基于树模型机器学习方法的GNSS-R海面风速反演

GNSS-R是基于GNSS卫星反射信号的一种新技术.GNSS-R技术可以运用到海面风场反演中,传统的GNSS-R技术反演海面风场主要有波形匹配和经验函数两种方法,风速反演精度约为2m·s^-1.波形匹配方法耗时多,计算量大;经验函数方法通常只使用少量物理观测量,会造成信息浪费,损失一定的反演精度.为了提高海面风速的反演精度,引入机器学习领域常用的树模型算法决策树、随机森林、GBDT等对海面风速进行预测.利用GNSS-R与ECMWF数据构成训练集和验证集,训练集用于模型学习,验证集用于检验模型的反演效果.实验结果显示,决策树和随机森林预测误差约为0.6m·s^-1,GBDT等算法的预测误差约为2m·s^-1,满足风速反演要求.与GNSS-R传统反演方法相比,机器学习树模型算法效果更好,在验证集上表现稳定且误差较小.因此,可以将机器学习树模型算法运用到海面风速反演中.     

一种基于北斗三号系统的GNSS-R海面干涉测高技术

GNSS-R干涉测高技术可用于中尺度海面高度观测,具有空间分辨率高、测量精度高等优势。与传统的GNSS-R本地码测高技术相比,GNSS-R干涉测高技术可以有效提升高度测量精度。虽然GNSS-R干涉测高技术已有一些研究,但是基于北斗三号的干涉测高应用还很少。本文根据GNSS-R干涉测高技术优势,针对北斗三号系统在干涉测高技术上的应用,研发了支持北斗三号的GNSS-R干涉测高接收机并描述了整体架构及实现。利用所研发的接收机进行水面干涉测高试验,首次获取了北斗三号B1和B2干涉测高波形,与传统GPS L1和北斗B1本地码测高波形进行对比。对两种方法计算出的水面高度进行对比,结果显示北斗三号干涉测高精度明显优于GPS L1和北斗B1传统本地码测高精度。     

GRO和LRO掩星事件模拟研究

GRO（Global Navigation Satellite System Radio Occultation）和LRO（Low Earth Orbit Radio Occultation）联合组网探测地球大气是无线电掩星探测技术的主要发展方向.本文根据掩星事件的数学判据,仿真分析了LEO卫星主要轨道参数对GRO和LRO掩星事件数量和全球分布情况的影响.研究表明：卫星轨道越低GRO掩星事件越多;轨道倾角在30°和75°之间时,GRO掩星事件较多,全球覆盖率也较大;利用极轨卫星进行LRO掩星探测时,LRO掩星事件较均匀地分布在各纬度带.研究成果对GRO和LRO联合星座设计具有参考价值.