摘要
基于全球海面测高数据能够反演获得全球海洋重力场，进而为潜器水下重力匹配辅助导航提供数据基础。通过水下重力匹配辅助导航能够修正潜器在惯性导航中存在的系统漂移误差，有效提高潜器的隐蔽性和导航精度。因此，获得高空间分辨率和高精度的全球海洋重力场基准图是改善水下重力匹配辅助导航的关键。目前反演全球海洋重力场的数据通常来源于传统的卫星雷达高度计，然后将观测得到的海面高度转化为海洋重力异常。然而，这类观测数据的空间分辨率无法满足精细化海洋活动监测的需求。新一代卫星测高技术—全球导航卫星系统反射测量（GlobalNavigationSatelliteSystem-Reflectometry,GNSS-R）海面测高技术是一种收发双置的新型双基地无源微波雷达测量系统，以导航卫星信号为信号源，通过测量GNSS卫星发射的直射信号和经海面反射的反射信号之间的时延差反演海面高度。相较于主动式雷达测高仪，GNSS-R测高仪具有低成本、多信号源、高时空分辨率等优势，可通过多颗GNSS-R测高星座实现高时空分辨率全球海面测高。 深度学习方法以数据驱动的方式逼近未知预测值，能够充分利用与海面高度相关的物理量建立多个观测量与海面高度之间的映射关系。星载GNSS-R接收机每天可以接收到数以百万计的测量数据，如此大量的星载观测数据为进一步优化数据驱动的深度学习算法提供了基础。基于深度学习方法开展星载GNSS-R海面测高相关数据的特征学习，有望提高星载GNSS-R海面高度反演的精度，为未来厘米级精度的GNSS-R测高卫星海面高度精确反演提供新的理论和方法参考。 本研究以基于GNSS-R测高卫星获取全球高空间分辨率、高精度的海面高度和海洋重力异常，进而提高潜器水下重力匹配导航精度为科学目标，对高精度的星载GNSS-R海面高度反演方法进行了研究。本文主要研究工作和贡献如下： （1）为预研星载GNSS-R的海面测高精度，以波罗的海机载实验数据为例，构建了以机载时延波形为输入，相应海面高度为输出的新型机器学习加权平均融合海面高度反演法（MachineLearningWeightedAverageFusion,MLWAF）。融合方式采用R2-Ranking方法进行加权融合，权重通过模型在训练集上交叉验证的可决系数分配。此外，为了得到更适合海面高度反演模型的特征集，采用特征构建的方法构建了DER、HALF和LES三个与海面高度变化敏感的特征，并分析了不同信息细节的特征集对海面高度反演精度的影响。实验结果表明所提出的MLWAF法取得了较优的反演结果，与DTU15验证模型的平均绝对误差（MeanAbsoluteDifference,MAD）约为0.25m，均方根误差（RootMeanSquaredError,RMSE）约为0.29m，皮尔逊相关系数（PearsonCorrelationCoefficient,PCC）约为0.75，较传统单点重跟踪法在MAD和PCC性能指标上分别提高了61.11%和44.23%。 （2）针对星载GNSS-R海面测高误差模型较为复杂，精度受到制约的问题，构建了以TechDemoSat-1（TDS-1）卫星的时延波形数据、元数据、大气延迟、海面风速等信息为输入，相应海面高度为输出的新型多隐层神经网络特征优化海面高度反演法（Multi-HiddenLayerneuralnetworkFeatureOptimization,MHLFO）。通过对14组具有不同信息细节的特征集进行分析，得出镜面反射点高度角、时延-多普勒图信噪比、大气延迟和海面风速可为MHLFO提供重要贡献。实验结果表明，所提出的具有4个隐藏层和每层200个神经元的MHLFO取得了最优的反演结果，与DTU18验证模型的MAD为4.23m，PCC为0.98，较HALF单点重跟踪法在MAD、RMSE和PCC性能指标上分别提高了32.86%、25.00%和8.99%。 （3）针对传统星载GNSS-R海面高度反演方法时延-多普勒图（Delay-DopplerMap,DDM）信息利用率低的问题，顾及输入数据的异质性，提出了可以利用整个DDM信息端到端改进的新型改进残差多模态深度学习海面高度反演法（ModifiedResidualMultimodalDeepLearning,MRMDL）。新型MRMDL法主要由针对DDM数据结构设计的改进残差网络（ModifiedResidualNetwork,MResNet）和多隐层神经网络（Multi-Hiddenlayerneuralnetwork,MHL-NN）构成。首先，以未经功率校正的RawDDM和双基地雷达散射面积（BistaticRadarCrossSection,BRCS）共同作为输入数据，采用MResNet自适应提取与海面高度相关的有效特征，将二维图像数据转化为一维数值数据。第二，将所提取的有效特征与一维辅助参数数据在全连接层中采用串联的方式进行融合，并通过MHL-NN反演海面高度。第三，分别采用DTU18验证模型和传统星载雷达高度计（Jason3、HY-2C、HY-2B）的海面高度值评估MRMDL的反演性能。通过与多种深度学习海面高度反演法实验结果对比表明，MResNet模型可以保留更多DDM数据的信息，从而能产生更优的反演结果，与DTU18验证模型和传统星载雷达高度计的PCC分别为0.98和0.97。但由于CYGNSS卫星数据主要用途并非海面高度反演，卫星接收机并未对海面测高进行优化，其MAD分别为3.92m和4.32m。
NETL