胡媛，顧世森，劉衛(wèi)，江志豪，袁鑫泰

(1.上海海洋大學 工程學院 上海 201306；2.上海海事大學 商船學院 上海 201306)

0 引言

海洋占地球表面的71%，因此進行海面目標監(jiān)測，對于國家海洋安全和海洋資源使用具有重要意義.對海冰、海面溢油以及海面船舶等實現(xiàn)精確實時監(jiān)測，具有廣泛的應(yīng)用，如海面實施管控，監(jiān)視海面交通，海洋污染監(jiān)測.

傳統(tǒng)的海面目標監(jiān)測技術(shù)有微波監(jiān)測和光學監(jiān)測技術(shù).光學監(jiān)測技術(shù)中的遙感器容易受到天氣影響，不能全天候的監(jiān)測海面目標.微波遙感技術(shù)不受天氣影響，具有全天候監(jiān)測能力，但是對于大范圍的海面目標進行持續(xù)監(jiān)測，所需成本極高，并且由于它的觀測模式為側(cè)視掃描，成像會存在大量噪點，影響監(jiān)測精度.全球衛(wèi)星導航反射信號(GNSS-R)技術(shù)是一種新興的遙感手段，是由歐空局科學家Martinneria[1]于1993年首次提出的被動反射和干涉系統(tǒng)(PARIS)的理論概念，其主要思想是利用導航衛(wèi)星海面反射波作為測距信號.GNSS-R 技術(shù)不需要專門的發(fā)射機，在軌的導航衛(wèi)星提供了豐富的免費信號，因此降低了監(jiān)測成本[2].降雨、大霧等惡劣天氣對反射信號的影響較小，有利于實現(xiàn)長時間對海面進行監(jiān)測.GNSS-R 技術(shù)的引入，可以與傳統(tǒng)海面監(jiān)測方法做到優(yōu)勢互補.

1 GNSS-R 監(jiān)測海面目標平臺

使用GNSS-R 對海面特征參數(shù)進行反演的應(yīng)用，Hall等[3]于1988年提出利用GPS 散射信號測量海面的設(shè)想.利用GNSS-R 進行海洋微波遙感，已成為GNSS 除了導航定位應(yīng)用之外新的研究方向.這種新的海洋遙感手段，無需發(fā)射機、信號源豐富、時空分辨率高、成本低，是一種新型的全球海洋遙感數(shù)據(jù)采集手段.按照數(shù)據(jù)來源分類，可以將GNSS-R 數(shù)據(jù)分為：岸基、機載和星載數(shù)據(jù).

1.1 岸基GNSS-R

通常將接收天線架設(shè)在岸邊相對較高的地方，例如近海的巖石、高建筑或者山頂上，接收到的數(shù)據(jù)為岸基GNSS-R 數(shù)據(jù).岸基GNSS-R 數(shù)據(jù)可以對特定區(qū)域進行長期穩(wěn)定的觀測，對近海域的監(jiān)測具有重要作用.Soulat等[4]利用岸基GNSS-R 數(shù)據(jù)驗證了反射信號時間序列與有效波高的關(guān)系.Fabra等[5]利用歐洲空間局在格陵蘭島迪斯科海岸采集的GPS 數(shù)據(jù)，使用相干相位差法對海冰進行監(jiān)測，得到了較好的結(jié)果.1997年，Martin-neria等[6]在荷蘭的Zeeland 橋利用岸基GNSS-R 數(shù)據(jù)進行了PARIS 高度計橋I、橋Ⅱ和橋Ⅲ試驗，三次實驗均反演出海面高度，其中實驗橋Ⅲ試驗測量誤差小于10 cm[7].文獻[8]利用北斗衛(wèi)星岸基反射信號數(shù)據(jù)進行了特定的污油池油膜進行了監(jiān)測實驗，對油面的介電常數(shù)特性進行了研究.發(fā)現(xiàn)當水面有油污時，介電常數(shù)反演結(jié)果均值為3.6，標準差為2.13，這與油的真實介電常數(shù)范圍2.0～4.5 一致，遠小于海水介電常數(shù)，證明了應(yīng)用岸基GNSS-R數(shù)據(jù)監(jiān)測海面溢油具有可行性.

由于岸基接收機平臺架設(shè)固定，高度低、探測區(qū)域有限，接收的反射信號數(shù)據(jù)相對于星載和機載數(shù)據(jù)，具有信號強度高、信號間相關(guān)性強和信號在時間延遲的拓展小等特點.岸基GNSS-R 數(shù)據(jù)在監(jiān)測近海域海面具有廣泛應(yīng)用，不適用于遠海岸和大范圍區(qū)域.

1.2 機載GNSS-R

GNSS 信號接收機架設(shè)在飛機或其他飛行器上，可以得到機載GNSS-R 數(shù)據(jù).1994年一架飛機偶然捕獲到經(jīng)海面反射的GPS 信號[9]，隨后對機載GNSS-R 數(shù)據(jù)進行了大量研究.1999年，NASA 蘭利研究中心的研究人員通過對兩組機載GNSS-R 數(shù)據(jù)與雷達衛(wèi)星散射測量結(jié)果的研究發(fā)現(xiàn)[10]，中等高度的接收機采集到的數(shù)據(jù)能夠明顯區(qū)分海冰和海水的反射系數(shù).2000年，NOAA 利用颶風獵人號飛機搭載GNSS-R 接收機，通過機載數(shù)據(jù)成功獲取風速[11].2004年，Ruffini等[12]進行了低空機載測量海面高度實驗，并將結(jié)果與Jason-1 衛(wèi)星測高結(jié)果進行比較，精度可達到10 cm.文獻[13]利用安裝在飛機上的多普勒延遲測繪接收機，在三亞附近海域進行了實時數(shù)據(jù)采集活動.初步實驗結(jié)果表明，機載GPS 反射信號數(shù)據(jù)可以很好地用于艦船目標檢測.2013年，Rodriguezalvarez等[14]通過對機載GNSS-R數(shù)據(jù)分析，建立了延遲多普勒圖(DDM)與風速的線性關(guān)系，表明了DDM 可以提供更好的反演精度.2016年，文獻[15]對加利福尼亞蒙特雷灣得到的機載GNSS-R 數(shù)據(jù)進行分析，使用三種反射信號到達時間跟蹤算法，測量海面高度的精度達到0.6 cm.

機載數(shù)據(jù)與岸基數(shù)據(jù)均是對靠近海岸區(qū)域的監(jiān)測，對星載監(jiān)測海面起到補充作用.相對于岸基GNSS-R 數(shù)據(jù)，機載GNSS-R 數(shù)據(jù)可以對更遠、更廣的區(qū)域進行監(jiān)測，并且接收機是安裝在飛行器上，所以可以對監(jiān)測區(qū)域進行靈活選擇.但是由于機載探測海面時，飛行器的高度相對于岸基接收機的平臺較高，GNSS 反射信號之間的相關(guān)性下降，岸基數(shù)據(jù)中觀測量的敏感度會降低.

1.3 星載GNSS-R

接收機被搭載到小型衛(wèi)星上進行反射信號收集，得到星載數(shù)據(jù).星載GNSS-R 數(shù)據(jù)的發(fā)射衛(wèi)星源較多，并且具有高時空分辨率，可以實現(xiàn)全天候、全天時、廣覆蓋的地球表面參數(shù)反演，與岸基、機載數(shù)據(jù)形成互補.1996年，Katzberg等[16]進行了有關(guān)在太空中使用接收器從海洋中接收散射GPS 信號的理論研究，Lowe等[17]對星載GPS 信號數(shù)據(jù)進行了首次研究.文獻[18-20]通過獲取UK-DMC 兩組星載GNSSR 數(shù)據(jù)對海冰進行了監(jiān)測，一組于2005年2月4日在阿拉斯加海岸附近獲得，另一組于2005年6月23日在南大洋南極洲附近獲得.通過與現(xiàn)場海冰數(shù)據(jù)驗證，由第一組數(shù)據(jù)得到區(qū)域90%面積被30～70 cm 的海冰覆蓋，第二組數(shù)據(jù)得到了海冰濃度介于70%～90%.2014年，英國發(fā)射了全球首個技術(shù)演示衛(wèi)星(TDS-1)，公布了數(shù)百萬的GNSS-R 星載數(shù)據(jù)，這為研究人員推進研究提供了便利.Yan等[21]利用TDS-1 星載數(shù)據(jù)對海水和海冰進行了監(jiān)測，結(jié)果表明，對海水和海冰的分辨率可達到99.73%.

通過在各種平臺上部署多個GNSS-R 接收機，可以在全球和區(qū)域范圍內(nèi)實現(xiàn)時間和空間密集覆蓋.以旋風全球?qū)Ш叫l(wèi)星系統(tǒng)(CYGNSS)為例：平均重訪時間為4 h[22]，非相干散射的空間分辨率約為10 km，相干散射的空間分辨率約為500 m[23].

2 星載GNSS-R 監(jiān)測海面常用方法

第一次獲得的星載GNSS-R 數(shù)據(jù)來源于英國災(zāi)害監(jiān)測星座(UK-DMC)衛(wèi)星.文獻[24-28]應(yīng)用數(shù)據(jù)對海冰進行了監(jiān)測.通過現(xiàn)場海冰驗證，對兩組星載GNSS-R 數(shù)據(jù)進行驗證，發(fā)現(xiàn)DDM 中表現(xiàn)出較強的峰值和較小的擴散.它們的差異說明，粗糙的海水表面會降低整體相干鏡面反射，并導致較大的閃爍區(qū).分析表明，利用星載GNSS-R 監(jiān)測海冰區(qū)域是可行的.此外，不同的信號功率、時延和多普勒擴展程度與不同的海冰厚度有關(guān)，說明GNSS-R 具有監(jiān)測海冰厚度的潛力.文獻[19]中提到，對于從冰面反射的相干信號，可以恢復載波相位信息以進行精確的測高測量.2014年TDS-1 發(fā)射后，數(shù)百萬的GNSS-R 的 DDM數(shù)據(jù)已向公眾提供，這為研究人員提供了更多研究機會.使用TDS-1 的DDM 于海冰監(jiān)測的實驗有文獻[24-27]，現(xiàn)有的研究主要集中在監(jiān)測海冰厚度和海面船舶和溢油等方面.由于監(jiān)測海面目標的方法種類繁多，將在第2.2-2.4 節(jié)中討論.分別從基于DDM、基于散射系數(shù)反演監(jiān)測和基于機器學習監(jiān)測三種方法總結(jié)了監(jiān)測海面目標的研究進展.

2.1 基于DDM 觀測值信息提取

海面閃爍區(qū)散射功率在時間延遲和多普勒延遲的映射被稱為DDM，如圖1 所示.TDS-1 獲取的DDM 數(shù)據(jù)首次應(yīng)用于監(jiān)測的海面目標是海冰[28]，使用的是評估DDMs 中提取的監(jiān)測值.同時，文獻[24]研究了不同觀測值下的海冰探測應(yīng)用.DDM觀測值最初是用來描述DDM 的擴散程度，它由表面粗糙度決定，用來監(jiān)測海面目標的觀測值[29-35]，描述如下：

圖1 DDM 示意圖

1)比預設(shè)閾值的DDM 具有更大功率的DDM像素數(shù).

2)標準化的DDM 的功率總和.

3)從標準化DDM 中心像素點[GCT,GCF]到最大像素點[MAXT,MAXF]的距離，計算公式為

式中，G Cτ和G Cf分別為延遲和多普勒像素的平均值.

4)歸一化DDM 在其峰值附近的平均值.

5)多普勒積分波形的斜率.

6)所獲得的多普勒積分波形和Woodward 模糊函數(shù)(WAF)的多普勒之間的相關(guān)系數(shù).

7)目標區(qū)域的標準差.

目標DDMs 與海水DDMs 的區(qū)別在于擴散程度不同，典型的海水DDMs 具有更大的擴散性.上述觀測值能夠描述DDM 的傳播范圍.對于1)～4)觀測值，較大的值對應(yīng)于更大的擴散.然而，對于5)～7)觀測值，較小的值表示更大的擴散.因此，可以通過將可觀測到的DDM 值與其相應(yīng)的閾值進行比較來實現(xiàn)海面目標監(jiān)測.

2.2 基于散射系數(shù)目標反演

利用DDM 觀測數(shù)據(jù)進行海面目標監(jiān)測是一種有效的方法.然而，詳細空間分布很難利用這些觀測值來解釋.通過將散射系數(shù)(σ0)反演到空間域中，文獻[36-41]提供了監(jiān)測海面目標及其分布的新方法.文獻[36-37]是基于反卷積法.文獻[38-39]中的方法涉及空間積分法(SIA).文獻[40-41]中的方法是基于二維截斷奇異值分解(TSVD).DDM 描述了GNSS-R，可使用Zavorotny-Voronovich(ZV)模型[39]進行描述，GNSS-R 二維相關(guān)功率可以表示為二維卷積

χ為伍德沃德模糊函數(shù)(WAF)，可以表示為

式中：Ti為相干積分時間；τc是C/A 碼芯片的長度.

Σ為Sigma 函數(shù)，它包含了表面特性、幾何結(jié)構(gòu)、天線方向圖.2009年在文獻[41]提出了延遲和多普勒值的顯式表達式，利用空間和延遲-多普勒域之間對應(yīng)關(guān)系，通過雅可比矩陣快速計算DDMs.Sigma函數(shù)被表示為

式中：D為天線輻射模式；σ0為觀測表面的散射系數(shù)；R0為每個表面點到接收器的距離；R為每個表面點到發(fā)射器的距離；J為從物理域到延遲多普勒域的域變換產(chǎn)生的Jacobian 函數(shù).

在反演散射系數(shù)時，需要先獲得Sigma 函數(shù).可以應(yīng)用以下三種方法.

2.2.1 反卷積法

首先利用CLS 濾波器，由等式(2)得到Sigma 函數(shù)的估計值

將(8)式代入(7)式中得到

式中，P為平滑準則函數(shù)，由 γ參數(shù)加權(quán).將得到Sigma 函數(shù)的估計值代入式(6)中，得到表面散射系數(shù)

2.2.2 基于空間積分法

通過精確地考慮每個空間點的貢獻，基于ZV 模型首次提出SIA[42].將式(2)中Sigma 函數(shù)表示為

式中，A為反射面的面積.用反卷積方法中的公式求得Sigma 函數(shù)的估計值，代入式(11)中得到散射系數(shù)

此方法中，由于 δ函數(shù)的影響，每個延遲多普勒(DD)點的積分范圍是其對應(yīng)的空間點簇.所以此方法的優(yōu)點是，在整個DD 域中確定散射系數(shù)只需對每個空間點進行一次積分.利用空間域和DD 域之間的關(guān)系，可以將DD 域中的散射系數(shù)分布映射到空間域中.2014年，Li等[43]對監(jiān)測海面溢油進行了研究，將星下點溢油監(jiān)測的仿真場景(90°的固定仰角)擴展到任意角度，進一步擴展了星載GNSS-R 監(jiān)測海面的衛(wèi)星仰角范圍.

2.2.3 TSVD

Schiavulli等[44]提出了一種基于TSVD 的反演方案，從包含不同非均勻區(qū)域的模擬海洋場景相關(guān)的噪聲DDM(包括熱噪聲)中重建散射系數(shù).首先，功率分布的數(shù)學表達式為

從數(shù)學的觀點出發(fā)，式(13)表達為

式中：L(·)為卷積算子；X為散射功率；B為相對應(yīng)的DDM.將X和B矢量化后，式(13)可以寫成矩陣形式

式中：A是一個n×n矩陣，其大小使得Ax近似于式(14)；b是測量DDM 的離散化值.

用正則化方法求解方程(14).正則化方法的基本思想是使殘差范數(shù)最小.該方法可以表示為

式中，P代表進行最小化的空間.根據(jù)二維TSVD 方法[45]，通過奇異值分解得到式(15)的解，使用截斷奇異值分解來濾除含噪的奇異值，得到正則解.因此，TSVD 解中只包含前k個奇異值

這三種方法都能定性地監(jiān)測到海面目標的存在.然而，基于二維TSVD 的方法依賴于視覺檢測來解決模糊問題，可能耗時且不能自動進行，意味該方法的應(yīng)用范圍十分有限.

2.3 基于機器學習監(jiān)測海面目標

近年來，因為機器學習能夠直接從數(shù)據(jù)中構(gòu)建遙感數(shù)據(jù)與目標遙感數(shù)據(jù)之間的關(guān)系，所以它被作為一種新的遙感圖像處理方法而廣泛使用.此外，機器學習方法已經(jīng)成功地應(yīng)用于海冰監(jiān)測，例如，合成孔徑雷達[46]、高度計[47]和被動微波數(shù)據(jù)[48].一般的機器學習過程包括三個步驟：遙感數(shù)據(jù)的預處理、訓練和測試.星載GNSS-R 數(shù)據(jù)進行目標監(jiān)測的機器學習技術(shù)主要有三種.

2.3.1 神經(jīng)網(wǎng)絡(luò)

在輸入到神經(jīng)網(wǎng)絡(luò)(NN)之前，每個DDM 都經(jīng)過了噪聲去除、歸一化和數(shù)據(jù)拉伸的預處理.為了減輕噪聲影響，每個DDM 去除噪聲底，該噪聲底被確定為無信號像素(包含所有多普勒像素的前四個延遲像素)的平均值.比如，TDS-1 的DDM 數(shù)據(jù)由128 個延遲單元(分辨率244 ns)和20 個多普勒單元(分辨率500 Hz)組成.然后每個DDM 根據(jù)其峰值功率進行歸一化，峰值功率由DDM 中的局部極大值確定.基于局部極大值選擇信號值，然后將二維信號值轉(zhuǎn)化為一個字典序向量，該向量包含800 個元素，是NN的輸入.

利用所構(gòu)造的神經(jīng)網(wǎng)絡(luò)，訓練過程開始確定權(quán)重和偏差，可采用反向傳播學習[49]和Levenberg-Marquardt算法[50].詳細公式見文獻[51].利用DDM 數(shù)據(jù)的訓練集及其對應(yīng)的海水/冰標簽數(shù)據(jù)進行學習，將處理后的DDM 輸入訓練后的神經(jīng)網(wǎng)絡(luò)，生成海冰監(jiān)測結(jié)果.

2.3.2 卷積神經(jīng)網(wǎng)絡(luò)和支持向量機

與NNs 相比，卷積神經(jīng)網(wǎng)絡(luò)(CNN)部署了額外的卷積層.卷積層直接與輸入的二維DDM 交互，保持相鄰DDM 像素之間的相關(guān)性.池層的使用有助于減少數(shù)據(jù)中的冗余，并使CNN 對DDM 數(shù)據(jù)的不對稱敏感性降低.CNN 的數(shù)據(jù)預處理比NN 少，包括噪聲去除和歸一化.文獻[52]設(shè)計了一個CNN 架構(gòu)，包含1 個卷積層(由5 個7*7 濾波器組成)，然后是1 個2*2 池層和2 個完全連接層(其功能類似于NN的輸入層和隱藏層).卷積層φ的使用可以描述為

式中，a、b、hk和Hk是輸入、偏差、第k卷積圖像(k∈[1,5])和濾波器.*為卷積運算.

支持向量機(SVM)[53]能夠通過找到一個超平面來進行分類任務(wù)，并且能夠提供比其他分類模型更好的精度[54-55].在文獻[55]中，除了噪聲歸一化外，還進行了另一個特征提取過程作為預處理，即計算每個多普勒沿延遲軸的平均值.這樣一個由20 個元素組成的數(shù)組被其最大值歸一化，并因此保留為特征向量.

通過分析發(fā)現(xiàn)，當使用原始輸入大小時，基于CNN 的海冰監(jiān)測顯示出比基于NN 更高的精度.CNN 的一個優(yōu)點是在卷積層結(jié)合濾波器，可以降低DDM 中的噪聲.卷積層和池層使得CNN 對DDM 反射點的不對稱敏感性降低.然而，當通過裁剪DDM對數(shù)據(jù)進行適當預處理時，CNN和NN 都可以產(chǎn)生良好的結(jié)果.基于SVM 的目標監(jiān)測方法相對于基于NN和CNN(以原始DDM 圖像為輸入)的方法具有更高的精度.

3 結(jié)束語

表1 總結(jié)了利用星載GNSS-R 進行的海面目標監(jiān)測研究.基于機器學習的方法相對于基于DDM 觀測值的方法，在監(jiān)測海冰時候的檢測精度有所提升.這是因為，機器學習完全依賴于數(shù)據(jù)的學習過程進行分類，而DDM 觀測值是基于研究者的篩選.海冰DDMs 與海水DDMs 之間的差異是明顯的，可以用推導得到的觀測值進行研究.因此，利用DDM 觀測值進行海面目標監(jiān)測的結(jié)果精度具有真實性.利用星載GNSS-R 監(jiān)測海面目標類型分類和具體規(guī)模等復雜問題具有難度，在這種情況下可以采用與岸基GNSS-R、機載GNSS-R 相結(jié)合，實現(xiàn)更復雜的監(jiān)測.

表1 星載GNSS-R 監(jiān)測海面目標的應(yīng)用

全球氣候變化關(guān)系到人類的可持續(xù)發(fā)展，海洋面積占全球面積71%，在全球氣候變化研究中占據(jù)重要地位，而系統(tǒng)的高質(zhì)量連續(xù)獲取海洋環(huán)境的信息又是實現(xiàn)高水平海面變化研究的前提條件.在現(xiàn)有的探測海面體系中，應(yīng)當有效地將基于衛(wèi)星遙感觀測與近海站點觀測相結(jié)合，將近海海面和大洋面監(jiān)測相銜接.需加快建立以衛(wèi)星為主的空基平臺、星載平臺、沿海觀測站點和GNSS 聯(lián)合的海平面綜合監(jiān)測體系，進而構(gòu)建長期、連續(xù)、穩(wěn)定的高質(zhì)量海平面監(jiān)測模式，為海面監(jiān)測和全球氣候變化研究等提供有力保障.