论文部分内容阅读
海冰作为极地圈层的重要组成部分,在气候问题成为人们关心的重点的今天,逐渐受到科学界的重视。由于其在大气循环以及人类生产活动方面的重要影响,人们已经使用各种方法开始了对海冰的监测。目前的海冰监测主要基于可见光的遥感和基于微波遥感两种方法,而它们又各有其局限性。利用星载GNSS-R（GNSS-Reflectometry）技术进行海冰监测不仅能够实现时间连续、大范围的监测,且其成本也大大降低,因而成为近几年研究的热点。目前,利用星载GNSSR技术针对海冰的存在、海冰的范围以及海冰浓度等方面的研究已经渐成气候,而海冰厚度（SIT）作为海冰最难探测的参数之一,对其研究目前还较少。本文利用TDS-1（Tech Demo Sat-1）卫星和SMOS（Soil Moisture Ocean Salinity）卫星数据,通过建立海冰厚度模型的方法实现星载GNSS-R海冰厚度的反演。主要研究内容如下:（1）本文首先对星载GNSS-R海冰厚度探测的原理和计算方法进行了详细的阐述,包括电磁波的极化与反射原理、星载GNSS-R几何关系和海冰厚度几何模型。在此基础上,提出利用反射率Г和左旋圆极化菲涅尔反射系数（（?）-LHCP）的模R对海冰厚度进行反演,并详细描述了反射率和菲涅尔反射系数的计算流程。此外,通过信噪比、入射角以及DDMA（Delay Doppler Maps Average）实现了对实验数据的质量控制。（2）详细介绍了非线性最小二乘拟合方法,并基于此方法建立了反射率Г与海冰厚度的Г-SIT模型,以及（?）-LHCP的模R与海冰厚度的R-SIT模型,并从均方根误差RMSE、平均绝对误差MAE和皮尔森相关系数r三个方面对模型进行了评估,结果表明R-SIT模型表现优于Г-SIT模型,R-SIT模型的RMSE和MAE与Г-SIT模型相比分别减少了0.01m和0.032m,r则提高了0.142。基于最小均方根误差将Г-SIT模型和R-SIT模型结合得到CMDC模型,与R-SIT模型相比,其RMSE减少了0.016m,MAE基本不变,r则提高了0.078。证明了基于非线性最小二乘拟合的方法可以有效进行海冰厚度的探测,但仍然有提高精度的空间。（3）为了提高海冰厚度反演的精度,将Г、R、信噪比和入射角作为特征值,分别进行了基于BP神经网络（BPNN）、随机森林（RF）和支持向量回归（SVR）的海冰厚度反演。结果表明,三种机器学习模型中,RF模型表现最好,与CMDC模型相比,RMSE和MAE分别减少了0.031m和0.018m,相关系数r提高了0.09;BPNN模型次之,与CMDC模型相比,RMSE和MAE分别减少了0.022m和0.011m,相关系数r提高了0.037;SVR模型表现最差,甚至不如CMDC模型,与CMDC模型相比,RMSE降低了0.002m,MAE增加了0.007m,r则降低了0.032。与基于非线性最小二乘拟合方法的模型相比,得出结论:在进行海冰厚度反演时,考虑优先使用的方法依次为:随机森林模型＞BP神经网络模型＞CMDC模型＞支持向量回归模型＞R-SIT模型＞Г-SIT模型。本论文共有图30幅,表格15个,参考文献56篇。