欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024115678020
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,包括以下步骤:步骤S1,获取CYGNSS L1级星载GNSS-R观测数据、欧洲中期天气预报中心(ECMWF)ERA5再分析数据集、IMERG降雨产品数据和WaveWatch III(WW3)SWH数据;

步骤S2,将获取的数据进行预处理和质量控制;

步骤S3,进一步将质量控制后得到的数据集进行时空匹配,然后按一定比例划分为训练集、测试集和验证集;

步骤S4,构建结合高效多尺度注意力和CNN-Transformer-BiConvLSTM的星载GNSS-R海面有效波高反演混合深度学习模型,并对MultiScaleWaveFormer模型进行训练和验证;

步骤S5,创建MultiScaleWaveFormer模型深度学习SHAP解释器,计算和可视化输入特征重要性;

步骤S6,将测试集数据输入到已经训练好的MultiScaleWaveFormer模型中,得到反演结果;

步骤S7,将此模型与已有模型的SWH反演结果进行对比,以此来评估新模型的性能。

2.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,所述CYGNSS L1级星载GNSS-R观测数据包含L1b功率DDM(power_analog)、双基雷达散射截面(BRCS)、有效散射面积(eff_scatter)、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)、DDM采集时间(ddm_timestamp_utc)、镜面反射点的经纬度(sp_lon、sp_lat)和入射角(sp_inc_angle);

所述欧洲中期天气预报中心(ECMWF)ERA5再分析数据集包括风速、风向、水深和有效波高SWH数据;其中,风速数据为海面以上10m的U分量和V分量合成风速,风向数据为ERA5再分析数据中提供的风向数据(10m wind direction);水深数据为ERA5产品中提供的水深(Model bathymetry),有效波高SWH数据为ERA5再分析中提供的组合风浪和涌浪的有效波高(Significantheight ofcombined windwaves and swell)数据;

所述IMERG降雨产品数据为IMERG最终运行(IMERG-F)降雨强度。

3.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S2包括以下子步骤:步骤S2.1,从星载GNSS-R数据中计算特征观测值,包括从power_analog图像中计算平均峰值功率(DDMA)、从BRCS图像中分别计算归一化积分时延波形的后沿斜率(ddm_TES)、前沿波形值之和(NIDW_LEWS)和后沿波形值之和(NIDW_TEWS);

步骤S2.2,使用CYGNSS L1级星载GNSS-R观测数据中的质量控制标志(quality_flags)变量来删除质量较低的数据,这些标志包括:如果航天器滚转的绝对值在1到30度之间,俯仰在1到10度之间,或者偏航在1到5度之间,则设置(Bit 03:small_sc_attitude_err);如果镜面反射点不在陆地上,则设置(Bit 11:sp_over_land);如果镜面反射点距离陆地25千米以内,则设置(Bit 12:sp_very_near_land);如果计算出的镜面反射点从零开始的延迟行小于6或大于10,则设置(Bit 19:brcs_ddm_sp_bin_delay_error);如果计算出的镜面反射点基于零的多普勒列小于4或大于6,则设置(Bit 20:brcs_ddm_sp_bin_dopp_error);如果用于计算ddm_nbrcs的3x 5brcs区域中的任何数值具有负值,则设置(Bit 21:neg_brcs_value_used_for_nbrcs);镜面点不存在(Bit 23:sp_non_existent_error);用于校准的黑体数据不足(Bit 26:bb_framing_error);没有足够的数据来为该样本的GPS卫星正确校准NBRCS(Bit 28:low_quality_gps_ant_knowledge);航天器高度超出额定高度范围,额定高度定义为490千米至550千米(Bit 29:sc_altitude_out_of_nominal_range);当采集该样本时在CYGNSS或GPS卫星上观测到异常时设置,这些样本产生的数据与典型的CYGNSS结果不一致(Bit 30:anomalous_sampling_period)。

4.根据权利要求2所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S3包括以下子步骤:步骤S3.1,将CYGNSS L1级星载GNSS-R观测数据与欧洲中期天气预报中心(ECMWF)ERA5风速数据、ERA5风向数据、ERA5水深数据、ERA5 SWH数据、WaveWatch III SWH数据和IMERG降雨数据进行时空匹配,进而得到匹配后的数据集;

步骤S3.2,将匹配后的数据集按照60%、15%、25%比例随机分为训练集、验证集和测试集三个部分,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,测试集用于避免过拟合。

5.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S4所述的构建结合高效多尺度注意力和CNN-Transformer-BiConvLSTM的星载GNSS-R海面有效波高反演混合深度学习模型主要包括五大模块:第一个网络模块为卷积特征提取模块,输入为power_analog、BRCS和有效散射面积(eff_scatter)图像,利用二维卷积神经网络从power_analog、BRCS和有效散射面积(eff_scatter)图像中自动有效提取与海面有效波高相关的空间特征信息;

第二个网络模块为高效多尺度注意力模块EMA(Efficient Multi-Scale AttentionModule),采用多尺度的并行子网络结构捕捉图像中的短程和长程依赖关系,将部分通道重组到批次维度中,避免因通道降维导致的信息损失,使用跨空间学习方法融合并行子网络的输出,捕捉像素级的成对关系,提升特征的聚合效果,EMA模块的高效注意力机制可以在使用较少参数的情况下,显著提高图像分类和目标检测任务的性能,并降低计算开销;EMA的模块输出可表示为:这里假设输入特征图为X∈RC×H×W,其中,C是通道数,H是高度,W是宽度;Xs是多尺度提取特征记,s是尺度的数量,GAP表示全局平均池化过程,用来获得每个尺度特征的全局上下文信息,As=σ(Wa·GAP(Xs)+ba)表示注意力权重,Wa和ba是可学习的参数,σ表示激活函数;

第三个模块引入Transformer深度学习架构,利用多头注意力机制,在多个不同的表示子空间中并行计算注意力,捕获丰富的特征,使用自注意力机制(Self-Attention)来处理输入序列中各个位置之间的关系,且允许并行处理序列中的所有位置,显著提高训练效率;多头自注意力可用公式表达为:MultiHead(Q,K,V)=Concat(head1,head2,...,headn)WO (2)每个头的输出为:

在公式(2)和(3)中,Q表示查询向量(当前需要关注的输入特征);K表示键向量(数据集中每个输入特征);V表示值向量(与每个键对应的信息),表示输出的权重矩阵,学习的权重矩阵,dk是每个头的维度;

第四个模块为特征关系推理模块,将双向卷积长短期记忆网络(BidirectionalConvolutional Long Short-TermMemory,BiConvLSTM)与二维卷积神经网络相结合,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;设输入序列为X=(x1,x2,...,xT),其中xt是时间t的输入,在BiConvLSTM中,我们使用前向和反向两个ConvLSTM层,对输入进行卷积处理,设卷积操作为C,则可以表示为:其中,表示经过卷积层处理的特征图,Wc为卷积核权重,bc为偏置;

使用前向ConvLSTM从t=1到t=T处理输入序列,反向ConvLSTM从t=T到t=1处理输入序列:ht(c)=[ht(f),ht(b)] (5)

BiConvLSTM的最终输出可以表示为:

yt=Wy·ht+by (6)

其中,Wy是最终输出的权重矩阵,by是输出偏置;

第五个网络模块使用多层感知机(MLP,Multi-LayerPerceptron),将输入数据通过每层的权重和激活函数进行处理,最终产生输出,对于输入层到第l层的神经元,输入x和权重W(l)以及偏置b(l)的计算公式可表示为:z(l)=W(l)·x+b(l) (7)

这里,W(l)表示第l层的权重矩阵,b(l)表示第l层的偏置向量,最后,应用激活函数f来得到该层输出:a(l)=f(z(l)) (8)

步骤S4所述的MultiScaleWaveFormer混合深度学习模型的训练选择本发明改进的S-Huber损失函数,该损失函数是在Huber损失基础上引入缩放参数h,结合均方误差(MSE)的加权和,公式为:S-Huber(ytrue,ypred)=h×Huber(ytrue,ypred)+(1-h)×MSE(ytrue,ypred) (9)其中,Huber作为一种用于处理异常值的损失函数,被定义为:

当|ytrue-ypred|≤δ时,误差较小,损失主要取平方形式(类似于均方误差MSE),当|yture-ypred|>δ时,误差较大,损失采用线性形式,减小异常值对整体模型的影响;

均方误差(MSE)定义为:

在公式(9)、(10)和(11)中:h是缩放系数,介于0到1之间,用于在Huber损失和MSE之间进行权重分配,Huber(ytrue,ypred)是标准的Huber损失,MSE(ytrue,ypred)是均方误差损失,ytrue是真实值,ypred是预测值,δ是调节异常敏感度的阈值,N为样本数量。

6.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S5包括以下子步骤:步骤S5.1,在深度学习环境tensorflow框架中安装SHAP(SHapleyAdditiveexPlanations)库;

步骤S5.2,选择1000个样本输入数据作为基准数据集(背景数据),用于创建MultiScaleWaveFormer模型SHAP深度学习解释器;

步骤S5.3,使用解释器为模型的输入数据计算Shapley值,Shapley值表示每个输入特征对预测结果的贡献;Shapley值的计算公式可表示为:其中,n(i)表示样本i被选中的次数,表示所有样本的预测均值,f(xij)是预测样本i的第j个特征xij对样本i的预测贡献,K为样本i的特征个数;

步骤S5.4,可视化SHAP值,绘制单个样本的SHAP值,以解释模型是如何做出特定预测;特征重要性全局可视化,以查看整体特征的重要性;特征依赖性可视化,通过依赖图查看单个特征如何影响预测,并与其他特征交互;每个样本的SHAP值可用公式表示为:Shap value=explainer(X) (13)

其中,explainer(X)是基于MultiScaleWaveFormer模型创建的解释器,X表示样本。

7.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S6具体实现如下:将包含25%数据的测试集用于经过验证的模型中,得到输出结果。

8.根据权利要求1所述的一种星载GNSS-R海面有效波高反演的混合深度学习模型构建及输出解释方法,其特征在于,步骤S7选择的性能评估指标为:均方根误差(RMSE)、偏差(Bias)、平均绝对百分比误差(MAPE)和皮尔逊(Pearson)相关系数(CC),相关计算公式如下:Bias=E[F(x)]-A(x) (15)

其中,m为数据样本的数量,yi,M为模型估计的有效波高值,yi,T为来自参考数据集的有效波高值,分别为yi,M和yi,T的平均值,E[F(x)]是模型在特定输入x下的预测值的期望,A(x)是真实值,At是在时间t的真实值,Ft是在时间t的预测值,|·|表示绝对值运算。