【技術實現步驟摘要】
本專利技術屬于星載gnss-r應用領域，尤其是涉及一種基于機器學習模型的gnss-r凍土凍融分類方法。
技術介紹
1、凍土的凍融狀態對全球氣候系統、水文循環以及生態系統平衡具有重要影響，其動態變化特征對于環境科學研究、農業規劃、災害預警等領域至關重要。然而，傳統監測方法往往受限于覆蓋范圍小、時間分辨率低及環境適應性差等問題，難以滿足大尺度、高精度的監測需求。
2、星載gnss-r技術，憑借其低成本、低功耗、高重訪率及全天候工作能力，為凍土凍融狀態的遙感監測提供了新的解決方案。該技術通過接收并分析從地表反射回的gnss信號，能夠間接獲取地表物理特性，凍土凍融的復雜過程還受到多種因素的共同影響，如土壤類型、地下水位、氣溫波動及植被類型等，這使得直接從gnss-r觀測數據中提取凍融狀態信息變得極具挑戰性。
技術實現思路
1、有鑒于此，本專利技術旨在提出一種基于機器學習模型的gnss-r凍土凍融分類方法，以解決星載gnss-r技術在反演凍土凍融狀態過程中的高精度實時監測難題。
2、為達到上述目的，本專利技術的技術方案是這樣實現的：
3、一種基于機器學習模型的gnss-r凍土凍融分類方法，包括以下步驟：
4、s1、對星載gnss-r數據進行質量控制；
5、s2、星載gnss-r數據觀測量提取及地表反射率計算；
6、s3、將星載gnss-r地表反射率數據進行格網化；
7、s4、smap數據預處理；
9、s6、星載gnss-r凍土凍融反演及精度評估；
10、在步驟s2中，星載gnss-r數據觀測量提取及地表反射率計算，包括：
11、s21、提取星載gnss-r鏡面點的經緯度坐標及其他用于計算地表反射率的觀測值；
12、s22、通過聯立相干分量的功率表達式、非相干散射分量的功率表達式計算地表反射率。
13、進一步的，在步驟s1中，對星載gnss-r數據進行質量控制，包括：
14、s11、將質量標簽數據轉換為二進制，根據比特位數值判定數據質量，所采用的標簽位包括黑體負載時延多普勒圖模式、射頻干擾和測試模式；
15、s12、根據經驗性準則對數據進行二次篩選，將入射角大于65°、信噪比小于0或天線增益小于0的數據篩除。
16、進一步的，在步驟s22中，相干分量的功率表達式為：
17、(1)
18、式中，為相干散射分量功率；下角標r代表gnss發射機的右旋圓極化天線、l代表gnss-r接收機的左旋圓極化天線；為信號波長；為發射信號的峰值功率；、分別為發射天線和接收天線的增益；、分別為發射機、接收機與鏡面反射點之間的距離；代表地表反射率；
19、非相干散射分量的功率表達式為：
20、(2)
21、式中，為非相干散射分量功率；為雙基雷達散射系數，單位為m2；
22、使=，將公式(1)及公式(2)聯立，把地表反射率寫作的函數，如公式(3)：
23、(3)
24、式中，代表地表反射率；、分別為發射機、接收機與鏡面反射點之間的距離；為雙基雷達散射系數，單位為m2。
25、進一步的，在步驟s3中，將星載gnss-r地表反射率數據進行格網化，包括：
26、使用smap數據的ease-grid對星載gnss-r地表反射率進行格網化，對落在每個格網內部的采樣點地表反射率求取平均值。
27、進一步的，在步驟s4中，smap數據預處理，包括：
28、s41、根據smap?l3土壤濕度產品提取土壤濕度估計、質量標簽、植被光學厚度、土地覆蓋類型以及升軌、降軌區域格網相關坐標作為分類模型的輔助輸入特征；
29、s42、根據smap?l3凍土凍融產品提取處理凍土凍融數據作為模型的輸出特征及精度評估參考數據；
30、s43、將升軌和降軌進行合并以表示一天的結果，對連續三天的數據忽略空值進行平均；
31、s44、采用質量標簽對smap數據進行過濾。
32、進一步的，在步驟s5中，反演模型構建，包括：
33、s51、星載gnss-r偽隨機采樣點與smap進行時空匹配；
34、s52、構建數據集，將所有的每日觀測數據隨機分為兩組，一組為占數據總量70%的訓練集，另一組為占數據總量30%的測試集；
35、s53、模型訓練，采用10倍交叉驗證的方法對隨機森林分類器的超參數進行調優。
36、進一步的，在步驟s6中，星載gnss-r凍土凍融反演及精度評估，包括：
37、將輸入特征代入反演模型獲取星載gnss-r土壤濕度反演結果，并從模型精度、時間差異性和空間差異性三個角度對結果進行質量評估。
38、相對于現有技術，本專利技術所述的一種基于機器學習模型的gnss-r凍土凍融分類方法具有以下優勢：
39、本專利技術旨在解決星載gnss-r技術在反演凍土凍融狀態過程中的高精度實時監測難題，該問題直接關系到寒區工程、凍土生態學、氣候變化研究以及災害風險評估等領域的決策科學性與時效性。本專利技術引入了一種基于隨機森林模型的gnss-r凍土凍融反演算法，顯著提升了凍土凍融狀態數據的時空覆蓋廣度、反演精度與可靠性，為氣候變化研究、寒區工程規劃、生態環境管理以及水文地質建模等關鍵領域提供了數據支撐，進一步增強決策科學性和實踐有效性。
本文檔來自技高網...【技術保護點】
1.一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S1中，對星載GNSS-R數據進行質量控制，包括：
3.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S22中，相干分量的功率表達式為：
4.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S3中，將星載GNSS-R地表反射率數據進行格網化，包括：
5.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S4中，SMAP數據預處理，包括：
6.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S5中，反演模型構建，包括：
7.根據權利要求1所述的一種基于機器學習模型的GNSS-R凍土凍融分類方法，其特征在于：在步驟S6中，星載GNSS-R凍土凍融反演及精度評估，包括：>...
【技術特征摘要】
1.一種基于機器學習模型的gnss-r凍土凍融分類方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于機器學習模型的gnss-r凍土凍融分類方法，其特征在于：在步驟s1中，對星載gnss-r數據進行質量控制，包括：
3.根據權利要求1所述的一種基于機器學習模型的gnss-r凍土凍融分類方法，其特征在于：在步驟s22中，相干分量的功率表達式為：
4.根據權利要求1所述的一種基于機器學習模型的gnss-r凍土凍融分類方法，其特征在于：在步驟s3...
【專利技術屬性】
技術研發人員：張凱，郭沁雨，程艷，付乃鋒，趙裕慧，瑪娜卓瑪，王鵬程，李峰輝，李興國，
申請(專利權)人：天津云遙宇航科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。