论文部分内容阅读
海洋表面风场是海洋重要的动力学参数,几乎与所有的海洋活动密切相关。全球卫星导航定位系统(Global Navigation Satellite System,GNSS)不仅可以用于传统的导航和定位,还可以利用其前向散射信号进行遥感应用研究,该技术称为GNSS反射信号遥感技术(GNSS-Reflectometry,GNSS-R)。GNSS-R技术凭借其低成本、全天候、高时空分辨率、覆盖范围广等优点得到了广泛的关注,经过几十年的发展,在海洋高度、海面风场、海面溢油、土壤湿度等方面都有所应用。本文以GNSS-R技术结合机器学习树模型算法反演海面风场为研究方向展开了相关工作。本文利用TDS-1(TechDemoSat-1)卫星与欧洲中期天气预报中心(European Centre for Medium-Range Weather Foresting,ECMWF)分析场数据进行时空匹配得到原始样本集。对原始样本集进行预处理后得到适合机器学习树模型学习的训练集和验证集。训练集用于树模型的训练,验证集主要用于检验学习器的反演精度。用五种常用的树型模型决策树、随机森林、GBDT、LightGBM以及XGBoost基于滑动窗口的方法对海面风场进行反演。对于风速的反演,集成树模型的反演误差小于2m/s达到了反演的要求,由于可能未提取风向敏感的物理参量,风向的反演误差较大,约为50°。在此基础上,选择风速反演效果较佳的模型随机森林和LightGBM进行了模型融合,采用Averaging、CV-Averaging、Stacking三种模型融合方法,进一步提升了模型的风速反演精度。之后基于随机森林和LightGBM又进行了更深层次的研究和分析,对于提高海面风场反演精度具有重要的指导意义。主要包括以下三个方面:(1)以赤道为中心,随着两侧纬度变化树模型反演精度的变化;(2)对于不同月份风场的反演,南北半球在反演精度上的差异性;(3)对于昼夜不同时间段,风场反演结果对比与分析。本文基于机器学习树模型算法实现海面风场反演,在提取到风场敏感物理参量的前提下,可以取得良好的效果。