1.星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,包括以下步骤:S1,原始数据获取,获取天目一号全球导航卫星掩星探测仪-M型的L1数据、ERA5再分析数据集和辅助数据作为原始数据;
S2,对原始数据进行预处理、质量控制和时空匹配,并对L1数据进行校准;
S3,将步骤S2处理后的数据集进行划分,60%作为训练数据,15%数据作为验证数据,25%作为测试数据;
S4,构建海洋涌浪高和风浪高联合反演模型,并对模型进行训练和验证;
所述联合反演模型的主体结合了以下五条输入线:
输入线一的输入为双基雷达散射截面;
输入线二的输入为GNSS-R变量和辅助参数;
输入线三的输入为有效散射面积;
输入线四的输入为原始计数DDM;
输入线五的输入为功率DDM;
输入线一、输入线四和输入线五的输入均为图像,它们的处理处理方法如下:
1)CNN卷积处理:
使用两个卷积层提取特征,之后使用了全局平均池化层降低维度,再通过全连接层进行进一步的特征映射和输出,这个过程用公式表示如下:使用两个卷积层提取特征:
X1=Conv2D(X)∈RH×W×64
X2=Conv2D(X1)∈RH×W×128
其中,输入张量用X∈RH×W×C表示,H是输入图像的高度,W是宽度,C是卷积核数量;Conv2D()表示二维卷积操作;X表示原始输入;X1是经过第一次卷积后的张量,卷积核数量为64;X2是经过第二次卷积后的张量,卷积核数量为128;
进入全局平均池化层:
X3=GlobalAveragePooling2D(X2)∈R128其中,X3是长度为128的向量,表示提取的特征,GlobalAveragePooling2D()表示全局平均池化操作;
通过全连接层将X3映射到256个神经元并输出X4:
X4=Dense(X3)∈R256;
2)使用Transformer模块对进行输入数据的处理:
Transformer模块利用多头注意力和前馈神经网络进行输入数据的处理,注意力输出通过残差连接添加到原始输入中,然后将层归一化应用于总和,达到稳定训练并提高收敛的效果,前馈网络使用两个全连接层,第一层使用Relu激活函数引入非线性,第二层使inputs.shape[-1]操作,将输出投影为与输入相同的维度,为了防止过拟合,使用了随机失活,并将前馈输出添加到第一层归一化的结果来应用了另一个残差连接,最后对结果进行再次归一化,作为Transformer模块的最终输出,这里的前馈神经网络由以下公式实现FFN(X)=max(0,XW1+b1)W2+b2
这里W1表示第一层权重矩阵;W2表示第二层权重矩阵;b1,b2表示偏置项;max(0,·)代表Relu激活函数;X表示原始输入;
最终输出可表示为:
Transformer(X)=LayerNorm(X+MultiHead(Q,K,V))+LayerNorm(FFN(X))其中,MultiHead(Q,K,V)为多头注意力机制,LayerNorm()表示归一化操作;
输入线二的输入使用动态多路径状态空间模型Mamba提取特征,使用三个不同的路径处理输入,且每条路经均使用了多层感知器MLP和一维卷积进行特征提取,对提取的特征使用乘法组合,除此之外,添加了门控机制,使用Softmax门控权重确定每条路径的贡献,而Skip连接把最终输出和原始输入结合,促进了梯度流动。在这个模块中,假设输入为X∈RN×D,N为批量大小,D为特征维度,最终输出可由公式表示为:其中,Yfinal为每条路径的加权和,为经过每条路径的MLP处理和一维卷积Conv1D的结果,gi表示门控权重;
经过处理后,通过一个有128个神经元的全连接层并使用ReLU激活函数,与其他线路汇合,汇合过程即为数据融合机制,具体表现为相乘融合,这一步操作以前,两条线路均通过了含有256个神经元的全连接层并使用ReLU激活函数,目的是保证形状的一致;
五条输入线汇合后,进一步使用双向卷积长短期记忆网络特征推理模块,在有效提取输入数据中的空间特征的同时,捕捉时序数据中的长期依赖,从而更全面地理解数据的空间—时间特征;
S5,添加自适应损失层,对海洋涌浪高和风浪高两个目标进行自适应加权,权重上引入正则化以防止过拟合,平衡联合反演模型的输出;
S6,将测试数据输入到经过验证的联合反演模型中,对模型的拟合效果进行进一步测试;
S7,联合反演模型的输出结果与ERA5数据的涌浪高真值、风浪高真值进行对比,评估模型的性能。
2.根据权利要求1所述的星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,所述步骤S1中,L1数据包括:
与图像相关的双基雷达散射截面、有效散射面积、原始计数DDM和功率DDM;
与DDM相关的DDM双基雷达散射截面计算系数、DDM峰值信噪比、DDM功率计算系数、DDM波形前沿斜率、DDM镜面反射点归一化双基雷达散射截面、归一化镜像点信噪比、DDM镜面反射点信噪比、DDM采集中间时刻对应的UTC时间和DDM波形数据的轨迹编号;
与发射机相关的DDM采集中间时刻对应的信号发射时刻的GNSS卫星速度X分量、Y分量和Z分量以及用于生成DDM波形的GNSS卫星PRN码;
与接收机相关的DDM采集中间时刻对应的低轨卫星的高度、DDM采集中间时刻对应的低轨卫星的经度、纬度、DDM采集中间时刻对应的低轨卫星翻滚角和DDM采集中间时刻对应的低轨卫星速度X分量、Y分量和Z分量;
与几何关系相关的镜面反射点的高度、镜面反射点接收机天线增益、镜面反射点在天线坐标系中的方位角、镜面反射点在卫星本体坐标系方位角、镜面反射点在轨道坐标系中的方位角、镜面反射点在方向图坐标系中的方位角、镜面反射点处GNSS信号入射角、镜面反射点的经度、纬度、镜面反射点在天线坐标系中的高度角、镜面反射点在卫星本体坐标系中高度角、镜面反射点在轨道坐标系中的高度角、镜面反射点在方向图坐标系中的高度角和镜面反射点速度的X分量、Y分量和Z分量;
ERA5再分析数据集包括风速、风向、水深和SWH数据;
辅助数据包括ERA5降水数据、ERA5海面温度数据、SMAP海面盐度数据、OSCAR沿经度、纬度方向的海洋表面流速数据。
3.根据权利要求2所述的星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,所述步骤S2包括以下子步骤:S21,从L1数据中计算特征观测值、使用L1数据产品DDM质量标识符进行数据质量控制、将L1数据、ERA5再分析数据集和辅助数据进行时空匹配;
S21,对L1数据四个系统的特征观测值进行相互校准:
首先将原始计数DDM校准到功率DDM,再将功率DDM校准为双基地雷达散射截面,公式表示如下:其中,C是原始计数DDM,G为仪器增益,P是功率DDM,分别是在延迟τ和多普勒f时的双基地雷达散射截面、功率DDM、有效散射面积的倒数,PtGt和Gr是GNSS发射机等效全向辐射功率和镜面反射点的接收机天线增益,Rt和Rr分别是从镜面反射点到发射机和接收机的距离;
使用线性模型将L1数据四个系统的特征观测值相互校准,线性模型如下:Zcalibrated=αZraw+β
其中,Zraw是未经校准的原始观测值,Zcalibrated是校准后的观测值,α是比例因子,用来调整不同系统间的尺度差异,β是偏差修正,用来修正不同系统间的基准误差。
4.根据权利要求3所述的星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,输入线三的输入直接应用Transformer模块进行处理,输入线一、输入线三、输入线四和输入线五这四条线路在得到Transformer模块的最终输出之后各自进行展平操作,分别经过全连接层后又进行了相加,汇成一条线。
5.根据权利要求4所述的星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,步骤S5包括以下子步骤:S51,由于模型最终输出为两个目标,分别为涌浪高和风浪高,添加自适应损失层,对两个目标进行自适应加权,具体表现为首先计算两个目标各自的损失,然后使用自适应权重更新各自的权,最后总损失选择强化目标一的关注:其中,α1和α2为调整权重的参数,loss1=MSE(ytrue,1,ypred,1)和loss2=MSE(ytrue,2,ypred,2)为两个损失项;
S52,权重上引入正则化用于约束α1和α2,以此控制模型的复杂度,防止出现过拟合,平衡联合反演模型的输出,则:上述同时考虑任务损失和正则化损失两个方面。
6.根据权利要求5所述的星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法,其特征在于,所述步骤S7中,模型的性能评估指标为均方根误差RMSE、均方误差MSE、平均绝对误差MAE和皮尔逊Pearson相关系数R2,对于涌浪高反演精度评价指标,相关计算公式如下:其中,m为数据样本的数量,yi,M为模型估计的有效涌浪高值,yi,T为来自参考数据集的涌浪高值,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。
风浪高评估指标计算方式同上。