为拓展学院师生的知识面，活跃学术气氛，2023年10月25日下午，3522集团的新网站邀请武汉大学卫星导航定位技术研究中心教授、我院特聘教师郭文飞开展了主题为“基于神经网络的星载GNSS-R海面风速反演方法”的学术讲座。3522集团的新网站田茂院长和全体教师，以及2021-2023级通信工程专业学生参加了本次讲座。讲座中，郭文飞教授从GNSS-R的技术现状、风速反演的基本原理及融合人工智能的效果３个方面进行了阐述。
一、GNSS-R的技术现状
讲座一开始，郭文飞教授就介绍说，随着地球人口的迅速增长及陆地资源的逐渐匮乏，人们对于海洋的研究与探索日益增加。地球表面由70%的海洋覆盖，而海面风场作为重要的气象学参数，通过海洋环流的作用间接影响地球气候，对其进行准确地探测与研究具有重要意义。传统的海面风场探测手段包括台站、浮标等，虽然具有较高的测量精度，但观测范围有限，无法实现大尺度海洋风场探测。以卫星高度计、卫星散射计、卫星辐射计等为主的卫星遥感技术在很大程度上解决了传统探测手段的不足，能够提供全球海面风场的观测数据，但重访周期较长，无法及时探测快速变化的极端气象条件，同时成本更高，其发展受到了一定的限制。
近年来，GNSS-R技术反演海面风速的理论得到不断完善与发展，为我们提供了一种覆盖范围大、时空分辨率高、成本较低的遥感手段。GNSS-R是指全球导航卫星系统（Global Navigation Satellite System, GNSS）的信号经地球表面反射，形成携带地表信息的反射信号，通过对反射信号进行分析进而反演得到地表特性的一种被动式遥感技术。星载GNSS-R可以用于大面积地表特性反演，如海面测冰，陆地土壤湿度测量等，目前应用最为广泛的是海面风速反演。
二、风速反演的基本原理
紧接着，郭文飞教授介绍了风速反演的基本原理。当GNSS信号到达海洋表面时，会发生透射与散射的现象，这与信号波长、入射角、介电常数及海面粗糙度等有关。因此，建立GNSS-R海面风速反演模型，首先需要从电磁波散射理论出发，将观测结果与海洋表面的物理性质联系起来。海面风场通过Elfouhaily海浪谱模型、基于基尔霍夫光学近似的电磁散射（Kirchhoff Approximation Geometrical Optics，KAGO）模型及Z-V模型与GNSS-R信号建立了理论联系，是构建GNSS-R海面风速反演模型的理论基础。在该理论基础上，获得星载GNSS-R平台的实测DDM数据后，根据Z-V模型可以将DDM功率值转化为双基雷达散射截面系数（Bistatic Radar Cross Section，BRCS），进而构建其与风速之间的经验或半经验模型，最终实现海面风速反演。
在传统的GNSS-R海面风速反演方法中，获得这两个特征值后，便可以利用大量样本构建特征值与风速之间的经验模型。菲涅尔反射系数与信号入射角有关，因此在构建经验模型时，需要将入射角也作为一个维度，构建风速、入射角与特征值之间的经验模型。
三、融合人工智能的风速反演方法
近年来，人工智能算法发展迅速，将人工智能应用于海面风速反演中，可以有效解决现有算法中存在的问题。郭文飞教授指出，目前GNSS-R风速反演中存在的主要问题有：人为提取特征损失有效信息；传统方法如LUT等只能考虑有限的影响因素，鲁棒性较差；现有神经网络受到样本分布的影响，容易出现过拟合问题；没有一种面向风速反演的、端到端的模型。针对这些问题，郭教授从GNSS-R风速反演的基本原理出发，探讨了机器学习算法如粒子群算法、BP（Back Propagation）神经网络、卷积神经网络、去噪卷积自编码网络在GNSS-R风速反演场景下的理论可行性。
针对现有GMF方法只考虑输入特征值和入射角，而现有神经网络方法受到样本分布不均影响导致的过拟合问题，研究从GNSS-R风速原理出发，基于CNN设计了一种端到端的基于统计改正的多模态信息融合风速反演算法。该算法首先通过卷积层自适应地提取DDM中的有效特征，然后与有效波高等辅助信息融合后，通过多层隐藏层构建特征向量与风速之间的映射关系，最后利用自适应CDF匹配方法修正CNN反演风速的系统偏差，得到高精度的风速反演结果。实验结果表明，与现有GNSS-R风速反演算法相比，设计的神经网络能够充分利用海洋状态信息，有效降低海面风速反演的误差和系统偏差，并且反演的风速能够重现大尺度风速模式，与公认的ECMWF风速具有一致性。
四、总结与思考
讲座最后，现场师生纷纷就讲座内容提出了自己的思考和疑问，郭文飞教授认真倾听并对其进行了耐心解答，现场讨论气氛热烈。通过此次讲座，3522集团的新网站师生对北斗卫星的新应用有了初步的认识，对人工智能产生了浓厚的兴趣。
