1.一种星载GNSS-R全球海面有效波高估计的深度学习方法,其特征在于,包括以下步骤:
步骤1、获取CYGNSS L1级GNSS-R数据,ERA5风速、风向、水深和SWH数据,IMERG降雨数据,WaveWatch IIISWH数据和AVISO卫星高度计SWH数据;
步骤2、从星载GNSS-R DDM数据中提取观测变量参数、计算特征观测值、采用外部数据选择辅助变量和对所有数据集进行时空匹配;
步骤3、数据质量控制和数据过滤以及训练数据集、验证测试集和测试数据集划分;
步骤4、有效波高反演的GloWH-Net混合深度学习模型的构建和训练;
步骤4所述的有效波高反演的GloWH-Net混合深度学习模型包括三大模块,第一个网络模块为卷积特征提取模块,输入为BRCSDDM和有效散射面积effective scattering area,利用卷积神经网络从BRCSDDM和effective scattering area中有效提取与海面有效波高相关的空间特征信息;第二个网络模块为特征关系推理模块,利用双向长短期记忆网络Bidirectional Long Short-Term Memory,BiLSTM提取时间相关特征和捕捉前后文信息,从而更好地理解输入序列;第三个网络模块为全连接网络,输入为CYGNSS观测变量参数、GNSS-R特征观测值和其他辅助变量信息;
步骤5、将测试数据集输入到训练后的GloWH-Net混合深度学习模型中,得到反演有效波高值,并对GloWH-Net混合深度学习模型和先前模型,即经验模型和机器学习模型的SWH反演结果进行性能评估和对比。
2.根据权利要求1所述的星载GNSS-R全球海面有效波高估计的深度学习方法,其特征在于,所述CYGNSS L1级GNSS-R数据包括BRCSDDM、有效散射面积effective scatteringarea、归一化双基雷达散射截面NBRCS、前沿斜率LES、信噪比SNR、功率DDMpower_analog、镜面反射点的经纬度sp_lon、sp_lat、接收机天线增益sp_rx_gain、镜面反射点到GNSS发射器之间的距离tx_to_sp_range、镜面反射点到接收器之间的距离rx_to_sp_range、DDM观测时间ddm_timestamp_utc和入射角sp_inc_angle;ERA5风速、风向、水深和SWH数据,IMERG降雨数据,WaveWatchIIISWH数据,AVISO卫星高度计SWH数据。
3.根据权利要求1所述的星载GNSS-R全球海面有效波高估计的深度学习方法,其特征在于,步骤2具体包括以下步骤:步骤2.1、从星载GNSS-R DDM数据中计算特征观测值,包括归一化双基雷达散射截面NBRCS、前沿斜率LES、后沿斜率TES和DDM功率平均值DDMA;其中,NBRCS、LES和TES观测值从BRCS图像中计算,DDMA从功率DDMpower_analog中计算;
步骤2.2、从星载GNSS-R数据中选择观测变量参数,包括信噪比SNR、镜面反射点的经纬度sp_lon、sp_lat、接收机天线增益sp_rx_gain、距离校正增益RCG和入射角sp_inc_angle变量;其中,RCG通过以下公式计算:式中,R
步骤2.3、CYGNSS GNSS-R L1级数据中DDM观测时间ddm_timestamp_utcBRCS DDM、有效散射面积effective scattering area、功率DDMpower_analog、GNSS-R特征观测值、GNSS-R观测变量参数和其他辅助变量与ERA5风速、ERA5风向、ERA5有效波高、IMERG降雨数据、WaveWatchIII和AVISO有效波高数据统一时空分辨率,得到匹配后的数据集。
4.根据权利要求1所述的星载GNSS-R全球海面有效波高估计的深度学习方法,其特征在于,步骤3中,数据质量控制表示如下表:数据过滤后数据集根据时间顺序划分为训练集、验证集和测试集。
5.根据权利要求1所述的星载GNSS-R全球海面有效波高估计的深度学习方法,其特征在于,所述有效波高反演的GloWH-Net混合深度学习模型的训练过程具体如下:对所有数据集进行预处理,过滤低质量的数据后将数据集划分为训练集、验证集和测试集,然后将训练集用于训练GloWH-Net混合模型;
预处理数据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,并采用了具有六个历元epochs的早停条件;学习率learning rate设置为0.0001;随机失活dropout设置为0.1;训练集、验证集和测试集在观测时间是完全独立的;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,将历元数设置为100。