一种基于跨站点机器学习的近岸GNSS-IR海面水位改正方法

本发明属于全球导航卫星系统干涉反射遥感（global navigation satellitesystem interferometric reflectometry，gnss-ir）和机器学习水位监测，具体涉及一种基于跨站点机器学习的近岸gnss-ir海面水位改正方法，尤其涉及一种利用多个已有源站资料训练跨站点回归模型、在未参与训练的目标站预测余水位并重构目标站改正总水位的gnss-ir海面水位改正方法。

背景技术：

1、gnss-ir利用岸基gnss接收机同时接收的直射信号与水面反射信号之间的干涉效应，从信噪比序列中提取反射面高度并反演水位。该方法能够复用既有连续运行gnss站，也可在需要监测的岸段快速布设专用接收设备，具有非接触、全天候和建设成本较低等特点。因此，gnss-ir不仅可作为长期验潮站的补充，还适合用于洪潮、风暴潮或工程观测期间的临时验潮，以及在传统验潮站覆盖不足区域增设水位监测点、加密区域水位监测网络。

2、现有gnss-ir水位反演通常对低高度角卫星弧段进行去趋势和频谱分析，并由主频计算天线相位中心至水面的垂直距离。受水面动态变化、观测间隔不规则、信号衰减、遮挡、卫星几何、海面粗糙度和反射环境差异影响，原始反演结果常包含系统偏差、离群值和时变误差。滑动窗口稳健估计、动态水位改正及样条拟合能够降低部分误差，但其固定模型难以同时描述多种误差源的非线性耦合。

3、机器学习可以利用gnss-ir水位、信号质量和环境变量学习非线性改正关系。然而，现有方法多按单站分别建模，需要先在目标站持续积累gnss-ir与验潮站同期历史数据，形成足够的监督学习样本后才能训练和应用；当目标站缺少本地历史标签时，则需要临近验潮站或其他水文站的数据参与模型训练。前一种方式延长了临时站和区域加密站的建设应用周期，后一种方式若直接套用邻站模型，又容易把邻站的潮差、潮相、垂直基准、采样特征和局部水动力条件带入目标站，从而产生分布偏移甚至负迁移。

技术实现思路

1、本发明的目的是针对现有单站gnss-ir机器学习改正方法需要长期积累目标站历史标签、邻近验潮站模型难以直接迁移、直接预测总水位时容易混入站点潮汐差异以及不规则采样条件下跨站特征难以统一构造的问题，提供一种基于跨站点机器学习的近岸gnss-ir海面水位改正方法，利用多个已有站点的历史gnss-ir和验潮资料建立可迁移关系，在目标站无需预先积累长期本地验潮标签的情况下，将目标站特征向量输入训练后的跨站点回归模型进行水位改正。本发明还通过gnss-ir原始观测的非等间隔特征，明确区分总水位、天文潮和余水位，使模型预测不同站点之间相对更易迁移的余水位，最终输出完整的改正总水位。

2、根据本发明说明书的一方面，提供一种基于跨站点机器学习的近岸gnss-ir海面水位改正方法，包括：

3、获取多个源站及至少一个目标站的原始gnss-ir总水位，同时获取各源站对应的验潮站参考总水位以及所述源站和目标站对应的信号质量及干涉状态信息、气象信息和站点环境信息；

4、基于各源站和目标站的原始gnss-ir总水位、各源站对应的验潮站参考总水位以及各自的不规则观测历元，对预设的天文潮分潮集合进行调和分析，估计预设分潮参数并分别构建源站验潮站天文潮序列以及各站gnss-ir天文潮序列；

5、以各站gnss-ir原始观测历元为统一时间基准，对各源站对应的验潮站参考总水位及源站和目标站的外部动态变量进行时间配准；

6、以各站的中心历元建立窗口，基于原始gnss-ir总水位、gnss-ir余水位、信号质量、干涉状态信息、气象信息、站点环境信息以及不规则采样状态特征，构造特征向量；将各源站对应的验潮站参考总水位减去源站验潮站天文潮序列，得到验潮站余水位并作为监督学习标签；

7、基于多个源站的特征向量及监督学习标签构建跨站点训练样本集，利用所述跨站点训练样本集对跨站点回归模型进行训练，并根据跨站点训练样本集确定特征预处理参数和模型超参数；

8、将目标站特征向量输入训练后的跨站点回归模型，得到目标站预测余水位，并将目标站预测余水位与目标站天文潮序列相加，得到目标站改正后的总水位。

9、作为进一步的技术方案，获取多个源站及至少一个目标站的原始gnss-ir总水位，包括：

10、对于多个源站及至少一个目标站，获取各站gnss接收机记录的gnss观测文件以及与观测时段对应的广播星历文件；

11、基于所述gnss观测文件和广播星历文件计算卫星高度角与方位角，并基于gnss观测文件提取信噪比观测序列；

12、基于信噪比观测序列，通过趋势分离得到以水面反射干涉震荡为主的去趋势信噪比序列；

13、基于以水面反射干涉震荡为主的去趋势信噪比序列，采用洛姆–斯卡格勒周期图分析提取谱峰主频，并结合载波波长计算反射面高度；

14、基于反射面高度，结合天线相位中心在统一参考基准下的高程得到原始gnss-ir总水位。

15、作为进一步的技术方案，进行时间配准，包括：

16、在每一gnss-ir观测历元两侧搜索待配准变量的相邻有效历元，以及相应的观测值；

17、在满足预设最大允许时间间隔约束的条件下进行线性插值，以完成待配准变量与gnss-ir原始观测历元之间的时间配准；

18、若缺少相邻有效历元或相邻历元间隔超过预设最大允许间隔时，则将当前gnss-ir原始观测历元对应的样本标记为无效并删除。

19、作为进一步的技术方案，所述干涉状态信息包括峰噪比、半峰全宽、振幅、阻尼系数、相位参数和卫星高度角变化率中的一种或多种。

20、作为进一步的技术方案，所述不规则采样状态特征至少包括窗口观测数、中心历元前后观测数、最近时间间隔、窗口内最大时间间隔、窗口时间覆盖率和时间平衡指数。

21、作为进一步的技术方案，所述gnss-ir余水位由各站原始gnss-ir总水位减去各站gnss-ir天文潮序列得到。

22、作为进一步的技术方案，进行时间配准的表达式为：

23、

24、其中，j为待配准变量的序号，表示第j个待配准变量，t为目标历元，与表示位于t前、后的最近有效历元。

25、根据本发明说明书的一方面，提供一种基于跨站点机器学习的近岸gnss-ir海面水位改正系统，用于实现所述的基于跨站点机器学习的近岸gnss-ir海面水位改正方法，包括：

26、数据获取模块，用于获取多个源站及至少一个目标站的原始gnss-ir总水位，同时获取各源站对应的验潮站参考总水位以及所述源站和目标站对应的信号质量及干涉状态信息、气象信息和站点环境信息；

27、天文潮构建模块，用于基于各源站和目标站的原始gnss-ir总水位、各源站对应的验潮站参考总水位以及各自的不规则观测历元，对预设的天文潮分潮集合进行调和分析，估计预设分潮参数并分别构建源站验潮站天文潮序列以及各站gnss-ir天文潮序列；

28、历元配准模块，用于以各站gnss-ir原始观测历元为统一时间基准，对各源站对应的验潮站参考总水位及源站和目标站的外部动态变量进行时间配准；

29、窗口样本构造模块，用于以各站的中心历元建立窗口，基于原始gnss-ir总水位、gnss-ir余水位、信号质量、干涉状态信息、气象信息、站点环境信息以及不规则采样状态特征，构造特征向量；将各源站对应的验潮站参考总水位减去源站验潮站天文潮序列，得到验潮站余水位并作为监督学习标签；

30、跨站点回归模型训练模块，用于基于多个源站的特征向量及监督学习标签构建跨站点训练样本集，利用所述跨站点训练样本集对跨站点回归模型进行训练，并根据跨站点训练样本集确定特征预处理参数和模型超参数；

31、目标站总水位获取模块，用于将目标站特征向量输入训练后的跨站点回归模型，得到目标站预测余水位，并将目标站预测余水位与目标站天文潮序列相加，得到目标站改正后的总水位。

32、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基于跨站点机器学习的近岸gnss-ir海面水位改正方法的步骤。

33、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基于跨站点机器学习的近岸gnss-ir海面水位改正方法的步骤。

34、与现有技术相比，本发明的有益效果是：

35、1、本发明分别根据验潮站总水位和gnss-ir总水位扣除同历元天文潮序列，得到含义明确的验潮站余水位标签和gnss-ir余水位输入，降低不同站点潮差、潮相和垂直基准差异对模型迁移的干扰，同时仍以总水位作为最终输出。

36、2、本发明采用以gnss-ir原始观测历元为统一时间基准的时间配准和滑动窗口特征构造，无需将原始序列强制重采样为规则序列，并显式描述稀疏、缺口和窗口不对称状态。

37、3、本发明通过汇集多个已有源站构建跨站点训练样本集，对跨站点回归模型进行训练，目标站无需预先积累长期本地验潮，即可输入训练后的跨站点回归模型，得到改正后的总水位，适用于临时验潮站、区域加密gnss-ir站以及其他缺少长期并址验潮资料的站点。

38、4、本发明通过信号质量、干涉状态、气象和站点环境特征描述误差发生条件，使回归模型能够学习多种误差源之间的非线性关系，并保留按源站数量和相似度扩展训练集的能力。