日前，国际学术期刊Remote sensing of Environment（《环境遥感》）在线发表了学校卫星导航定位技术研究中心、人工智能研究院与澳大利亚新南威尔士大学等联合研究论文——“Information fusion for GNSS-R wind speed retrieval using statistically modified convolutional neural network”（《基于统计改正卷积神经网络的GNSS-R信息融合海面风速反演方法》）。
武汉大学卫星导航定位技术研究中心副教授郭文飞为该论文第一作者，教授郭迟为通讯作者，人工智能研究院为通讯单位，硕士研究生杜皓参与完成该研究工作。
GNSS-R是一种融合卫星定位和定量遥感的新型交叉技术，其典型应用之一是利用GNSS导航卫星等无线电信号反演出全球海面风速的变化规律。目前GNSS-R风速反演算法大多是从时延-多普勒图像（DDM）中人为提取信号特征，根据人为经验建立这些特征与海洋风速之间的关联，其结果受各类因素影响大，反演精度低，极大地降低了GNSS-R的实际价值。
图1 基于累计分布函数改正的卷积神经网络模型
本次发表的研究成果提出了一种将人工智能、卫星导航与遥感相融合的技术思路，设计了一种基于累计分布函数改正的卷积神经网络模型（图1）。该模型利用一个端到端的人工智能网络自适应提取DDM中的有效特征，并融合有效波高等辅助信息得到初步的风速反演结果。该工作充分发挥了深度学习技术的优势，可以有效融合任何影响海面风速反演的参数，从而建立一个完备且鲁棒性强的风速反演模型，为该领域带来突破性的技术变革。
图2 反演风速的时空性能
实验结果表明，以ECMWF ERA5 10米风速产品为参照，利用17个月的美国CYGNSS V2.1数据，该模型在0-25 m/s范围内反演风速的均方根误差为1.53m/s，系统偏差为-0.097m/s，显著优于现有其他方法。该研究还分析了所提模型反演风速的时空性能（图2），结果表明反演风速与ERA5风速产品在空间上具有良好的一致性，且反演风速不随时间漂移。
该工作与新南威尔士大学教授Andrew G.Dempster课题组进行了合作，并得到了国家自然科学基金（41604021, 41974031）的支持。
据了解，卫星导航定位技术研究中心是学校人工智能研究院重要共建单位之一。多年来一直致力于交叉学科的前沿创新性研究，尤其在GNSS-R、机器人无人系统、高精度定位授时等领域大力推进人工智能技术的融合研究。
{{item.content}}