一种面向高风速增强的GNSS-R海面风速反演方法及系统

本发明属于海洋遥感与全球导航卫星反射信号（global navigation satellitesystem-reflectometry，gnss-r）应用，具体涉及一种面向高风速增强的gnss-r海面风速反演方法及系统。

背景技术：

1、gnss-r通过接收海面镜面点附近的导航卫星反射信号，并构建延迟-多普勒图（delay-doppler map，ddm）以表征海面散射状态、粗糙度水平以及观测几何关系，从而实现海面风速等海洋动力参数的遥感反演。随着深度学习方法在遥感反演任务中的应用，基于ddm矩阵与辅助特征联合输入的端到端海面风速回归方法逐渐成为重要研究方向。相较于依赖经验地球物理模型函数的传统方法，深度神经网络具有更强的非线性拟合能力，能够更充分地挖掘ddm形态信息与辅助物理特征之间的耦合关系。

2、然而，在实际gnss-r海面风速反演任务中，仍然存在以下几个关键问题。

3、第一，风速样本分布呈现显著长尾特性。实际观测中，中低风速样本占据绝大多数，而中高风速特别是高风速样本数量有限，导致模型在训练时更容易拟合主分布样本，即使整体均方误差较低，模型在高风速区间仍然可能产生较大的系统性低估误差。

4、第二，传统均方误差损失函数对不同风速区间采用相同的优化强度。在高风速样本数量远少于中低风速样本的条件下，即使引入了样本增强，训练过程依然可能主要受到中低风速样本主导，从而削弱合成高风速样本对模型参数更新的实际影响。

5、第三，高风速样本中还同时存在观测质量差异问题。同为高风速样本，不同入射角、信噪比、归一化双基地雷达散射截面、前沿斜率及噪声底条件下，样本的可靠性和可学习性并不一致。若在损失函数中不区分样本质量，则可能放大低质量高风速样本对训练的干扰。

技术实现思路

1、本发明针对现有技术中高风速样本稀缺、合成样本联合一致性不足以及高风速区间系统性低估的问题，提供一种面向高风速增强的gnss-r海面风速反演方法，对gnss-r观测样本进行质量控制与标准化预处理；构建基础海面风速反演模型并通过第一阶段训练获得基础模型；基于中高风速样本训练联合自编码器，使其学习延迟-多普勒图、辅助特征向量及风速真值之间的联合分布关系；利用训练完成的联合自编码器在潜空间中生成高风速合成样本，并通过一致性筛选和效用筛选保留有有效增强样本集；最后基于高风速约束优化损失开展第二阶段训练，从而得到训练完成的海面风速反演模型。

2、根据本说明书的一方面，提供一种面向高风速增强的gnss-r海面风速反演方法，包括：

3、基于获取的gnss-r观测数据和海面风速真值数据构建原始样本集，进行预处理得到预处理样本集；

4、利用预处理样本集对基础海面风速反演模型进行第一阶段训练，输出训练后的基础海面风速反演模型；

5、基于预处理样本集中的训练样本集构造中间样本，所述中间样本输入训练后的联合自编码器，依次经所述联合编码器的延迟-多普勒图编码器得到延迟-多普勒图潜表示、经辅助编码器编码得到辅助潜表示、经联合融合模块融合延迟-多普勒图潜表示与辅助潜表示后输出中间潜变量，以及经条件编码器接收联合潜变量，通过特征重构形成高风速合成样本集；所述联合自编码器还包括风速一致性分支，用于对联合潜变量回归映射输出风速重构值，以评估高风速合成样本集的风速一致性；

6、对所述高风速合成样本集进行一致性筛选，利用训练后的基础海面风速反演模型进行效用筛选，得到有效增强样本集；

7、将所述有效增强样本集与训练样本集共同构成第二阶段训练集，结合第二阶段总损失，利用第二阶段训练集对所述基础海面风速反演模型进行第二阶段训练，输出训练后的海面风速反演模型；

8、将待测gnss-r观测数据经预处理后输入训练后的海面风速反演模型，输出海面风速反演结果。

9、作为进一步的技术方案，所述基础海面风速反演模型的训练，包括：

10、构建预处理样本集；

11、搭建基础海面风速反演模型，包括：延迟-多普勒图特征提取支路，用于提取归一化延迟-多普勒图矩阵的延迟-多普勒图空间特征；辅助特征提取支路，用于提取归一化辅助特征向量的辅助上下文特征；交叉注意力融合模块，用于对延迟-多普勒图空间特征和辅助上下文特征进行融合，得到融合特征；回归输出模块，用于输出海面风速预测值；

12、结合第一阶段损失函数，采用预处理样本集对搭建的基础海面风速反演模型进行训练，得到训练后的基础海面风速反演模型。

13、作为进一步的技术方案，所述联合自编码器的训练，包括：

14、构建中高风速样本子集；

15、搭建联合自编码器，包括延迟-多普勒图编码器，用于对归一化延迟-多普勒图矩阵进行编码，得到延迟-多普勒图潜表示；辅助编码器，用于对归一化辅助特征向量和归一化风速真值的拼接结果进行编码，得到辅助潜表示；联合融合模块，用于对延迟-多普勒图潜表示与辅助潜表示进行融合，得到联合潜变量；条件解码器，用于基于联合潜变量，在卫星编号独热向量和归一化风速真值条件约束下进行重构，得到重构延迟-多普勒图和重构连续辅助特征；风速一致性分支，用于对联合潜变量进行重构，得到风速重构值；

16、结合联合损失函数，采用中高风速样本子集对搭建的联合自编码器进行训练，得到训练后的联合自编码器。

17、作为进一步的技术方案，基于中间潜变量得到高风速合成样本集，包括：

18、通过潜空间去噪器对中间潜变量进行修正得到增强潜变量；

19、基于增强潜变量解码得到高风速重构ddm矩阵和高风速重构连续辅助特征；

20、基于高风速重构ddm矩阵和高风速重构连续辅助特征，采用残差式更新方式构造高风速合成ddm矩阵和高风速合成连续辅助特征；

21、根据卫星编号独热向量和高风速合成连续辅助特征得到高风速合成辅助特征向量；

22、基于高风速合成ddm矩阵、高风速合成辅助特征向量以及高风速合成风速真值，得到高风速合成样本集。

23、作为进一步的技术方案，利用训练后的基础海面风速反演模型进行效用筛选，包括：

24、将每一个高风速合成样本输入基础海面风速反演模型，输出预测残差；

25、若预测残差位于预设有效区间，则保留预测残差位于预设有效区间内的高风速合成样本，得到有效增强样本集。

26、作为进一步的技术方案，所述第二阶段总损失的表达式为：

27、

28、其中，表示均方误差损失，表示高风速约束优化损失，表示高风速约束优化损失的权重，表示第二阶段总损失。

29、作为进一步的技术方案，所述高风速约束优化损失的表达式为：

30、

31、其中，表示高风速尾部激活系数，表示高风速尾部权重，表示低估非对称权重，表示物理质量权重，表示第二阶段训练样本数，表示第个样本的海面风速真值，表示海面风速预测值。

32、根据本说明书的一方面，提供一种面向高风速增强的gnss-r海面风速反演系统，包括：

33、第一处理模块，用于基于获取的gnss-r观测数据和海面风速真值数据构建原始样本集，进行预处理得到预处理样本集；

34、第二处理模块，用于利用预处理样本集对基础海面风速反演模型进行第一阶段训练，输出训练后的基础海面风速反演模型；

35、第三处理模块，用于基于预处理样本集中的训练样本集构造中间样本，所述中间样本输入训练后的联合自编码器，依次经所述联合编码器的延迟-多普勒图编码器得到延迟-多普勒图潜表示、经辅助编码器编码得到辅助潜表示、经联合融合模块融合延迟-多普勒图潜表示与辅助潜表示后输出中间潜变量，以及经条件编码器接收联合潜变量，通过特征重构形成高风速合成样本集；所述联合自编码器还包括风速一致性分支，用于对联合潜变量回归映射输出风速重构值，以评估高风速合成样本集的风速一致性；

36、第四处理模块，用于对所述高风速合成样本集进行一致性筛选，利用训练后的基础海面风速反演模型进行效用筛选，得到有效增强样本集；

37、第五处理模块，用于将所述有效增强样本集与训练样本集共同构成第二阶段训练集，结合第二阶段总损失，利用第二阶段训练集对所述基础海面风速反演模型进行第二阶段训练，输出训练后的海面风速反演模型；

38、第六处理模块，用于将待测gnss-r观测数据经预处理后输入训练后的海面风速反演模型，输出海面风速反演结果。

39、根据本发明说明书的一方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的面向高风速增强的gnss-r海面风速反演方法的步骤。

40、根据本发明说明书的一方面，提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的面向高风速增强的gnss-r海面风速反演方法的步骤。

41、与现有技术相比，本发明的有益效果是：

42、1、本发明通过联合自编码器同时对延迟-多普勒图、辅助特征和风速标签进行联合建模，相较于传统单模态过采样方法，能够学习高风速样本的联合流形并生成高风速合成样本。

43、2、本发明在高风速合成样本生成过程中引入基础样本、配对样本、潜空间去噪及筛选机制，能够提高高风速合成样本的稳定性和可用性。

44、3、本发明通过高风速约束优化损失对高风速区间施加渐进激活、低估非对称和物理质量感知三重约束，使海面风速反演模型在第二阶段训练中更加关注高风速稀缺样本及其低估问题，实现了高风速样本增强与高风速损失重加权的协同优化，在尽量保持中低风速区间反演精度的前提下，提高了高风速区间的反演性能和模型泛化能力。