基于时延-多普勒图像的海洋表面风速反演方法

随着GNSS-R技术在海洋遥感领域的发展,已经积累了海量的GNSS-R数据。针对基于时延-多普勒相关功率图(DDM)实测波形与经验模型反演风速复杂性高、计算量大和精度低的问题,采用两种神经网络方法,基于NASA CYGNSS的DDM数据,分析了DDM与海洋表面风速的关系,首先引入卷积神经网络建立风速等级分类模型对海洋表面风速进行分类反演,但效果不理想。为获取精度更高的反演风速,对DDM进行特征提取,改用BP神经网络完成了风速反演。反演风速与实际风速的皮尔逊相关系数为0.958、均方根误差为1.86 m/s、平均相对误差为2.66%,证明了基于DDM使用神经网络反演风速的可行性和有效性。

基于曲率模型修正的星载DDM建模与仿真

针对星载场景下地球曲率对第一等延迟环范围变化的影响,提出一种基于曲率模型修正的时延-多普勒图像(delay-Dopplermap,DDM)建模方法。利用二分法对机载场景下的平面地球模型中第一等延迟环处散射点、发射机、接收机的几何关系进行修正,利用海面反射信号的相关功率模型得到散射信号的相关功率。对机载场景下平面地球模型和星载场景下基于曲率的地球模型进行模拟仿真,结果表明,星载场景下基于曲率模型修正的相关功率峰值略低于机载场景下的地球平面模型的相关功率峰值,整体波形无太大差异。