[发明专利]基于机器学习加权平均融合特征提取提高测高精度的方法

说明书

本发明公开了一种基于机器学习加权平均融合特征提取提高测高精度的方法，利用全球导航卫星系统反射计进行海面测高，能通过增加海洋表面观测的空间覆盖来改进海洋中尺度过程的观测和反演。为了弥补传统反演方法的不足，本发明基于机器学习融合模型结合特征提取的原理构建了以机载时延波形数据为输入，海面高度为输出的新型机器学习加权平均融合特征提取法。同时，基于时延波形数据集构建了HALF、DER两个与海面高度变化敏感的特征，并分析了不同信息细节的特征集对海面高度反演精度的影响。采用新型机器学习加权平均融合特征提取法能有效提高海面高度的反演精度，精度提高了约61％。

技术领域

本发明属于卫星测高学、海洋测绘学等交叉技术领域，尤其涉及一种基于机器学习加权平均融合特征提取提高测高精度的方法。

背景技术

海面高度作为一种重要的海洋参数，对于全球潮汐模型的建立、观测大尺度海洋环流以及全球海平面变化监测等都具有重要作用。传统星载雷达高度计通过连续向地球发射雷达脉冲并接收海面回波的方式来获取海洋物理参数信息，具有覆盖率低、重复周期长、卫星成本较高等不足。GNSS-R技术是近年来海面测高中的新兴遥感技术，通过测量经海面的反射信号与直射信号之间的时延进行海面高度反演。1993年，Martin-Neira首次提出了PARIS(Passive reflectometry and interferometry system)概念，指出了利用GPS反射信号进行测高的可能性。与传统的遥感技术相比，GNSS-R海洋遥感技术以其信号源丰富、低成本、低功耗、全天候及高实时性的优点，在较大程度上弥补了现有海洋遥感技术的缺陷。目前，该技术已被用于海面高度、海风、海冰、土壤湿度等参数的探测。

近年来，英国TDS-1，美国CYGNSS和中国捕风号A/B双星的先后成功发射，标志着GNSS-R技术步入了探测全球地表参数的新阶段。作为被动接收遥感的星载GNSS-R技术具有低成本和全球范围监测等优点，在海面高度反演领域具有较大的发展前景。然而，目前世界上发射的星载GNSS-R接收卫星主要用途并非海面高度反演，卫星接收机并未对高度反演进行优化，因此限制了高精度星载GNSS-R海面高度反演的研究。而机载测高技术被视为星载测高技术的预研技术正在被广泛研究。根据天线装置不同，GNSS-R测高可分为基于单天线的自相关模式和基于双天线的互相关干涉模式。相比于单天线模式，双天线模式对观测平台的高度没有严格要求，应用场景和范围更广泛。通过分析2011 年CSIC-IEEC在芬兰波罗的海的GNSS-R机载实验数据，理论和试验结果均表明互相关干涉模式的测高精度比CA码自相关模式测高精度高。利用加利福尼亚州蒙特利湾的机载实验数据，分析了HALF、DER和PARA3三种重跟踪方法的测量精度，并建立了机载GNSS-R高度反演过程中涉及到的各种误差模型，结果表明，HALF方法产生了最精确的测量结果，相较于DTU平均海面高度的误差为1-4m。通过分析2011年11月11日CSIC-IEEC在芬兰波罗的海GNSS-R 机载实验数据，针对不同仰角下的实验数据进行反演，得出仰角大小会对测高结果精度产生较大影响的结论。利用2015年12月3日CSIC-IEEC在波罗的海采集的机载数据进行了海面高度反演，针对Z-V模型拟合法进行时延估计复杂度高的特点，提出了7-β模型和相应的时延估计方法。在以往的研究中通常采用HALF、DER、FIT等重跟踪方法进行GNSS-R海面高度反演，并通过分析反演模型中涉及到的各类误差，建立相应的误差模型来提高测高反演精度。 HALF、DER、FIT等重跟踪方法多为经验模型，往往依赖于有限的标量时延- 多普勒图(DDM)观测值，只能利用DDM的部分信息反演海面高度，影响测高估算精度。同时，建立各种误差模型使得反演模型较为复杂不宜实现。