In der aktuellen Untersuchung der Fehler bei der Inversion der Meeresoberflächenhöhe des GNSS-R (Global Navigation Satellite System-Reflectometry)-Signals an Bord führen die Korrekturen der Inversionsergebnisse mit klassischen Fehlermodellen immer noch zu großen Fehlern. Um dieses Problem zu lösen, wird ein Fehlerausgleichsmodell vorgeschlagen, das auf der Kombination eines neuronalen Netzwerks und eines Aufmerksamkeitsmechanismus basiert, um die Ergebnisse der Meeresoberflächenhöheninversion zu korrigieren, und das DTU-Überprüfungsmodell wird zur Bewertung der Korrekturgenauigkeit verwendet. Experimente mit Delay-Doppler-Mapping (DDM)-Daten von GNSS-Reflexionssignalen an Bord des Satelliten Fengyun-3E werden durchgeführt, und die Genauigkeit des Modells wird mit der der Random-Forest- und Convolutional-Neural-Network(CNN)-Algorithmen verglichen. Die Ergebnisse zeigen, dass der durch das Fehlerausgleichsmodell korrigierte mittlere absolute Fehler (MAE) für die Reflexionssignale des Global Positioning System (GPS) 1,74 m beträgt und für die Reflexionssignale des Beidou-Navigationssatellitensystems (BDS) 0,97 m beträgt, was einer Verbesserung von ca. 80% im Vergleich zur Genauigkeit der Korrektur durch das klassische Fehlermodell entspricht. Darüber hinaus ist die Genauigkeit des vorgeschlagenen Modells etwas höher als die der mit dem Random-Forest-Algorithmus und dem CNN-Algorithmus trainierten Modelle. Die Überprüfungsergebnisse bestätigen, dass das vorgeschlagene Fehlerausgleichsmodell die Fehler bei der Inversion der Meeresoberflächenhöhe des GNSS-R-Signals an Bord effektiv korrigiert.

GNSS-R; neuronales Netzwerk; an Bord; FY-3E; Meeresoberflächenhöheninversion; Fehler; DDM; Beidou