基于机器学习的星载GNSS-R风向探测装置及方法与流程

本发明涉及一种基于机器学习的星载gnss-r风向探测装置及方法。

背景技术：

星载gnss-r探测仪基于卫星导航系统反射信号技术(globalnavigationsatellitesystem-reflectometry：gnss-r)，能够同时接收多颗gnss卫星的信号，且其观测范围广，不受天气(云、雾)等影响，能够对反射面高度和风速等要素实现低成本、高时空分辨率全天候的实时观测。

现有的星载平台下gnss-r可实现对于反射面高度和风速等要素的探测，而针对风向要素尚没有很好的探测方法，且风向难以测准。

技术实现要素：

本发明的目的在于提供一种基于机器学习的星载gnss-r风向探测装置及方法。

为解决上述问题，本发明提供一种基于机器学习的星载gnss-r风向探测装置，包括：

包括：数据采集模块，数据筛选模块，数据预处理模块，辅助数据模块，机器学习模块，风向要素计算模块，其中，

所述数据采集模块，用于采集包括gnss-r卫星的ddm数据，形成初始数据集，并将初始数据集传递到数据筛选模块；

所述数据筛选模块，用于筛选初始数据集数据中质量好于预设阈值的有效数据，将筛选后的数据形成有效数据集，并将有效数据集传递到数据预处理模块；

所述数据预处理模块，用于根据有效数据集中的ddm数据计算第一风向测量角和第二风向测量角，再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集，选取所述基础数据集的一部分形成第一基础数据集，将第一基础数据集传递给辅助数据模块和机器学习模块，将基础数据集的剩下部分形成第二基础数据集，将第二基础数据集传递给风向要素计算模块；

所述辅助数据模块，用于根据数据预处理模块传递的第一基础数据集，提取第一基础数据集中的镜面反射点的测量时间和位置，计算与镜面反射点的测量时间和位置相匹配的风向要素真值，形成包含风向要素真值的辅助数据集，并将辅助数据集传递给机器学习模块；

所述机器学习模块，用于根据数据预处理模块传递的第一基础数据集和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给风向要素计算模块；

所述风向要素计算模块，用于根据数据预处理模块传递的第二基础数据集和机器学习模块传递的训练好的机器学习模型及相关模型参数，得到与数据预处理传递的第二基础数据集所对应的风向要素计算值。

进一步的，在上述装置中，所述初始数据集包括：gnss-r卫星的ddm数据、gnss-r卫星ddm数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、gnss-r卫星的位置、gnss-r卫星相对镜面反射点的仰角及方位角和信噪比数据。

进一步的，在上述装置中，所述质量好于预设阈值的有效数据，包括：数据相对的镜面反射点的测量时间和位置是正常值、gnss-r卫星的位置是正常值、镜面反射点的仰角/方位角是正常值、信噪比数据大于预设第一阈值、gnss-r卫星相对镜面反射点的仰角大于预设第二阈值和镜面反射点时空对应的风速大于预设第三阈值。

进一步的，在上述装置中，所述第一风向测量角为：以ddm数据的镜面反射点在ddm上的对应点为o点，ddm所有区域对应的质心为m1点，射线om1和ddm图x轴的夹角为第一风向测量角。

进一步的，在上述装置中，所述第二风向测量角为：以ddm数据的镜面反射点在ddm上的对应点为o点，ddm所有区域对应的质心为m1点，选取功率幅度值在最大功率幅度的30％-70％之间的区域的质心为m2点，射线om1和射线m1m2的夹角为第二风向测量角。

进一步的，在上述装置中，所述基础数据集包括：镜面反射点的测量时间和位置、镜面反射点时空对应的风速、gnss-r卫星相对镜面反射点的仰角/方位角、第一风向测量角和第二风向测量角。

进一步的，在上述装置中，所述风向要素真值为：根据包括欧洲天气数值预报中心研发的风向数据集，选取风向数据集中与镜面反射点时空对应数据作为风向要素真值。

进一步的，在上述装置中，所述机器学习模型为选用支持向量机或是支持向量回归模型。

根据本发明的另一方面，还提供一种基于机器学习的星载gnss-r风向探测方法，包括：

步骤1、基于星载gnss-r风向要素探测系统，采集包括gnss-r卫星的ddm数据，形成初始数据集；

步骤2、基于初始数据集，筛选初始数据集中数据质量大于预设阈值的有效数据，形成有效数据集；

步骤3、基于所述有效数据集中的ddm数据，计算第一风向测量角和第二风向测量角，再将有效数据集中的部分数据、第一风向测量角和第二风向测量角合成基础数据集；

步骤4、筛选预设比例的基础数据集中的数据形成第一基础数据集，剩下的基础数据集形成第二基础数据集；

步骤5、基于第一基础数据集，提取第一基础数据集中的镜面反射点的测量时间和位置，计算与镜面反射点的测量时间和位置相匹配的风向要素真值，形成包含风向要素真值的辅助数据集；

步骤6、基于第一基础数据集和辅助数据集，建立并训练机器学习模型；

步骤7、基于训练好的机器学习模型及相关模型参数，计算第二基础数据集所对应的风向要素计算值。

与现有技术相比，与现有技术相比，本发明的基于机器学习的星载gnss-r风向探测装置及方法科学合理、易于实现。本发明基于星载gnss-r探测仪的在轨特性，融合机器学习相关算法，提供了有效的风向要素探测方法及装置，可以很便捷的计算风向要素，为提高gnss-r反射面的风向要素探测精度打下良好的基础。

附图说明

图1是本发明一实施例的基于机器学习的星载gnss-r风向探测装置的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于机器学习的星载gnss-r风向探测装置，包括：数据采集模块，数据筛选模块，数据预处理模块，辅助数据模块，机器学习模块，风向要素计算模块，其中，

所述数据采集模块，用于采集gnss-r卫星的时延多普勒图(ddm)等相关数据，形成初始数据集，并将初始数据集传递到数据筛选模块；

所述数据筛选模块，用于筛选初始数据集数据中质量好于预设阈值的有效数据，将筛选后的数据形成有效数据集，并将有效数据集传递到数据预处理模块；

所述数据预处理模块，用于根据有效数据集中的ddm数据计算第一风向测量角(σ1)和第二风向测量角(σ2)，再将有效数据集中的部分数据、第一风向测量角(σ1)和第二风向测量角(σ2)合成基础数据集，选取所述基础数据集的一部分(可选20％的基础数据集)形成第一基础数据集d1，将第一基础数据集d1传递给辅助数据模块和机器学习模块，将基础数据集的剩下部分(选取后剩下的基础数据集)形成第二基础数据集d2，将第二基础数据集d2传递给风向要素计算模块；

所述辅助数据模块，用于根据数据预处理模块传递的第一基础数据集d1，提取第一基础数据集d1中的镜面反射点的测量时间和位置，计算与镜面反射点的测量时间和位置相匹配的风向要素真值，形成包含风向要素真值的辅助数据集，并将辅助数据集传递给机器学习模块；

所述机器学习模块，用于根据数据预处理模块传递的第一基础数据集d1和辅助数据模块传递的辅助数据集，建立并训练机器学习模型，并将训练好的机器学习模型及相关模型参数传递给风向要素计算模块；

所述风向要素计算模块，用于根据数据预处理模块传递的第二基础数据集d2和机器学习模块传递的训练好的机器学习模型及相关模型参数，得到与数据预处理传递的第二基础数据集d2所对应的风向要素计算值。

在此，本发明的目的在于提供一种基于机器学习的星载gnss-r风向探测装置及方法，科学合理、易于实现。

该发明科学合理、易于实现。本发明基于星载gnss-r探测仪的在轨特性，融合机器学习相关算法，提供了有效的风向要素探测方法及装置，从而可以解决星载gnss-r风向要素难以测量且难以测准的问题，且能优化星载gnss-r风向要素探测方法的复杂度，进而为提高星载gnss-r风向要素探测精度打下良好的基础。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述初始数据集包括：gnss-r卫星时延多普勒图(ddm)数据、gnss-r卫星ddm数据所对应的镜面反射点的测量时间和位置、镜面反射点时空对应的风速产品、gnss-r卫星的位置、gnss-r卫星相对镜面反射点的仰角/方位角和信噪比数据(snr)等。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述质量好于预设阈值的有效数据，包括：数据相对的镜面反射点的测量时间和位置是正常值、gnss-r卫星的位置是正常值、镜面反射点的仰角/方位角是正常值、信噪比数据(snr)大于预设第一阈值、gnss-r卫星相对镜面反射点的仰角大于预设第二阈值和镜面反射点时空对应的风速大于预设第三阈值等。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述第一风向测量角(σ1)为：以ddm数据的镜面反射点在ddm上的对应点为o点，ddm所有区域对应的质心为m1点，射线om1和ddm图x轴(时延维度轴)的夹角为第一风向测量角(σ1)。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述第二风向测量角(σ2)为：以ddm数据的镜面反射点在ddm上的对应点为o点，ddm所有区域对应的质心为m1点，选取功率幅度值在最大功率幅度的30％-70％之间的区域的质心为m2点，射线om1和射线m1m2的夹角为第二风向测量角(σ2)。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述基础数据集包括：镜面反射点的测量时间和位置、镜面反射点时空对应的风速、gnss-r卫星相对镜面反射点的仰角/方位角、第一风向测量角(σ1)和第二风向测量角(σ2)。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述风向要素真值为：根据包括欧洲天气数值预报中心(ecmwf)研发的风向数据集，选取风向数据集中与镜面反射点时空对应数据作为风向要素真值。

本发明的基于机器学习的星载gnss-r风向探测装置一实施例中，所述机器学习模型为选用如支持向量机(svm)或是支持向量回归(svr)模型等机器学习模块。

根据本发明的另一方面，还提供一种基于机器学习的星载gnss-r风向探测方法，包括：

步骤1、基于星载gnss-r风向要素探测系统，采集包括gnss-r卫星的时延多普勒图(ddm)的相关数据，形成初始数据集；

步骤2、基于初始数据集，筛选初始数据集中数据质量大于预设阈值的有效数据，形成有效数据集；

步骤3、基于所述有效数据集中的ddm数据，计算第一风向测量角(σ1)和第二风向测量角(σ2)，再将有效数据集中的部分数据、第一风向测量角(σ1)和第二风向测量角(σ2)合成基础数据集；

步骤4、筛选预设比例(可为20％)的基础数据集中的数据形成第一基础数据集d1，剩下的基础数据集形成第二基础数据集d2；

步骤5、基于第一基础数据集d1，提取第一基础数据集d1中的镜面反射点的测量时间和位置，计算与镜面反射点的测量时间和位置相匹配的风向要素真值，形成包含风向要素真值的辅助数据集；

步骤6、基于第一基础数据集d1和辅助数据集，建立并训练机器学习模型；

步骤7、基于训练好的机器学习模型及相关模型参数，计算第二基础数据集d2所对应的风向要素计算值。

与现有技术相比，本发明的基于机器学习的星载gnss-r风向探测装置及方法科学合理、易于实现。本发明基于星载gnss-r探测仪的在轨特性，融合机器学习相关算法，提供了有效的风向要素探测方法及装置，可以很便捷的计算风向要素，为提高gnss-r反射面的风向要素探测精度打下良好的基础。

综上所述，本发明提出了一种基于机器学习的星载gnss-r风向探测方法。该方法基于星载gnss-r探测仪的在轨特性，融合机器学习相关算法，提供了有效的星载gnss-r风向探测方法，解决星载gnss-r风向要素难以测量且难以测准的问题，可以优化星载gnss-r风向探测方法的复杂度，为提高星载gnss-r风向要素探测精度打下良好的基础。本发明的装置科学合理、易于实现。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。