一种基于BP神经网络的GNSS-R积雪深度反演方法

一种基于bp神经网络的gnss-r积雪深度反演方法
技术领域
1.本发明涉及地面积雪检测技术，特别涉及一种基于bp神经网络的gnss-r积雪深度反演方法。


背景技术：

2.雪是地球生态环境的重要组成部分，其变化对气候和能量平衡有重要影响。监测积雪的变化，有利于关注自然界的变化，提高雪资源的利用效率，同时也能对预防雪灾起到重要作用。
3.目前，传统的积雪深度测量方法有直接测量法、激光扫描仪测量法、空载雷射扫描法等，其中直接测量法是使用标杆在现场进行积雪深度测量，该方法的优点在于非常精准，但效率和可行性较低；激光扫描仪进行积雪深度测量时精度受到雪表面湿度、雪的反射率、积雪深度和颗粒大小等因素的影响，同时激光扫描仪本身的束直径和扫描持续时间也会影响测量结果；空载雷射扫描法相比于前两者具有成本低、稳定的特点，但每次可扫描的区域十分有限。
4.随着对卫星信号的研究，学者们发现右旋圆极化天线接收的卫星直射信号和经地表反射的信号可干涉形成的复合信号信噪比(signal-to-noise ratio，snr)数据。携带反射面特征参数的snr数据可用于反演地表积雪深度，称为全球卫星导航系统反射测量技术(global navigation satellite system-reflectometry，gnss-r)。传统的gnss-r雪深反演模型基于snr数据的多径振荡频率与垂直反射高度的关系反演积雪深度。但该模型依赖于多径振荡频率与反射高度之间的存在的经验公式，对不同的观测区域可能存在适用性较低的问题且反演精度仍有提高的空间。


技术实现要素：

5.本发明的目的是提供一种基于bp神经网络的gnss-r积雪深度反演方法，能够提高积雪深度反演模型与观测站之间的匹配度，减小由经验公式带来的误差，并具有更高的反演精度。
6.本发明的上述技术目的是通过以下技术方案得以实现的：
7.一种基于bp神经网络的gnss-r积雪深度反演方法，包括有以下步骤：
8.s1、选定实验区域；
9.s2、gnss接收机采集实验区域的snr数据，截取满足预设卫星仰角范围和方位角范围内的snr数据，snr数据包括趋势项分量snr
tre
与振荡分量snr
osc
；
10.s3、采用二阶多项式拟合法分离snr数据的趋势项分量snr
tre
和振荡分量snr
osc
；
11.s4、使用lomb-scargle periodogram谱分析法提取振荡分量snr
osc
的振荡频率f，采用非线性最小二乘拟合法拟合snr
osc
的幅值a和相位
12.s5、将得到的振荡频率f、幅值a和相位作为输入的特征，气象站记录的实际雪深作为输出，利用bp神经网络构建积雪深度回归分析模型
13.s6、根据构建得到的积雪深度回归分析模型进行积雪深度反演并评估精度。
14.作为优选，gnss接收机采集实验区域的snr数据为：
[0015][0016]
式中，和分别表示直接信号功率和反射信号功率；φ是直接信号和反射信号之间的相位延迟；snr数据：
[0017]
趋势项分量
[0018]
振荡分量snr
osc
＝2a
dar cosφ。
[0019]
作为优选，步骤s3具体为：
[0020]
通过二阶多项式y＝a0x2+a1x+a3拟合趋势项分量并分离；
[0021]
趋势项分量中的相位延迟φ根据直射信号和反射信号之间路径延迟δ表示为：
[0022][0023]
式中，λ为信号的波长；h为gnss天线相位中心到反射面的垂直高度；e为卫星仰角；
[0024]
snr的角频率ω写成
[0025][0026]
令sin e＝t，则有：
[0027][0028]
此时，振荡分量snr
osc
可表示为：
[0029][0030]
式中，f、a和分别表示为频率，幅值和相位。
[0031]
作为优选，步骤s5中利用bp神经网络构建积雪深度回归分析模型具体为：
[0032]
s51、建立基于bp神经网络的回归分析模型，将得到的振荡频率f、幅值a和相位作为输入样本划分为训练集和测试集，匹配实际雪深作为对应的输出数据；
[0033]
s52、设置神经网络的参数，包括网络层、训练参数和训练算法，对基于训练集训练后的结果进行调整参数直至模型收敛。
[0034]
作为优选，步骤s52对模型的训练具体为：
[0035]
网络层设为输入层、隐含层及输出层，分别为3层、8层和1层；
[0036]
设置具体训练参数，包括训练周期为1000，初始学习率为0.01、训练目标最小误差为0.00001；
[0037]
训练算法选择trainlm算法。
[0038]
作为优选，步骤s6具体为：
[0039]
将测试集用于训练后的回归分析模型中，模型输出得到积雪深度；
[0040]
通过相关系数r和均方根误差rmse两个指标对模型精度进行评估：
29659.00天线。天线离地面约2米，以15秒的采样间隔记录gps观测数据。原则上，可以在天线周围近10,000m2的范围内收集gps信号。距p351站1.8公里的snotel网络中的galena summit气象站(43.87497
°
n，114.71363
°
w，海拔2676米)提供了p351站的实际积雪深度数据。
[0058]
s2、gnss接收机采集实验区域的snr数据，截取满足预设卫星仰角范围和方位角范围内的snr数据，snr数据包括趋势项分量snr
tre
与振荡分量snr
osc
。
[0059]
如图2所示，为gnss-r技术几何模型图，gnss接收机采集到的snr，可表示为：
[0060][0061]
式中，和分别表示直接信号功率和反射信号功率。φ是直接信号和反射信号之间的相位延迟。在本实施例中，p351观测站2021年采集到的gps s1c观测数据被用于反演积雪深度。考虑到低仰角范围的snr数据的多路径效应比较显著，因此本实例截取仰角范围为5
°‑
25
°
的snr数据。另外，由于本实施例选取的p351观测站所处区域比较空旷，方位角范围选取为0
°‑
360
°
。
[0062]
s3、采用二阶多项式拟合法分离snr数据的趋势项分量snr
tre
和振荡分量snr
osc
：
[0063]
采集的snr包括趋势项分量和振荡分量snr
osc
＝2a
dar
cosφ。如图3所示，被当作干扰项的趋势项分量可通过二阶多项式拟合法拟合并分离。趋势项分量中的相位延迟φ根据直射信号和反射信号之间路径延迟δ可以表示为：
[0064][0065]
式中，λ为信号的波长；h为gnss天线相位中心到反射面的垂直高度；e为卫星仰角。snr的角频率ω可以写成：
[0066][0067]
令sin e＝t，则有：
[0068][0069]
此时，振荡分量snr
osc
可以表示为：
[0070][0071]
式中，f、a和分别表示为频率，幅值和相位。此时，振荡分量snr
osc
可以由其频率，幅值和相位进行表达。
[0072]
s4、使用lomb-scargle periodogram(lsp)谱分析法提取振荡分量snr
osc
的振荡频率f，并采用非线性最小二乘拟合法拟合snr
osc
得到幅值a和相位
[0073]
如图4所示，不同积雪深度时采集的snr信号的振荡分量呈现出明显的不同，其差异性可以通过其频率，幅值和相位表达出来。
[0074]
s5、以s4得到的振荡频率f、幅值a和相位作为输入的特征，气象站记录的实际雪
深作为输出，利用bp神经网络构建积雪深度的回归分析模型利用从snr数据提取的多个特征，包括频率、幅值和相位，建立积雪深度的回归分析模型，多特征的雪深反演结果更加稳定，能够对反演结果进行更好地约束，减少对单个特征的依赖度更低，表现出更高的反演精度。
[0075]
基于bp神经网络的积雪深度回归分析模型训练过程如下：
[0076]
s51、将bp神经网络应用于多特征的gnss-r积雪深度反演，其本质是建立回归分析模型进行数据预测，对s4中经处理后得到的振荡频率f、幅值a和相位作为输入样本划分为训练集和测试集，并匹配实际雪深作为对应的输出数据。其中，测试集被用于模型检验。本实施例共采集了p351站2021年符合条件的21900段gps snr弧用于建立基于bp神经网络回归分析模型，其中训练样本与测试样本的比例为3：1。实际雪深由snotel网络的中galena summit气象站提供。
[0077]
s52、设置bp神经网络的参数，包括网络层、训练参数和训练算法。参数设置需基于训练集的结果进行不断地调整。具体地，网络层设为输入层、隐含层和输出层，分别为3层、8层和1层。训练参数中，训练周期为10000，初始学习率为0.01，训练目标最小误差为0.00001。训练算法选择trainlm算法。
[0078]
利用bp神经网络基于snr数据提取的多个特征进行前期的模型训练，能够提高模型与观测区域之间的匹配度，实现一个模型对应一个观测区域，减小由经验公式带来的误差，从而提高反演精度。
[0079]
s6、根据s5得到的积雪深度回归分析模型进行积雪深度反演并验证精度；
[0080]
s61、将实测的输入样本(即s5中的测试集)用于回归分析模型中，输出得到的反演的积雪深度。由于积雪深度以天为单位记录，因此本实施例中对同一天的雪深结果取平均值作为当天最终的雪深反演结果s
预测
。图5所示，展示了本实施例中本发明方法得到的p351站2021年的雪深反演结果，其中，黑色曲线snotel网络提供的实际雪深，蓝色方块表示本发明提出的方法得到的反演雪深结果。
[0081]
s62、通过相关系数r和均方根误差rmse两个指标对模型精度进行评估：
[0082][0083][0084]
式中，s
预测
表示输出结果，s
实际
表示实际雪深。图6展示了本发明方法得到的雪深反演结果与实际雪深相比的对比情况，相关系数和均方根误差分别为0.97和15.71厘米，达到了较高的反演精度。
[0085]
现有的技术方法根据提取的频率可以求得天线到雪层的高度距离h：
[0086][0087]
再由天线高度h
天线
得到反演雪深s
反演
：
[0088]s反演
＝h
天线-h
[0089]
图7展示了现有的技术方法得到的雪深反演结果。现有的技术方法得到的反演结果的相关系数和均方根误差分别为0.96和21.13厘米。本发明方法相比于现有技术方法减少了约28％的误差。
[0090]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。