CN111738347A - 海浪方向谱订正方法、装置、存储介质和电子设备 - Google Patents
海浪方向谱订正方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111738347A CN111738347A CN202010601492.5A CN202010601492A CN111738347A CN 111738347 A CN111738347 A CN 111738347A CN 202010601492 A CN202010601492 A CN 202010601492A CN 111738347 A CN111738347 A CN 111738347A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- historical
- wave
- direction spectrum
- sea
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请的实施例提供了一种海浪方向谱订正方法、装置、存储介质和电子设备,涉及海洋探测领域。该方法包括:获取遥感海浪方向谱;将遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵;利用预先训练的海浪总能量订正模型对遥感海浪总能量进行订正,得到第一输出结果;利用预先训练的海浪分布权重矩阵订正模型对遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;根据第一输出结果和第二输出结果确定出订正后的遥感海浪方向谱。分别通过订正模型对遥感海浪方向谱的分解数据进行订正,即可确定出精度更高的遥感海浪方向谱。故本申请能够对遥感海浪方向谱进行订正,提高精度,从而有效提升遥感海浪方向谱的应用价值。
Description
技术领域
本申请涉及海洋探测领域,具体而言,涉及一种海浪方向谱订正方法、装置、存储介质和电子设备。
背景技术
海浪是海洋表面最为普遍的现象,也是影响海上交通运输、资源开发等海上活动安全的最为主要的因素之一。因此,对海浪进行准确的观测对于人们的生命安全和社会的经济发展有着非常重要的意义。同时,对海浪进行准确的观测,不仅是海浪预报以及海浪预报研究的基础,也对海气相互作用等相关领域的研究具有重要价值。因此,对海浪进行精确的观测对于海洋气象与气候研究、海上活动都是极为重要的。
基于卫星的海浪遥感观测是海浪观测中极为重要的组成部分,基于卫星的海浪遥感观测能够提供全球覆盖、全天候的海浪观测数据集。在海浪观测数据集中的遥感海浪方向谱是对海浪最为本质的描述方式,因此遥感海浪方向谱的观测对于海浪预报与相关研究具有更大的信息量和价值。
但是,目前在通过卫星获取遥感海浪方向谱时,该遥感海浪方向谱与传统的海浪观测方法(浮标观测)所获取的海浪方向谱相比,仍存在一定的误差,在使用之前需要对其进行有效的订正。
发明内容
本申请的目的包括,提供了一种海浪方向谱订正方法、装置、存储介质和电子设备,其能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度。
本申请的实施例可以这样实现:
第一方面,本申请实施例提供一种海浪方向谱订正方法,所述方法包括:获取遥感海浪方向谱;将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵;利用预先训练的海浪总能量订正模型对所述遥感海浪总能量进行订正,得到第一输出结果;所述海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;利用预先训练的海浪分布权重矩阵订正模型对所述遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;所述海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;根据所述第一输出结果和所述第二输出结果确定出订正后的遥感海浪方向谱。
在可选的实施方式中,所述遥感海浪方向谱包括数据矩阵;将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵的步骤包括:将所述数据矩阵中的每个元素之和作为所述遥感海浪方向谱的遥感海浪总能量;根据所述数据矩阵中的最大元素对所述数据矩阵进行归一化,得到所述遥感海浪方向谱的遥感海浪能量分布权重矩阵。
在可选的实施方式中,所述历史遥感海浪总能量、所述历史遥感海浪能量分布权重矩阵、所述历史浮标观测海浪总能量和所述历史浮标观测海浪能量分布权重矩阵是按照以下方式得到的:获取历史遥感海浪方向谱和历史浮标观测海浪方向谱;所述历史遥感海浪方向谱与所述历史浮标观测海浪方向谱在时间与空间上相匹配;将所述历史遥感海浪方向谱分解得到历史遥感海浪总能量和历史遥感海浪能量分布权重矩阵;将所述历史浮标观测海浪方向谱分解得到历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵。
在可选的实施方式中,所述获取历史遥感海浪方向谱和历史浮标观测海浪方向谱的步骤,包括:获取遥感海浪方向谱数据集;获取浮标观测海浪方向谱数据集;在所述遥感海浪方向谱数据集和所述浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱;调整每个所述历史浮标观测海浪方向谱中的频率以及该频率上对应的海浪能量,使得每个所述历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致。
在可选的实施方式中,所述海浪总能量订正模型的训练过程包括:将所述历史遥感海浪总能量作为训练样本、将所述历史浮标观测海浪总能量作为标签,并采用预设的第一损失函数对预先建立的全连接深度神经网络进行训练,得到训练后的所述全连接深度神经网络;将训练后的所述全连接深度神经网络作为所述海浪总能量订正模型。
在可选的实施方式中,所述海浪分布权重矩阵订正模型的训练过程包括:将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器;将训练后的所述卷积自编码器作为所述海浪分布权重矩阵订正模型。
在可选的实施方式中,所述卷积自编码器包括编码器以及解码器;所述将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器的步骤,包括:将所述历史遥感海浪能量分布权重矩阵作为二维图像输入所述编码器,利用所述编码器对所述历史遥感海浪能量分布权重矩阵进行图像特征提取,得到图像特征值;将所述图像特征值输入所述解码器,利用所述解码器对所述图像特征值进行图像特征恢复,得到恢复的海浪能量二维分布权重矩阵;依据所述恢复的海浪能量二维分布权重矩阵和所述历史浮标观测海浪能量分布权重矩阵,计算所述第二损失函数的损失值;依据所述损失值更新所述卷积自编码器的参数,直至所述损失值满足预设条件,得到训练后的所述卷积自编码器。
第二方面,本申请实施例提供一种海浪方向谱订正装置,所述装置包括:数据获取模块,用于获取遥感海浪方向谱;方向谱分解模块,用于将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵;海浪总能量订正模块,用于利用预先训练的海浪总能量订正模型对所述遥感海浪总能量进行订正,得到第一输出结果;所述海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;海浪分布权重矩阵订正模块,用于利用预先训练的海浪分布权重矩阵订正模型对所述遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;所述海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;数据组合模块,用于根据所述第一输出结果和所述第二输出结果确定出订正后的遥感海浪方向谱。
在可选的实施方式中,所述遥感海浪方向谱包括数据矩阵;方向谱分解模块,用于将所述数据矩阵中的每个元素之和作为所述遥感海浪方向谱的遥感海浪总能量;所述方向谱分解模块,还用于根据所述数据矩阵中的最大元素对所述数据矩阵进行归一化,得到所述遥感海浪方向谱的遥感海浪能量分布权重矩阵。
在可选的实施方式中,所述历史遥感海浪总能量、所述历史遥感海浪能量分布权重矩阵、所述历史浮标观测海浪总能量和所述历史浮标观测海浪能量分布权重矩阵是按照以下方式得到的:所述数据获取模块,用于获取历史遥感海浪方向谱和历史浮标观测海浪方向谱;所述历史遥感海浪方向谱与所述历史浮标观测海浪方向谱在时间与空间上相匹配;所述方向谱分解模块,用于将所述历史遥感海浪方向谱分解得到历史遥感海浪总能量和历史遥感海浪能量分布权重矩阵;所述方向谱分解模块,还用于将所述历史浮标观测海浪方向谱分解得到历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵。
在可选的实施方式中,所述数据获取模块包括获取单元和预处理单元;所述获取历史遥感海浪方向谱和历史浮标观测海浪方向谱的步骤,包括:所述获取单元,用于获取遥感海浪方向谱数据集;所述获取单元,还用于获取浮标观测海浪方向谱数据集;所述预处理单元,用于在所述遥感海浪方向谱数据集和所述浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱;所述预处理单元,还用于调整每个所述历史浮标观测海浪方向谱中的频率以及该频率上对应的海浪能量,使得每个所述历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致。
在可选的实施方式中,所述模块还包括海浪总能量订正模型训练模块;所述海浪总能量订正模型的训练过程包括:所述海浪总能量订正模型训练模块,用于将所述历史遥感海浪总能量作为训练样本、将所述历史浮标观测海浪总能量作为标签,并采用预设的第一损失函数对预先建立的全连接深度神经网络进行训练,得到训练后的所述全连接深度神经网络;所述海浪总能量订正模型训练模块,还用于将训练后的所述全连接深度神经网络作为所述海浪总能量订正模型。
在可选的实施方式中,所述模块还包括海浪分布权重矩阵订正模型训练模块;所述海浪分布权重矩阵订正模型的训练过程包括:所述海浪分布权重矩阵订正模型训练模块,用于将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器;所述海浪分布权重矩阵订正模型训练模块,还用于将训练后的所述卷积自编码器作为所述海浪分布权重矩阵订正模型。
在可选的实施方式中,所述卷积自编码器包括编码器以及解码器;所述海浪分布权重矩阵订正模型训练模块,用于将所述历史遥感海浪能量分布权重矩阵作为二维图像输入所述编码器,利用所述编码器对所述历史遥感海浪能量分布权重矩阵进行图像特征提取,得到图像特征值;所述海浪分布权重矩阵订正模型训练模块,还用于将所述图像特征值输入所述解码器,利用所述解码器对所述图像特征值进行图像特征恢复,得到恢复的海浪能量分布权重矩阵;所述海浪分布权重矩阵订正模型训练模块,还用于依据所述恢复的海浪能量分布权重矩阵和所述历史浮标观测海浪能量分布权重矩阵,计算所述第二损失函数的损失值;所述海浪分布权重矩阵订正模型训练模块,还用于依据所述损失值更新所述卷积自编码器的参数,直至所述损失值满足预设条件,得到训练后的所述卷积自编码器。
第三方面,本申请实施例提供计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述实施方式中任一项所述的方法。
第四方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有机器可读指令,所述处理器用于执行所述机器可读指令,以实现前述实施方式中任一项所述的方法。
在本申请实施例中,在将遥感海浪方向谱分解为遥感海浪总能量和遥感海浪能量分布权重矩阵后,分别通过预先训练的海浪总能量订正模型和海浪分布权重矩阵订正模型对遥感海浪总能量和遥感海浪能量分布权重矩阵进行订正,得到订正后的精度更高的输出结果(即,遥感海浪总能量和遥感海浪能量分布权重矩阵),进而再根据订正后的输出结果即可确定出订正后的精度更高的遥感海浪方向谱。故,本申请实施例的有益效果包括:能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度,从而能够有效的提升遥感海浪方向谱的应用价值。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的历史数据的获取方式的流程图;
图2为本申请实施例所提供的图1所示历史数据的获取方式的S20的流程图;
图3为本申请实施例所提供的海浪总能量订正模型的训练过程的流程图;
图4为本申请实施例所提供的全连接深度神经网络的结构示意图;
图5为本申请实施例所提供的海浪分布权重矩阵订正模型的训练过程的流程图;
图6为本申请实施例所提供的卷积自编码器的结构示意图;
图7为本申请实施例所提供的图5所示训练过程的S40的流程图;
图8为本申请实施例所提供的海浪方向谱订正方法的一种流程图;
图9为本申请实施例所提供的某一遥感海浪方向谱在经过模型订正前后与浮标观测海浪方向谱的对比情况;
图10为本申请实施例所提供的订正后对于原始卫星遥感海浪方向谱的改进比例数据;
图11为本申请实施例所提供的电子设备的一种结构框图;
图12为本申请实施例所提供的海浪方向谱订正装置的一种功能模块图;
图13为本申请实施例所提供的海浪方向谱订正装置的另一种功能模块图;
图14为本申请实施例所提供的海浪方向谱订正装置的又一种功能模块图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
在本申请实施例的实现过程中,本申请的发明人发现:
浮标观测是传统的海浪观测方法,被认为是最准确的。但是在进行浮标观测时,由于浮标受到布放的限制,其对于面积巨大的海洋而言,能观测的覆盖海域是非常有限的。也即是说,浮标由于受限于其布设范围限制,难以满足对于观测空间覆盖率的观测需求。因此,基于卫星的海浪遥感观测已经成为海浪观测中极为重要的组成部分,其能够提供全球覆盖、全天候并且较高精度的海浪观测数据集。
其中,卫星的星载雷达高度计是卫星遥感的主要手段,能够提供卫星星下点轨迹上的海浪有效波高。然而,海浪实际上是由多方向、多频率的波动能量组成的,有效波高仅仅是对海浪总能量的积分统计描述。也即是说,星载雷达高度计仅能提供海浪有效波高这种统计量,难以准确表述海浪的详细与本质属性。因此,为了能够更为准确得描述海浪的特征并开展相关研究,人们引入了遥感海浪方向谱来更准确的描述海浪的属性。通过星载合成孔径雷达(SAR,Synthetic-Aperture Radar)与波谱仪(SWIM,Surface WavesInvestigation and Monitoring)可以提供海浪方向谱的遥感观测,即遥感海浪方向谱。
遥感海浪方向谱本质上是通过二维矩阵的方式,给出海浪在不同方向、不同频率的波动所对应的能量的分布。遥感海浪方向谱是对海浪最为本质的描述方式,因此遥感海浪方向谱的观测对于海浪预报与相关研究具有更大的信息量和价值。
但是,通过卫星所获取的遥感海浪方向谱与通过浮标所获取的浮标观测海浪方向谱相比还存在一定误差。甚至因缺少有效的订正方法,部分遥感海浪方向谱常常因精度不够被舍弃,造成了观测数据的浪费。而目前缺乏能够对遥感海浪方向谱进行有效订正的方法,同时,由于遥感海浪方向谱的信息量大,对其进行有效的订正还具有较大的难度。
因此,目前亟需一种方法,能够在使用遥感海浪方向谱进行相关研究或数值预报同化之前,可以通过对遥感海浪方向谱进行订正,以最大程度的降低其观测误差所导致的在后续应用中造成的错误以及损失。
为了改善上述现有技术中的种种缺陷,本申请实施例提出了一种海浪方向谱订正方法、装置、存储介质和电子设备,其能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度。需要说明的是,基于上述现有技术中的种种缺陷,本申请实施例发明人的思路包括但不限于:
将遥感海浪方向谱分解为:遥感海浪总能量与遥感海浪能量分布权重矩阵;使用预先训练的海浪总能量订正模型与海浪分布权重矩阵订正模型对两者分别进行订正;将订正后的数据重新组合为订正后的遥感海浪方向谱,从而完成海浪方向谱的订正过程,提高遥感海浪方向谱的精度。
需要说明的是,以上现有技术中的技术方案所存在的种种缺陷,均是发明人经过仔细的实践研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在实现本申请过程中对本申请做出的贡献。
在介绍本申请实施例所提供的海浪方向谱订正方法的可能实施方式之前,为了使得该海浪方向谱订正方法更加清楚,首先,本申请实施例提出了如何获取“历史遥感海浪总能量、历史遥感海浪能量分布权重矩阵、历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵”(即,历史数据)的可行实施方式。下面将结合附图1、图2对该可行实施方式做解释说明。
请参照图1,为本申请实施例所提供的历史数据的获取方式的流程图,该历史数据的获取方式可以包括如下步骤:
S20,获取历史遥感海浪方向谱和历史浮标观测海浪方向谱;历史遥感海浪方向谱与历史浮标观测海浪方向谱在时间与空间上相匹配。
在本申请实施例中,所获取的历史遥感海浪方向谱可以包括:历史遥感海浪方向谱观测的时间、经纬度、质量标识、观测入射角、以及历史遥感海浪方向谱数据矩阵。历史遥感海浪方向谱数据矩阵为二维矩阵,矩阵的水平维度为海浪方向,矩阵的垂直维度为海浪频率。因此,所获取的历史遥感海浪方向谱可以看作一幅描述海浪能量在每一方向和每一频率上的分布图像。
同样的,所获取的历史浮标观测海浪方向谱可以包括:历史浮标观测海浪方向谱观测的时间、经纬度、以及历史浮标观测海浪方向谱数据矩阵;历史浮标观测海浪方向谱数据矩阵与历史遥感海浪方向谱数据矩阵相似,也为二维矩阵。
其中,由于历史遥感海浪方向谱和历史浮标观测海浪方向谱是用于训练订正模型的。因此,为了实现对海浪总能量订正模型和海浪分布权重矩阵订正模型进行正确有效的训练,所获取的历史遥感海浪方向谱和历史浮标观测海浪方向谱还需要在时间与空间上相匹配。
例如,在判断历史遥感海浪方向谱和历史浮标观测海浪方向谱是否在时间与空间上相匹配时,可以按一下时间与空间匹配规则进行判断:
对于空间匹配,获取历史遥感海浪方向谱和历史浮标观测海浪方向谱的经纬度,计算这两者的经纬度之间的直线距离;若直线距离小于50km,则认为这两者在空间上匹配成功。对于时间匹配,获取历史遥感海浪方向谱和历史浮标观测海浪方向谱的观测的时间,计算这两个观测的时间的差值;若差值在1小时之内(无论正负),则认为这两者在在时间上匹配成功。若历史遥感海浪方向谱和历史浮标观测海浪方向谱在时间和空间上均匹配成功,则认为该历史遥感海浪方向谱和历史浮标观测海浪方向谱在时间与空间上相匹配。
进而,在包括多个历史遥感海浪方向谱数据的数据集和包括多个历史浮标观测海浪方向谱数据的数据集中,根据上述时间与空间匹配规则,分别在这两个数据集中选出在时间与空间上相匹配的历史遥感海浪方向谱与历史浮标观测海浪方向谱,即可实现上述的S20。
需要补充的是,在本申请实施例中,上述的历史遥感海浪方向谱可以是来自于中法海洋卫星(CFOSAT,Chinese-French Oceanic SATellite)2019年的海浪波谱仪所观测的数据。该中法海洋卫星于2018年10月发射,是世界上第一颗搭载海浪波谱仪的业务化海洋卫星,能够提供海浪方向谱、海面风场等要素的观测。上述的历史浮标观测海浪方向谱可以是来自于美国国家浮标数据中心(NDBC,National Data Buoy Center)2019年浮标观测的海浪方向谱数据。当然,本申请所提供的方法中的历史遥感海浪方向谱和历史浮标观测海浪方向谱对其来源并不作限定。
S21,将历史遥感海浪方向谱分解得到历史遥感海浪总能量和历史遥感海浪能量分布权重矩阵。
在获取到历史遥感海浪方向谱后,可以对其进行分解,该分解的可行实施方式如下:将历史遥感海浪方向谱数据矩阵包括的数据矩阵中的每个元素之和作为历史遥感海浪方向谱的历史遥感海浪总能量;根据数据矩阵中的最大元素对数据矩阵进行归一化,得到历史遥感海浪方向谱的历史遥感海浪能量分布权重矩阵。
例如,考虑其包括的历史遥感海浪方向谱数据矩阵,将此数据矩阵中的每一个元素的数值相加,即得到该历史遥感海浪方向谱的历史遥感海浪总能量。
然后,寻找到该数据矩阵中的最大元素,令该数据矩阵中的每一个元素除以该最大元素的数值(非0),即得到该历史遥感海浪方向谱归一化后的历史遥感海浪能量分布权重矩阵。
S22,将历史浮标观测海浪方向谱分解得到历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵。
与上述的S21相对应,在获取到历史浮标观测海浪方向谱后,可以对其进行分解,该分解的可行实施方式如下:将历史浮标观测海浪方向谱包括的数据矩阵中的每个元素之和作为历史浮标观测海浪方向谱的历史浮标观测海浪总能量;根据数据矩阵中的最大元素对数据矩阵进行归一化,得到历史浮标观测海浪方向谱的历史浮标观测海浪能量分布权重矩阵。
例如,考虑其包括的历史浮标观测海浪方向谱数据矩阵,将此数据矩阵中的每一个元素的数值相加,即得到该历史浮标观测海浪方向谱的历史浮标观测海浪总能量。
然后,寻找到该数据矩阵中的最大元素,令该数据矩阵中的每一个元素除以该最大元素的数值(非0),即得到该历史浮标观测海浪方向谱归一化后的历史浮标观测海浪能量分布权重矩阵。
可以理解的是,在一些可能的实施例中,上述的历史遥感海浪方向谱指的是包括多个历史遥感海浪方向谱数据的数据集;将该数据集中的每个历史遥感海浪方向谱数据通过上述方式进行分解,分别可以得到每个历史遥感海浪方向谱数据对应的历史遥感海浪总能量数据和历史遥感海浪能量分布权重矩阵数据。
相应的,上述的历史浮标观测海浪方向谱得指的是包括多个历史浮标观测海浪方向谱数据的数据集;将该数据集中的每个历史浮标观测海浪方向谱数据通过上述方式进行分解,分别可以得到每个历史浮标观测海浪方向谱数据对应的历史浮标观测海浪总能量数据和历史浮标观测海浪能量分布权重矩阵数据。
其中,在一些可能的实施方式中,对于如何“获取历史遥感海浪方向谱和历史浮标观测海浪方向谱”,在图1的基础上,请参照图2,S20可以包括如下步骤:
S20A,获取遥感海浪方向谱数据集。
S20B,获取浮标观测海浪方向谱数据集。
可以理解的是,遥感海浪方向谱数据集中可以包括多个历史遥感海浪方向谱数据;浮标观测海浪方向谱数据集中可以包括多个历史浮标观测海浪方向谱数据。
在一些可能的应用场景中,上述获取的遥感海浪方向谱数据集中的历史遥感海浪方向谱数据可能存在质量缺陷,因此,在获取到遥感海浪方向谱数据集后,当其中的历史遥感海浪方向谱数据存在质量缺陷时,可以先对获取的多个历史遥感海浪方向谱数据进行质量控制。
因此,增加了质量控制的过程的S20A可以包括:获取多个历史遥感海浪方向谱数据;在所述多个历史遥感海浪方向谱数据中,将位置位于海洋且信噪比大于预设值的历史遥感海浪方向谱数据加入至遥感海浪方向谱数据集。
例如,获取卫星遥感数据中关于海洋陆地标识与其所记录的经纬度,根据该经纬度判断历史遥感海浪方向谱数据是否位于陆地上或距离陆地的距离小于90km,当历史遥感海浪方向谱数据位于陆地上或距离陆地的距离小于90km时,则剔除该数据。将多个历史遥感海浪方向谱数据中,位于海洋上且距离陆地的距离大于或等于90km的数据加入至遥感海浪方向谱数据集中。
S20C,在遥感海浪方向谱数据集和浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱。
根据上述S20中的时间与空间匹配规则,即可分别在遥感海浪方向谱数据集和浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱。进而实现对海浪总能量订正模型和海浪分布权重矩阵订正模型进行正确有效的训练。
此外还需要注意的是,上述S20C中所获取的多个历史遥感海浪方向谱还可能具有“180度方向模糊特性”。例如,中法海洋卫星以及其他海洋卫星得到的海浪方向谱均具有“180度方向模糊特性”,即卫星的遥感海浪方向谱不能分辨海浪能量具体来自于某一方向还是该方向的反向(即对该方向增加180度后的方向)。
为了使得历史浮标观测海浪方向谱能够与历史遥感海浪方向谱的“180度方向模糊特性”相匹配,进而实现对海浪总能量订正模型和海浪分布权重矩阵订正模型进行正确有效的训练。还需要对当上述S20C中所获取的多个历史浮标观测海浪方向谱添加180度方向模糊。
例如,对多个历史浮标观测海浪方向谱中任一个历史浮标观测海浪方向谱添加180度方向模糊的过程可以包括:
在多个历史浮标观测海浪方向谱中任意获取一个历史浮标观测海浪方向谱,作为目标历史浮标观测海浪方向谱;
根据目标历史浮标观测海浪方向谱的频率范围、方向范围,任意获取一个目标频率、目标方向;
获取该目标历史浮标观测海浪方向谱在目标频率、目标方向上的第一海浪能量值,和该目标历史浮标观测海浪方向谱在目标频率、目标方向的反向上的第二海浪能量值;
将第一海浪能量值和第二海浪能量值中较大的一个作为这两者的值;
重复上述过程,直至完成对多个历史浮标观测海浪方向谱中每个历史浮标观测海浪方向谱、每个历史浮标观测海浪方向谱的每个频率、每个方向上的处理,从而完成对多个历史浮标观测海浪方向谱中任一个历史浮标观测海浪方向谱添加180度方向模糊。
S20D,调整每个历史浮标观测海浪方向谱中的频率以及该频率上对应的海浪能量,使得每个历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致。
由于在一些可能的情况下(例如,卫星、浮标各自的硬件设计和限定),历史浮标观测海浪方向谱数据中的历史浮标观测海浪方向谱数据矩阵在垂直维度上对于频率的划分,与历史遥感海浪方向谱数据中的历史遥感海浪方向谱数据矩阵不同。例如,来自NDBC浮标观测的历史浮标观测海浪方向谱频率划分为0.020、0.0325、0.0375、0.0425、…、0.485,共计47个频率值;而来自CFOSAT的历史遥感海浪方向谱的海浪波长仅位于70m到500m之间,频率划分为0.0557、0.0585、0.0615、…、到0.1440,共计20个有效频率。可见,来自NDBC浮标观测的历史浮标观测海浪方向谱的频率范围大于来自CFOSAT的。
因此,为了实现对海浪总能量订正模型和海浪分布权重矩阵订正模型进行正确有效的训练,还需要通过上述S20D,使得每个历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致,进而使得历史浮标观测海浪方向谱能够与历史遥感海浪方向谱在频率划分上相匹配。
例如,对于使得历史浮标观测海浪方向谱能够与历史遥感海浪方向谱在频率上相匹配的过程,可以包括:
根据历史浮标观测海浪方向谱的频率划分,对历史遥感海浪方向谱的频率划分进行插值,使得两者的频率划分一致。例如,可以通过常规的线性内插,按照两者的频率值完成插值,使得历史遥感海浪方向谱与历史浮标观测海浪方向谱具有相同的频率划分,其中,可选地,这两者的频率划分均可以为20个频率值。其中,上述的“可以通过常规的线性内插,按照两者的频率值完成插值,使得历史遥感海浪方向谱与历史浮标观测海浪方向谱具有相同的频率划分”,可以参照如下公式实现:
其中,Ef为待求的对应历史遥感海浪方向谱的插值能量,f为希望插值到的历史遥感海浪方向谱的划分频率,fb2、fb1分别为距离目标遥感海浪频率f最近的历史浮标观测海浪谱的划分频率,分别为对应历史浮标观测海浪谱上fb2、fb1频率上的海浪能量。
在获取到上述的“历史遥感海浪总能量和历史浮标观测海浪总能量”后,本申请实施例还提供了如何训练海浪总能量订正模型的可行过程。下面将结合附图3、图4对该可行过程做解释说明。
请参照图3,为本申请实施例所提供的海浪总能量订正模型的训练过程的流程图,该海浪总能量订正模型的训练过程可以包括如下步骤:
S30,将历史遥感海浪总能量作为训练样本、将历史浮标观测海浪总能量作为标签,并采用预设的第一损失函数对预先建立的全连接深度神经网络进行训练,得到训练后的全连接深度神经网络。
在一些可能的实施例中,请参照图4,首先可以获取预先建立的全连接深度神经网络;然后将前述实施例中获取到的多个历史遥感海浪总能量数据作为该全连接深度神经网络的模型输入,将前述实施例中获取到的多个历史浮标观测海浪总能量作为该全连接深度神经网络的模型输出;采用平均绝对误差(MAE)作为该全连接深度神经网络的损失函数,对该全连接深度神经网络进行训练,即可得到训练后的全连接深度神经网络。
其中,模型优化方法为自适应矩估计(Adam)。
S31,将训练后的全连接深度神经网络作为海浪总能量订正模型。
在获取到上述的“历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵”后,本申请实施例还提供了如何训练海浪分布权重矩阵订正模型的可行过程。下面将结合附图5、图6、图7对该可行过程做解释说明。
请参照图5,为本申请实施例所提供的海浪分布权重矩阵订正模型的训练过程的流程图,该海浪分布权重矩阵订正模型的训练过程可以包括如下步骤:
S40,将历史遥感海浪能量分布权重矩阵作为训练样本、将历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的卷积自编码器。
在本申请实施例中,海浪能量分布权重矩阵可以看作为归一化的图像。因此,可以获取预先建立的卷积自编码器。然后将前述实施例中获取到的多个历史遥感海浪能量分布权重矩阵作为该卷积自编码器的模型输入,维度为9*20(方向数*频率数),将前述实施例中获取到的多个历史浮标观测海浪能量分布权重矩阵作为该卷积自编码器的模型输出,维度也为9*20(方向数*频率数);采用交叉熵(Binary cross entropy)作为该卷积自编码器的损失函数,对该卷积自编码器进行训练,即可得到训练后的卷积自编码器。
其中,模型优化方法可以选择自适应矩估计。
S41,将训练后的卷积自编码器作为海浪分布权重矩阵订正模型。
其中,在一些可能的实施例中,请参照图6,上述的卷积自编码器可以包括:编码器以及解码器。编码器可以包括:第一卷积层(激活函数可以为ReLU)、第一池化层、第二卷积层(激活函数可以为ReLU)以及第二池化层等;解码器模块可以包括:第一上采样层、第一反卷积层(激活函数可以为ReLU)、第二上采样层、第二反卷积层(激活函数可以为ReLU)以及第三反卷积层(激活函数可以为Sigmoid)等。应理解,本申请对于卷积自编码器中的具体神经网络结构不作限定。
对于如何“将历史遥感海浪能量分布权重矩阵作为训练样本、将历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的卷积自编码器”,在图5的基础上,请参照图7,S40可以包括如下步骤:
S40A,将历史遥感海浪能量分布权重矩阵作为二维图像输入编码器,利用编码器对历史遥感海浪能量分布权重矩阵进行图像特征提取,得到图像特征值。
在本申请实施例中,可以将历史遥感海浪能量分布权重矩阵输入编码器的第一卷积层中,经过第一卷积层的处理,得到第一图像特征;然后将第一图像特征输入第一池化层中,经过第一池化层的处理,得到第二图像特征;然后将第二图像特征输入第二卷积层中,经过第二卷积层的处理,得到第三图像特征;然后将第三图像特征输入第二池化层中,经过第二池化层的处理,最终得到上述的图像特征值。
S40B,将图像特征值输入解码器,利用解码器对图像特征值进行图像特征恢复,得到恢复的海浪能量二维分布权重矩阵。
在得到上述的图像特征值,在本申请实施例中,可以将图像特征值输入解码器的第一上采样层中,经过第一上采样层的处理,得到第一恢复图像特征;然后将第一恢复图像特征输入第一反卷积层中,经过第一反卷积层的处理,得到第二恢复图像特征;然后将第二恢复图像特征输入第二上采样层中,经过第二上采样层的处理,得到第三恢复图像特征;然后将第三恢复图像特征输入第二反卷积层中,经过第二反卷积层的处理,得到第四恢复图像特征;最后将第四恢复图像特征输入第三反卷积层中,经过第三反卷积层的处理,得到上述的恢复的海浪能量二维分布权重矩阵。
S40C,依据恢复的海浪能量二维分布权重矩阵和历史浮标观测海浪能量分布权重矩阵,计算第二损失函数的损失值。
例如,可以采用交叉熵(Binary cross entropy)作为该卷积自编码器的损失函数。
S40D,依据损失值更新卷积自编码器的参数,直至损失值满足预设条件,得到训练后的卷积自编码器。
需要说明的是,在进行模型训练的过程中本申请实施例对于损失函数的具体类型不作限定。
在将海浪总能量订正模型和海浪分布权重矩阵订正模型训练好后,下面将结合附图8-图10对本申请实施例所提供的海浪方向谱订正方法的可能实施方式的作阐述。
请参照图8,为本申请实施例所提供的海浪方向谱订正方法的一种流程图。该海浪方向谱订正方法可以应用于上述电子设备,该海浪方向谱订正方法可以包括如下步骤:
S50,获取遥感海浪方向谱。
例如,可以通过CFOSAT实时获取地球上海洋的遥感海浪方向谱。需要说明的是,在本申请所提供的方法中对于遥感海浪方向谱的来源并不作限定。
S51,将遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵。
在本申请实施例中,可以将遥感海浪方向谱分解为遥感海浪总能量和遥感海浪能量分布权重矩阵。可行的分解方式如下:
将遥感海浪方向谱包括的数据矩阵中的每个元素之和作为遥感海浪方向谱的遥感海浪总能量;根据数据矩阵中的最大元素对数据矩阵进行归一化,得到遥感海浪方向谱的遥感海浪能量分布权重矩阵。
例如,在获取到遥感海浪方向谱后,考虑其包括的遥感海浪方向谱数据矩阵,将此数据矩阵中的每一个元素的数值相加,即得到该遥感海浪方向谱的历史遥感海浪总能量。
然后,寻找到该数据矩阵中的最大元素,令该数据矩阵中的每一个元素除以该最大元素的数值(非0),即得到该遥感海浪方向谱归一化后的遥感海浪能量分布权重矩阵。
也即是说,S51可以参照上述的S21。
S52,利用预先训练的海浪总能量订正模型对遥感海浪总能量进行订正,得到第一输出结果;海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的。
可以理解的是,利用历史遥感海浪总能量和历史浮标观测海浪总能量,对海浪总能量订正模型进行训练的过程可以参照上述S30、S31,在此不再赘述。
S53,利用预先训练的海浪分布权重矩阵订正模型对遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的。
可以理解的是,利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵,对海浪分布权重矩阵订正模型进行训练的过程可以参照上述S40、S41以及S40A-S40D,在此不再赘述。
S54,根据第一输出结果和第二输出结果确定出订正后的遥感海浪方向谱。
在本申请实施例中,将第一输出结果和第二输出结果相乘组和,即可得到订正后的遥感海浪方向谱。其可以包括如下过程:
对于订正后的遥感海浪能量分布权重矩阵(上述的第二输出结果),将矩阵中的每个元素的数值进行求合,得到权重和(即,进行积分);将订正后的遥感海浪总能量除以该权重和,得到单位权重的遥感海浪能量;令单位权重的遥感海浪能量乘以上述矩阵,最终得到经过订正的遥感海浪方向谱数据矩阵,也就是订正后的遥感海浪方向谱。
应理解,在本申请实施例中,在将遥感海浪方向谱分解为遥感海浪总能量和遥感海浪能量分布权重矩阵后,分别通过预先训练的海浪总能量订正模型和海浪分布权重矩阵订正模型对遥感海浪总能量和遥感海浪能量分布权重矩阵进行订正,得到订正后的精度更高的输出结果(即,遥感海浪总能量和遥感海浪能量分布权重矩阵),进而再根据订正后的输出结果即可确定出订正后的精度更高的遥感海浪方向谱。故,本申请实施例的有益效果包括:能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度,从而能够有效的提升遥感海浪方向谱的应用价值。
根据上述方法实施例,发明人还分别通过CFOSAT、NDBC获取历史遥感海浪方向谱和历史浮标观测海浪方向谱,并对海浪总能量订正模型和海浪分布权重矩阵订正模型进行训练,以及将训练好的订正模型用于检测通过CFOSAT所获取的未订正的遥感海浪方向谱数据,得到了相应的实验数据。下面,将结合该实验数据对上述方法实施例的有益效果作进一步解释。
请参照图9,为某一遥感海浪方向谱在经过模型订正前后与浮标观测海浪方向谱的对比情况。其中每幅图像横坐标代表海浪能量传播的方向,最左侧表示波浪能量从北传播,最右侧表示海浪能量从南向北传播,从最左侧到最右侧,波浪传播方向顺时针旋转;图像纵坐标表示海浪方向谱对应于20个频率上的能量,最下方频率最低,海浪波长为500m,最上方频率最高,对应海浪波长70m。进而在图像中,每个方格表示某一波长、某一方向下的海浪能量;并且,对于每个方格的颜色,颜色越浅表示其能量越高;颜色越深表示其能量越低。
也即是说,图9给出了海浪能量在不同频率、不同方向上的能量分布情况。其中左侧、中间、右侧图像分别表示该时刻浮标观测、订正前卫星遥感以及订正后的海浪方向谱。通过图9可以看出,应用本申请实施例所提供的海浪方向谱订正方法之后,相对于浮标观测海浪方向谱,订正前的卫星遥感海浪方向谱存在显著的噪声,而且在低频能量分布上整体出现明显的高估;而订正以后海浪方向谱整体形态显著接近浮标观测海浪方向谱,且在高频部分消除了原始的正偏差。
进一步的,经过对所有测试集的海浪谱精度的统计和分析,本申请实施例还给出了订正后对于原始卫星遥感海浪方向谱的改进比例数据,请参照图10。在图10中,横坐标为各方向海浪的能量误差的改善比例,纵坐标为各频率上海浪能量误差的改善的比例。进而在图像中,每个方格表示某一波长、某一方向下的系统偏差或是均方根误差的改善程度;并且,对于每个方格的颜色,颜色越深表示其系统偏差或是均方根误差的改善程度越高;颜色越浅表示其系统偏差或是均方根误差的改善程度越低。
也即是说,图10为误差改善分布矩阵。应用本申请实施例所提供的海浪方向谱订正方法之后,从误差改善程度的整体来看,无论是系统偏差还是均方根误差,本申请实施例所提供的海浪方向谱订正方法都能明显的减少卫星遥感海浪方向谱的误差;从频率分布方面来看,对于系统偏差的改善在长波海浪非常明显。
将图10的误差改善分布矩阵的每个元素进行算数平均,即可得到本申请实施例所提供的海浪方向谱订正方法对于整个海浪方向谱的平均改善比例,具体的精度评估情况如下表1所示。
表1
基于上述实验数据可知,应用本申请实施例所提供的海浪方向谱订正方法,能够对遥感海浪方向谱进行订正,明显提高遥感海浪方向谱的精度。其平均能够减少接近一半的系统偏差,对均方根误差平均降低超过10%。
基于上述方法实施例,应理解的是,本申请提出的海浪方向谱订正方法,主要发明思路为:
首先构建经过时空匹配的卫星遥感海浪方向谱与浮标观测海浪方向谱;进而对上述海浪方向谱进行分解,得到相匹配的卫星遥感海浪总能量与浮标观测海浪总能量,以及卫星遥感海浪能量二维分布权重矩阵与浮标观测海浪能量二维分布权重矩阵。基于全连接的深度神经网络模型,将卫星遥感海浪总能量作为输入,浮标观测海浪总能量为真值,完成对于深度神经网络的训练,建立海浪总能量订正模型;基于卷积自编码深度学习模型,将卫星遥感海浪能量二维分布权重矩阵作为输入,浮标观测海浪能量二维分布权重矩阵为真值,完成对于卷积自编码深度学习模型的训练,建立海浪能量二维分布权重矩阵的订正模型;在通过训练得到上述海浪总能量订正模型与海浪能量二维分布权重矩阵的订正模型后可开展对于所需卫星遥感海浪方向谱的订正应用:对于待订正的卫星遥感海浪方向谱,首先将其分解为海浪总能量与海浪能量二维分布权重矩阵,两者分别进入训练好的海浪总能量订正模型与海浪能量二维分布权重矩阵订正模型,分别得到经过模型订正的海浪总能量与海浪能量分布权重矩阵,将两者重新组合,得到经过订正的卫星海浪方向谱。
换句话说,本申请实施例发明人的思路包括但不限于:将遥感海浪方向谱分解为:遥感海浪总能量与遥感海浪能量分布权重矩阵;使用预先训练的海浪总能量订正模型与海浪能量二维分布权重矩阵订正模型对两者分别进行订正;将订正后的数据重新组合为订正后的遥感海浪方向谱,从而完成海浪方向谱的订正过程,提高遥感海浪方向谱的精度。
参考本申请实施例所提供的海浪方向谱订正方法,本申请实施例还提供了一种电子设备。下面,请参照图11,为本申请实施例所提供的电子设备100的一种结构框图。该电子设备100可以是卫星、服务器、计算机、智能手机、平板电脑等等,本申请对此不作限定。
该电子设备100可以包括存储器110、处理器120、总线130和通信接口140,该存储器110、处理器120和通信接口140相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条总线130或信号线实现电性连接。处理器120可以处理与海浪方向谱订正有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器120可以获取遥感海浪方向谱,并根据上述数据实现本申请提供的海浪方向谱订正。
其中,存储器110可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器120可以是一种集成电路芯片,具有信号处理能力。该处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图11所示的结构仅为示意,该电子设备100还可包括比图11中所示更多或者更少的组件,或者具有与图11所示不同的配置。图11中所示的各组件可以采用硬件、软件或其组合实现。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种海浪方向谱订正装置的实现方式,请参阅图12,图12示出了本申请实施例提供的海浪方向谱订正装置的一种功能模块图。需要说明的是,本实施例所提供的海浪方向谱订正装置600,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该海浪方向谱订正装置600可以包括:数据获取模块610、、方向谱分解模块620、海浪总能量订正模块630、海浪分布权重矩阵订正模块640、数据组合模块650。
可选地,上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本申请提供的电子设备100的操作系统(Operating System,OS)中,并可由电子设备100中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
数据获取模块610,用于获取遥感海浪方向谱;
可以理解的是,数据获取模块610可以用于支持电子设备100执行上述S50等,和/或用于本文所描述的技术的其他过程。
方向谱分解模块620,用于根据所述遥感海浪方向谱得到遥感海浪总能量和遥感海浪能量分布权重矩阵;
可以理解的是,方向谱分解模块620可以用于支持电子设备100执行上述S51等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,遥感海浪方向谱包括数据矩阵;方向谱分解模块620,用于将数据矩阵中的每个元素之和作为遥感海浪方向谱的遥感海浪总能量;
方向谱分解模块620,还用于根据数据矩阵中的最大元素对数据矩阵进行归一化,得到遥感海浪方向谱的遥感海浪能量分布权重矩阵。
海浪总能量订正模块630,用于利用预先训练的海浪总能量订正模型对所述遥感海浪总能量进行订正,得到第一输出结果;所述海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;
可以理解的是,海浪总能量订正模块630可以用于支持电子设备100执行上述S52等,和/或用于本文所描述的技术的其他过程。
海浪分布权重矩阵订正模块640,用于利用预先训练的海浪分布权重矩阵订正模型对所述遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;所述海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;
可以理解的是,海浪分布权重矩阵订正模块640可以用于支持电子设备100执行上述S53等,和/或用于本文所描述的技术的其他过程。
数据组合模块650,用于根据所述第一输出结果和所述第二输出结果确定出订正后的遥感海浪方向谱;
可以理解的是,数据组合模块650可以用于支持电子设备100执行上述S54等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,所述历史遥感海浪总能量、所述历史遥感海浪能量分布权重矩阵、所述历史浮标观测海浪总能量和所述历史浮标观测海浪能量分布权重矩阵是按照以下方式得到的:
所述数据获取模块610,用于获取历史遥感海浪方向谱和历史浮标观测海浪方向谱;所述历史遥感海浪方向谱与所述历史浮标观测海浪方向谱在时间与空间上相匹配;
可以理解的是,数据获取模块610可以用于支持电子设备100执行上述S20等,和/或用于本文所描述的技术的其他过程。
所述方向谱分解模块620,用于根据所述历史遥感海浪方向谱得到历史遥感海浪总能量和历史遥感海浪能量分布权重矩阵;
可以理解的是,所述方向谱分解模块620可以用于支持电子设备100执行上述S21等,和/或用于本文所描述的技术的其他过程。
所述方向谱分解模块620,还用于根据所述历史浮标观测海浪方向谱得到历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵。
可以理解的是,所述方向谱分解模块620可以用于支持电子设备100执行上述S22等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,请参照图13,所述数据获取模块610包括获取单元610A和预处理单元610B;
在获取历史遥感海浪方向谱和历史浮标观测海浪方向谱时,所述获取单元610A,用于获取遥感海浪方向谱数据集;
可以理解的是,所述获取单元610A可以用于支持电子设备100执行上述S20A等,和/或用于本文所描述的技术的其他过程。
所述获取单元610A,还用于获取浮标观测海浪方向谱数据集;
可以理解的是,所述获取单元610A可以用于支持电子设备100执行上述S20B等,和/或用于本文所描述的技术的其他过程。
所述预处理单元610B,用于在所述遥感海浪方向谱数据集和所述浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱;
可以理解的是,所述预处理单元610B可以用于支持电子设备100执行上述S20C等,和/或用于本文所描述的技术的其他过程。
所述预处理单元610B,还用于调整每个所述历史浮标观测海浪方向谱中的频率以及该频率上对应的海浪能量,使得每个所述历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致。
可以理解的是,所述预处理单元610B可以用于支持电子设备100执行上述S20D等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,请参照图14,所述模块还包括海浪总能量订正模型训练模块660;
所述海浪总能量订正模型的训练过程包括:
所述海浪总能量订正模型训练模块660,用于将所述历史遥感海浪总能量作为训练样本、将所述历史浮标观测海浪总能量作为标签,并采用预设的第一损失函数对预先建立的全连接深度神经网络进行训练,得到训练后的所述全连接深度神经网络;
所述海浪总能量订正模型训练模块660,还用于将训练后的所述全连接深度神经网络作为所述海浪总能量订正模型。
可以理解的是,所述海浪总能量订正模型训练模块660可以用于支持电子设备100执行上述S30、S31等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,请参照图14,所述模块还包括海浪分布权重矩阵订正模型训练模块670;
所述海浪分布权重矩阵订正模型的训练过程包括:
所述海浪分布权重矩阵订正模型训练模块670,用于将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器;
所述海浪分布权重矩阵订正模型训练模块670,还用于将训练后的所述卷积自编码器作为所述海浪分布权重矩阵订正模型。
可以理解的是,所述海浪分布权重矩阵订正模型训练模块670可以用于支持电子设备100执行上述S40、S41等,和/或用于本文所描述的技术的其他过程。
在可选的实施方式中,所述卷积自编码器包括编码器以及解码器;
所述海浪分布权重矩阵订正模型训练模块670,用于将所述历史遥感海浪能量分布权重矩阵作为二维图像输入所述编码器,利用所述编码器对所述历史遥感海浪能量分布权重矩阵进行图像特征提取,得到图像特征值;
所述海浪分布权重矩阵订正模型训练模块670,还用于将所述图像特征值输入所述解码器,利用所述解码器对所述图像特征值进行图像特征恢复,得到恢复的海浪能量分布权重矩阵;
所述海浪分布权重矩阵订正模型训练模块670,还用于依据所述恢复的海浪能量分布权重矩阵和所述历史浮标观测海浪能量分布权重矩阵,计算所述第二损失函数的损失值;
所述海浪分布权重矩阵订正模型训练模块670,还用于依据所述损失值更新所述卷积自编码器的参数,直至所述损失值满足预设条件,得到训练后的所述卷积自编码器。
可以理解的是,所述海浪分布权重矩阵订正模型训练模块670可以用于支持电子设备100执行上述S40A-S40D等,和/或用于本文所描述的技术的其他过程。
基于上述方法实施例,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述海浪方向谱订正方法的步骤。
具体地,该存储介质可以为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述海浪方向谱订正方法,从而解决“目前在通过卫星获取遥感海浪方向谱时,该遥感海浪方向谱与传统的海浪观测方法所获取的海浪方向谱相比,仍存在误差”问题,实现能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度的目的。
综上所述,本申请实施例提供了一种海浪方向谱订正方法、装置、存储介质和电子设备,方法包括:获取遥感海浪方向谱;根据遥感海浪方向谱得到遥感海浪总能量和遥感海浪能量分布权重矩阵;利用预先训练的海浪总能量订正模型对遥感海浪总能量进行订正,得到第一输出结果;海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;利用预先训练的海浪分布权重矩阵订正模型对遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;根据第一输出结果和第二输出结果确定出订正后的遥感海浪方向谱。
在本申请实施例中,在将遥感海浪方向谱分解为遥感海浪总能量和遥感海浪能量分布权重矩阵后,分别通过预先训练的海浪总能量订正模型和海浪分布权重矩阵订正模型对遥感海浪总能量和遥感海浪能量分布权重矩阵进行订正,得到订正后的精度更高的输出结果(即,遥感海浪总能量和遥感海浪能量分布权重矩阵),进而再根据订正后的输出结果即可确定出订正后的精度更高的遥感海浪方向谱。故,本申请实施例的有益效果包括:能够对遥感海浪方向谱进行订正,提高遥感海浪方向谱的精度,有效的提升遥感海浪方向谱的应用价值。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种海浪方向谱订正方法,其特征在于,所述方法包括:
获取遥感海浪方向谱;
将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵;
利用预先训练的海浪总能量订正模型对所述遥感海浪总能量进行订正,得到第一输出结果;所述海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;
利用预先训练的海浪分布权重矩阵订正模型对所述遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;所述海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;
根据所述第一输出结果和所述第二输出结果确定出订正后的遥感海浪方向谱。
2.根据权利要求1所述的方法,其特征在于,所述遥感海浪方向谱包括数据矩阵;
将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵的步骤包括:
将所述数据矩阵中的每个元素之和作为所述遥感海浪方向谱的遥感海浪总能量;
根据所述数据矩阵中的最大元素对所述数据矩阵进行归一化,得到所述遥感海浪方向谱的遥感海浪能量分布权重矩阵。
3.根据权利要求1所述的方法,其特征在于,所述历史遥感海浪总能量、所述历史遥感海浪能量分布权重矩阵、所述历史浮标观测海浪总能量和所述历史浮标观测海浪能量分布权重矩阵是按照以下方式得到的:
获取历史遥感海浪方向谱和历史浮标观测海浪方向谱;所述历史遥感海浪方向谱与所述历史浮标观测海浪方向谱在时间与空间上相匹配;
将所述历史遥感海浪方向谱分解得到历史遥感海浪总能量和历史遥感海浪能量分布权重矩阵;
将所述历史浮标观测海浪方向谱分解得到历史浮标观测海浪总能量和历史浮标观测海浪能量分布权重矩阵。
4.根据权利要求3所述的方法,其特征在于,所述获取历史遥感海浪方向谱和历史浮标观测海浪方向谱的步骤,包括:
获取遥感海浪方向谱数据集;
获取浮标观测海浪方向谱数据集;
在所述遥感海浪方向谱数据集和所述浮标观测海浪方向谱数据集中,获取多个在时间与空间上相匹配的历史遥感海浪方向谱和历史浮标观测海浪方向谱;
调整每个所述历史浮标观测海浪方向谱中的频率以及该频率上对应的海浪能量,使得每个所述历史浮标观测海浪方向谱与其匹配的历史遥感海浪方向谱的频率划分一致。
5.根据权利要求3所述的方法,其特征在于,所述海浪总能量订正模型的训练过程包括:
将所述历史遥感海浪总能量作为训练样本、将所述历史浮标观测海浪总能量作为标签,并采用预设的第一损失函数对预先建立的全连接深度神经网络进行训练,得到训练后的所述全连接深度神经网络;
将训练后的所述全连接深度神经网络作为所述海浪总能量订正模型。
6.根据权利要求3所述的方法,其特征在于,所述海浪分布权重矩阵订正模型的训练过程包括:
将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器;
将训练后的所述卷积自编码器作为所述海浪分布权重矩阵订正模型。
7.根据权利要求6所述的方法,其特征在于,所述卷积自编码器包括编码器以及解码器;
所述将所述历史遥感海浪能量分布权重矩阵作为训练样本、将所述历史浮标观测海浪能量分布权重矩阵作为标签,并采用预设的第二损失函数对预先建立的卷积自编码器进行训练,得到训练后的所述卷积自编码器的步骤,包括:
将所述历史遥感海浪能量分布权重矩阵作为二维图像输入所述编码器,利用所述编码器对所述历史遥感海浪能量分布权重矩阵进行图像特征提取,得到图像特征值;
将所述图像特征值输入所述解码器,利用所述解码器对所述图像特征值进行图像特征恢复,得到恢复的海浪能量分布权重矩阵;
依据所述恢复的海浪能量分布权重矩阵和所述历史浮标观测海浪能量分布权重矩阵,计算所述第二损失函数的损失值;
依据所述损失值更新所述卷积自编码器的参数,直至所述损失值满足预设条件,得到训练后的所述卷积自编码器。
8.一种海浪方向谱订正装置,其特征在于,所述装置包括:
数据获取模块,用于获取遥感海浪方向谱;
方向谱分解模块,用于将所述遥感海浪方向谱分解得到遥感海浪总能量和遥感海浪能量分布权重矩阵;
海浪总能量订正模块,用于利用预先训练的海浪总能量订正模型对所述遥感海浪总能量进行订正,得到第一输出结果;所述海浪总能量订正模型是利用历史遥感海浪总能量和历史浮标观测海浪总能量进行训练得到的;
海浪分布权重矩阵订正模块,用于利用预先训练的海浪分布权重矩阵订正模型对所述遥感海浪能量分布权重矩阵进行订正,得到第二输出结果;所述海浪分布权重矩阵订正模型是利用历史遥感海浪能量分布权重矩阵和历史浮标观测海浪能量分布权重矩阵进行训练得到的;
数据组合模块,用于根据所述第一输出结果和所述第二输出结果确定出订正后的遥感海浪方向谱。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有机器可读指令,所述处理器用于执行所述机器可读指令,以实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601492.5A CN111738347B (zh) | 2020-06-28 | 2020-06-28 | 海浪方向谱订正方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601492.5A CN111738347B (zh) | 2020-06-28 | 2020-06-28 | 海浪方向谱订正方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738347A true CN111738347A (zh) | 2020-10-02 |
CN111738347B CN111738347B (zh) | 2021-03-30 |
Family
ID=72651511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010601492.5A Active CN111738347B (zh) | 2020-06-28 | 2020-06-28 | 海浪方向谱订正方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738347B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711878A (zh) * | 2020-12-25 | 2021-04-27 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
CN114819053A (zh) * | 2022-03-04 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于时空卷积lstm的平均波向预报偏差订正方法 |
CN115980744A (zh) * | 2022-11-10 | 2023-04-18 | 国家卫星海洋应用中心 | 一种星载sar影像数据无叠掩多峰海浪图像谱分离的方法 |
CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697011A (zh) * | 2009-10-29 | 2010-04-21 | 江苏科技大学 | 双站合成孔径雷达海浪方向谱的仿真方法 |
CN101813476A (zh) * | 2010-03-19 | 2010-08-25 | 天津大学 | 近海波浪参数立体实时监测系统 |
US20110060525A1 (en) * | 2009-09-06 | 2011-03-10 | Chung-Chu Teng | System for monitoring, determining, and reporting directional spectra of ocean surface waves in near real-time from a moored buoy |
CN105182369A (zh) * | 2015-07-30 | 2015-12-23 | 国家海洋技术中心 | 基于北斗地基增强系统的测量波浪和潮汐方法 |
CN105574206A (zh) * | 2016-01-20 | 2016-05-11 | 中国科学院大学 | 遥感数据与浮标数据自动匹配方法及系统 |
CN106501804A (zh) * | 2016-11-25 | 2017-03-15 | 中国石油大学(华东) | 一种利用全极化sar回波数据解析海面风浪谱的方法 |
CN108169744A (zh) * | 2017-12-08 | 2018-06-15 | 中国船舶重工集团公司第七二四研究所 | 一种地波雷达与卫星海洋动力反演信息融合处理方法 |
CN109557538A (zh) * | 2018-12-26 | 2019-04-02 | 哈尔滨工业大学 | 基于海用相参雷达测量海浪参数的方法 |
CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
-
2020
- 2020-06-28 CN CN202010601492.5A patent/CN111738347B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110060525A1 (en) * | 2009-09-06 | 2011-03-10 | Chung-Chu Teng | System for monitoring, determining, and reporting directional spectra of ocean surface waves in near real-time from a moored buoy |
CN101697011A (zh) * | 2009-10-29 | 2010-04-21 | 江苏科技大学 | 双站合成孔径雷达海浪方向谱的仿真方法 |
CN101813476A (zh) * | 2010-03-19 | 2010-08-25 | 天津大学 | 近海波浪参数立体实时监测系统 |
CN105182369A (zh) * | 2015-07-30 | 2015-12-23 | 国家海洋技术中心 | 基于北斗地基增强系统的测量波浪和潮汐方法 |
CN105574206A (zh) * | 2016-01-20 | 2016-05-11 | 中国科学院大学 | 遥感数据与浮标数据自动匹配方法及系统 |
CN106501804A (zh) * | 2016-11-25 | 2017-03-15 | 中国石油大学(华东) | 一种利用全极化sar回波数据解析海面风浪谱的方法 |
CN108169744A (zh) * | 2017-12-08 | 2018-06-15 | 中国船舶重工集团公司第七二四研究所 | 一种地波雷达与卫星海洋动力反演信息融合处理方法 |
CN109557538A (zh) * | 2018-12-26 | 2019-04-02 | 哈尔滨工业大学 | 基于海用相参雷达测量海浪参数的方法 |
CN110232342A (zh) * | 2019-06-03 | 2019-09-13 | 中国人民解放军海军航空大学 | 基于卷积神经网络的海况等级判断方法及装置 |
Non-Patent Citations (4)
Title |
---|
E. SANTI,P. PAMPALONI,M. POSPELOV,A KUZMIN,S. ZECCHETTO: "Remote sensing of waved sea surface: combined passive and active microwave measurements during the CAPMOS’05 experiment", 《2007 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
刘驰,徐莹,孟齐辉,陈萍: "波谱仪调制功率谱估计算法性能的仿真研究", 《海洋学报》 * |
邹丽,张九鸣,裴玉国,于宗冰,宗智: "理论风浪谱修正方法及数值验证", 《哈尔滨工程大学学报》 * |
郑洪伟,沈一帆: "合成孔径雷达成像调制模式在海洋遥感中的应用", 《第六届全国流体力学会议论文集》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711878A (zh) * | 2020-12-25 | 2021-04-27 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
CN112711878B (zh) * | 2020-12-25 | 2022-08-30 | 雾实(福建)科技有限公司 | 一种近岸精细化浪高数值预报方法、装置、设备和介质 |
CN114819053A (zh) * | 2022-03-04 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于时空卷积lstm的平均波向预报偏差订正方法 |
CN114819053B (zh) * | 2022-03-04 | 2024-05-03 | 中国人民解放军国防科技大学 | 基于时空卷积lstm的平均波向预报偏差订正方法 |
CN115980744A (zh) * | 2022-11-10 | 2023-04-18 | 国家卫星海洋应用中心 | 一种星载sar影像数据无叠掩多峰海浪图像谱分离的方法 |
CN115980744B (zh) * | 2022-11-10 | 2024-03-22 | 国家卫星海洋应用中心 | 一种星载sar影像数据无叠掩多峰海浪图像谱分离的方法 |
CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
CN117313436B (zh) * | 2023-11-29 | 2024-02-06 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111738347B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738347B (zh) | 海浪方向谱订正方法、装置、存储介质和电子设备 | |
CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
Mendoza et al. | An intercomparison of approaches for improving operational seasonal streamflow forecasts | |
CN113156439B (zh) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 | |
Cooke et al. | Estimating sea ice concentration from SAR: Training convolutional neural networks with passive microwave data | |
CN111736148B (zh) | 卫星雷达高度计海浪有效波高的订正方法及相关装置 | |
CN103698750A (zh) | 海洋二号卫星散射计海面风场反演方法和装置 | |
Romeiser et al. | A new approach to ocean wave parameter estimates from C-band ScanSAR images | |
Fu et al. | Spatial downscaling of MODIS Chlorophyll-a using Landsat 8 images for complex coastal water monitoring | |
US8401793B2 (en) | High resolution wind measurements for offshore wind energy development | |
CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
Janowski et al. | Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model | |
CN111950438B (zh) | 基于深度学习的天宫二号成像高度计有效波高反演方法 | |
Memarian Sorkhabi et al. | Wavelet decomposition and deep learning of altimetry waveform retracking for Lake Urmia water level survey | |
Chen et al. | ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net | |
Zeng et al. | Wind speed inversion in high frequency radar based on neural network | |
Camargo et al. | Regionalizing the sea-level budget with machine learning techniques | |
CN113065467A (zh) | 一种基于深度学习的卫星图像低相干区域识别方法及装置 | |
CN115097451A (zh) | 一种基于sar卫星数据的海浪多参数反演方法及系统 | |
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 | |
Chakraborty et al. | Application of hybrid techniques (self-organizing map and fuzzy algorithm) using backscatter data for segmentation and fine-scale roughness characterization of seepage-related seafloor along the western continental margin of India | |
Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai Lake | |
Mounet et al. | Deriving spatial wave data from a network of buoys and ships | |
CN109063760B (zh) | 基于随机森林多尺度卷积模型的极化sar分类方法 | |
CN113516764A (zh) | 基于数字高程模型的湖库水下三维地形模拟方法及装置 |
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 |