃;RCG值应大于3;如果反射点方向上接收天线的增益(sp_rx_gain)小于0dBi,则需要丢弃;如果BRCS(ddm_BRCS_uncert)的不确定性大于1,也需要丢弃;
数据过滤在CYGNSS L1B数据中使用基本质量控制(QC)标志;
采用单个QC标志位应用数据过滤,而不是整个QC标志位(“总体质量差”,最低有效位或位0)。即删除DDM无效或异常的数据(位4、7、8、9、10、15、17‑20);删除其他一些仪器存在数据传输和校准问题的数据(位1、5、6、13、14、21‑26);必须删除发射机功率或天线增益高度不确定的数据(位16和27);删除姿态误差较大或姿态异常的航天器数据(位2、3和28);删除包含GPS IIF卫星的L1B观测值(“low_quality_GPS_ant_knowledge”,第27位);使用质量控制标志“sp_near_land”(位12)和“sp_very_near_land”(位11)来删除信号在陆地上反射时收集的数据;选取镜面反射点距离陆地超过25km的数据,以减少建模误差;步骤S3所述的过滤后数据集根据随机选择划分为训练集、验证集和测试集,分别占过滤后数据集的30%、
15%和55%。
5.根据权力要求1所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于:步骤S4中,第三条中输入了归一化双基雷达散射截面(NBRCS)、前沿斜率(LES)、后沿斜率(TES)、信噪比(SNR)、接收机天线增益(sp_rx_gain)、镜面反射点的经纬度、入射角、涌浪高、波向和降雨强度辅助变量。
6.根据权力要求5所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,步骤4中GloWS‑Net全球海面风速反演模型的训练过程,具体实现如下:对所获取的所有数据集预处理后,得到的过滤后数据集划分为训练集、验证集和测试集;
过滤后数据集按特征归一化为零均值和单位方差,验证集用于避免过拟合,采用具有六个历元(epochs)的早停条件,学习率(learning rate)设置为0.0005;随机失活(dropout)设置为0.1;使用整流线性单元(ReLU)作为激活函数,优化器选择Adam,均方误差(MSE)作为损失函数;
训练集用于训练网络模型,验证集用于对模型训练进行监督,批次训练大小(batch size)设置为32,当网络每次更新权重系数时,只使用一个批次中的样本来训练模型;历元数量设置为100。
7.根据权力要求6所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,激活函数为
式中,x是前一层神经元的输入值;
损失函数为
式中,N为样本个数,为预测风速,ui为参考风速。
8.根据权力要求1所述的基于CNN的星载GNSS‑R海面风速反演的多模态深度学习方法,其特征在于,步骤5中,采用均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(CC)和平均绝对百分比误差(MAPE)作为评估模型反演性能的指标,计算公式分别如下:上式中,m为样本数量,yi,ws和yi,T分别是模型反演风速和ERA5参考风速, 和 分别是反演风速平均值和参考风速平均值。