基于RADARSAT-2四极化SAR影像的海面风速反演

选取成像于中国东海和南海海域的102景RADARSAT-2(RS-2)精细四极化SAR原始影像以及ERA-Interim风场,在各极化通道下利用相应风速反演模型开展风速反演的研究.CMOD5地球物理模式函数对VV极化SAR数据反演风速效果最好,可以获取海面高精度风速数据.对于HH和交叉极化SAR影像,利用RS-2 SA...     

WindSat近海岸风场与美国沿岸浮标对比分析

利用美国近海岸2004-2014年的固定浮标数据,本文对比分析了WindSat的近海岸风速产品。匹配时空窗口分别为30分钟和25公里。对比分析结果表明：WindSat反演的美国近海岸风速产品的均方根误差优于1.44 m/s,并且东海岸风速反演结果优于西海岸。WindSat下降轨道的风速反演结果优于上升轨道的结果。通过浮标相互间的对比分析发现,WindSat近海岸的风速反演结果与近岸海水深度、经度及距岸距离等因素并无明显的相关性。此外,利用2007-2008年的固定浮标数据,本文还对比分析了WindSat和QuikSCAT的近海岸风速反演结果,结果表明：相对于浮标数据,WindSat的风速反演值偏低,而QuikSCAT的风速反演值偏高;总体上来看,WindSat的近岸风速反演结果略优于QuikSCAT的近海岸风速反演结果。以上风速反演的精度均达到了传感器设定的指标,其为进一步的科学研究提供了良好的数据支撑。     

HY-2微波辐射计降雨条件下海面风速反演算法研究

由于降雨改变了海洋-大气的辐射/散射特性,长期以来星载遥感器在降雨条件下进行海面风速信息提取存在困难。本文针对自主海洋动力环境卫星海洋2号（HY-2）搭载的扫描微波辐射计,分析了不同频段亮温对降雨和海面风速敏感性,自此基础上获得了一种对降雨不敏感的亮温通道组合,该亮温通道组合对海面风速的敏感性甚至高于原有亮温通道。本文利用该亮温通道组合建立了降雨条件下的风速反演算法,并将反演结果与WindSat全天候风速产品、HY-2微波辐射计原有风速产品以及浮标实测数据进行了比较。结果表明本文算法在降雨条件下的反演误差小于2m/s,明显优于原有HY-2微波辐射计风速产品,验证了本文发展的算法在降雨条件下的风速反演能力。     

基于一阶谱信息的单站高频地波雷达风速提取

单站高频地波雷达反演风速通常需要利用二阶谱信息,但利用二阶谱信息进行风速反演的距离较小,不能满足远距离风速反演的需求。本文首先对高频地波雷达一阶谱与风速间的相关性进行了分析,在此基础上,基于一阶谱信息,利用极限学习机(ELM)方法对不同站点和不同频率的雷达获得的实测数据进行了风速反演。结果表明,利用极限学习机方法对实测数据获得的风速结果能够体现风速变化的趋势,两批数据反演结果的相关系数分别是0.46和0.42,均方根误差分别为1.93和1.89m/s。尽管其相关系数较低,但均方根误差可以接受,说明利用单站雷达一阶谱信息来进行风速反演是可行的。     

基于实测海洋环境噪声谱级的风速反演研究

利用海洋环境噪声数据反演风速特征是目前海洋领域的研究热点之一。本文以南海获得的94 d实测海洋环境噪声数据为基础,研究100 Hz、200 Hz、500 Hz、800 Hz、1 000 Hz、2 000 Hz、4 000 Hz、8 000 Hz等中心频点的噪声谱级特性,结合对应的风速数据,对海洋环境噪声数据进行相关、回归分析,研究结论表明：1 000 Hz以上频段对应的海洋环境噪声谱级与风速相关程度较高,基本不随深度发生较大变化;利用海洋环境噪声谱级反演海面风速的误差结果随着频率的增加而减小,利用1 000 Hz以上的频率进行海面风速反演,可以得到比较准确的结果。     

基于SAR图像雨团足印的海面风向提取方法

利用地球物理模式函数进行SAR海面风速反演时,需以风向作为地球物理模式函数的输入。本文应用了一种利用SAR图像上雨团足印顺风一侧比逆风一侧明亮的图像特征的海面风向提取方法,以进行海面风速反演。4景RADARSAT-2卫星SAR示例数据风向提取结果相对于ASCAT散射计的风向均方根误差满足不大于16°。分别以本文方法提取的风向和ASCAT散射计风向作为输入,利用地球物理模式函数CMOD5进行海面风速的SAR反演,两者的风速反演结果基本一致,其均方根误差差值不超过0.3 m/s。本文利用SAR图像雨团足印信息的风向提取方法准确可靠,可应用于SAR海面风速反演。     

针对C波段组网SAR卫星的风场优化反演方法研究

地球物理模型函数是一种常被用于同极化合成孔径雷达（synthetic aperture radar,SAR）的风场反演方法。在使用该方法提取SAR数据的风速时,需要将风向作为输入信息,这导致反演风速的精度受风向精度的影响,且使SAR风场反演无法独立完成。为了解决这些问题,通过数值模拟获取仿真的组网SAR卫星数据,3颗SAR同时以不同的入射角观测同一海面。针对仿真的组网SAR卫星数据,发展了一种风场优化反演方法,可以在不输入风向的前提下反演风速,提供参考风向还可以进一步提高风场反演的精度。     

基于C-2PO模型和CMOD5.N地球物理模式函数的SAR风速反演性能评估

本文选取142幅RADARSAT-2全极化合成孔径雷达（SAR）影像,在没有入射角输入的情况下,首先利用C-2PO模型进行海面风速反演。随后,将同一时空下的ASCAT散射计风向作为初始风向,提取相应雷达入射角,利用地球物理模式函数（GMF） CMOD5.N对142幅SAR影像进行风速计算。反演结果与美国国家资料浮标中心海洋浮标风速数据对比,结果显示:CMOD5.N GMF和C-2PO模型均可反演出较高精确度的海面风速,其均方根误差分别为1.68 m/s和1.74 m/s。此外,研究发现,在低风速段,CMOD5.N GMF的风速反演精度要明显优于C-2PO模型。针对这一现象,本文以SAR系统成像机理为基础,以低风速SAR图像为具体案例,给出了3种造成这一现象的原因。     

基于雷达高度计增益自动控制数据的风速反演算法研究

基于Jason-1卫星雷达高度计与NDBC(National Data Buoy Center)浮标的时空匹配数据集,利用BP(Back Propagation)神经网络方法建立了基于后向散射系数σ₀与有效波高(Significant Wave Height,SWH,)的双参数(σ₀-H_sw)风速反演模型,并探讨利用AGC(Automatic Gain Control)来代替σ₀对风速反演的可行性进行研究。结果表明,所建立的σ₀-SWH风速反演均方根优于0.3 m/s(风速范围为0.5~20 m/s); AGC-SWH模型反演精度偏低(1.3 m/s),但在星星交叉定标的基础上,模型精度提高了0.9 m/s。这个研究工作尤其是交叉定标基础上的AGC-SWH模型反演流程对"HY-2"海面风速反演有一定的借鉴意义。     

基于X波段海洋雷达的风浪联合反演方法研究

提出了一种新的利用X波段海洋雷达联合反演海面风速与海浪谱的方法,该方法不需要额外的信息输入来反演海浪谱。通过利用风速与雷达后向散射强度的经验关系获得海表风速,然后将反演的风速输入风浪谱,通过求解该模拟风浪谱与雷达观测图像谱的约束函数的最小值来确定海浪谱。利用实验数据对反演方法进行了验证,风速、有效波高、主波周期以及主波波向反演的均方根误差分别为1.9 m/s,0.4 m,1.2 s和9.6°,证明了该方法的可行性。     

XGBoost算法在多光谱遥感浅海水深反演中的应用

在多光谱遥感浅海水深反演过程中,考虑到水体和底质影响,水深值和海水表面辐射亮度之间的线性关系不成立。本文以甘泉岛南部0～25m范围的沙质区域为研究区域,利用GeoEye-1多光谱遥感影像和多波束实测水深数据构建XGBoost非线性水深反演模型,研究了XGBoost算法用于水深反演的性能。以决定系数(R~2),均方误差(MSE)和平均绝对误差(MAE)作为评价指标,并与3种传统线性回归模型进行了对比分析。结果表明, XGBoost非线性水深反演模型的R~2、MSE和MAE分别为0.991、0.33m和0.44m,拟合程度最好,精度优于线性回归模型。为进一步探究各模型在不同水深的反演精度,将水深范围分成3段(0～8 m, 8～15 m, 15～25 m)分别进行精度验证和误差分析。结果表明, XGBoost模型在各分段的精度均优于线性回归模型, MSE依次为0.56 m, 0.14 m和0.43 m。可见,在单一底质区域下XGBoost模型的水深反演精度更高,且反演效果更稳定。     

Sea surface wind speed retrieval from Sentinel-1 HH polarization data using conventional and neural network methods

Conventional retrieval and neural network methods are used simultaneously to retrieve sea surface wind speed(SSWS) from HH-polarized Sentinel-1(S1) SAR images. The Polarization Ratio(PR) models combined with the CMOD5.N Geophysical Model Function(GMF) is used for SSWS retrieval from the HH-polarized SAR data. We compared different PR models developed based on previous C-band SAR data in HH-polarization for their applications to the S1 SAR data. The recently proposed CMODH, i.e., retrieving SSWS directly from the HHpolarized S1 data is also validated. The results indicate that the CMODH model performs better than results achieved using the PR models. We proposed a neural network method based on the backward propagation(BP)neural network to retrieve SSWS from the S1 HH-polarized data. The SSWS retrieved using the BP neural network model agrees better with the buoy measurements and ASCAT dataset than the results achieved using the conventional methods. Compared to the buoy measurements, the bias, root mean square error(RMSE) and scatter index(SI) of wind speed retrieved by the BP neural network model are 0.10 m/s, 1.38 m/s and 19.85%,respectively, while compared to the ASCAT dataset the three parameters of training set are –0.01 m/s, 1.33 m/s and 15.10%, respectively. It is suggested that the BP neural network model has a potential application in retrieving SSWS from Sentinel-1 images acquired at HH-polarization.     

Wind speed inversion and in-orbit assessment of the imaging altimeter on Tiangong-2 space station

Imaging altimeter (IALT) is a new type of radar altimeter system. In contrast to the conventional nadir-looking altimeters, such as HY-2A altimeter, Jason-1/2, and TOPEX/Poseidon, IALT observes the earth surface at low incident angles (2.5°–8°), so its swath is much wider and its spatial resolution is much higher than the previous altimeters. This paper presents a wind speed inversion method for the recently launched IALT onboard Tiangong-2 space station. Since the current calibration results of IALT do not agree well with the well-known wind geophysical model function at low incidence angles, a neural network is used to retrieve the ocean surface wind speed in this study. The wind speed inversion accuracy is evaluated by comparing with the ECMWF reanalysis wind speed, buoy wind speed, and in-situ ship measurements. The results show that the retrieved wind speed bias is about –0.21 m/s, and the root-mean-square (RMS) error is about 1.85 m/s. The wind speed accuracy of IALT meets the performance requirement.     

一种改进的高度计风速反演模式函数研究

本文利用角动量模式计算获得高风速资料,并通过气象观测站实测资料验证了风速资料的准确性,并将所得风速应用于Jason-1高度计风速反演模式函数研究,得到了一个新的风速反演模式函数。研究结果表明,本文提出的模式函数能更好地反映台风经过时海表面风速情况,实现了高度计对高风速(10~40 m/s)的反演,可作为Jason-1高度计风速反演业务化算法在高风速情况下的补充,以提高高度计风速反演精度。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。     

基于人工神经网络的高频雷达风速反演

风速是重要的海洋状态参数之一,对海面风速的准确提取是实现海洋环境监测和沿海工程应用的重要保证。目前,作为新兴海洋环境监测设备,高频雷达在风速提取方面仍然存在挑战。本文提出了一种基于人工神经网络的风速提取方法,利用历史浮标测量海态数据训练风速提取网络,实现风速与有效波高、波周期、风向及时间因素之间的非线性映射。测试结果表明了这一网络在时间和空间上的稳定性;进而将已训练的网络应用到便携式高频地波雷达OSMAR-S的风速反演中,得到的风速与浮标测量风速间的相关系数达到0.849,均方根误差为2.11 m/s。这一结果明显优于常规由浪高反演风速的SMB方法,验证了该方法在高频雷达风速反演中的可行性。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting.     

一种机器学习海面风场快速融合的方法

基于多源资料进行海面风场的同化融合或插值融合,目前受到计算能力的较大制约。本文提出在多源卫星数据和ERA-5再分析数据重叠区域,训练基于XGBoost的机器学习ERA-5数据修正融合模型。然后基于该模型快速修正ERA-5数据(机器学习推理)。由于机器学习推理的快速性,ERA-5全区域修正融合的时间仅需2 s左右,可以较小计算代价构建整个海面融合风场。本文以10 m风速、10 m风向、U10分量和V10分量等典型风场变量展开,考虑了海陆分布差异使用陆地掩膜消除陆地区域,分别构建D＿S＿A＿XGBoost、D＿S＿O＿XGBoost、U＿V＿A＿XGBoost、U＿V＿O＿XGBoost 4个ERA-5修正模型,并最终生成海面融合风场。通过修正前后的ERA-5再分析数据与卫星数据进行比较,上述4个模型均减小了ERA-5再分析数据与卫星数据的差距。特别是在风速方面,不论是均方根误差(RMSE)还是绝对误差(MAE)都得到有效降低。在风向方面上,RMSE_d以及MAE_d也呈现降低趋势。在利用热带大气海洋观测计划(Tropical Atmosphere ...