INTERGEO Agenda - deutsch

Diese Forschung konzentriert sich auf die Nutzung der Phasen- und Excess-Doppler-Eigenschaften der airborne Global Navigation Satellite System Reflectometry (GNSS-R) für Anwendungen in der Fernerkundung und Oberflächenklassifikation. Ziel ist es, die Kohärenzeigenschaften reflektierter GNSS-Signale auszunutzen, um verschiedene reflektierende Oberflächen anhand ihres Streuverhaltens entlang der Satellitenspuren zu unterscheiden.

Zu diesem Zweck wird ein statistisches Phasenmodell entwickelt, das auf den In-Phase- und Quadraturkomponenten des reflektierten GNSS-R-Signals basiert und sich auf die Geometrie bistatischer Radarsysteme sowie die Prinzipien der Signalausbreitung stützt. Das Phasenverhalten wird im Rahmen einer Von-Mises-Verteilung modelliert, welche den Übergang zwischen kohärenten und inkohärenten Regimen beschreibt. Parallel dazu wird eine Excess-Doppler-Spektralanalyse eingeführt, die auf drei quantitativen Kriterien basiert: der Amplitude der dominanten Doppler-Komponente, der Anzahl signifikanter Spektralpeaks sowie der spektralen Streuung über die Peaks hinweg. Diese Kriterien wurden als Eingangsmerkmale für die Klassifikationsexperimente verwendet.

Ein Framework zur Generierung synthetischer GNSS-R-Signale wird vorgeschlagen, das auf dem Mehrwege-Reflexionsmodell basiert. Die Generierungsmethodik stützt sich auf die Extraktion großskaliger Parameter, die durchgeführt wurde, um die grundlegenden Eigenschaften der Oberflächen während der experimentellen Flugkampagne zu erhalten. Dadurch behalten die synthetischen Signale die Eigenschaften realer GNSS-R-Messungen bei. Dieser Datensatz wird verwendet, um die Diskriminierungsfähigkeit der vorgeschlagenen Doppler-basierten Kriterien unter kontrollierten Signalbedingungen zu bewerten.

Die Klassifikationsexperimente werden für verschiedene Oberflächentypen durchgeführt, darunter Landflächen, Meeresoberflächen, Sandflächen und Binnengewässer. Die Studie bewertet die Leistungsfähigkeit überwachter Lernverfahren unter Verwendung sowohl konstruierter spektraler Merkmale als auch roher Signalrepräsentationen. Darüber hinaus werden tiefe neuronale Netze anhand synthetischer und realer GNSS-R-Signale bewertet, um ihre Fähigkeit zur Unterscheidung von Streumustern ohne Feature-Engineering zu untersuchen.

Alle Modelle erreichten auf synthetischen Testdatensätzen eine Genauigkeit von über 98 %, wodurch ihre Lernfähigkeit validiert wurde. Die entscheidende Validierung anhand realer airborne Daten zeigte, dass XGBoost und 1D-CNN eine Klassifikationsgenauigkeit von 90 % erreichten, obwohl sie ausschließlich mit synthetischen Signalen trainiert worden waren. Random Forest und MLP zeigten ebenfalls eine hohe Leistungsfähigkeit mit Genauigkeiten von 88 % beziehungsweise 87 %. Diese Ergebnisse bestätigten sowohl die physikalische Realitätsnähe der Generierung synthetischer Daten als auch die Robustheit des vorgeschlagenen Klassifikationsansatzes.