1.一种基于深度学习的星载GNSS‑R全球海面有效波高反演方法,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再分析数据、IMERG降雨数据和WaveWatch III有效波高数据;
步骤S2,从星载GNSS‑R数据中提取特征参数和对所有数据集进行时空匹配;
步骤S3,数据质量控制和数据划分;
步骤S4,有效波高反演的深度学习模型构建和训练;
步骤S5,将测试数据集输入到训练后的有效波高反演模型中,得到反演有效波高值,并对结果进行评估。
2.根据权力要求1所述的基于深度学习的星载GNSS‑R全球海面有效波高反演方法,其特征在于,所述星载GNSS‑R观测数据包含L1b功率DDM(power_analog)、归一化双基雷达散射截面(NBRCS)、前沿斜率(LES)、信噪比(SNR)、接收机天线增益(sp_rx_gain)、镜面反射点的经纬度(sp_lon、sp_lat)和入射角(sp_inc_angle);
所述ERA5再分析数据包括风速、风向、水深和有效波高;所述ERA5风速为海面以上10m的U分量和V分量合成风速;所述风向数据为ERA5再分析中提供的风向数据(10m wind direction);所述水深数据为ERA5产品中提供的水深(Model bathymetry);所述有效波高数据为ERA5再分析中提供的组合风浪和涌浪的有效波高(Significant height ofcombined wind waves and swell)和WaveWatch III有效波高(sea_surface_wave_significant_height)数据;
所述IMERG降雨数据为IMERG‑F降雨强度。
3.根据权力要求1所述的基于深度学习的星载GNSS‑R全球海面有效波高反演方法,其特征在于,步骤S2包括以下子步骤:步骤S2.1,从星载GNSS‑R数据中提取NBRCS、LES、接收机天线增益、反射点经度反射点纬度和入射角特征参数;
步骤S2.2,CYGNSS GNSS‑R L1级数据中的功率DDM(power_analog)和相关特征参数与ECMWF ERA5风速、ERA5风向、ERA5水深、ERA5有效波高、WaveWatch III有效波高和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所述的基于深度学习的星载GNSS‑R全球海面有效波高反演方法,其特征在于:步骤S3所述的匹配后数据集质量控制包括ERA5有效波高与WaveWatch III有效波高的差值小于0.5m;NBRCS、LES和SNR观测值数值大于0;RCG值应大于3;反射点方向上接收天线的增益(sp_rx_gain)大于0dBi;删除所有包含NaN值的观测值;BRCS(ddm_BRCS_uncert)的不确定性小于1;数据质量过滤在CYGNSS L1B数据中使用基本质量控制(QC)标志;选取镜面反射点距离陆地超过25km的海洋上数据。
步骤S3所述的质量控制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%、20%和50%。
5.根据权力要求4所述的基于深度学习的星载GNSS‑R全球海面有效波高反演方法,其特征在于:步骤S4所述的有效波高反演的深度学习模型由两个核心的神经网络构成,第一个神经网为卷积神经网络,输入为功率DDM,可利用卷积神经网络从功率DDM中有效提取与海面有效波高相关的特征值;第二个神经网为全连接网络,输入为海面环境和卫星辅助参数信息。最终,通过联合两个核心网络并采用全连接网络输出有效波高反演值。
6.根据权力要求5所述的基于深度学习的星载GNSS‑R全球海面有效波高反演方法,其特征在于,有效波高反演的深度学习模型的训练过程,具体实现如下:在对所有数据集进行质量控制后,得到的质量控制后数据集划分为训练集、验证集和测试集;
质量控制后数据集归一化,学习率(learning rate)设置为0.0005,为防止过拟合问题,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,平均绝对百分比误差(MAPE)作为损失函数,使用Adam优化器对随机打乱的小批量进行训练;
设置批次大小N为32,为确保具有较好的训练性能,将历元数设置为100,有效波高反演模型在Keras架构和TensorFlow后端下实现;
当训练完成后,将测试数据集输入到训练后的有效波高反演模型中,得到反演有效波高值,并分别采用ERA5再分析有效波高和WaveWatch III有效波高数据对结果进行评估。