付乃锋 (Naifeng Fu)

付乃锋 (Naifeng Fu)

理学博士，天津大学博士后，GNSS-R/-RO技术设备研制及数据应用专家。研究方向：数值优化，GNSS掩星，电离层建模及同化，大气反演，机器学习，计算机可视化。

近三年关于GNSS掩星波动光学、极化和滑窗谱方法的文献综述

4 minute read

Published:

全球导航卫星系统 (GNSS) 掩星 (RO) 通过接收低轨卫星信号，反演折弯角并推算大气折射率、温湿度剖面。传统几何光学在低层大气或多径条件下失效，需利用波动光学方法分析信号相位与干涉模式[1]。

极化掩星 (PRO) 采用双线极化天线同时接收 H/V 极化载波，通过相位差观测水云/冰粒子等降水信息，补充传统热力学产品。

技术发展现状

技术传统 RO波动光学 RO极化掩星 PROSWPM-PRO
观测能力热力学参数多径处理热力学+降水热力学+降水+高分辨率
适用场景高层大气多径环境降水区域强多径+降水
技术成熟度✅ 成熟✅ 成熟🔄 发展中🔄 发展中

本综述以近三年（2023‑2025）文献为主，梳理 RO 波动光学 + 极化 + 滑窗谱方法的关键成果、算法和实现流程。

滑窗相位匹配 (SWPM) 方法与数学原理

SWPM 是对相位匹配 (Phase Matching, PM) 算法的拓展。Sievert 等人在 2021 年提出 滑窗相位匹配 (Sliding‑Window Phase Matching)[2]，为波动光学处理提供了更灵活的计算框架。

SWPM vs 传统方法对比

特性传统几何光学相位匹配 (PM)滑窗相位匹配 (SWPM)
多径处理❌ 失效✅ 可处理✅ 可处理
计算复杂度低高中等
折弯角分辨率固定固定可自由设定
BA‑IH 网格固定采样固定采样灵活可调
适用场景高层大气多径环境强多径、低层大气

SWPM 核心原理

SWPM 方法的核心在于下变频信号与幅度积分。为某个固定碰撞参数构建理论光程模型，将接收信号下变频后在时间窗内积分[3]：

\[S(a_0) = \int_{t_1}^{t_2} s(t) \cdot e^{-j\phi(a,t)} \, dt\]

关键机制：仅当信号频率与光程模型一致时，积分幅值显著增大，峰值对应真实折弯角[3]。

SWPM 算法流程

flowchart TD
    A["接收信号 s(t)"] --> B["构建理论光程模型"]
    B --> C["下变频处理"]
    C --> D["滑动折弯角窗"]
    D --> E["时间窗内积分"]
    E --> F{"积分幅值是否显著?"}
    F -->|是| G["记录峰值位置"]
    F -->|否| H["移动到下一个窗口"]
    G --> I["生成 BA-IH 二维谱图"]
    H --> D
    I --> J["识别多径轨迹"]

滑动窗口策略：在折弯角域定义有限宽度窗口，对每个位置执行积分，得到完整的折弯角-影响高度 (BA–IH) 二维谱图[4]。窗口移动等价于在不同折弯角上进行匹配搜索，可自由设定网格密度和范围。

分辨率权衡

参数窄窗宽窗
折弯角分辨率⬆️ 高⬇️ 低
影响高度分辨率⬇️ 低⬆️ 高
计算量⬆️ 大⬇️ 小

优化策略：根据观测目标和信号特性动态调整窗宽[6]。

SWPM 优势与局限

✅ 优势：

  • 直接处理多径和信号干涉
  • 灵活的 BA‑IH 网格设定
  • 与 STFT 结果一致但更高效[5]

⚠️ 局限：

  • 计算量大（每个折弯角窗需长积分）
  • 分辨率存在权衡

应用价值：由于极化掩星信号在降水区常出现多径和反射，SWPM 方法具备显著的应用潜力。

近三年文献综述

下表列出 2023‑2025 年涉及 RO 波动光学、极化及滑窗处理的代表性研究。

年份/文献关键贡献可借鉴算法应用价值
2024 – Padullés et al. (Earth System Science Data)PAZ 数据集 (resPrf)：PRO 可观测量 + RO 反演[7]
滑动窗口标准差检测（50点）[9]		PRO 处理流程：预处理、H/V 差分相位、滑窗噪声检测[10]
自适应窗宽调整		射线轨迹 + 降水产品共定位[11]
波动光学检索消除多值问题[12]
2024 – Hotta et al. (Atmospheric Measurement Techniques)PRO 前向算子：数据同化框架[13]
极化差分相位处理		数值前向模型：云水含量/冰粒形态 → 差分相位
与 SWPM 结合反演水粒参数		PRO 观测感知水凝物[13]
2024 – Nguyen et al. (AMS Meeting abstract)Spire 纳星：3颗 PRO 纳星，9个月校准[14]
每日约 2000 次掩星事件		实时 PRO 波动处理数据源
H/V 信号组合增强信噪比[15][16]		与 IMERG 降水产品关联
降水监测 + 数值预报
2024 – Padullés et al. (Geophysical Research Letters)散射敏感性：离散偶极子近似
板状冰 vs 软聚合体：相位差超一个数量级[17]		模块化前向计算器：结合 SWPM 反演
识别降水类型，指导滑窗选择		差分相位区分水凝物形态[17]
2025 – Chen et al. (Atmospheric Measurement Techniques)台风案例：PRO vs WRF 对比[18]
差分相位获取云水垂直结构		模式检验：SWPM 结果 vs 模式模拟
改进云微物理参数		验证模式微物理方案[18]
2025 – Katona et al. (Atmospheric Measurement Techniques)聚类算法：PRO 相位差剖面分类[19]
结合 GPM 分析温湿分布		机器学习/聚类：自动分类谱图
识别云类型/降水强度		探索温湿分布关系[19]
2019-2021 – Wang et al. (ROM SAF Poster)MPS 模拟 + PM：强降水影响研究[20]
低层湿区多径明显		相位匹配算法（SWPM 前身）
去偏、去趋势、滤波、差分[21]		同时探测水汽 + 降水结构[22]
与 GPM 协同验证[20]

数学物理原理与算法实现分析

极化掩星观测原理

传统 RO 任务使用右手圆极化（RHCP）天线接收信号，获得单一的 excess phase。极化掩星在 PAZ 卫星等平台上采用两副正交线极化天线以获取水平 (H) 与垂直 (V) 极化分量[23]。差分相位与降水中的水汽和冰粒散射有关，可以探测云和降水的垂直结构[24]：

\[\Delta\Phi(t) = \Phi_{H}(t) - \Phi_{V}(t)\]

在处理链中，首先需校正轨道和钟差，将 H/V 信号插值到同一时间戳，然后进行半周期/全周期滑移校正和噪声平滑[8]。波动光学的 MPS 模拟表明 PRO 信号在强降水下会出现明显多径，多径影响折弯角和相位，因此需采用波动光学算法进行反演[20]。

波动光学与 SWPM 的数学框架

波动传播建模

多相屏 (Multiple Phase Screen, MPS) 方法将大气折射率和降水粒子散射抽象为相位屏，按分段傅里叶传播计算电磁场[20]。

核心优势：捕捉传统几何光学无法处理的多径和干涉现象。

相位匹配原理

SWPM 利用理论光程模型进行下变频和积分运算[2]：

\[\phi(a,t) = \int_0^t \frac{2\pi f_0}{c} n(r(s)) \, ds\] \[S(a_0) = \left| \int_{t_1}^{t_2} s(t) e^{-j\phi(a_0,t)} dt \right|\]

匹配条件：当信号频率与光程模型完全匹配时，积分达到最大值，对应真实折弯角。

极化应用：可分别对 H/V 极化信号匹配，或直接匹配差分，识别降水引起的相位偏移。

SWPM 算法流程

1. 预处理阶段

  • 输入：H/V 极化信号或组合信号
  • 处理步骤：
    • 去除趋势项
    • 相位解缠校正（消除周期跳变）
    • 时间序列插值（统一时间步长）
    • 滑窗检测（去除低信噪比/跳变段）[9]

2. 射线路径建模

  • 确定折弯角与时间的映射关系
  • 计算光程差[17]
  • 极化数据：需考虑水/冰粒子散射相位
    • 板状冰 vs 软聚合体：散射相位差可超一个数量级[17]

3. 滑窗积分

对每个中心折弯角，在对应时间区间内积分[25]：

\[S(a_i) = \int_{t_i - \Delta t/2}^{t_i + \Delta t/2} s(t) e^{-j\phi(a_i,t)} dt\]

极化应用：分别对 H/V 分量积分，计算差分获得极化差分相位。

4. 谱图重采样与峰值识别

  • 将结果放置在 BA–IH 网格
  • 识别峰值获取多径轨迹
  • 比较 H/V 差谱定位降水层高度

5. 结果融合

  • 前向散射模型：结合 Hotta et al. 前向算子[13]，反演水凝物形态/含量
  • 机器学习聚类：自动分类谱图，识别降水类型和微物理特征[19]

系统集成与技术难点

技术难点对比表

难点问题描述解决方案关键指标
数据预处理信噪比低、H/V 功率不均、周期跳变天线校准、时间同步、滑移校正[8][9]信号质量阈值
光程模型粒子形态影响散射相位引入形态参数、前向散射算子[17]相位差精度
计算资源计算复杂度 O(n²)并行化/GPU、自适应网格[9]计算时间
多径识别多个谱峰难以区分H/V 信噪比比较、标准差检测[16][9]峰值置信度
反演同化相位谱→模型变量转换前向算子、机器学习[13][26]反演精度

关键技术细节

1. 数据预处理

  • 信噪比低：降水区域信号受强烈散射和衰减
  • H/V 功率不均：源于天线特性差异、传播路径不同、极化选择性散射
  • 周期跳变：需区分真实物理现象 vs 数据处理伪影
  • 解决方案：半/全周期滑移校正 + 滑窗标准差检验[9]

2. 光程模型与散射效应

关键发现：板状冰与软聚合体的散射相位差可超一个数量级[17]

建模要求：

  • 引入粒子形态参数
  • 利用前向散射算子计算理论相位
  • 提高反演精度，识别不同降水类型

结论与展望

近三年中，极化掩星技术经历了快速发展。PAZ 卫星公开了完整的 PRO 数据集[7]，前向算子、聚类分析和散射敏感性研究不断扩展应用范围[13][19][17]。尽管 SWPM 自 2021 年提出后尚未与 PRO 结合发表，但其波动光学优势显著，能在折弯角域直接识别多径和反射现象[2]。

技术融合路径

graph TB
    A[SWPM 波动光学] --> D[联合算法]
    B[PRO 极化掩星] --> D
    C[前向散射模型] --> D
    D --> E[高精度热力学信息]
    D --> F[降水信息]
    E --> G[天气预报]
    F --> G
    G --> H[气候研究]

核心价值：通过将 滑窗相位匹配 与 极化掩星 数据结合，利用前向散射模型和机器学习分析，未来掩星技术有望同时提供高精度的热力学和降水信息，为天气预报和气候研究带来重要价值。

参考文献

[1][2][3][4][5][6][25] Sievert, P. R., et al. (2021). Using A Sliding Window Phase Matching Method for Imaging of GNSS Radio Occultation Signals. Remote Sensing, 13(5), 970. https://www.mdpi.com/2072-4292/13/5/970

[7][8][9][10][11][12][23][24][26] Padullés, R., et al. (2024). The PAZ polarimetric radio occultation research dataset for scientific applications. Earth System Science Data. https://opensky.ucar.edu/node/42552/ocr

[13] Hotta, D., Lonitz, K., & Healy, S. B. (2024). Forward operator for polarimetric radio occultation measurements. Atmospheric Measurement Techniques. https://www.semanticscholar.org/paper/Forward-operator-for-polarimetric-radio-occultation-Hotta-Lonitz/af9425960de267ff60ceecf3846d1d1bb323b640

[14][15][16] Nguyen, V., et al. (2024). Initial Polarimetric Radio Occultation Results from Spire’s Nanosatellite Constellation. AMS Meeting abstract. https://ui.adsabs.harvard.edu/abs/2024AMS…10429554N/abstract

[17] Padullés, R., Cardellach, E., & de la Torre-Juárez, M. (2024). Polarimetric Radio Occultation Forward Scattering Sensitivity to Hydrometeor Habit. Geophysical Research Letters. https://www.semanticscholar.org/paper/Polarimetric-Radio-Occultation-Forward-Scattering-Padull%C3%A9s-Cardellach/c2605e7f3bffb298103b91a69df2350922dd0d25

[18] Chen, S.-Y., et al. (2025). Comparisons of polarimetric radio occultation measurements with WRF model simulation for tropical cyclones. Atmospheric Measurement Techniques. https://www.semanticscholar.org/paper/Comparisons-of-polarimetric-radio-occultation-with-Chen-Kuo/475bc38e6c81caa6aa82da0b142cfdee6d210349

[19] Katona, B., et al. (2025). Cluster analysis of vertical polarimetric radio occultation profiles and corresponding liquid and ice water paths from Global Precipitation Measurement (GPM) microwave data. Atmospheric Measurement Techniques. https://www.semanticscholar.org/paper/Cluster-analysis-of-vertical-polarimetric-radio-and-Katona-la/db014793024e6ca6a0dcccd257cf0f56f4e9185d

[20][21][22] Wang, K.-N., et al. (2019-2021). A study on the effects of heavy precipitation on Polarimetric RO bending angle observations. ROM SAF Poster. https://rom-saf.eumetsat.int/romsaf-irowg-2019/en/open/1570393617.f7002d09a38af82005fc7e1cddcc53b4.pdf/P07_Wang__KNW_v1.pdf

Future Blog Post

less than 1 minute read

Published:

For more interesting games or algorithms, check out “Mapoet’s GitHub” or check out the starred projects…

Elon Musk：双轨战略与人类文明未来的锚点

6 minute read

Published:

本文从产业布局、人生轨迹与时代背景出发，系统分析Elon Musk如何通过向外拓展星际疆域和向内重塑数字文明两条路线并行推进，成为以技术为杠杆的文明级战略玩家，并讨论其路径对个人决策、产业布局和资本配置的启示与风险。

Typesense：从SQL到NoSQL演进的搜索引擎架构解析与未来趋势

13 minute read

Published:

本文深入解析Typesense这一开源搜索引擎的技术架构，探讨从SQL到NoSQL数据库的需求演化与差异性，分析Typesense在框架设计、数据流处理、核心技术实现、性能优化策略和使用模式等方面的创新，并基于其技术特性展望未来NoSQL数据库在场景需求与人/AI协同方面的发展趋势。

Auto Vibe Writing：基于开源 Agent 的发现–打造–发布一体化写作平台

16 minute read

Published:

结合 Spider_XHS、PPTAgent、Code2Video、Open Notebook、MineContext、Agent Lightning、Claude Cookbooks、x402、MinIO 等开源项目，设计一个覆盖信息发现—兴趣建模—内容打造—多渠道发布的轻量级 Auto Vibe Writing 平台，实现近乎 Vibe Writing 形态的自动化知识生产与分发。