摘要：全球导航卫星系统干涉反射测量(global navigation satellite system-interferometric reflectometry,GNSS-IR)技术可利用信噪比(signal-to-noise ratio,SNR)数据包含的多路径信息反演潮位,但通常需限制仰角范围,导致可用数据量少以及时间分辨率不足。针对上述问题,提出一种数据质量控制方法,重构SNR残差序列获得仅受多路径影响的SNR序列,再设计并训练Transformer神经网络模型对数据进行分类,在潮位反演前筛除无效SNR数据,将高仰角数据纳入可用范围。实验表明,该方法可大幅度提升高仰角数据有效率,将反演站点的可用数据仰角范围扩展至5°~30°,从而显著提升可用数据量和潮位反演值的时间分辨率,对利用GNSS-IR技术的海啸、风暴潮实时监测等应用和长期海平面变化等海洋研究具有重要意义。

摘要：卷积神经网络(convolutional neural network,CNN)已用于星载全球导航卫星系统反射测量(global navigation satellite system-reflectometry,GNSS-R)海冰检测,其具有数据预处理简单、最大限度保留反射面信息等优势,但已有GNSS-R CNN海冰检测方法研究的数据集时间跨度较小,代表性有限,且未考虑训练集内海水、海冰时延多普勒图(delay-Doppler map,DDM)的比例对方法泛化能力的影响。针对该问题,首先提出一种筛除畸形DDM方法,有效筛除错误数据;然后,设计合适的CNN结构及参数,通过小样本对比实验发现CNN模型在训练集内海水、海冰DDM的比例为1∶1时具有高准确率和最佳泛化能力,并优化数据集选取策略;最后使用2018年全年大样本数据集评估改进的方法在大数据量和大时间跨度时的有效性和可靠性。研究表明,改进的方法通过加强数据质量控制、优化数据集选取策略,提升了CNN海冰检测方法的泛化能力及可靠性,使其更适用于实际应用场景,为海冰消融等研究提供参考。