DOI: https://doi.org/10.1007/s10291-025-02015-3
تاريخ النشر: 2026-01-10
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: رطوبة التربة والاستشعار عن بعد
نظرة عامة
تناقش هذه القسم أهمية نظام استشعار الانعكاس عبر الأقمار الصناعية العالمية (GNSS-R) في تعزيز دقة قياسات سرعة الرياح على سطح البحر، والتي تعتبر حاسمة لمراقبة البيئة البحرية ونمذجة المناخ. تعاني الطرق التقليدية، مثل محطات الأرصاد الجوية ومنصات الأقمار الصناعية، غالبًا من قيود في الدقة المكانية والزمنية، مما يدفع لاستكشاف GNSS-R كبديل أكثر فعالية. تستخدم الدراسة بيانات من منصة القمر الصناعي تيانمو-1 لتحليل حساسية سرعة الرياح وأداء الاسترجاع عبر تكوينات الأقمار الصناعية المختلفة وأنظمة GNSS، مما يكشف أن التباينات في هندسة الملاحظة بين الأقمار الصناعية تتطلب تطوير وظائف نموذج جيوفيزيائي تجريبية (GMFs) متميزة لمنصات مختلفة.
تشير النتائج الرئيسية إلى أن نظام غاليليو (GAL) يتفوق على الآخرين في دقة استرجاع سرعة الرياح، بينما يظهر نظام GLONASS (GLO) أخطاء كبيرة بسبب قوته الإشعاعية الفعالة غير المستقرة (EIRP). كما تسلط الأبحاث الضوء على مزايا استخدام الاستقطاب الدائري لليسار (LHCP) كخط أساس لمهام GNSS-R المستقبلية، موصية بتكوينات استقطاب خطي مزدوج لتحسين الأداء. إن تطبيق خوارزمية التطور التفاضلي لدمج البيانات من الاستقطابات الأفقية (H) والرأسية (V) يحسن بشكل كبير من دقة الاسترجاع، مما يظهر إمكانيات دمج الاستقطاب المتعدد في تعزيز قدرات GNSS-R. بشكل عام، تؤكد الدراسة على أهمية الاستقطاب وخصائص المنصة في تحسين منهجيات استرجاع سرعة الرياح، مما يوفر أساسًا لتصميمات أنظمة GNSS-R المستقبلية واستراتيجيات دمج البيانات.
مقدمة
تسلط المقدمة الضوء على أهمية مجالات الرياح على سطح المحيط في دفع التفاعلات بين الهواء والبحر، ونقل الحرارة العالمية، ودورات المياه. تؤكد على مزايا نظام استشعار الانعكاس عبر الأقمار الصناعية العالمية (GNSS-R) كطريقة استشعار عن بعد سلبية تستخدم إشارات من أقمار GNSS لاسترجاع المعلمات الجيوفيزيائية السطحية، وخاصة سرعات الرياح على سطح البحر. يتم تتبع التطور التاريخي لـ GNSS-R من مقترحاته الأولية في أواخر الثمانينيات إلى إطلاق مهام الأقمار الصناعية المختلفة، بما في ذلك نظام الأقمار الصناعية العالمية للأرصاد الجوية (CYGNSS) التابع لناسا وكوكبة تيانمو-1 الصينية، التي تدعم بشكل فريد أنظمة GNSS متعددة وأنماط استقطاب.
تهدف الدراسة إلى تحليل العلاقة بين مقطع الرادار الثنائي المعياري (NBRCS) وسرعة الرياح على سطح البحر باستخدام بيانات GNSS-R من المستوى 1 من أقمار تيانمو-1. تسعى لتقييم الحساسية وأداء الاسترجاع عبر كوكبات GNSS المختلفة (GPS، BDS، GAL، GLONASS) وأنماط الاستقطاب. من خلال استخدام خوارزمية التطور التفاضلي (DE) لدمج نتائج استرجاع سرعة الرياح، تهدف الأبحاث إلى تعزيز الدقة والاستقرار في تقدير سرعة الرياح. من المتوقع أن تسهم النتائج في تحسين خوارزميات استرجاع GNSS-R وتوفير رؤى حول آليات الحساسية لبيانات GNSS-R في سياقات متعددة الكوكبات ومتعددة الاستقطاب.
طرق
في هذا القسم، يوضح المؤلفون مجموعات البيانات المستخدمة في أبحاثهم، مع التركيز على الملاحظات الخاصة بنظام استشعار الانعكاس عبر الأقمار الصناعية العالمية (GNSS-R) التي تعتبر جزءًا لا يتجزأ من عملية النمذجة. يتم وصف المنهجيات لحساب المتغيرات ذات الصلة بشكل شامل، مع تسليط الضوء على أهمية هذه المدخلات في التحليل. علاوة على ذلك، يحدد المؤلفون معايير مراقبة الجودة واستراتيجيات التوافق المكاني والزماني التي تم تنفيذها لتعزيز موثوقية البيانات. إن هذا التحضير الدقيق لمجموعات البيانات المدخلة أمر حاسم للتحليل الحساس التالي ونمذجة استرجاع حقول الرياح، مما يدعم في النهاية دقة وموثوقية نتائج الدراسة.
نتائج
يقيم قسم النتائج في الدراسة إمكانيات كوكبة الأقمار الصناعية تيانمو-1 لاسترجاع سرعات الرياح على سطح البحر، مع التركيز على حساسية معامل الانعكاس المعياري (NBRCS) لسرعة الرياح عبر كوكبات GNSS المختلفة وأنماط الاستقطاب. تكشف التحليلات أن حساسية NBRCS هي الأعلى في نطاق سرعات الرياح المنخفضة إلى المتوسطة (0-10 م/ث) وتتناقص عند سرعات الرياح الأعلى، مما يشير إلى الحاجة إلى تحسين وظائف النموذج الجيوفيزيائي التجريبية (GMF) في ظروف الرياح المنخفضة مع الأخذ في الاعتبار عدم اليقين في السرعات الأعلى. ومن الجدير بالذكر أن التباينات في قيم NBRCS بين أنظمة GNSS، وخاصة مع نظام GLO، تُعزى إلى تحيزات المعايرة، مما يبرز تأثير كوكبة GNSS ونمط الاستقطاب على دقة الاسترجاع.
تشير التقييمات المقارنة لأداء استرجاع سرعة الرياح عبر أقمار تيانمو-1 المختلفة وأنظمة GNSS إلى أن كوكبة GAL تتفوق باستمرار على الآخرين، محققة معاملات ارتباط عالية (CC) وأخطاء متوسطة مطلقة منخفضة (MAPE). تجد الدراسة أن الاستقطابات H و LHCP تحقق نتائج استرجاع أفضل مقارنةً بـ V و RHCP، حيث تظهر الأخيرة أسوأ أداء. إن إدخال خوارزمية التطور التفاضلي لدمج الاستقطابات H و V يعزز بشكل كبير من دقة الاسترجاع، مما يقلل من RMSE ويحسن الارتباط عبر جميع الأنظمة. بشكل عام، تؤكد النتائج على أهمية نهج نمذجة مخصص يأخذ في الاعتبار عوامل محددة لكل قمر صناعي، ونظام محدد، وعوامل محددة للاستقطاب لتحسين استرجاع سرعة الرياح من بيانات GNSS-R.
مناقشة
يوفر قسم المناقشة في ورقة البحث نظرة عامة على بيانات GNOS-M L1 من تيانمو-1، موضحًا القدرات والتكوينات لنظام الأقمار الصناعية الصينية الأول الذي يعمل تجاريًا في مدار الأرض المنخفض (LEO) للأرصاد الجوية. تم إطلاقه بين عامي 2023 و 2024، تتكون الكوكبة من 22 قمرًا صناعيًا صغيرًا مزودًا بحمولة GNOS-M مصغرة، مما يسمح بالمراقبة العالمية في جميع ظروف الطقس. يتميز جهاز GNOS-M بثمانية قنوات استقبال GNSS-R تتبع الإشارات من عدة أقمار صناعية للملاحة عبر نطاقات تردد مختلفة. كما يسلط القسم الضوء على أهمية معايرة الاستقطاب لمعالجة البيانات بشكل فعال، مشيرًا إلى أن إجراءات المعايرة لم يتم تنفيذها بعد لبيانات تيانمو. وبالتالي، تعتمد الدراسة طريقة للتخفيف من عدم اليقين في اتجاه الاستقطاب من خلال تقريب إشارات الاستقطاب الخطي.
بالإضافة إلى ذلك، تناقش الورقة استخدام منتج الرياح ERA5 من ECMWF كمرجع لنمذجة سرعة الرياح وتقييم دقة الاسترجاع. تستخدم الدراسة منهجية شاملة لاسترجاع سرعة الرياح باستخدام GNSS-R، بما في ذلك بناء وظيفة نموذج جيوفيزيائي تجريبية (GMF) من خلال نهج جدول بحث ثنائي الأبعاد. تعزز هذه الطريقة من استقرار النموذج ودقته من خلال تطبيق استراتيجيات تقسيم متكيفة وضمان التناسق الفيزيائي في العلاقة بين الملاحظات وسرعة الرياح. تشير النتائج إلى أن الملاحظات من GNSS-R من أقمار تيانمو-1 المختلفة تظهر تباينات بناءً على دفعات إطلاقها، مما يؤثر على هندسة التشتت ويؤدي إلى تباينات في معامل الانعكاس المعياري (NBRCS). تختتم الدراسة بأن استراتيجية دمج البيانات متعددة الاستقطاب تحسن بشكل كبير من دقة استرجاع سرعة الرياح، مما يظهر الإمكانية لأداء معزز في مهام GNSS-R المستقبلية.
DOI: https://doi.org/10.1007/s10291-025-02015-3
Publication Date: 2026-01-10
Author(s): Zhenyun Du et al.
Primary Topic: Soil Moisture and Remote Sensing
Overview
This section discusses the significance of Global Navigation Satellite System Reflectometry (GNSS-R) in enhancing the accuracy of sea surface wind speed measurements, which are crucial for marine environmental monitoring and climate modeling. Traditional methods, such as meteorological stations and satellite platforms, often suffer from limitations in spatial and temporal resolution, prompting the exploration of GNSS-R as a more effective alternative. The study utilizes data from the Tianmu-1 satellite platform to analyze wind speed sensitivity and retrieval performance across various satellite configurations and GNSS systems, revealing that discrepancies in observational geometry among satellites necessitate the development of distinct empirical geophysical model functions (GMFs) for different platforms.
Key findings indicate that the Galileo (GAL) system outperforms others in wind speed retrieval accuracy, while the GLONASS (GLO) system exhibits significant errors due to its less stable effective isotropic radiated power (EIRP). The research also highlights the advantages of using left-hand circular polarization (LHCP) as a baseline for future GNSS-R missions, recommending dual linear polarization configurations for enhanced performance. The application of a differential evolution algorithm for fusing data from horizontal (H) and vertical (V) polarizations significantly improves retrieval accuracy, demonstrating the potential of multi-polarization fusion in advancing GNSS-R capabilities. Overall, the study underscores the importance of polarization and platform characteristics in optimizing wind speed retrieval methodologies, providing a foundation for future GNSS-R system designs and data fusion strategies.
Introduction
The introduction highlights the significance of ocean surface wind fields in driving air-sea interactions, global heat transport, and hydrological cycles. It emphasizes the advantages of Global Navigation Satellite System Reflectometry (GNSS-R) as a passive remote sensing technique that utilizes signals from GNSS satellites to retrieve surface geophysical parameters, particularly sea surface wind speeds. The historical development of GNSS-R is traced from its initial proposals in the late 1980s to the launch of various satellite missions, including NASA’s Cyclone Global Navigation Satellite System (CYGNSS) and China’s Tianmu-1 constellation, which uniquely supports multiple GNSS systems and polarization modes.
The study aims to analyze the relationship between the normalized bistatic radar cross section (NBRCS) and sea surface wind speed using Level-1 GNSS-R data from the Tianmu-1 satellites. It seeks to evaluate the sensitivity and retrieval performance across different GNSS constellations (GPS, BDS, GAL, GLONASS) and polarization modes. By employing the Differential Evolution (DE) algorithm for weighted fusion of wind speed retrieval results, the research intends to enhance accuracy and stability in wind speed estimation. The findings are expected to contribute to the optimization of GNSS-R retrieval algorithms and provide insights into the sensitivity mechanisms of GNSS-R data in multi-constellation and multi-polarization contexts.
Methods
In this section, the authors detail the datasets utilized in their research, focusing on spaceborne Global Navigation Satellite System Reflectometry (GNSS-R) observables integral to the modeling process. The methodologies for computing relevant variables are thoroughly described, highlighting the importance of these inputs in the analysis. Furthermore, the authors outline the quality control criteria and spatiotemporal collocation strategies implemented to enhance data reliability. This meticulous preparation of input datasets is crucial for the subsequent sensitivity analysis and wind field retrieval modeling, ultimately underpinning the accuracy and robustness of the study’s findings.
Results
The results section of the study evaluates the potential of the Tianmu-1 satellite constellation for retrieving sea surface wind speeds, focusing on the sensitivity of the Normalized Backscatter Coefficient (NBRCS) to wind speed across various GNSS constellations and polarization modes. The analysis reveals that NBRCS sensitivity is highest in the low to moderate wind speed range (0-10 m/s) and decreases at higher wind speeds, indicating the need for empirical Geophysical Model Functions (GMF) to be more refined in lower wind conditions while accounting for uncertainties at higher speeds. Notably, discrepancies in NBRCS values among GNSS systems, particularly with the GLO system, are attributed to calibration biases, highlighting the influence of GNSS constellation and polarization mode on retrieval accuracy.
Comparative assessments of wind speed retrieval performance across different Tianmu-1 satellites and GNSS systems indicate that the GAL constellation consistently outperforms others, achieving high correlation coefficients (CC) and low Mean Absolute Percentage Errors (MAPE). The study finds that the H and LHCP polarizations yield better retrieval results compared to V and RHCP, with the latter showing the poorest performance. The introduction of a Differential Evolution algorithm for fusing H and V polarizations significantly enhances retrieval accuracy, reducing RMSE and improving correlation across all systems. Overall, the findings underscore the importance of a tailored modeling approach that considers satellite-specific, system-specific, and polarization-specific factors to optimize wind speed retrieval from GNSS-R data.
Discussion
The discussion section of the research paper provides an overview of the Tianmu-1 GNOS-M L1 data, detailing the capabilities and configurations of China’s first commercially operated low Earth orbit (LEO) meteorological remote sensing satellite system. Launched between 2023 and 2024, the constellation comprises 22 small satellites equipped with a miniaturized GNOS-M payload, which allows for global observation under all-weather conditions. The GNOS-M instrument features eight GNSS-R receiving channels that track signals from multiple navigation satellites across various frequency bands. The section also highlights the importance of polarization calibration for effective data processing, noting that calibration procedures have yet to be implemented for the Tianmu data. Consequently, the study adopts a method to mitigate polarization orientation uncertainties by approximating linear polarization signals.
Additionally, the paper discusses the use of the ERA5 reanalysis wind product from ECMWF as a reference for wind speed modeling and retrieval accuracy evaluation. The study employs a comprehensive methodology for GNSS-R wind speed retrieval, including the construction of an empirical Geophysical Model Function (GMF) through a two-dimensional look-up table approach. This method enhances the model’s stability and accuracy by applying adaptive binning strategies and ensuring physical consistency in the relationship between observables and wind speed. The findings indicate that the GNSS-R observables from different Tianmu-1 satellites exhibit discrepancies based on their launch batches, affecting the scattering geometry and resulting in variations in the normalized backscatter coefficient (NBRCS). The study concludes that the multi-polarization data fusion strategy significantly improves wind speed retrieval accuracy, demonstrating the potential for enhanced performance in future GNSS-R missions.