[发明专利]一种基于BP神经网络的GNSS-R海面风速反演方法及系统

说明书

本发明公开了一种基于BP神经网络的GNSS‑R海面风速反演方法及系统，所述方法包括：将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个BP神经网络。本发明利用BP神经网络反演GNSS‑R海面风速，模型简单，缩短了建模时间和反演时间，并进一步提高了反演精度；本发明的BP神经网络充分利用DDM图中与风速相关的物理量进行特征学习，在保证反演精度的情况下降低了计算量、缩短了耗时，具有模型简单、快速、结果精度高等特点。

技术领域

本发明涉及大气科学研究领域，具体涉及一种基于BP神经网络的GNSS-R海面风速反演方法及系统。

背景技术

海面风速是海洋状态信息中至关重要的物理参数，目前可以通过GNSS-R卫星遥感技术进行探测。由于GNSS-R技术具有高全球覆盖率、高时空分辨率等特点，能得到高质量的海面风速探测资料。目前GNSS-R风速反演方法主要有以下两种：

波形匹配法：首先需要根据实测数据提取系统状态信息，然后再生成理论模型模拟波形，最后进行归一化处理得到理论波形图，基于大量理论波形图建立仿真波形数据库；反演时由实测数据生成待测波形图，并进行降噪和归一化处理。将待测波形图和数据库中的理论波形图进行匹配，从匹配成功的理论波形图对应的风速就是待测数据的海面风速。但是该方法的缺陷在于计算量大，精细的数据库建立极为耗时。

经验函数法：通过对大量实测数据的经验总结，从DDM中选取与海面风速相关性高的某一、两个物理参数，进行回归线性拟合，从而建立其与海面风速的函数映射来获取风速。但是海面风速往往不只是由一、两个参数决定的结果，因此该方法的精度会由于忽视其他物理参数而受到影响。

发明内容

本发明的目的在于克服上述两种方法的不足，主要包括波形匹配法，计算量大，反演时间长；经验函数法，反演精度不佳；提出一种基于BP神经网络的海面风速反演方法，与波形匹配方法相比，该算法无需要建立庞大的仿真数据库，与经验函数方法相比，该算法可以建立多个观测量与海面风速的关系，可以充分利用与风速反演相关的物理量，所以，该方法能够进一步缩短反演时间并提高反演精度。

为实现上述目的，本发明的实施例1提供了一种基于BP神经网络的GNSS-R海面风速反演方法，所述方法包括：

将待测的DDM图输入预先训练好的海面风速反演模型，输出对应的反演风速；所述海面风速反演模型为一个BP神经网络。

作为上述方法的一种改进，所述BP神经网络的输入为DDM图，输出为海面风速；其激活函数为ReLU函数，输入层节点数是2560；，所述BP神经网络包括三个隐层：第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元；输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数为MSE函数，评价指标为均方根误差RMSE。

作为上述方法的一种改进，所述方法还包括：BP神经网络的训练步骤，具体包括：

选取多组GNSS-R数据和ECMWF分析场数据，进行时空匹配得到原始样本集，每组样本均由一个DDM图和对应的风速构成；

对原始样本集进行预处理并切分成训练集与测试集；

通过训练集数据训练BP神经网络，使得该网络能够持续捕获DDM图中的数据特征并建立与风速之间的映射关系；

用测试集数据对训练好的BP神经网络进行测试。

作为上述方法的一种改进，所述对原始样本集进行预处理并切分成训练集与测试集；具体包括：

基于经纬度、风速和信噪比对原始样本集数据进行筛选；

基于采样算法和归一化算法对筛选后的原始样本集数据进行预处理；