异常检测驱动的GNSS-R海冰半监督多任务反演算法

摘要

海冰影响着大气、生态、海洋和人类生产生活等各个方面,因此开展海冰反演具有重要意义。目前,基于全球导航卫星系统反射测量(global navigation satellite system reflectometry,GNSS-R)技术的机器学习方法已应用于海冰遥感领域,取得了良好的效果。然而现有算法存在过度依赖标签、结构冗余,以及在样本失衡情况下无法有效反演海冰的问题。因此,本文提出了一种异常检测驱动的GNSS-R海冰半监督多任务反演算法,将半监督异常检测思想应用于遥感海冰反演领域,解决对标签的过度依赖和样本失衡情况下的反演问题。该算法包含数据预处理模块和基于GNSS-R的海冰多任务反演网络(sea ice multitasks retrieval network,SIMTRN)。SIMTRN包含海冰检测模块与海冰密集度反演模块,运用模块间数据特征共享机制实现基于单个网络的海冰检测与海冰密集度反演任务,解决结构冗余的问题。另外,针对海冰密集度反演任务,本文考虑了不同大气、气象特征与海冰密集度之间的关系,通过与海冰DDM(delay Doppler maps)特征的融合提高预测精度。实验结果表明,SIMTRN的海冰检测准确率达到了0.973 3,海冰密集度反演相关系数达到了0.969 9,优于现有4种机器学习算法——基于反向传播学习的多层感知器神经网络、基于单层卷积的卷积神经网络、基于特征选择的支持向量、基于双层卷积的卷积神经网络的性能。同时,本文还证明了所提算法的泛化能力优于现有机器学习算法。

关键词

海冰 / 异常检测 / GNSS-R / 遥感 / 半监督学习