CN113534085B - 一种干涉成像高度计的海面风速和有效波高联合反演方法 - Google Patents
一种干涉成像高度计的海面风速和有效波高联合反演方法 Download PDFInfo
- Publication number
- CN113534085B CN113534085B CN202110719958.6A CN202110719958A CN113534085B CN 113534085 B CN113534085 B CN 113534085B CN 202110719958 A CN202110719958 A CN 202110719958A CN 113534085 B CN113534085 B CN 113534085B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- data
- wind speed
- wave height
- effective wave
- 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.)
- Expired - Fee Related
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及雷达信号处理领域,尤其涉及一种干涉成像高度计的海面风速和有效波高联合反演方法,所述方法包括:接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;所述联合反演模型基于BP神经网络实现。本发明利用干涉成像高度计数据实现了对海面风速和有效波高的联合反演;利用神经网络实现了对海面风速和有效波高准确又高效的反演。
Description
技术领域
本发明涉及雷达信号处理领域,尤其涉及一种干涉成像高度计的海面风速和有效波高联合反演方法,在海洋参数检测中有重要应用。
背景技术
传统高度计通过准确获取海面的回波波形进行海洋参数反演;由回波波形的上升沿半功率点可以获取海面波高,由上升沿斜率可以获取有效波高,由波形的幅值可以反演海面后向散射系数;根据有效波高和后向散射系数建立模型可以计算海面风速。合成孔径雷达(Synthetic Aperture Radar,SAR)通过建立海面风速、风向、入射角、极化方式、频率和后向散射系数之间的地球物理模型进行海面风速的获取,其海面有效波高的获取可以通过SAR图像谱与海浪谱之间的非线性关系反演得到海浪谱从而得到有效波高、主波波长、主波波向和周期等海洋参数或者建立海洋参数与后向散射系数之间的经验模型进行反演。干涉成像高度计(Interferometric Imaging Radar Altimeter,InIRA)相比于二者采用小角度干涉测量技术、孔径合成技术以及海陆兼容的高度跟踪技术实现宽刈幅海面观测数据,既可得到海面后向散射系数的测量,如图1所示,还可通过干涉信息处理获得三维海面的高程信息,如图2所示,这些信息为对海面风场和有效波高的同时反演提供了数据基础。
BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播进行网络训练的算法,其优化规则是使用最速下降法,通过输出层得到输出结果和期望输出的误差反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。一个完整的BP神经网络运算主要包括前向传播对权重、偏置和输入做线性运算和激活运算,从输入层开始逐步运算获取输出值,再根据损失函数衡量输出值与期望值的误差并反向传播误差优化误差从而得到输出损失值最小的权重和偏置得到最佳网络。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,所以将利用BP神经网络出色的非线性映射能力和泛化能力对干涉成像高度计的海面风速和有效波高进行联合反演。
发明内容
本发明的目的在于克服现有技术缺陷,提出了一种干涉成像高度计的海面风速和有效波高联合反演方法。
为了实现上述目的,本发明提出了一种干涉成像高度计的海面风速和有效波高联合反演方法,所述方法包括:
接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现。
为了实现上述目的,所述联合反演模型包括依次连接的输入层、两个隐藏层和输出层,其中,两个隐藏层的节点个数分别为50和20,隐藏层激励函数为S型函数logsig,输出层激励函数为线性传递函数purelin,学习率为0.2;联合反演模型的输入包括:后向散射系数、海面高度、本地入射角和经纬度坐标,输出为海面风速和有效波高。
为了实现上述目的,所述方法还包括联合反演模型的训练步骤;具体包括:
步骤1)结合干涉成像高度计的时空位置,与欧洲中期天气预报中心的再分析风场和波浪数据进行时空插值,得到与干涉成像高度计匹配的风速数据和有效波高数据;
步骤2)对干涉成像高度计的风速数据和有效波高数据进行质量控制,建立数据与标签的数据集;
步骤3)对数据集的数据进行归一化处理;
步骤4)从归一化处理后的数据集中选取部分作为训练集,选取另一部分作为测试集;
步骤5)将训练集的数据输入BP神经网络,通过调整隐藏层的层数和各个隐藏层的节点个数以及学习率,确定最优网络结构得到待测试的联合反演模型;
步骤6)将测试集输入待测试的联合反演模型,得到测试集数据对应的反演结果,与测试集的标签进行比较,判断均方根误差、分散指数和相关系数是否均满足阈值要求,判断为是,转至步骤7),否则转至步骤5);
步骤7)得到训练好的联合反演模型。
为了实现上述目的,所述步骤1)具体包括:
获取欧洲中期天气预报中心的再分析风速和有效波高数据,将再分析数据与干涉成像高度计的历史数据进行时空插值匹配,得到风速数据和有效波高数据;匹配后的空间坐标为降采样之后的干涉成像高度计的经纬度坐标,时间窗口设置为10分钟。
为了实现上述目的,所述步骤2)具体包括:
对于干涉成像高度计的历史数据,采用全球地形模型数据ETOPO1剔除水深小于预设阈值,或者有明显降雨或云团因素影响的数据,并进行3σ滤波,得到滤波后的数据,所述滤波后的数据包括:海面后向散射系数、海面高度、本地入射角和经纬度坐标,并将对应的海面风速和有效波高作为标签,建立数据集。
为了实现上述目的,所述均方根误差RMSE为:
其中,N表示计算样本点的个数,Yi表示网络反演结果,Xi表示作为对照的测试集数据标签。
为了实现上述目的,所述分散指数SI为:
一种干涉成像高度计的海面风速和有效波高联合反演***,其特征在于,所述***包括:联合反演模型、采集模块和反演结果输出模块,其中,
所述采集模块,用于接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
所述反演结果输出模块,用于从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现。
与现有技术相比,本发明的优势在于:
1、本发明利用干涉成像高度计数据实现了对海面风速和有效波高的联合反演;
2、本发明利用神经网络实现了对海面风速和有效波高准确又高效的反演。
附图说明
图1是干涉成像高度计海面后向散射系数图像;
图2是干涉成像高度计海面高度图像;
图3是海面风速分布直方图;
图4是海面有效波高分布直方图;
图5是本发明的BP神经网络结构;
图6是风速反演结果与再分析数据对比;
图7是有效波高反演结果与再分析数据对比。
具体实施方式
本发明的目的在于提供一种基于干涉成像高度计观测数据的海面风速和有效波高的联合反演方法,利用BP神经网络的非线性映射能力以及干涉成像高度计的海面后向散射系数和海面高度数据与风速、有效波高之间的相关关系,实现同时对海面风速和有效波高进行反演。
1)时空插值匹配
结合InIRA的时空位置,与欧洲中期天气预报中心(European Centre forMedium-Range Weather Forecasts,ECMWF)再分析风场和波浪数据进行时空插值,得到与InIRA匹配的风速数据和有效波高数据。
2)成像高度计数据质量控制
选取InIRA海洋数据并剔除数据中的近岸区域以及有降雨、云团等因素影响的数据并进行3σ滤波得到有效的学习样本,数据包含海面后向散射系数、海面高度、本地入射角、经纬度坐标。
3)BP神经网络基本结构
根据BP神经网络建立基本模型结构,包括输入层、隐藏层和输出层,模型输入为:后向散射系数、海面高度、本地入射角、经纬度坐标,输出为:海面风速和有效波高。
4)模型结构确定
调整网络结构:隐藏层层数和各个隐藏层节点个数以及学习率等参数,训练网络确定最优网络结构。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
本发明的实施例1提出了一种干涉成像高度计的海面风速和有效波高联合反演方法,该方法包括:
接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现。
关于训练联合反演模型的数据集准备包括两部分:(1)ECMWF再分析风速和有效波高数据,将再分析数据与InIRA数据进行时空插值匹配,再分析数据的风速数据空间分辨率为25km×25km,有效波高数据空间分辨率为50km×50km,时间间隔均为1小时,与InIRA匹配的空间坐标为降采样之后的InIRA经纬度坐标,时间窗口为10分钟;(2)InIRA数据,利用全球地形模型数据ETOPO1剔除水深小于50m以及有明显降雨、云团等因素影响的数据并进行3σ滤波,得到的InIRA数据中包含海面后向散射系数、海面高度、本地入射角、经纬度坐标。
将得到的数据集划分为训练集和测试集,一共得到68712组数据,4/5的数据用于模型训练,1/5的数据用于模型检验,输入层包括海面后向散射系数、海面高度、本地入射角、经纬度坐标,输出层为海面风速和有效波高。风速的分布直方图如图3所示,风速范围为0-20m/s,主要集中5-8m/s之间;有效波高的分布直方图如图4所示,有效波高范围为0-7m,主要集中在0-3m之间。
利用BP神经网络建立反演模型,对网络的设计包括网络的层数、每层神经元的个数、激活函数以及学习率等。增加网络层数可以降低误差,提高精度但是也会增加网络的复杂度增加网络的训练时间;神经元数太少网络不能很好的学习,训练精度不高,神经元太多时,网络的功能会更高,精确度也更高,训练的迭代次数也增加,但是过多的神经元也会出现过拟合的现象;常用的网络传递激活函数有非线性变换函数—sigmoid函数、logsig函数等;对于学习率的选择,过小的学习率会导致收敛速度太慢,过大的学习速率会导致***的不稳定。所以需要对网络结构不断调整得到最佳的BP神经网络反演模型。
模型训练之前对输入数据进行归一化处理,反演之后对结果进行反归一化,综合考虑模型训练时间与模型结构复杂度和反演精度,确定BP神经网络反演模型的结构如图5所示,包含两个隐藏层,节点个数分别为50和20,隐藏层激励函数为S型函数logsig,输出层激励函数为线性传递函数purelin,学习率为0.2。
将模型反演结果与测试集数据进行比较,通过计算均方根误差(Root MeanSquare Error,RMSE),分散指数(scatter index,SI)以及相关系数来评估反演结果,计算公式如下所示:
风速反演均方根误差RMSE为1.29m/s,相关系数为0.91,分散指数SI为19.59%;有效波高反演结果的均方根误差为0.32,相关系数为0.94,分散指数为17.36%;结果分别如图6和图7所示,都具有较高的准确度,满足实际应用的精度与要求。
实施例2
本发明的实施例2提出了一种干涉成像高度计的海面风速和有效波高联合反演***,所述***包括:联合反演模型、采集模块和反演结果输出模块,采用实施例1的方法实现,其中,
所述采集模块,用于接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
所述反演结果输出模块,用于从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种干涉成像高度计的海面风速和有效波高联合反演方法,所述方法包括:
接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现;
所述联合反演模型包括依次连接的输入层、两个隐藏层和输出层,其中,两个隐藏层的节点个数分别为50和20,隐藏层激励函数为S型函数logsig,输出层激励函数为线性传递函数purelin,学习率为0.2;联合反演模型的输入包括:后向散射系数、海面高度、本地入射角和经纬度坐标,输出为海面风速和有效波高。
2.根据权利要求1所述的干涉成像高度计的海面风速和有效波高联合反演方法,其特征在于,所述方法还包括联合反演模型的训练步骤;具体包括:
步骤1)结合干涉成像高度计的时空位置,与欧洲中期天气预报中心的再分析风场和波浪数据进行时空插值,得到与干涉成像高度计匹配的风速数据和有效波高数据;
步骤2)对干涉成像高度计的风速数据和有效波高数据进行质量控制,建立数据与标签的数据集;
步骤3)对数据集的数据进行归一化处理;
步骤4)从归一化处理后的数据集中选取部分作为训练集,选取另一部分作为测试集;
步骤5)将训练集的数据输入BP神经网络,通过调整隐藏层的层数和各个隐藏层的节点个数以及学习率,确定最优网络结构得到待测试的联合反演模型;
步骤6)将测试集输入待测试的联合反演模型,得到测试集数据对应的反演结果,与测试集的标签进行比较,判断均方根误差、分散指数和相关系数是否均满足阈值要求,判断为是,转至步骤7),否则转至步骤5);
步骤7)得到训练好的联合反演模型。
3.根据权利要求2所述的干涉成像高度计的海面风速和有效波高联合反演方法,其特征在于,所述步骤1)具体包括:
获取欧洲中期天气预报中心的再分析风速和有效波高数据,将再分析数据与干涉成像高度计的历史数据进行时空插值匹配,得到风速数据和有效波高数据;匹配后的空间坐标为降采样之后的干涉成像高度计的经纬度坐标,时间窗口设置为10分钟。
4.根据权利要求2所述的干涉成像高度计的海面风速和有效波高联合反演方法,其特征在于,所述步骤2)具体包括:
对于干涉成像高度计的历史数据,采用全球地形模型数据ETOPO1剔除水深小于预设阈值,或者有明显降雨或云团因素影响的数据,并进行3σ滤波,得到滤波后的数据,所述滤波后的数据包括:海面后向散射系数、海面高度、本地入射角和经纬度坐标,并将对应的海面风速和有效波高作为标签,建立数据集。
7.一种干涉成像高度计的海面风速和有效波高联合反演***,其特征在于,所述***包括:联合反演模型、采集模块和反演结果输出模块,其中,
所述采集模块,用于接收干涉成像高度计采集的海面后向散射系数图像和海面高度图像;
所述反演结果输出模块,用于从海面后向散射系数图像和海面高度图像得到后向散射系数、海面高度、本地入射角和经纬度坐标,输入预先建立和训练好的联合反演模型,得到对应的海面风速和有效波高的归一化结果,经反归一化处理得到反演结果;
所述联合反演模型基于BP神经网络实现;
所述联合反演模型包括依次连接的输入层、两个隐藏层和输出层,其中,两个隐藏层的节点个数分别为50和20,隐藏层激励函数为S型函数logsig,输出层激励函数为线性传递函数purelin,学习率为0.2;联合反演模型的输入包括:后向散射系数、海面高度、本地入射角和经纬度坐标,输出为海面风速和有效波高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719958.6A CN113534085B (zh) | 2021-06-28 | 2021-06-28 | 一种干涉成像高度计的海面风速和有效波高联合反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719958.6A CN113534085B (zh) | 2021-06-28 | 2021-06-28 | 一种干涉成像高度计的海面风速和有效波高联合反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534085A CN113534085A (zh) | 2021-10-22 |
CN113534085B true CN113534085B (zh) | 2022-03-04 |
Family
ID=78096997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719958.6A Expired - Fee Related CN113534085B (zh) | 2021-06-28 | 2021-06-28 | 一种干涉成像高度计的海面风速和有效波高联合反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534085B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787281A (zh) * | 2016-03-24 | 2016-07-20 | 国家海洋环境预报中心 | 一种海浪有效波高场的融合反演方法和装置 |
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 |
CN111950438A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号成像高度计有效波高反演方法 |
CN111951204A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号探测数据海面风速反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583214B (zh) * | 2020-04-30 | 2023-06-30 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
-
2021
- 2021-06-28 CN CN202110719958.6A patent/CN113534085B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787281A (zh) * | 2016-03-24 | 2016-07-20 | 国家海洋环境预报中心 | 一种海浪有效波高场的融合反演方法和装置 |
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 |
CN111950438A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号成像高度计有效波高反演方法 |
CN111951204A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号探测数据海面风速反演方法 |
Non-Patent Citations (2)
Title |
---|
Wind speed inversion and in-orbit assessment of the imaging altimeter on Tiangong-2 space station;Youguang Zhang等;《Acta Oceanol.Sin》;20201231;第39卷(第12期);全文 * |
基于神经网络的卫星高度计海面风速反演算法;任建奇等;《海洋技术》;20070630;第26卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113534085A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142679B (zh) | 基于人工神经网络克里金插值的森林土壤养分的空间预测方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及*** | |
CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及*** | |
JPWO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及*** | |
CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN114295585B (zh) | 一种基于解析模型的多视场海洋激光雷达数据正则化反演方法 | |
CN117272843B (zh) | 基于随机森林的gnss-r海面风速反演方法及*** | |
CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
CN113534085B (zh) | 一种干涉成像高度计的海面风速和有效波高联合反演方法 | |
CN116338628B (zh) | 一种基于学习架构的激光雷达测深方法、装置及电子设备 | |
Goldwater et al. | Machine-learning-based simultaneous detection and ranging of impulsive baleen whale vocalizations using a single hydrophone | |
Kazemzadeh et al. | Remote sensing of temporal and spatial variations of suspended sediment concentration in Bahmanshir Estuary, Iran | |
CN112782690B (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及*** | |
CN115616579A (zh) | 一种基于awpso-cnn和hy-2c微波散射计海面风场反演方法 | |
CN115060656A (zh) | 基于稀疏先验实测点的卫星遥感水深反演方法 | |
CN110865389B (zh) | 一种海洋激光雷达***响应优化处理方法 | |
CN113191536A (zh) | 基于机器学习的近地面环境要素预测模型训练和预测方法 | |
Divya et al. | Ocean internal wave detection from SAR images using particle swarm optimization | |
CN116821694B (zh) | 基于多分支神经网络与分段式模型的土壤湿度反演方法 | |
Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
CN113657416B (zh) | 一种基于改进的深度神经网络的深海声源测距方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220304 |