[發明專利]基于機器學習的星載GNSS-R風向探測裝置及方法

有效

• 申請號: 202110494392.1
• 申請日: 2021-05-06
• 公開（公告）號: CN113189366B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 孟婉婷;周勃;秦瑾;李恩晨;張軟玉
• 申請（專利權）人: 上海航天測控通信研究所
• 主分類號: G01P13/02
• 分類號: G01P13/02;G01S19/37;G06N20/00;G06K9/62
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于機器學習的星載GNSS-R風向探測裝置，其特征在于，包括：數據采集模塊，數據篩選模塊，數據預處理模塊，輔助數據模塊，機器學習模塊，風向要素計算模塊，其中，

所述數據采集模塊，用于采集包括GNSS-R衛星的DDM數據，形成初始數據集，并將初始數據集傳遞到數據篩選模塊，其中，所述初始數據集包括：GNSS-R衛星的DDM數據、GNSS-R衛星DDM數據所對應的鏡面反射點的測量時間和位置、鏡面反射點時空對應的風速產品、GNSS-R衛星的位置、GNSS-R衛星相對鏡面反射點的仰角及方位角和信噪比數據；

所述數據篩選模塊，用于篩選初始數據集數據中質量好于預設閾值的有效數據，將篩選后的數據形成有效數據集，并將有效數據集傳遞到數據預處理模塊；

所述數據預處理模塊，用于根據有效數據集中的DDM數據計算第一風向測量角和第二風向測量角，再將有效數據集中的部分數據、第一風向測量角和第二風向測量角合成基礎數據集，選取所述基礎數據集的一部分形成第一基礎數據集，將第一基礎數據集傳遞給輔助數據模塊和機器學習模塊，將基礎數據集的剩下部分形成第二基礎數據集，將第二基礎數據集傳遞給風向要素計算模塊，其中，所述第一風向測量角為：以DDM數據的鏡面反射點在DDM上的對應點為O點，DDM所有區域對應的質心為M₁點，射線OM₁和DDM圖X軸的夾角為第一風向測量角；所述第二風向測量角為：以DDM數據的鏡面反射點在DDM上的對應點為O點，DDM所有區域對應的質心為M₁點，選取功率幅度值在最大功率幅度的30％-70％之間的區域的質心為M2點，射線OM₁和射線M₁M₂的夾角為第二風向測量角；

所述輔助數據模塊，用于根據數據預處理模塊傳遞的第一基礎數據集，提取第一基礎數據集中的鏡面反射點的測量時間和位置，計算與鏡面反射點的測量時間和位置相匹配的風向要素真值，形成包含風向要素真值的輔助數據集，并將輔助數據集傳遞給機器學習模塊；

所述機器學習模塊，用于根據數據預處理模塊傳遞的第一基礎數據集和輔助數據模塊傳遞的輔助數據集，建立并訓練機器學習模型，并將訓練好的機器學習模型及相關模型參數傳遞給風向要素計算模塊；

所述風向要素計算模塊，用于根據數據預處理模塊傳遞的第二基礎數據集和機器學習模塊傳遞的訓練好的機器學習模型及相關模型參數，得到與數據預處理傳遞的第二基礎數據集所對應的風向要素計算值。

2.如權利要求1所述的基于機器學習的星載GNSS-R風向探測裝置，其特征在于，所述質量好于預設閾值的有效數據，包括：數據相對的鏡面反射點的測量時間和位置是正常值、GNSS-R衛星的位置是正常值、鏡面反射點的仰角/方位角是正常值、信噪比數據大于預設第一閾值、GNSS-R衛星相對鏡面反射點的仰角大于預設第二閾值和鏡面反射點時空對應的風速大于預設第三閾值。

3.如權利要求1所述的基于機器學習的星載GNSS-R風向探測裝置，其特征在于，所述基礎數據集包括：鏡面反射點的測量時間和位置、鏡面反射點時空對應的風速、GNSS-R衛星相對鏡面反射點的仰角/方位角、第一風向測量角和第二風向測量角。

4.如權利要求1所述的基于機器學習的星載GNSS-R風向探測裝置，其特征在于，所述風向要素真值為：根據包括歐洲天氣數值預報中心研發的風向數據集，選取風向數據集中與鏡面反射點時空對應數據作為風向要素真值。

5.如權利要求1所述的基于機器學習的星載GNSS-R風向探測裝置，其特征在于，所述機器學習模型為選用支持向量機或是支持向量回歸模型。

6.一種基于機器學習的星載GNSS-R風向探測方法，其特征在于，包括：

步驟1、基于星載GNSS-R風向要素探測系統，采集包括GNSS-R衛星的DDM數據，形成初始數據集；

步驟2、基于初始數據集，篩選初始數據集中數據質量大于預設閾值的有效數據，形成有效數據集，其中，所述初始數據集包括：GNSS-R衛星的DDM數據、GNSS-R衛星DDM數據所對應的鏡面反射點的測量時間和位置、鏡面反射點時空對應的風速產品、GNSS-R衛星的位置、GNSS-R衛星相對鏡面反射點的仰角及方位角和信噪比數據；

步驟3、基于所述有效數據集中的DDM數據，計算第一風向測量角和第二風向測量角，再將有效數據集中的部分數據、第一風向測量角和第二風向測量角合成基礎數據集，其中，所述第一風向測量角為：以DDM數據的鏡面反射點在DDM上的對應點為O點，DDM所有區域對應的質心為M₁點，射線OM₁和DDM圖X軸的夾角為第一風向測量角；所述第二風向測量角為：以DDM數據的鏡面反射點在DDM上的對應點為O點，DDM所有區域對應的質心為M₁點，選取功率幅度值在最大功率幅度的30％-70％之間的區域的質心為M2點，射線OM₁和射線M₁M₂的夾角為第二風向測量角；

步驟4、篩選預設比例的基礎數據集中的數據形成第一基礎數據集，剩下的基礎數據集形成第二基礎數據集；

步驟5、基于第一基礎數據集，提取第一基礎數據集中的鏡面反射點的測量時間和位置，計算與鏡面反射點的測量時間和位置相匹配的風向要素真值，形成包含風向要素真值的輔助數據集；

步驟6、基于第一基礎數據集和輔助數據集，建立并訓練機器學習模型；

步驟7、基于訓練好的機器學習模型及相關模型參數，計算第二基礎數據集所對應的風向要素計算值。