基于多变量机器学习的CYGNSS有效波高反演模型

作者：张云; 肖盛; 姜丽菲; 孟婉婷; 杨树瑚^*; 韩彦岭

来源：北京航空航天大学学报, 2023, 1-16.

DOI：10.13700/j.bh.1001-5965.2023.0265

• 有效波高
• CYGNSS
• 星载GNSS-R
• 机器学习

旋风全球导航卫星系统(Cyclone Global Navigation Satellite System， CYGNSS) 提供了高质量的全球导航卫星体系反射信号技术(Global Navigation Satellite System Reflectometry， GNSS-R)数据，能可靠地用于有效波高(Significant Wave Height， SWH)的反演。由于CYGNSS的高动态性，导致接收信号很容易受到环境因素的影响，海况的复杂性使简单模型难以准确反演SWH。为了解决上述问题，本文提出了一种基于机器学习的多变量SWH反演模型，根据海浪的形成机理以及对CYGNSS参数与SWH之间的相关性结果分析选取出了相关参数，并设计了5参数、9参数和17参数三种训练方案。随后利用随机森林(Random Forest， RF)和卷积神经网络(Convolutional Neural Network， CNN)对反演模型进行训练和验证，并将SWH反演结果与欧洲中期天气预报中心(European Centre for Medium-range Weather Forecasts， ECMWF)的参考值进行比较。其中最佳的反演模型是17参数CNN反演模型，RMSE=0.1840m，R2 =0.9485。与17参数CNN反演模型相比，9参数CNN反演模型减少了24%的训练时间，并且精度损失很小。但9参数反演模型相较17参数反演模型在泛化评估方面表现不佳。因此，为了提高模型的泛化能力，将风速作为参数添加到17参数反演模型中，得到了17+1参数泛化模型。其中最佳的泛化模型是17+1参数RF泛化模型，RMSE=0.4971m，为R2=0.5846。有效地证明了本文提出的模型在SWH反演中具有良好的潜力。

• 单位
  上海海洋大学; 上海航天电子技术研究所