CN109100717A - 一种多源微波遥感海面风场数据融合方法及其装置 - Google Patents
一种多源微波遥感海面风场数据融合方法及其装置 Download PDFInfo
- Publication number
- CN109100717A CN109100717A CN201810596543.2A CN201810596543A CN109100717A CN 109100717 A CN109100717 A CN 109100717A CN 201810596543 A CN201810596543 A CN 201810596543A CN 109100717 A CN109100717 A CN 109100717A
- Authority
- CN
- China
- Prior art keywords
- wind
- field data
- ocean
- ocean wind
- ccmp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种多源微波遥感海面风场数据融合方法及装置,针对现有基于散射计生成的海面风场产品覆盖范围广但空间分辨率较低的技术问题,本方法首先在尽量保持精度的前提下通过面到点克里金插值降尺度来提高其分辨率,然后利用地理差异分析法来融合SAR反演高分辨率风场与降尺度风场,从而实现插值误差校正,生成高分辨率、高精度海面风场产品,弥补已有海风产品空间分辨率不足的缺陷。
Description
技术领域
本发明涉及定量遥感数据反演领域,具体涉及一种多源微波遥感海面风场数据融合方法及其装置。
背景技术
微波散射计和辐射计能够有效获取全球海面风场信息,广泛用于海洋风场、海浪场、天气预报及海洋与大气研究,但空间分辨率较低,为25~50km,无法监测海面风中小尺度波动及估算近岸50km范围风场。高度计仅能进行天底点测量,有着沿轨道7km的分辨率,但缺少海面风向信息,且扫幅很窄。与上述主被动微波传感器相比,合成孔径雷达(SyntheticAperture Radar,SAR)的优点在于空间分辨率较高,并且能够提供沿海岸地区风场的细节信息。单一的微波遥感卫星在某个区域过境的次数最多为一天两次,为了提高风场业务化预报的准确度,需要高时空分辨率的风场产品,有必要进行多源海面风场的融合研究。常用的融合算法有反距离加权法、逐步订正法、克里金插值法、最优插值法和时空权重插值法等。
目前常用的微波遥感海面风场产品大部分都是通过微波散射计测量的后向散射系数反演得到,其优势在于能够覆盖全球大部分海洋区域,并且在同一区域的观测时间间隔较短。但是空间分辨率较低、单一散射计轨道覆盖范围缺失仍限制了散射计风场产品在气象预报、海流模拟等实际场景的应用。于是诸多学者关注于多源散射计海面风场产品的数据融合研究,但是融合数据空间分辨率与原始散射计数据基本保持一致,一般在25km左右,仍然不够精细。并且在融合过程中对不同来源遥感数据的尺度差异表达不足,影响数据融合精度。
发明内容
针对现有技术的不足,本发明的目的之一旨在提供一种多源微波遥感海面风场数据融合方法,以生成高精度、高分辨率的海面风场数据。
为实现上述目的,本发明采用如下技术方案:
一种多源微波遥感海面风场数据融合方法,所述方法包括
获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
所述采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的海面风场数据进行融合,获得海面风场融合数据,具体包括:
首先对SAR反演海面风场数据和降尺度未校正的海面风场数据两种风场数据进行时空匹配,以降尺度未校正的CCMP海面风场数据格网为基准,SAR反演海面风场数据通过双线性插值重采样到CCMP海面风场数据格网;
然后对CCMP海面风场数据格网上的SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行差异分析,得到相应的降尺度误差,进而通过距离反比插值得到研究区域上连续分布的CCMP海面风场降尺度误差分布;
将连续分布的CCMP海面风场降尺度误差分布与降尺度未校正的CCMP海面风场数据相加进行误差校正,从而得到最终的海面风场融合数据。
所述获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据,具体包括:
首先利用原始CCMP海面风场数据计算海风区域化变量在低分辨率面尺度上的先验变异函数值;
然后通过正则化逼近过程去卷积推断海风变量点尺度理论变异函数,基于海风变量点尺度理论变异函数推理计算面与面、面与点各尺度上变量间的变异函数值,进而构建用于估算高分辨率海面风场的权重线性方程组,根据求解后的权重和相应的低分辨率面尺度的已知风场数据加权平均计算得到目标高分辨率遥感网格中心点的风速风向估计值,最终得到整个研究区域上降尺度未校正的高分辨率CCMP海面风场数据。
所述对SAR影像进行数据预处理具体包括:
下载与数据观测时间相近的卫星轨道文件对SAR影像进行轨道校正,然后基于增强Lee滤波算法对SAR影像进行滤波处理,抑制斑点噪声;
接着对SAR影像进行辐射校正,进行像元值转换,以获得精确的海面雷达后向散射截面,根据欧空局数据处理中心提供的资料,采用以下定标公式得到后向散射系数:
其中DNi,j为第i行、第j列像元的原始幅度值,随后利用掩膜工具实现后向散射截面的陆地掩膜,只保留海面散射数据。
所述SAR影像预处理完成后,进行海面风场反演,具体包括:
首先基于SAR影像风条纹信息在频率域利用快速傅里叶变换提取海面风向,将风向信息和后向散射截面数据代入GMOD5地球物理模式函数GMF进行反向求解,获得海面风速。
所述将风向信息和后向散射截面数据代入GMOD5地球物理模式函数GMF进行反向求解,具体包括:
对从SAR影像发射的雷达信号通过Bragg散射部分被海表面反射回来,后向散射能量取决于海表面波与雷达波长的比较,随着风速增加,海表面粗糙度也增加,相应的NRCS也随之增加,雷达波长λ与海面波长L的关系:L=λ/2sin(θ),其中λ为雷达入射波波长,θ为入射角;后向散射系数σ0是相对风向φ、10m高处风速U、雷达入射角θ、雷达入射波波长λ和极化方式P的函数:
σ0=F(φ,U,θ,λ,P) (2)
风速反演的实质就是推算反向传递函数G:
U=G(σ0,φ,θ,λ,P) (3)
在GMF中,NRCS与风速风向的关系表示为如下形式:
σ0=a(θ)Uγ(θ)[1+b(θ,U)cosφ+c(θ,U)cos2φ] (4)
其中,θ是雷达入射角;φ代表风向与雷达视向之间的夹角,逆风为0°,顺风为180°,横风为90°或270°;U是海面10m高处的风速;σ0表示雷达后向散射系数或归一化雷达散射截面;a,b,c,γ是模型的参数,根据式(4)即可反向求解U。
9、所述得到整个研究区域上降尺度未校正的高分辨率CCMP海面风场数据的具体过程为:
取目标高分辨率遥感网格中心为规则分布待插值点,拟采用地统计学的面到点克里金插值ATPK进行数据降尺度,ATPK是用已知面对未知点进行插值的降尺度方法,即未知点值z(x)为其所在面以及附近面vi(i=1,…,k)数据的线性加权和:
权重λx的求解方程组为:
上式中x为待插值高分辨遥感网格点,共有K个原始低分辨率遥感网格vi(i=1,…,k)的观测值z(vi)加权平均估计得到x的估计值z(x),对应的权重为λx,μx为拉格朗日算子;整个ATPK遥感数据降尺度过程中最关键的是去卷积推断点与点协方差函数C,并以此分别构造面与点、面与面协方差函数和如下式所示:
N(vi)和N(vj)分别是网格vi和vj离散后包含点的数量,s即代表网格中的离散点。
相应地,本发明的另一目的在于提供一种多源微波遥感海面风场数据融合装置,包括:
SAR反演海面风场数据获取模块,其用于获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
降尺度未校正的CCMP海面风场数据获取模块,其用于获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
数据融合模块,其通过采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
本发明的有益效果在于:
针对现有基于散射计生成的海面风场产品覆盖范围广但空间分辨率较低的技术问题,本申请首先在尽量保持精度的前提下通过面到点克里金插值降尺度来提高其分辨率,然后利用地理差异分析法来融合SAR反演高分辨率风场与降尺度风场,从而实现插值误差校正,生成高分辨率、高精度海面风场产品,弥补已有海风产品空间分辨率不足的缺陷。
附图说明
图1为本发明实施例提供的多源微波遥感海面风场数据融合方法的整体流程图;
图2为SAR反演与CCMP降尺度海面风场数据融合流体图;
图3为SAR影像预处理及海面风场反演流程图;
图4为CCMP海面风产数据空间降尺度过程流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
参阅图1所述,本实施例提供的多源微波遥感海面风场数据融合方法,该方法具体包括
获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
由此可知,针对现有的海面风场产品空间分辨率不高的问题,本方法基于面到点克里金插值实现传统海面风场(海面风场简称“海风”)数据的空间降尺度,然后与高分辨率SAR海风反演数据进行地理差异分析,实现插值误差校正,通过融合两种不同类型的微波遥感海面风场数据,生成高精度、高分辨率的海面风场产品。
由于CCMP降尺度得到的高分辨率海面风场能够完整覆盖全球大部分海域,但会引入插值误差,而SAR反演得到的高分辨率海面风场精度较高,但单幅影像仅能覆盖卫星过境时刻的小块区域,本申请通过对两种不同特征的海面风场数据进行融合,最终形成高分辨率、高精度的海面风场融合产品。具体地,如图2所示,上述采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的海面风场数据进行融合,获得海面风场融合数据,具体为:
地理差异分析法(Geographical DifferentialAnalysis,GDA)被用于实现两种风场数据的融合,首先对SAR反演海面风场数据和降尺度未校正的海面风场数据两种风场数据进行时空匹配,以降尺度未校正的CCMP海面风场数据格网为基准,SAR反演海面风场数据通过双线性插值重采样到CCMP海面风场数据格网;然后对CCMP海面风场数据格网上的SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行差异分析,得到相应的降尺度误差,进而通过距离反比插值得到研究区域上连续分布的CCMP海面风场降尺度误差分布;将连续分布的CCMP海面风场降尺度误差分布与降尺度未校正的CCMP海面风场数据相加进行误差校正,从而得到最终的高精度、高分辨率的海面风场融合数据。
下面对SAR海风反演的具体实现过程进行说明,本申请采用的是EnvisatASAR和Sentinel-1SAR影像。ASAR影像由欧空局的Eolisa软件提供注册下载,Sentinel-1影像由哥白尼开放获取中心提供下载(https://scihub.copernicus.eu/)。不同来源SAR影像预处理及风场反演流程基本一致,具体如图3所示。
下载与数据观测时间相近的卫星轨道文件对SAR影像进行轨道校正,然后基于增强Lee滤波算法对SAR影像进行滤波处理,抑制斑点噪声。接着对SAR影像进行辐射校正,进行像元值转换,以获得精确的海面雷达后向散射截面,根据欧空局数据处理中心提供的资料,采用以下定标公式得到后向散射系数:
其中DNi,j为第i行、第j列像元的原始幅度值,随后利用掩膜工具实现后向散射截面的陆地掩膜,只保留海面散射数据。
在完成SAR影像预处理之后,紧接着进行海面风场反演。首先基于SAR影像风条纹信息在频率域利用快速傅里叶变换提取海面风向,将风向信息和后向散射截面数据代入GMOD5等地球物理模式函数(Geophysical Model Function,GMF)进行反向求解,即可获得海面风速。
下面对GMF海面风场反演原理及公式进行具体阐述。对从SAR影像发射的雷达信号通过Bragg散射部分被海表面反射回来,后向散射能量取决于海表面波与雷达波长的比较。随着风速增加,海表面粗糙度也增加,相应的NRCS也随之增加。雷达波长λ与海面波长L的关系:L=λ/2sin(θ),其中λ为雷达入射波波长,θ为入射角。研究表明,后向散射系数σ0是相对风向φ、10m高处风速U、雷达入射角θ、雷达入射波波长λ和极化方式P的函数:
σ0=F(φ,U,θ,λ,P) (2)
因此,风速反演的实质就是推算反向传递函数G:
U=G(σ0,φ,θ,λ,P) (3)
在GMF中,NRCS与风速风向的关系通常可表示为如下形式:
σ0=a(θ)Uγ(θ)[1+b(θ,U)cosφ+c(θ,U)cos2φ] (4)
其中,θ是雷达入射角;φ代表风向与雷达视向之间的夹角,逆风为0°,顺风为180°,横风为90°或270°;U是海面10m高处的风速;σ0表示雷达后向散射系数或归一化雷达散射截面(NRCS);a,b,c,γ是模型的参数。根据式(4)即可反向求解U,从而获得精确的海面风速。
而的原始CCMP海面风场数据可以从Remote Sensing Systems数据网下载获得,CCMP海面风产数据空间降尺度过程流程图如图4所示:
基本流程可简述为先利用原始CCMP数据计算海风区域化变量在低分辨率面尺度上的先验变异函数值,然后通过正则化逼近等过程去卷积推断海风变量点尺度理论变异函数,基于此函数可推理计算面与面、面与点等各尺度上变量间的变异函数值,进而构建用于估算高分辨率海面风场的权重线性方程组,根据求解后的权重和相应的低分辨率面尺度的已知风场数据加权平均计算得到目标高分辨率遥感网格中心点的风速风向估计值,最终得到整个研究区域上降尺度未校正的高分辨率海面风场数据。
接下来对具体的实现原理与公式进行表述。为简便起见,取目标高分辨率遥感网格中心为规则分布待插值点,拟采用地统计学的面到点克里金插值(Area-to-pointKriging,ATPK)进行数据降尺度。ATPK是用已知面对未知点进行插值的降尺度方法(已知面可以是各种形状的连续面,全覆盖或离散分布,未知点可以在已知面内外),其原理和普通克里金类似,即未知点值z(x)为其所在面以及附近面vi(i=1,…,k)数据的线性加权和:
权重λx的求解方程组为:
上式中x为待插值高分辨遥感网格点,共有K个原始低分辨率遥感网格vi(i=1,…,k)的观测值z(vi)加权平均估计得到x的估计值z(x),对应的权重为λx,μx为拉格朗日算子。整个ATPK遥感数据降尺度过程中最关键的是去卷积推断点与点协方差函数C,并以此分别构造面与点、面与面协方差函数和如下式所示:
N(vi)和N(vj)分别是网格vi和vj离散后包含点的数量,s即代表网格中的离散点。低分辨率遥感网格均被离散成点数据,面与点、面与面协方差通过被转化为众多点对协方差的均值来计算。相对于常用的线性或非线性、全局或局部等各类基于回归模型的降尺度方法,ATPK的显著优势之一是通过构造降尺度前后不同尺度区域化变量的协方差函数考虑了面与点数据的尺度差异性和空间相关性。ATPK的另一重要性质是保质性,即插值下推到某任意已知面内的所有点估计值的平均等于该已知面原始值,保质性确保了目标高分辨率数据能够保持原始低分辨率CCMP数据的海面风场空间分布格局。
相应地,本实施例还提供了一种多源微波遥感海面风场数据融合装置,该装置包括:
SAR反演海面风场数据获取模块,其用于获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
降尺度未校正的CCMP海面风场数据获取模块,其用于获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
数据融合模块,其通过采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
当然,需要说明的是,本申请涉及的“低分辨率”和“高分辨率”是一相对形容词,具体地,在本申请中,高分辨率为5km,低分辨率为25km,但是需要指出的是,本申请也可用于更高分辨率海风产品融合。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种多源微波遥感海面风场数据融合方法,其特征在于,所述方法包括
获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
2.如权利要求1所述的多源微波遥感海面风场数据融合方法,其特征在于,所述采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的海面风场数据进行融合,获得海面风场融合数据,具体包括:
首先对SAR反演海面风场数据和降尺度未校正的海面风场数据两种风场数据进行时空匹配,以降尺度未校正的CCMP海面风场数据格网为基准,SAR反演海面风场数据通过双线性插值重采样到CCMP海面风场数据格网;
然后对CCMP海面风场数据格网上的SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行差异分析,得到相应的降尺度误差,进而通过距离反比插值得到研究区域上连续分布的CCMP海面风场降尺度误差分布;
将连续分布的CCMP海面风场降尺度误差分布与降尺度未校正的CCMP海面风场数据相加进行误差校正,得到最终的海面风场融合数据。
3.如权利要求1或2所述的多源微波遥感海面风场数据融合方法,其特征在于,所述获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据,具体包括:
首先利用原始CCMP海面风场数据计算海风区域化变量在低分辨率面尺度上的先验变异函数值;
然后通过正则化逼近过程去卷积推断海风变量点尺度理论变异函数,基于海风变量点尺度理论变异函数推理计算面与面、面与点各尺度上变量间的变异函数值,进而构建用于估算高分辨率海面风场的权重线性方程组,根据求解后的权重和相应的低分辨率面尺度的已知风场数据加权平均计算得到目标高分辨率遥感网格中心点的风速风向估计值,得到整个研究区域上降尺度未校正的高分辨率CCMP海面风场数据。
4.如权利要求1所述的多源微波遥感海面风场数据融合方法,其特征在于,所述对SAR影像进行数据预处理具体包括:
下载与数据观测时间相近的卫星轨道文件对SAR影像进行轨道校正,然后基于增强Lee滤波算法对SAR影像进行滤波处理,抑制斑点噪声;
接着对SAR影像进行辐射校正,进行像元值转换,以获得精确的海面雷达后向散射截面,根据欧空局数据处理中心提供的资料,采用以下定标公式得到后向散射系数:
其中DNi,j为第i行、第i列像元的原始幅度值,随后利用掩膜工具实现后向散射截面的陆地掩膜,只保留海面散射数据。
5.如权利要求4所述的多源微波遥感海面风场数据融合方法,其特征在于,所述SAR影像预处理完成后,进行海面风场反演,具体包括:
首先基于SAR影像风条纹信息在频率域利用快速傅里叶变换提取海面风向,将风向信息和后向散射截面数据代入GMOD5地球物理模式函数GMF进行反向求解,获得海面风速。
6.如权利要求5所述的多源微波遥感海面风场数据融合方法,其特征在于,所述将风向信息和后向散射截面数据代入GMOD5地球物理模式函数GMF进行反向求解,具体包括:
对从SAR影像发射的雷达信号通过Bragg散射部分被海表面反射回来,后向散射能量取决于海表面波与雷达波长的比较,随着风速增加,海表面粗糙度也增加,相应的NRCS也随之增加,雷达波长λ与海面波长L的关系:L=λ/2sin(θ),其中λ为雷达入射波波长,θ为入射角;后向散射系数σ0是相对风向φ、10m高处风速U、雷达入射角θ、雷达入射波波长λ和极化方式P的函数:
σ0=F(φ,U,θ,λ,P) (2)
风速反演的实质就是推算反向传递函数G:
U=G(σ0,φ,θ,λ,P) (3)
在GMF中,NRCS与风速风向的关系表示为如下形式:
σ0=a(θ)Uγ(θ)[1+b(θ,U)cosφ+c(θ,U)cos2φ] (4)
其中,θ是雷达入射角;φ代表风向与雷达视向之间的夹角,逆风为0°,顺风为180°,横风为90°或270°;U是海面10m高处的风速;σ0表示雷达后向散射系数或归一化雷达散射截面;a,b,c,γ是模型的参数,根据式(4)即可反向求解U。
7.如权利要求3所述的多源微波遥感海面风场数据融合方法,其特征在于,所述得到整个研究区域上降尺度未校正的高分辨率CCMP海面风场数据的具体过程为:
取目标高分辨率遥感网格中心为规则分布待插值点,拟采用地统计学的面到点克里金插值ATPK进行数据降尺度,ATPK是用已知面对未知点进行插值的降尺度方法,即未知点值z(x)为其所在面以及附近面vi(i=1,...,k)数据的线性加权和:
权重λx的求解方程组为:
上式中x为待插值高分辨遥感网格点,共有K个原始低分辨率遥感网格vi(i=1,...,k)的观测值z(vi)加权平均估计得到x的估计值z(x),对应的权重为λx,μx为拉格朗日算子;去卷积推断点与点协方差函数C,并以此分别构造面与点、面与面协方差函数和如下式所示:
N(vi)和N(vj)分别是网格vi和vj离散后包含点的数量,s即代表网格中的离散点。
8.一种多源微波遥感海面风场数据融合装置,其特征在于,包括:
SAR反演海面风场数据获取模块,其用于获取SAR影像,并对SAR影像进行数据预处理,SAR影像预处理完成后,进行海面风场反演,获得SAR反演海面风场数据;
降尺度未校正的CCMP海面风场数据获取模块,其用于获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据;
数据融合模块,其通过采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行融合,获得海面风场融合数据。
9.如权利要求8所述的多源微波遥感海面风场数据融合装置,其特征在于,所述采用地理差异分析法对SAR反演海面风场数据和降尺度未校正的海面风场数据进行融合,获得海面风场融合数据,具体包括:
首先对SAR反演海面风场数据和降尺度未校正的海面风场数据两种风场数据进行时空匹配,以降尺度未校正的CCMP海面风场数据格网为基准,SAR反演海面风场数据通过双线性插值重采样到CCMP海面风场数据格网;
然后对CCMP海面风场数据格网上的SAR反演海面风场数据和降尺度未校正的CCMP海面风场数据进行差异分析,得到相应的降尺度误差,进而通过距离反比插值得到研究区域上连续分布的CCMP海面风场降尺度误差分布;
将连续分布的CCMP海面风场降尺度误差分布与降尺度未校正的CCMP海面风场数据相加进行误差校正,从而得到最终的海面风场融合数据。
10.如权利要求8或9所述的多源微波遥感海面风场数据融合装置,其特征在于,所述获取原始CCMP海面风场数据,并对原始CCMP海面风场数据进行空间降尺度处理,获得降尺度未校正的CCMP海面风场数据,具体包括:
首先利用原始CCMP海面风场数据计算海风区域化变量在低分辨率面尺度上的先验变异函数值;
然后通过正则化逼近过程去卷积推断海风变量点尺度理论变异函数,基于海风变量点尺度理论变异函数推理计算面与面、面与点各尺度上变量间的变异函数值,进而构建用于估算高分辨率海面风场的权重线性方程组,根据求解后的权重和相应的低分辨率面尺度的已知风场数据加权平均计算得到目标高分辨率遥感网格中心点的风速风向估计值,最终得到整个研究区域上降尺度未校正的高分辨率CCMP海面风场数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596543.2A CN109100717B (zh) | 2018-06-11 | 2018-06-11 | 一种多源微波遥感海面风场数据融合方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596543.2A CN109100717B (zh) | 2018-06-11 | 2018-06-11 | 一种多源微波遥感海面风场数据融合方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109100717A true CN109100717A (zh) | 2018-12-28 |
CN109100717B CN109100717B (zh) | 2020-07-17 |
Family
ID=64796814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596543.2A Active CN109100717B (zh) | 2018-06-11 | 2018-06-11 | 一种多源微波遥感海面风场数据融合方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109100717B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及*** |
CN110764087A (zh) * | 2019-10-15 | 2020-02-07 | 中国科学院国家空间科学中心 | 一种基于干涉成像高度计的海面风向反加权反演方法 |
CN111191673A (zh) * | 2019-11-29 | 2020-05-22 | 广州地理研究所 | 一种地表温度降尺度方法及*** |
CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、*** |
CN111693999A (zh) * | 2020-05-27 | 2020-09-22 | 哈尔滨工程大学 | 基于雷达测风组合策略的多传感器融合风速风向估计方法 |
CN111812646A (zh) * | 2020-07-01 | 2020-10-23 | 自然资源部第二海洋研究所 | 一种利用合成孔径雷达图像反演海面风速的方法及*** |
CN112068133A (zh) * | 2020-08-05 | 2020-12-11 | 中国石油大学(华东) | 一种多模式微波遥感器散射计模式的***模拟方法 |
CN112579980A (zh) * | 2020-12-22 | 2021-03-30 | 深圳航天宏图信息技术有限公司 | 风场数据处理方法、装置、设备及存储介质 |
CN112699951A (zh) * | 2021-01-06 | 2021-04-23 | 中国气象局乌鲁木齐沙漠气象研究所 | 降水数据融合方法、装置、终端设备及可读存储介质 |
CN112946657A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 强对流天气中地面风场的识别方法 |
CN114910661A (zh) * | 2022-05-13 | 2022-08-16 | 北京大学 | 海面风速的反演方法、装置、介质和计算设备 |
CN117150437A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
CN118014855A (zh) * | 2023-12-13 | 2024-05-10 | 宁波大学 | 多源微波遥感和数值模拟的海表面风场融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036108A (zh) * | 2014-03-06 | 2014-09-10 | 浙江海洋学院 | 一种海面风场和海浪联合反演的方法 |
CN104698462A (zh) * | 2015-02-26 | 2015-06-10 | 中国人民解放军理工大学 | 基于变分的合成孔径雷达海面风场融合方法 |
CN106326625A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种耦合WRF与OpenFOAM模式的风场模拟方法 |
CN106448432A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种面向地图服务的风场多要素融合可视化表达方法 |
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
-
2018
- 2018-06-11 CN CN201810596543.2A patent/CN109100717B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036108A (zh) * | 2014-03-06 | 2014-09-10 | 浙江海洋学院 | 一种海面风场和海浪联合反演的方法 |
CN104698462A (zh) * | 2015-02-26 | 2015-06-10 | 中国人民解放军理工大学 | 基于变分的合成孔径雷达海面风场融合方法 |
CN106326625A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种耦合WRF与OpenFOAM模式的风场模拟方法 |
CN106448432A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种面向地图服务的风场多要素融合可视化表达方法 |
CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
CN107505616A (zh) * | 2017-09-15 | 2017-12-22 | 浙江大学 | 一种基于sar的海面风场反演最优分辨率的判定方法 |
Non-Patent Citations (4)
Title |
---|
侯敏 等: "基于4种再分析资料的中国近海风速特征分析", 《天津科技》 * |
吴佳敏 等: "基于WRF-3DVAR同化多源融合数据对近海风模拟的改进试验", 《气象科学》 * |
许遐祯 等: "基于多源数据的中国近海风场融合方法研究", 《杭州师范大学学报(自然科学版)》 * |
项杰 等: "南海海面风场变分融合的初步研究", 《热带气象学报》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
CN109886354B (zh) * | 2019-03-06 | 2020-12-22 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
CN110727916B (zh) * | 2019-08-20 | 2021-04-23 | 广东省科学院广州地理研究所 | 一种大规模海域风能长期预测方法及*** |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及*** |
CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、*** |
CN110764087A (zh) * | 2019-10-15 | 2020-02-07 | 中国科学院国家空间科学中心 | 一种基于干涉成像高度计的海面风向反加权反演方法 |
CN110764087B (zh) * | 2019-10-15 | 2021-08-31 | 中国科学院国家空间科学中心 | 一种基于干涉成像高度计的海面风向反加权反演方法 |
CN111191673A (zh) * | 2019-11-29 | 2020-05-22 | 广州地理研究所 | 一种地表温度降尺度方法及*** |
CN111191673B (zh) * | 2019-11-29 | 2020-12-08 | 广州地理研究所 | 一种地表温度降尺度方法及*** |
CN111693999A (zh) * | 2020-05-27 | 2020-09-22 | 哈尔滨工程大学 | 基于雷达测风组合策略的多传感器融合风速风向估计方法 |
CN111693999B (zh) * | 2020-05-27 | 2023-05-05 | 哈尔滨工程大学 | 基于雷达测风组合策略的多传感器融合风速风向估计方法 |
CN111812646A (zh) * | 2020-07-01 | 2020-10-23 | 自然资源部第二海洋研究所 | 一种利用合成孔径雷达图像反演海面风速的方法及*** |
CN112068133A (zh) * | 2020-08-05 | 2020-12-11 | 中国石油大学(华东) | 一种多模式微波遥感器散射计模式的***模拟方法 |
CN112579980A (zh) * | 2020-12-22 | 2021-03-30 | 深圳航天宏图信息技术有限公司 | 风场数据处理方法、装置、设备及存储介质 |
CN112699951A (zh) * | 2021-01-06 | 2021-04-23 | 中国气象局乌鲁木齐沙漠气象研究所 | 降水数据融合方法、装置、终端设备及可读存储介质 |
CN112699951B (zh) * | 2021-01-06 | 2023-02-03 | 中国气象局乌鲁木齐沙漠气象研究所 | 降水数据融合方法、装置、终端设备及可读存储介质 |
CN112946657A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 强对流天气中地面风场的识别方法 |
CN112946657B (zh) * | 2021-02-03 | 2023-10-27 | 南京信息工程大学 | 强对流天气中地面风场的识别方法 |
CN114910661A (zh) * | 2022-05-13 | 2022-08-16 | 北京大学 | 海面风速的反演方法、装置、介质和计算设备 |
CN114910661B (zh) * | 2022-05-13 | 2023-08-04 | 北京大学 | 海面风速的反演方法、装置、介质和计算设备 |
CN117150437A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
CN117150437B (zh) * | 2023-10-31 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
CN118014855A (zh) * | 2023-12-13 | 2024-05-10 | 宁波大学 | 多源微波遥感和数值模拟的海表面风场融合方法 |
CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109100717B (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100717A (zh) | 一种多源微波遥感海面风场数据融合方法及其装置 | |
Lakshmi | Remote sensing of soil moisture | |
Isern-Fontanet et al. | Remote sensing of ocean surface currents: A review of what is being observed and what is being assimilated | |
CN113205475A (zh) | 基于多源卫星遥感数据的森林高度反演方法 | |
CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及*** | |
Zine et al. | Issues about retrieving sea surface salinity in coastal areas from SMOS data | |
Bližňák et al. | Assessment of the capability of modern reanalyses to simulate precipitation in warm months using adjusted radar precipitation | |
Ouyang et al. | Deviations of satellite-measured sea surface salinity caused by environmental factors and their regional dependence | |
Kim et al. | Retrieval of subsurface soil moisture and vegetation water content from multifrequency soop reflectometry: Sensitivity analysis | |
Yang et al. | Land contamination correction for passive microwave radiometer data: Demonstration of wind retrieval in the great lakes using SSM/I | |
Munda et al. | Soil moisture modeling over agricultural fields using C-band synthetic aperture radar and modified Dubois model | |
Xu et al. | Application of the two-source energy balance model with microwave-derived soil moisture in a semi-arid agricultural region | |
Rahmani et al. | Soil moisture retrieval using space-borne GNSS reflectometry: a comprehensive review | |
CN116953708A (zh) | 一种基于合成孔径雷达遥感图像的台风风场反演方法 | |
Wang et al. | Soil moisture retrieval from sentinel-1 and sentinel-2 data using ensemble learning over vegetated fields | |
CN113325418B (zh) | 基于合成孔径雷达的降雨反演方法 | |
Miao et al. | Wet tropospheric correction methods for wide-swath altimeters | |
Luo et al. | An improved method for estimating soil moisture over cropland using SAR and optical data | |
Kumar et al. | Performance Evaluation of Hydro-Estimator Technique-Based Rain Products from INSAT-3DR During Indian Summer Monsoon 2020 | |
Wang et al. | Spatial Downscaling of Remote Sensing Precipitation Data in the Beijing-Tianjin-Hebei Region | |
Zhang et al. | Consistency analysis and correction of ground-based radar observations using space-borne radar | |
Kim et al. | Characteristics of sea surface temperature retrieved from MTSAT-1R and in-situ data | |
Zhou et al. | Research on the Parameter Design Method and System Simulation of Multimode Microwave Remote Sensors Operating in Scatterometer Modes | |
Zecchetto et al. | Wind fields from COSMO-SKYMED and Radarsat-2 SAR in coastal areas |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 100, Xianlie Middle Road, Guangzhou, Guangdong 510070 Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510070 No. 100 martyrs Middle Road, Guangzhou, Guangdong, Yuexiu District Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |