CN115097451A - 一种基于sar卫星数据的海浪多参数反演方法及*** - Google Patents
一种基于sar卫星数据的海浪多参数反演方法及*** Download PDFInfo
- Publication number
- CN115097451A CN115097451A CN202210750380.5A CN202210750380A CN115097451A CN 115097451 A CN115097451 A CN 115097451A CN 202210750380 A CN202210750380 A CN 202210750380A CN 115097451 A CN115097451 A CN 115097451A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- sea wave
- input
- data
- wave multi
- 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.)
- Pending
Links
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Image Processing (AREA)
Abstract
本发明提出了一种基于SAR卫星数据的海浪多参数反演方法及***,属于海洋动力学领域,从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值;本发明实现了飓风条件海浪多参数同步反演,且不依赖于第三方数据提供初始信息,使SAR海浪信息反演更加独立。
Description
技术领域
本发明属于海洋动力学领域,尤其涉及一种基于SAR卫星数据的海浪多参数反演方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
快速准确地获取台风条件下的海浪信息,有助于对海洋环境变化做出更科学的判断和预报。卫星遥感是当前大范围、高时空分辨率的获取海浪信息的重要手段,但目前有关台风海况下海浪信息反演的研究极少,当前的海浪数据和产品无法满足台风海况下的实际应用需求,因此提高飓风海况下海浪参数反演能力,发展海浪信息精细提取技术具有重要意义。
目前,国内外已有的海浪信息获取方式主要有:浮标观测、海浪数值预报和遥感观测;浮标观测范围局限且是单点分布,且其造价较高、布放后维护困难,无法实现大范围空间域、长时间域海浪观测;海浪数值预报模式也是一种常见的海浪观测方式,是根据一段时间内的海况观测资料,通过海浪统计特性和物理建模从而建立的海浪预报方法,其精度受到了诸多因素的制约,例如驱动风场的准确性、初始条件的设定、观测资料的同化水平、水深的影响等,且其并非现场观测结果;微波遥感有效地弥补了上述观测手段的不足,SAR、雷达高度计、波谱仪均可实现大范围长时间的海浪观测;而且,SAR可以提供海面二维信息,其分辨率要高于高度计和波谱仪,SAR成像不依赖于天气、光照等因素,因此SAR是实现大范围长时间海浪观测的重要手段。
目前基于SAR数据海浪参数的反演方法可以分为两大类:理论方法和基于大数据的经验方法;理论算法基于SAR图像谱与海浪方向谱间复杂的非线性关系海浪参数反演,反演过程极为复杂的过程,而现有的经验算法多适用于中低海况。近年来,极端天气的出现频率明显增加,2018年,邵伟增基于高分3号VV极化数据研究了飓风条件下海浪有效波高与后向散射系数和归一化方差间的关系,得到有效波高与二者为线性关系的结论,但并未有效地反演海浪参数;胡宇逸于2021年基于哨兵1号双极化SAR数据以CWAVE算法为核心反演了飓风海况下海浪有效波高并取得了相对较好的结果;同年,X.B.Zhao等人以PFSM法反演海浪有效波高,去除降雨影响后反演结果与SWAN模拟结果相比均方根误差为0.62m;现有有关台风海况下海浪参数反演的研究较少且模型反演精度有提升空间,且仅反演参数单一,因此需要建立台风海况条件下海浪多参数反演方法,为极端两海浪观测和海洋环境安全提供参考。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于SAR卫星数据的海浪多参数反演方法及***,从SAR数据中提取输入特征参数,从时空一致的ERA5数据中提取海浪有效波高、平均波周期、风涌浪波高、风涌浪波周期和波向为输出特征参数,对提取的输入特征参数与输出特征参数间的影响关系进行分析,最后基于SVR建立飓风条件下海浪多参数反演模型,实现飓风条件海浪多参数同步反演,且不依赖于第三方数据提供初始信息,使SAR海浪信息反演更加独立。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种基于SAR卫星数据的海浪多参数反演方法;
一种基于SAR卫星数据的海浪多参数反演方法,包括:
从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5 数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
进一步的,提取的输入特征参数有入射角、卫星轨道距离速度比、SAR 图像归一化方差、SAR图像偏斜、图像峰度、图像梯度方向、后向散射系数、截断波长及20个频域参数。
进一步的,提取的输出特征参数有有效波高、平均波周期、风涌浪波高、风涌浪波周期和波向。
进一步的,确定输入特征参数与输出特征参数间相关性,对输入特征参数本身和输入输出特征间进行特征分析,依据分析结果,去除冗余特征参数。
进一步的,特征分析,是基于输入特征参数本身的离散性系数、输入输出参数间的相关性系数、基于SVM的输入输出间重要性系数,计算每个输入特征参数的综合性指数,去除综合性指数小于阈值的输入特征参数。
进一步的,依据提取的输入特征参数与输出特征参数,从实际的SAR 图像数据中,获取参数对应的值,构建输入数据集和输出数据集,作为模型训练的数据集。
进一步的,所述海浪多参数反演模型,是基于多输出最小支持向量回归算法SVR的。
本发明第二方面提供了一种基于SAR卫星数据的海浪多参数反演***。
一种基于SAR卫星数据的海浪多参数反演***,包括特征提取模块、数据构建模块、模型构建模块和参数反演模块;
特征提取模块,被配置为:从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
数据构建模块,被配置为:根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
模型构建模块,被配置为:构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
参数反演模块,被配置为:基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明建立的飓风条件下海浪多参数反演模型,可同时反演海浪有效波高、平均波周期、波向、风浪波高、风浪波周期、涌浪波高和涌浪波周期。
本发明建立的飓风条件下海浪多参数反演模型,是一种参数化的模型,模型的普适性好,计算效率高,具有较高的空间分辨率。
本发明实现了飓风条件海浪多参数同步反演,且不依赖于第三方数据提供初始信息,使SAR海浪信息反演更加独立。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图;
图2(a)-(g)为模型反演结果与ERA5数据对比图;
图3(a)-(b)为MPI反演结果与ERA5数据对比图;
图4为第二个实施例的***结构图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
目前已有理论海浪参数反演模型基于SAR图像谱与海浪方向谱之间复杂的非线性关系,反演过程复杂,且需外部数据提供初猜谱信息;而经验模型反演参数单一,大部分海浪参数反演模型只能进行海浪有效波高和平均波周期的反演,且适用海况有限,即模型多适用于常规海况,不适用于飓风等极端天气下海浪参数反演,针对以上情况,实施例一提供了一种基于SAR卫星数据的海浪多参数反演方法,实现了在不依赖于第三方数据提供初始信息的情况下飓风条件海浪多参数同步反演。
实施例一
本实施例公开了一种基于SAR卫星数据的海浪多参数反演方法;
如图1所示,一种基于SAR卫星数据的海浪多参数反演方法,包括:
步骤1:从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
本发明获取了2020年全球范围内飓风条件下哨兵1号SAR IW模式数据及与之时空一致的ERA5数据,从SAR IW模式数据和ERA5数据中,分别提取输入特征参数和输出特征参数。
提取输入特征参数的步骤为:
从SAR IW模式数据中提取SAR图像强度、入射角和卫星轨道距离速度比三个参数;
通过对SAR图像强度的计算,得到SAR图像归一化方差、SAR图像偏斜、图像峰度、图像梯度方向;
通过对SAR图像强度的辐射定标得到后向散射系数;
对SAR图像进行分视处理,得到交叉谱,对交叉谱的实部谱进行傅里叶变换,得到SAR图像的自相关函数,然后用高斯函数对自相关函数沿方位向进行拟合,得到截断波长;
通过正交函数对SAR频谱进行计算,提取得到20个频域参数(s1-s20)。
将SAR IW模式数据与ERA5数据进行时空匹配,从匹配的ERA5数据中,提取有效波高、平均波周期、风涌浪波高、风涌浪波周期和波向,作为输出特征参数。
为确定输入特征参数与输出特征参数间相关性,去除冗余特征参数,需对输入特征参数本身和输入输出特征间进行特征分析,基于输入特征参数本身的离散性系数、输入输出参数间的相关性系数、基于SVM的输入输出间重要性系数,对输出特征参数间的相关性进行分析。
尽管不同系数间存在较大量级差异,且相关性系数间存在正负,但其绝对值可以表示相关程度的大小。
首先对输入输出参数间的相关性系数取绝对值,然后再分别对离散性系数、相关性系数和重要性系数进行归一化处理,将其归一化到数值(0, 1)范围内,最后依据以下公式进行输入特征参数的综合性指数计算。
其中,和分别表示输入特征参数的离散性系数、输入输出参数间的相关性系数、基于SVM的输入输出间重要性系数;ω1、ω2和ω3分别表示离散性系数、相关性系数和重要性系数的权重,本实施例分别将其设置为0.1、0.3和0.6;设置阈值m,对输入特征参数进行去除选择,去除与指定个数c的输出特征参数的综合性指数小于m的输入特征参数。
本实施例,m设置为0.05,c设置为4个及4个以上,对2020年全球范围内飓风条件下哨兵1号SAR IW模式数据及与之时空一致的ERA5数据进行上述的特征提取,经过综合性指数计算,图像梯度方向和频域参数s1符合“与4个及4个以上输出特征参数的综合性指数小于0.05”的条件,所以去除图像梯度方向和频域参数s1,保留其他输入特征参数。
步骤2:根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
在去除冗余的特征参数后,依据剩余的输入特征参数与输出特征参数,从2020年全球范围内飓风条件下哨兵1号SAR IW模式数据及与之时空一致的ERA5数据中,获取输入特征参数与输出特征参数对应的参数值,构建输入数据集和输出数据集,作为模型训练的数据集。
其中,2020年飓风海况下哨兵1号SARIW模式数据共有18景,对其中 12景数据进行特征数据提取,作为训练集,剩余6景数据进行特征数据,作为测试集。
步骤3:构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
基于一种多输出最小支持向量回归算法(SVR),建立飓风海况下海浪多参数反演模型,用训练集对海浪多参数反演模型进行训练,再用测试集验证训练好的海浪多参数反演模型的反演精度,未达到反演精度时,则继续对模型进行训练。
由于支持向量回归(SVR)方法是机器学***面,寻找最优超平面使得所有的点到超平面的距离最大,所以训练过程就是不断用数据集去拟合的过程,从而找到最优超平面,界定输入与输出之间的非线性关系。
步骤4:基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
对于新采集的SAR数据,提取输入特征参数对应的参数值,输入到训练好的海浪多参数反演模型,输出的特征参数值,就是要反演的参数值。
将本实施例的海浪多参数方法的反演结果与ERA5数据及MPI (Max-PlanckInstitute Algorithm)方法反演结果进行对比,分析本发明所述的基于SAR卫星数据的海浪多参数反演方法的反演效果。
MPI方法需要先确定一个初猜谱,本发明利用ERA-5的风速及风向信息生成初猜谱E谱,根据非线性前向变换获得对应的SAR图像谱,将其与观测得到的SAR图像谱进行比较,计算代价函数,进行迭代处理,直至代价函数小于所设定的值,此时得到的海浪谱即为最优海浪谱;利用上述MPI 方法反演得到的最优海浪谱可以计算有效波高和平均波周期。
获取一组SARIW模式数据及与之时空一致的ERA5数据,用本发明的海浪多参数方法进行反演,反演结果与ERA5数据对比结果如图2所示,利用 MPI方法对该组数据进行有效波高和平均波周期反演,结果如图3所示。
由图2可见,有效波高范围为1~8.3m,平均波周期范围为4~8.2s,与 ERA5数据相比,本发明的反演结果中,有效波高均方根误差为0.67m,平均波周期均方根误差为0.78s风、涌浪波高的均方根误差均为0.59m,风、涌浪波周期的均方根误差分别为1.02s和0.97s;满足海洋遥感领域公认测观测精度要求,即与现场实测或浮标数据比对,有效波高的RMSE小于0.5m 或最大值的10%,二者取大值;平均波周期的RMSE小于1.2s或小于最大值的10%,二者取大值。
由图3可见,通过MPI方法反演的有效波高的均方根误差为0.94m,平均波周期的均方根误差为1.28s。由图2和图3可看出,模型反演结果与MPI反演结果相比,有效波高与ERA数据相比的均方根误差减小了0.27m,平均波周期与ERA数据相比的均方根误差减小了0.5s;结果表明本发明建立的海浪多参数反演模型可以有效的反演海浪参数,且其与理论方法相比,显著地提升了飓风条件下海浪参数反演精度。
实施例二
本实施例公开了一种基于SAR卫星数据的海浪多参数反演***;
如图4所示,一种基于SAR卫星数据的海浪多参数反演***,包括特征提取模块、数据构建模块、模型构建模块和参数反演模块;
特征提取模块,被配置为:从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
数据构建模块,被配置为:根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
模型构建模块,被配置为:构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
参数反演模块,被配置为:基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例1所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory, RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,包括:
从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
2.如权利要求1所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,提取的输入特征参数有入射角、卫星轨道距离速度比、SAR图像归一化方差、SAR图像偏斜、图像峰度、图像梯度方向、后向散射系数、截断波长及20个频域参数。
3.如权利要求1所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,提取的输出特征参数有有效波高、平均波周期、风涌浪波高、风涌浪波周期和波向。
4.如权利要求1所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,确定输入特征参数与输出特征参数间相关性,对输入特征参数本身和输入输出特征间进行特征分析,依据分析结果,去除冗余特征参数。
5.如权利要求4所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,特征分析,是基于输入特征参数本身的离散性系数、输入输出参数间的相关性系数、基于SVM的输入输出间重要性系数,计算每个输入特征参数的综合性指数,去除综合性指数小于阈值的输入特征参数。
6.如权利要求1所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,依据提取的输入特征参数与输出特征参数,从实际的SAR图像数据中,获取参数对应的值,构建输入数据集和输出数据集,作为模型训练的数据集。
7.如权利要求1所述的一种基于SAR卫星数据的海浪多参数反演方法,其特征在于,所述海浪多参数反演模型,是基于多输出最小支持向量回归算法SVR的。
8.一种基于SAR卫星数据的海浪多参数反演***,其特征在于:包括特征提取模块、数据构建模块、模型构建模块和参数反演模块;
特征提取模块,被配置为:从获取的SAR图像中提取输入特征参数,从与SAR图像时空一致的ERA5数据中提取输出特征参数,去除输入特征参数中的冗余特征参数;
数据构建模块,被配置为:根据输入特征参数和输出特征参数,构建输入数据集和输出数据集;
模型构建模块,被配置为:构建海浪多参数反演模型,用输入数据集和输出数据集对构建的海浪多参数反演模型进行训练;
参数反演模块,被配置为:基于训练好的海浪多参数反演模型,对待反演的SAR特征数据进行海浪多参数反演,得到海浪多参数值。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于SAR卫星数据的海浪多参数反演方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210750380.5A CN115097451A (zh) | 2022-06-29 | 2022-06-29 | 一种基于sar卫星数据的海浪多参数反演方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210750380.5A CN115097451A (zh) | 2022-06-29 | 2022-06-29 | 一种基于sar卫星数据的海浪多参数反演方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097451A true CN115097451A (zh) | 2022-09-23 |
Family
ID=83295431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210750380.5A Pending CN115097451A (zh) | 2022-06-29 | 2022-06-29 | 一种基于sar卫星数据的海浪多参数反演方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097451A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702659A (zh) * | 2023-08-08 | 2023-09-05 | 自然资源部第一海洋研究所 | 一种海浪破碎参数快速预报方法及*** |
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 |
-
2022
- 2022-06-29 CN CN202210750380.5A patent/CN115097451A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702659A (zh) * | 2023-08-08 | 2023-09-05 | 自然资源部第一海洋研究所 | 一种海浪破碎参数快速预报方法及*** |
CN116702659B (zh) * | 2023-08-08 | 2023-11-10 | 自然资源部第一海洋研究所 | 一种海浪破碎参数快速预报方法及*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218424A1 (zh) | 基于rbf神经网络的航海雷达图像反演海面风速方法 | |
CN115097451A (zh) | 一种基于sar卫星数据的海浪多参数反演方法及*** | |
CN113156439B (zh) | 一种基于数据驱动的sar风场海浪联合反演方法及*** | |
CN114254561A (zh) | 一种内涝预测方法、***及存储介质 | |
CN111738347B (zh) | 海浪方向谱订正方法、装置、存储介质和电子设备 | |
CN103617344A (zh) | 基于雷达后向散射实测数据对单层地表介电参数与粗糙度参数快速反演的联合优化算法 | |
Song et al. | Improving multi-model ensemble forecasts of tropical cyclone intensity using Bayesian model averaging | |
CN112884342A (zh) | 一种水色卫星大气层顶辐射产品质量评价与交叉定标方法 | |
CN115438571B (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
CN111950438A (zh) | 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 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
Shangguan et al. | GF-3 polarimetric data quality assessment based on automatic extraction of distributed targets | |
Mooneyham et al. | SWRL Net: A spectral, residual deep learning model for improving short-term wave forecasts | |
CN117274831B (zh) | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 | |
CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
Li et al. | A case study of winter storm-induced continental shelf waves in the northern South China Sea in winter 2009 | |
CN107085705A (zh) | 一种高效特征选择的森林参数遥感估测方法 | |
CN105046707A (zh) | 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法 | |
CN112085779B (zh) | 一种波浪参数估算方法及装置 | |
CN112767543B (zh) | 基于逻辑回归的fy-3d红外高光谱云检测方法 | |
CN112782690B (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及*** | |
CN113702923A (zh) | 一种雷达杂波模拟方法及电子设备 | |
CN117421601B (zh) | 一种海面蒸发波导临近期快速预报方法 | |
He et al. | Application of the sequential three-dimensional variational method to assimilating SST in a global ocean model | |
CN110020614A (zh) | 基于全局拟合的活动轮廓sar图像河流提取方法 |
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 |