基于低轨卫星GNSS-R的公路微气象遥感与知识增强大模型推理预测方法及系统与流程

本发明属于gnss反射测量与卫星遥感数据处理，具体涉及一种基于低轨卫星gnss-r的公路微气象遥感与知识增强大模型推理预测方法及系统。

背景技术：

1、山区公路（包括高速公路）极易遭受局部路段恶劣气象的侵袭，强风、强降雨引发的路面积水、路面凝冰、路面积雪以及浓雾等，是重特大公路交通事故的主要诱因。准确获取公路沿线公里级的微气象信息并进行短临预测，是公路交通安全管控与运维调度的迫切需求。

2、gnss反射测量（gnss reflectometry，gnss-r）为双基被动雷达探测体制，以北斗、gps、galileo等导航卫星作为外辐射源，由低轨卫星接收地表反射回波，通过解析多普勒-时延图（delay doppler map，ddm）、解算归一化双基雷达散射截面（normalized bistaticradar cross section，nbrcs），可反演地表散射特征。gnss-r载荷体积小、功耗低，适合低轨立方星大规模星座组网，在理论上为公里级公路微气象的监测与预测提供了一种新的技术手段。

3、现有技术中，gnss-r遥感主要用于全球海洋与大尺度陆地环境监测，已有的gnss直射与反射信号联合反演方法通过构建统一物理状态向量、判识地表散射状态并动态选择反射模型，实现多要素气象参数的反演；已有的gnss-r强风灾害监测预警方法基于无人机平台对水面风速进行探测，并结合时序外推实现强风预警。此外，已有的路面凝冰状态预测方法将多模态大模型与轻量化小模型相结合，基于路侧监控图像与气象站数据实现路面凝冰状态的预测。

4、然而，将上述现有技术应用于公路沿线微气象监测与短临预测时，存在以下不足：第一，传统gnss-r观测多面向海洋或大尺度陆面，未针对公路狭长带状路网进行空间过滤，卫星观测足印随机分布，大量与公路无关的观测样本混入，公路局部区域的有效观测样本占比低，导致恶劣气象要素的反演精度差；第二，现有gnss-r反演模型大多仅针对土壤湿度、海面风场等要素，缺少针对路面积水、路面凝冰、地表积雪以及浓雾等公路交通恶劣气象要素的专用判别模型，干路面、积水、结冰、积雪等不同路面介质的l波段散射差异未被充分挖掘，且山区地形的多径干扰进一步恶化识别效果；第三，传统线性状态矩阵或单纯数据驱动的时序预测模型仅依靠数值数据进行拟合，缺少气象物理先验知识与历史同类极端灾害案例的约束，模型输出仅为数值结果，缺少可解释的因果推理，容易出现数值幻觉，对极端恶劣气象事件的命中率低，无法输出可读的预警推理依据；第四，现有gnss-r气象应用缺少面向交通业务的数据质控与偏差校正流程，输出结果不与公路编号、里程相绑定，数据格式与公路运维平台不匹配，业务落地难度大。

5、因此，本领域亟需一套面向公路场景的公里级微气象遥感监测与短临预测技术方案，以弥补山区公路地面观测站点的不足，提升公路沿线局部恶劣气象的识别精度、极端事件预测能力与预警结果的可解释性。

技术实现思路

1、本发明要解决的技术问题是：如何克服现有gnss-r技术无法适配公路沿线局部恶劣气象监测的缺陷，实现公里级公路微气象的准确监测与短临预测，并提升极端恶劣气象事件的预测能力与预警结果的可解释性。

2、为解决上述技术问题，本发明采用的技术方案是：

3、本发明提供一种基于低轨卫星gnss-r的公路微气象遥感与知识增强大模型推理预测方法，包括以下步骤：

4、s1、由搭载于低轨卫星的gnss-r载荷接收gnss导航卫星的直射信号与经地表反射的反射回波信号，对所述反射回波信号进行相关运算得到多普勒-时延图ddm，根据双基雷达方程由所述反射回波信号的功率解算归一化双基雷达散射截面nbrcs，并标记观测足印的地理坐标；

5、s2、基于公路路网矢量数据，计算各观测足印至公路的最短大地距离，将所述最短大地距离不大于与公路等级对应的缓冲带阈值的观测足印判定为有效观测样本，并为所述有效观测样本绑定公路编号与里程；

6、s3、基于所述有效观测样本的nbrcs与ddm，调用公路恶劣气象多要素反演模型，所述公路恶劣气象多要素反演模型包括路面积水判别模型、路基土壤湿度线性模型、局地风速反演模型、路面凝冰判别模型与地表积雪判别模型，各判别阈值与模型权重系数均由地面真值样本标定，依次反演路面积水状态、路基土壤湿度、局地风速、路面凝冰状态与地表积雪状态，并基于所述路基土壤湿度、ddm相位扰动梯度、先验近地表相对湿度与先验地表温度经浓雾联合概率映射函数输出浓雾发生概率；

7、s4、对反演得到的气象状态量进行异常样本剔除与系统偏差校正，得到质控后的公路分段气象状态时间序列；

8、s5、将所述公路分段气象状态时间序列、路侧气象传感器实测数据、区域历史气象再分析数据与公路地形高程先验数据，以gnss-r镜面反射点为空间锚点、以低轨卫星过境时刻为时间锚点完成时空对齐并经标准化后，按连续多次卫星过境组织为时空序列输入时序transformer，输出公路分段未来预设时长的气象要素数值预测结果；

9、s6、将公路分段实况与所述气象要素数值预测结果向量化得到查询向量，利用所述查询向量在预构建的公路恶劣气象历史案例向量库中检索相似度最高的前k个历史恶劣气象案例与气象物理规则，并将检索结果、所述气象要素数值预测结果以及公路地形与公路等级信息输入气象领域大模型，由所述气象领域大模型基于气象物理先验校验所述气象要素数值预测结果是否违背气象物理约束规则，识别所述气象要素数值预测结果中的数值幻觉异常点并依据预设修正规则进行修正，参考检索到的历史恶劣气象案例进行极端事件因果推理，输出修正参考信息与可解释预警推理文本；

10、s7、对所述气象要素数值预测结果与所述修正参考信息进行加权融合，输出公路分段恶劣气象预测时序、分项风险等级与综合风险等级，生成绑定公路编号与里程的标准化恶劣气象风险产品。

11、进一步地，步骤s1还包括星上预处理：所述gnss-r载荷的射频前端以直射通道实测功率为反馈输入，迭代更新反射通道增益并对所述反射通道增益施加增益上下限约束，抑制直射信号造成的反射通道饱和；选取所述ddm边缘无回波区域统计噪声基底，从所述ddm中扣除所述噪声基底得到降噪ddm；将所述降噪ddm、所述nbrcs、所述观测足印的地理坐标与时间轨道信息下传至地面运控数据中心。

12、进一步地，步骤s2中，采用haversine大圆距离公式计算所述观测足印的中心点至所述公路路网矢量数据中路网线段各采样点的距离，取其中的最小值作为所述最短大地距离；所述缓冲带阈值的取值与公路等级对应：高速公路与主干公路的缓冲带阈值为1km至3km，普通国道的缓冲带阈值为3km至5km。

13、进一步地，步骤s3中，所述公路恶劣气象多要素反演模型包括：

14、路面积水判别模型，基于所述nbrcs与所述ddm在时延维度的梯度计算路面积水判别因子，并将所述路面积水判别因子与路面积水判别阈值比较判定路面积水状态；所述路面积水判别模型的权重系数与判别阈值采用带地表散射物理约束的监督学习标定，以公路现场巡检、视频监测与气象记录标记的积水真值为标签，并施加与水面镜面反射使nbrcs升高、ddm时延梯度增大的机理对应的正权重约束；

15、路基土壤湿度线性模型，基于所述nbrcs与归一化植被指数计算所述路基土壤湿度，拟合系数由土壤湿度传感器原位实测的土壤体积含水量真值经线性最小二乘求解，并以决定系数与均方根误差检验确定最优拟合参数；

16、局地风速反演模型，基于所述ddm的二维扩散宽度与gnss信号地表入射角经非线性映射函数计算局地10m风速；所述二维扩散宽度由降噪ddm时延维度功率标准差与多普勒频移维度功率标准差的平方和的平方根计算得到；所述非线性映射函数为以所述二维扩散宽度与所述地表入射角为输入的浅层全连接神经网络，所述浅层全连接神经网络的训练损失在均方误差基础上叠加保证风速随所述二维扩散宽度增大单调递增的物理单调性约束；

17、路面凝冰判别模型，基于所述ddm的二维功率分布标准差计算路面凝冰判别因子，并将所述路面凝冰判别因子与路面凝冰判别阈值比较判定路面凝冰状态；地表积雪判别模型，基于所述ddm的二维扩散宽度计算地表积雪判别因子，并将所述地表积雪判别因子与地表积雪判别阈值比较判定地表积雪状态；所述路面凝冰判别模型与所述地表积雪判别模型的权重系数与判别阈值采用带地表散射物理约束的监督分类标定，真值来源于路面状态传感器、道路巡检记录与路侧视频监测，并施加与冰面光滑使nbrcs升高、ddm能量集中以及积雪粗糙散射使ddm能量弥散的机理对应的权重符号约束，以验证集f1得分最大为准则确定最优判别阈值。

18、进一步地，步骤s3中，所述浓雾联合概率映射函数的特征权重向量的各分量与偏置项采用融合气象先验约束的监督学习标定：以公路沿线能见度监测数据构建浓雾真值标签，损失函数在二分类交叉熵基础上增加物理约束惩罚项与知识正则项，约束各权重分量的符号符合浓雾生成物理机理；训练完成后采用shap分析量化所述路基土壤湿度、所述ddm相位扰动梯度与所述先验近地表相对湿度各特征对浓雾发生概率的相对贡献；当所述浓雾发生概率大于浓雾风险概率阈值时，判定对应公路分段为浓雾高风险。

19、进一步地，步骤s4中，所述异常样本剔除采用空间邻域3-σ准则：计算观测样本空间邻域内nbrcs样本的均值与标准差，将所述观测样本的nbrcs与所述均值之差的绝对值大于3倍所述标准差的观测样本判定为异常样本并剔除；所述系统偏差校正为：对保留的观测样本的nbrcs施加与gnss信号地表入射角和观测时间相关的系统偏差补偿；

20、步骤s5中，所述时空对齐包括：空间上统一采用cgcs2000坐标系，以gnss-r镜面反射点为空间锚点，公路地形高程数据经双线性插值提取镜面反射点的高程、坡度与坡向，路侧气象传感器实测数据在镜面点预设1km搜索半径内检索站点并经距离反比加权插值得到镜面点位气象参数，区域历史气象再分析数据经双线性空间插值映射至镜面反射点坐标；时间上以低轨卫星过境时刻为时间基准，路侧气象传感器实测数据选取过境前后30min时间窗口内的观测数据经时间加权平均，区域历史气象再分析数据选取距过境时刻最近的两个时次经线性插值；完成时空对齐后对各源特征做z-score标准化，对观测缺失位置引入掩码token，将各源特征在特征维度拼接后输入所述时序transformer。

21、进一步地，步骤s5中，所述时序transformer包括依次堆叠的多层编码器，编码器堆叠层数为3，多头自注意力头数为4，模型隐藏维度为128，单头特征维度为32，前馈网络采用两层全连接结构，中间扩展维度为512且激活函数采用gelu，自注意力层与前馈网络层的丢弃率为0.1，层归一化采用前置层归一化结构；所述时空序列为连续16次低轨卫星过境观测构成的时序token序列，输入嵌入叠加可学习时序位置编码与可学习数据源类型编码；

22、所述时序transformer的训练数据集由连续16次过境的多源时序特征序列与对应公路点位的恶劣天气事件标记配对构建，真值标签来源于公路能见度仪、路面状态传感器与道路巡检记录；训练以四类公路恶劣天气的加权多标签二分类交叉熵损失为优化目标，正则平衡超参数与l2正则系数经网格搜索结合交叉验证确定。

23、本发明还提供一种基于低轨卫星gnss-r的公路微气象遥感与知识增强大模型推理预测系统，包括低轨卫星星座、地面运控数据中心与交通气象业务服务终端；

24、所述低轨卫星星座包括若干搭载gnss-r载荷的低轨卫星，所述gnss-r载荷包括直射天线、反射天线、射频前端模块、软件无线电接收机与星上处理单元；所述直射天线用于接收gnss导航卫星的直射信号，所述反射天线用于接收经地表反射的反射回波信号，所述软件无线电接收机用于对所述反射回波信号进行相关运算输出多普勒-时延图ddm，所述星上处理单元用于根据双基雷达方程解算归一化双基雷达散射截面nbrcs并标记观测足印的地理坐标；

25、所述地面运控数据中心包括路网空间匹配模块、公路恶劣气象多要素反演模块、时序transformer-气象领域大模型rag检索增强混合推理模块、数据质控模块与恶劣气象风险产品生成模块；

26、所述路网空间匹配模块用于基于公路路网矢量数据计算各观测足印至公路的最短大地距离，将所述最短大地距离不大于与公路等级对应的缓冲带阈值的观测足印判定为有效观测样本并绑定公路编号与里程；

27、所述公路恶劣气象多要素反演模块用于基于所述有效观测样本的nbrcs与ddm，调用包括路面积水判别模型、路基土壤湿度线性模型、局地风速反演模型、路面凝冰判别模型与地表积雪判别模型的公路恶劣气象多要素反演模型，反演路面积水状态、路基土壤湿度、局地风速、路面凝冰状态与地表积雪状态，并输出浓雾发生概率；

28、所述数据质控模块用于对反演得到的气象状态量进行异常样本剔除与系统偏差校正；

29、所述时序transformer-气象领域大模型rag检索增强混合推理模块用于以时空对齐后的公路分段气象状态时间序列、路侧气象传感器实测数据、区域历史气象再分析数据与公路地形高程先验数据为输入，由时序transformer输出公路分段未来预设时长的气象要素数值预测结果，在预构建的公路恶劣气象历史案例向量库中检索相似度最高的前k个历史恶劣气象案例与气象物理规则，由气象领域大模型基于气象物理先验对所述气象要素数值预测结果进行校验与因果推理，识别并修正数值幻觉异常点，并加权融合输出公路分段恶劣气象预测时序、分项风险等级与综合风险等级；

30、所述恶劣气象风险产品生成模块用于生成绑定公路编号与里程的标准化恶劣气象风险产品；

31、所述交通气象业务服务终端用于接收所述标准化恶劣气象风险产品，进行公路沿线恶劣气象可视化展示与分级告警输出。

32、进一步地，所述直射天线为右旋圆极化rhcp天线，所述反射天线为左旋圆极化lhcp天线；所述射频前端模块内置动态增益调节单元，所述动态增益调节单元用于以直射通道实测功率为反馈输入迭代更新反射通道增益并对所述反射通道增益施加增益上下限约束；所述星上处理单元还用于扣除所述ddm的噪声基底得到降噪ddm；所述低轨卫星星座还包括复用的现有低轨通信卫星平台，所述gnss-r载荷搭载于所述低轨通信卫星平台。

33、进一步地，所述时序transformer-气象领域大模型rag检索增强混合推理模块包括时序transformer数值预测子模块、向量检索库、气象领域大模型推理子模块与结果校验融合子模块；

34、所述时序transformer数值预测子模块用于以质控后的公路分段气象状态时间序列、路侧气象传感器实测数据、区域历史气象再分析数据与公路地形高程先验数据为输入，输出公路分段未来预设时长的气象要素数值预测结果；

35、所述向量检索库用于存储历史同路段恶劣气象灾害案例、气象物理规则与交通气象行业规范，采用领域微调的气象专用embedding模型将案例结构化特征与案例文本描述拼接为统一输入，输出固定维度的案例向量并构建向量索引，基于查询向量与库内案例向量之间的余弦相似度检索相似度最高的前k个历史恶劣气象案例与气象物理规则；

36、所述气象领域大模型推理子模块采用气象领域定制提示词模板，基于气象物理先验校验所述气象要素数值预测结果是否违背预设物理约束规则，识别并修正数值幻觉异常点，输出修正参考信息与可解释预警推理文本；其中，数值幻觉异常点的判定准则为：预测值超出该气象要素物理合理取值区间、且当前时刻预测值与前后相邻时间步预测值的残差超过由该路段历史同季节气象统计标准差确定的动态阈值；修正时优先采用检索返回的同路段同季节相似历史案例的要素统计均值作为候选参考，其次采用时序窗口内相邻时刻有效预测值的线性插值，融合加权得到修正后数值并再次校验物理边界；

37、所述结果校验融合子模块用于对所述气象要素数值预测结果与所述修正参考信息进行加权融合，输出公路分段恶劣气象预测时序、分项风险等级与综合风险等级。

38、与现有技术相比，本发明的有益效果在于：

39、本发明将gnss-r被动遥感引入公路沿线微气象监测，通过对观测足印执行面向公路路网的空间匹配筛选，将随机分布的卫星观测足印绑定至公路编号与里程，解决了观测足印随机分布与公路狭长带状目标之间的空间失配问题，提高了公路沿线有效观测样本的占比；在此基础上，本发明构建面向公路恶劣微气象的多要素专用反演模型组，挖掘干路面、积水、结冰、积雪不同路面介质的l波段散射差异，实现路面积水、路面凝冰、地表积雪与局地强风的公里级遥感识别，并通过路基土壤湿度、ddm相位扰动梯度与先验温湿度条件的联合概率判识输出浓雾发生概率，弥补了l波段信号无法直接观测浓雾的不足，整体提升了公路沿线局部恶劣气象的反演精度与要素识别的完备性。

40、本发明采用时序transformer与气象领域大模型rag检索增强相结合的混合推理架构，时序transformer拟合气象要素的非线性时序演变，气象领域大模型以历史极端案例检索提供同类灾害演变参照、以气象物理先验校验并修正数值幻觉，克服了单纯数值预测模型缺乏物理约束、极端恶劣气象事件命中率低、输出结果不可解释的缺陷，在输出准确短临预测结果的同时生成可读的预警推理文本，为交通运维决策提供可解释的推理依据。

41、本发明输出绑定公路编号与里程的标准化恶劣气象风险产品，直接对接交通气象业务服务终端，实现公路沿线恶劣气象的可视化展示与分级告警，便于在公路运维平台业务落地；同时，本发明的系统自身不发射探测信号，gnss-r载荷体积小、功耗低，适合低轨立方星大规模星座组网，并可复用现有低轨通信卫星平台，能够以较低的建设与维护成本弥补山区公路地面观测站点的不足，实现公里级公路微气象的连续监测。

42、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。