共查询到17条相似文献，搜索用时 171 毫秒
1.
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。 相似文献
2.
《海洋预报》2021,(2)
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 SAR影像和ERA-Interim资料对现有风速反演模型进行改进,并提出了用于HH极化风速反演的PR_CS极化比模型和用于交叉极化风速反演的CP_CS模型。结果显示:基于两种模型的SAR反演风速与ERA-Interim风速具有良好的一致性,利用PR_CS模型的SAR反演风速与参考风速的均方根误差为1.54 m/s,利用CP_CS模型的SAR反演风速与ERA-Interim风速的均方根误差分别为1.43 m/s(VH极化)和1.51 m/s(HV极化)。 相似文献
3.
利用NCEP风场产品和dropsonde探测资料,对中国近海ASCAT全场和单点的风速反演精度进行验证分析.研究发现ASCAT反演风场与NCEP风场的风速、风向平均绝对偏差分别为2.06 m/s和21.98°;均方根误差分别为2.87 m/s和34.29°.两者风速反演精度较一致,风向误差相对偏大.ASCAT反演风场与dropsonde探测资料的风速、风向平均绝对偏差分别为1.55 m/s和3.43°;均方根误差分别为1.73 m/s和4.15°.ASCAT资料可以较好的反演台风风场. 相似文献
4.
基于雷达高度计增益自动控制数据的风速反演算法研究 总被引：1，自引：1，他引：0
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-Hsw)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。 相似文献
5.
ASCAT洋面风资料在中国北方海域的真实性检验 总被引：2，自引：0，他引：2
采用北方海域6个海洋观测站风资料对2009年3月—2013年6月ASCAT卫星反演洋面风(10 m)资料进行了检验。ASCAT反演洋面风与测站风向、风速偏差均较小,二者风速平均偏差为0.99 m/s,ASCAT风速略高于测站风速,二者风向平均偏差为-12.97°,表明ASCAT洋面风资料在北方海域具有可信性;分风级统计表明,在北方海域,风力为0—7级(0—17.1 m/s)时,利用ASCAT风速代表洋面风速是可行的(其中风力为4—5级时,ASCAT与测站风速误差最小,为0.10 m/s),当风力达到8级以上时ASCAT的可信度较低。 相似文献
6.
为了提高使用SSM/I资料反演全球海面风速的精度,发展了一个新型的神经网络方法.在这个方法中,使用高风速、中、低风速状态和天气状态分类的方法分别训练神经网络,然后根据其类别的不同使用不同的神经网络计算风速.此方法较好地去除了由于高风速和云天天气状态下训练样本数据的缺少所产生的误差,改进了在高风速状态下反演风速值比实际风速偏低的情况,使得反演的高风速值被校正到了正常位置.本方法反演海面风速的值与浮标实测风速值之间的均方根误差达到1.60m/s. 相似文献
7.
控制点与检查点数量和比例对水深遥感反演精度的影响分析 总被引：1，自引：0，他引：1
在水深遥感反演半经验模型中,水深控制点和检查点选取是一项非常重要的工作,前者用于建立实测水深值与遥感影像灰度值之间的数量关系,后者用于评价水深反演精度。但前人在相关研究中并未就控制点和检查点的选取数量和比例给出有实验依据的建议,亦未开展其对水深反演精度的影响分析。针对这个问题,作者使用6020个实测水深点和World View-2、GF-1 WFV、Landsat8 OLI 3种多光谱影像,基于三波段水深反演模型开展了81组实验,分析比较了不同数量和比例的控制点与检查点对反演结果的影响,评价过程利用平均绝对误差(Mean Absolute Error,MAE)、平均相对误差(Mean Relative Error,MRE)和反映实测水深与反演水深相关性的决定系数R2等3种参数。结果表明:(1)当控制点数量达到31个时,水深反演精度即趋于稳定;(2)检查点数量在30个时,其评价指标已可以代表模型反演精度;(3)控制点和检查点的数量比例对反演精度并无影响,但控制点选取过多则会产生反演精度降低的现象,采用人工选取检查点时剔除浅水区的异常点即可有效避免这一问题。 相似文献
8.
基于浮标和步进频率微波辐射计(SFMR,Stepped-Frequency Microwave Radiometer)数据对NASA JPL(Jet Propulsion Laboratory)和RSS(Remote Sensing Systems)公司分别发布的已广泛应用于全球海面风场观测的ASCAT(Advanced SCATterometer)散射计风产品进行了比较和分析。结果表明,两者风速在中低风速(15 m/s)时基本一致;高风速(15 m/s)时RSS风速整体高于JPL风速。通过浮标数据对比,风速15 m/s时两者风速精度一致;风速15 m/s时两者风速RMS相当,但JPL和RSS风速分别低估和高估。利用SFMR数据检验表明RSS风速与SFMR风速一致性更好。两者风向精度在低风速(5 m/s)时较低,但随风速增加而提高并趋于稳定。该研究结果对相关科研人员的ASCAT散射计风产品选择具有重要的指导意义。 相似文献
9.
3种海面风场资料在台湾海峡的比较和评估 总被引：7，自引：3，他引：4
本文对3种海面风场资料(CCMP、NCEP、ERA)在台湾海峡风场的平面分布和时间变化特征进行了相互比较,并应用2011年浮标观测的风速和风向资料分别对3种风场的误差进行了分析及评估。主要结论如下:(1)3种资料风场的平面分布、季节变化和年际变化特征基本一致,差异主要表现在冬季NCEP资料在海峡中部和南部的风速相对CCMP和ERA资料较大;(2)CCMP资料的风速偏差、风速均方根误差和风向均方根误差分别为-0.62m/s、1.67m/s和31°,NCEP分别为0.15m/s、1.64m/s和31°,ERA分别为-1.36m/s、2.4m/s和33°;NCEP资料的风速整体略偏大、CCMP略偏小、ERA偏小明显,CCMP和NCEP资料比ERA资料更接近观测;(3)在西南季风影响期以及风速较小时(风速不大于10m/s)CCMP资料的风速可信度较高、NCEP资料的风速偏大;在东北季风影响期以及风速较大时(大于10m/s)NCEP资料的风速可信度较高、CCMP资料的风速偏小;(4)3种资料的风向误差接近,均在低风速时(风速小于5m/s)误差较大。本文的结论可以为台湾海峡的海洋和大气科学研究选择合适的海面风场资料提供借鉴和参考。 相似文献
10.
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。 相似文献
11.
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. 相似文献
12.
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. 相似文献
13.
14.
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 总被引：3，自引：1，他引：2
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。 相似文献
15.
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。 相似文献
16.
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. 相似文献
17.
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,RMSEd以及MAEd也呈现降低趋势。在利用热带大气海洋观测计划（Tropical Atmosphere Ocean Array,TAO）浮标数据对4种XGBoost模型进行评价发现,U_V_O_XGBoost模型对于ERA-5数据的修正结果最好,其相关性达到0.893,提高了约0.011,结果表明本文在保证风场精度的情况下较大地提高了融合速度。 相似文献