CN112113545B - 一种基于多维海面信息的内波振幅反演方法 - Google Patents
一种基于多维海面信息的内波振幅反演方法 Download PDFInfo
- Publication number
- CN112113545B CN112113545B CN202010979782.3A CN202010979782A CN112113545B CN 112113545 B CN112113545 B CN 112113545B CN 202010979782 A CN202010979782 A CN 202010979782A CN 112113545 B CN112113545 B CN 112113545B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- internal
- internal wave
- wave
- inversion
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于多维海面信息的内波振幅反演方法,该方法首先确定内波振幅反演的相关参数:内波致海面高度起伏变化、内波致海面流速变化、内波亮暗间距、水深和跃层深度、密度差等;再选取人工神经网络为模型,以确定的相关参数作为输入值,最后输出内波振幅。本发明基于遥感观测数据,提取分离得到内波致海面高度起伏和流速变化同步、宽刈幅等的观测信息,并利用提取的多维度海面观测信息,能够实现海洋内波振幅的高精度反演。
Description
技术领域
本发明属于海洋观测技术领域,具体涉及一种基于多维海面信息的内波振幅反演方法。
背景技术
内波是海洋中常见的中小尺度动力过程。由于海洋内波在水下生成和传播的随机性较大,从而难以预测。内波在传播过程中伴随着较大的垂向起伏和较强的剪切力,对潜艇航行和海上作业平台等都造成了严重威胁。因此开展内波研究对国防建设、海洋工程、海洋动力等方面都具有重要意义。内波对海洋的影响主要与内波强度有关,振幅是衡量内波强度的一个重要参数。
目前基于合成孔径雷达(SAR)图像的内波振幅反演,主要是根据遥感图像提取的亮暗间距和内波特征半波长的关系来反演内波振幅;首先提取SAR图像上内波剖面的亮暗间距,再结合水深、分层、密度和内波方程反演内波振幅、相速度等参数信息。后续的内波振幅反演也基本利用提取亮暗间距的方法反演内波振幅,并且该方法也借用到光学图像的振幅反演中。由此可见,现有的基于遥感图像的内波振幅反演,仅利用了内波亮暗间距这一图像信息,尚没有充分发掘、利用内波对海面的调制信息。
目前利用传统遥感手段开展内波振幅反演研究,只利用内波调制海面辐聚辐散(亮暗间距)这一信息,虽然可以探测海表流速,但无法同步获取内波致海面高度起伏变化,从而限制了利用内波致海面多维度信息开展内波探测的研究。
发明内容
本发明的目的是提供一种基于多维海面信息的内波振幅反演方法,以弥补现有技术的不足。
本发明基于遥感观测数据,利用干涉测量技术提取内波致海面高度垂向起伏变化,利用多普勒质心频移方法提取内波致海面流速变化。根据提取的内波致海面高度起伏和流速变化的同步、宽刈幅观测数据,结合内波的亮暗间距和水文参数等,分析内波振幅与多维度海面信息的关系,结合机器学习方法,发展内波振幅反演新方法。
为达到上述目的,本发明采取的具体技术方案为:
一种基于多维海面信息的内波振幅反演方法,该方法包括以下步骤:
(1)确定内波振幅反演的相关参数:内波致海面高度起伏变化、内波致海面流速变化、内波亮暗间距、水深和跃层深度、密度差等;
(2)选取人工神经网络为模型,以步骤(1)确定的相关参数作为输入值,最后输出内波振幅。
进一步的,所述内波致海面高度起伏变化采用海面高度异常值(SLA)进行表示,其提取是利用干涉处理技术。
进一步的,所述干涉处理技术为交轨干涉技术,包括配准、去平地相位、相位滤波、相位解缠和高度反演;内波会导致海面高度和海面高度异常产生明显的变化,通过计算海面高度异常值(SLA)剔除海浪、潮汐等因素的影响,并同步结合内波的图像二维特征,在垂直于内波传播方向进行空间滤波去除背景因素的影响,得到内波致海面起伏变化的空间分布反演高精度、宽刈幅的海面高度场,通过剔除海浪等因素对海面高度起伏的贡献分离得到内波致海面高度的起伏变化。
进一步的,所述内波致海面流速变化通过多普勒质心频移计算海面视向流速,并分离风场、Bragg波和背景流场等环境因素影响而得。利用多普勒质心频移的方法计算海面流场,由于Bragg波、风场、背景流速及卫星姿态等因素均会引起多普勒质心频移,因此在探测内波致表面流速时需剔除上述因素的影响。
进一步的,基于非内波影响区域的流速,采用克里金法插值出局部区域的背景流速(包含内波影响区域),在去除背景流速后,得到所述内波致海面流速变化。
进一步的,所述内波亮暗间距的获取是直接测量内波亮暗条纹的间距;一般选择ENVI等专业软件进行测量。
进一步的,所述水深基于现有数据库;所述跃层深度和密度差是基于现有数据库并进行计算得到。
进一步的,所述人工神经网络中,隐含层神经元的个数为:
其中M为输出单元数,N为输入单元数,β为1-10之间的常数,采用迭代法确定最佳的β值。
所述人工神经网络选取带反弹的回传算法、贝叶斯归一化算法和BFGS准牛顿BP算法等的一种。
本发明的优点和有益效果:
本发明基于遥感观测数据,提取分离得到内波致海面高度起伏和流速变化同步、宽刈幅等的观测信息,并利用提取的多维度海面观测信息(内波致海面起伏、流速变化和亮暗间距等),得到了一种基于多维度海面信息的内波振幅反演方法,且能够实现海洋内波振幅的高精度反演。
附图说明
图1为本发明的技术路线图。
图2为实施例3中内波致海面高度起伏变化的提取过程示意图。
图3为实施例3中内波亮暗间距提取过程示意图。
图4为实施例3中基于人工神经网络的内波振幅反演方法示意图。
图5为实施例1中内波经过时海面沸水现象图(左图)和MITgcm模拟内波传播过程中的海面起伏现象(右图)。
图6为实施例1中利用实验室中模拟内波致海面起伏变化图。
图7为实施例2中利用TerraSAR数据研究内波导致的流场信息图。
具体实施方式
以下通过具体实施例并结合附图对本发明进一步解释和说明。
实施例3:内波对海面高度的影响
如图5所示,通过实测和模拟内波实验均表明了内波会导致海面高度产生起伏。
在安达曼海开展实测时发现,内波经过时会导致海面隆起,且给出了海面高度变化的经验公式为~(ρ2-ρ1)·η0,其中ρ1为上层水深密度,ρ2下层水深密度,η0为内波的振幅,说明内波导致的海面起伏高度与内波的振幅也有密切关系。
利用高度计和SAR图像的准同步观测对南海的内波进行了探测研究,结果表明内波导致的海面高度异常可以达到0.5m。如图6所示,与内波相对应的海面高度位置有明显的波峰,同样表明内波会对海面的高度产生影响。
因此,通过该实施例可得,内波能够引起海面高度起伏变化,即其能够作为内波振幅反演的重要参数。
实施例2:内波对海面流场的影响
通过分析东沙岛大尺度内波,如图7所示,左图表示内波的SAR图像,右图表示内波导致流速信息图,通过两者对比表明传播会导致强烈的波致流,0、1、2、3、4标识位置的流速较大。而内波振幅与波致流的关系可表示为其中Ux表示内波导致的视向流速,c0表示内波线性速度,h1表示上层水深,η0表示内波振幅,l表示内波特征波长,x,t表示内波的时空变化。
该实施例说明,内波会对海面流场产生明显影响,海面流场相关的参数也能够作为内波振幅反演的重要依据。
实施例3:
一种基于多维海面信息的内波振幅反演方法,该方法包括以下步骤:
一、参数获取
(1)内波致海面高度起伏变化提取
实测及实验表明内波传播会导致海面发生隆起,起伏的大小与内波振幅密切相关。将针对遥感观测数据利用干涉处理技术获取二维海面高度场的提取,提取内波致海面高度起伏变化信息。
采用交轨干涉技术反演高精度、宽刈幅的海面高度场,通过剔除海浪等因素对海面高度起伏的贡献分离得到内波致海面高度的起伏变化。提取内波致海面高度的技术路线如图2所示。干涉处理主要包括配准、去平地相位、相位滤波、相位解缠和高度反演几个过程。内波会导致海面高度和海面高度异常产生明显的变化,采用海面高度异常(SLA)作为衡量内波导致的海面起伏变化的参数;通过计算海面高度异常值可以剔除海浪、潮汐等因素的影响。可以同步结合内波在图像上的二维特征,在垂直于内波传播方向进行空间滤波去除背景因素的影响,得到内波致海面起伏变化的空间分布。
(2)内波致海面流速变化信息提取
内波传播也会调制海面的流速发生变化,其变化幅度与内波振幅密切相关,因此将针对遥感观测数据提取多普勒质心异常和海面视向流速提取,分离风场、Bragg波和背景流场等环境因素影响,实现内波致海面流速的提取。
利用多普勒质心频移的方法计算海面流场。由于Bragg波、风场、背景流速及卫星姿态等因素均会引起多普勒质心频移,因此在探测内波致表面流速时需剔除上述因素的影响。基于非内波影响区域的流速,采用克里金法插值出局部区域的背景流速(包含内波影响区域),在去除背景流速后即可得到内波致海面流速变化。
(3)微尺度波重新分布(亮暗间距)获取
内波传播调制微尺度波的重新分布,从而使内波在遥感图像上表现为亮暗相间的条纹。利用ENVI等专业软件测量内波亮暗条纹的间距,作为内波振幅反演的一个重要输入参数。
二、基于同步、多维度海面信息构建内波振幅反演模型的建立
内波对海面的调制包括海面起伏、流速变化和微尺度波重新分布(亮暗间距)等多维度海面信息,信息的调制大小主要受内波振幅影响;利用机器学习方法发展内波振幅反演新方法、提高内波振幅反演精度。
基于步骤(1)和(2)已经提取了内波致海面起伏和流速变化,将内波提取的海面起伏、表面流速变化以及遥感图像上内波亮暗间距、当地水深和跃层深度(上层水深)等信息作为模型的输入,以实测内波振幅作为模型的输出。利用机器学习的强非线性映射能力发展基于多维海面信息的内波振幅反演新方法,技术路线图如图4。
建立机器学习模型(人工神经网络)如图4所示,以提取的多维度参数作为输入值,以内波振幅作为输出值。隐含层神经元的个数:
其中M为输出单元数,N为输入单元数,β为1-10之间的常数,采用迭代法确定最佳的β值,这样就完成了人工神经网络的基本结构。
利用训练样本集,采用带反弹的回传算法、贝叶斯归一化算法和BFGS准牛顿BP算法等不同训练函数对人工神经网络进行训练和优化,得到反演内波振幅的新方法。
Claims (7)
1.一种基于多维海面信息的内波振幅反演方法,其特征在于,该方法包括以下步骤:
(1) 确定内波振幅反演的相关参数:内波致海面高度起伏变化、内波致海面流速变化、内波亮暗间距、水深和跃层深度、密度差;所述内波致海面高度起伏变化采用海面高度异常值进行表示,其提取是利用干涉处理技术;所述干涉处理技术为交轨干涉技术,包括配准、去平地相位、相位滤波、相位解缠和高度反演;内波会导致海面高度和海面高度异常产生明显的变化,通过计算海面高度异常值剔除海浪、潮汐因素的影响;
选取人工神经网络为模型,以步骤(1)确定的相关参数作为输入值,最后输出内波振幅。
2.如权利要求1所述的内波振幅反演方法,其特征在于,所述内波致海面流速变化通过多普勒质心频移计算海面视向流速,再分离风场、Bragg波和背景流场的影响而得。
3.如权利要求2所述的内波振幅反演方法,其特征在于,采用克里金法分离出局部区域的背景流速,得到所述内波致海面流速变化。
4.如权利要求1所述的内波振幅反演方法,其特征在于,所述内波亮暗间距的获取是直接测量内波亮暗条纹的间距。
5.如权利要求1所述的内波振幅反演方法,其特征在于,所述水深基于现有数据库;所述跃层深度和密度差是基于现有数据库并进行计算得到。
7.如权利要求1所述的内波振幅反演方法,其特征在于,所述人工神经网络选取带反弹的回传算法、贝叶斯归一化算法和BFGS准牛顿BP算法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979782.3A CN112113545B (zh) | 2020-09-17 | 2020-09-17 | 一种基于多维海面信息的内波振幅反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979782.3A CN112113545B (zh) | 2020-09-17 | 2020-09-17 | 一种基于多维海面信息的内波振幅反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113545A CN112113545A (zh) | 2020-12-22 |
CN112113545B true CN112113545B (zh) | 2021-08-31 |
Family
ID=73799803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010979782.3A Active CN112113545B (zh) | 2020-09-17 | 2020-09-17 | 一种基于多维海面信息的内波振幅反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113545B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711862B (zh) * | 2021-01-15 | 2024-04-09 | 青岛大学 | 基于并发l-bfgs算法的水文模型参数率定方法及系统 |
CN113255240B (zh) * | 2021-03-05 | 2022-09-30 | 河海大学 | 动力条件约束的海洋内波振幅遥感反演方法 |
CN113687352A (zh) * | 2021-08-05 | 2021-11-23 | 南京航空航天大学 | 一种顺轨干涉合成孔径雷达海表流场反演方法 |
CN114970213B (zh) * | 2022-07-25 | 2022-10-11 | 青岛国数信息科技有限公司 | 一种孤子内波起伏效应下的海杂波动态模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253385A (zh) * | 2010-05-21 | 2011-11-23 | 中国科学院电子学研究所 | 基于合成孔径雷达图像和内波模型的海洋内波预测方法 |
KR20150045285A (ko) * | 2013-10-18 | 2015-04-28 | 한국해양과학기술원 | 레이다를 이용한 해양 내부파 측정 방법 |
CN109974670A (zh) * | 2019-04-17 | 2019-07-05 | 清华大学深圳研究生院 | 一种基于漂流浮标的内波检测方法 |
CN110110654A (zh) * | 2019-05-06 | 2019-08-09 | 中国科学院遥感与数字地球研究所 | 一种针对下降型海洋内孤立波的振幅反演方法及装置 |
CN110609287A (zh) * | 2018-06-14 | 2019-12-24 | 中国科学院国家空间科学中心 | 一种双频雷达散射计及同时测量海面风场和流场的方法 |
CN111429365A (zh) * | 2020-02-27 | 2020-07-17 | 自然资源部第一海洋研究所 | 一种海洋内孤立波的振幅反演装置及方法 |
-
2020
- 2020-09-17 CN CN202010979782.3A patent/CN112113545B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253385A (zh) * | 2010-05-21 | 2011-11-23 | 中国科学院电子学研究所 | 基于合成孔径雷达图像和内波模型的海洋内波预测方法 |
KR20150045285A (ko) * | 2013-10-18 | 2015-04-28 | 한국해양과학기술원 | 레이다를 이용한 해양 내부파 측정 방법 |
CN110609287A (zh) * | 2018-06-14 | 2019-12-24 | 中国科学院国家空间科学中心 | 一种双频雷达散射计及同时测量海面风场和流场的方法 |
CN109974670A (zh) * | 2019-04-17 | 2019-07-05 | 清华大学深圳研究生院 | 一种基于漂流浮标的内波检测方法 |
CN110110654A (zh) * | 2019-05-06 | 2019-08-09 | 中国科学院遥感与数字地球研究所 | 一种针对下降型海洋内孤立波的振幅反演方法及装置 |
CN111429365A (zh) * | 2020-02-27 | 2020-07-17 | 自然资源部第一海洋研究所 | 一种海洋内孤立波的振幅反演装置及方法 |
Non-Patent Citations (2)
Title |
---|
内波参数对半潜式钻井平台漂移量的影响;张浩 等;《石油钻采工艺》;20150131;第37卷(第1期);40 * |
基于多源遥感数据的日本海内波特征研究;孙丽娜 等;《海洋学报》;20180331;第40卷(第3期);102-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN112113545A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112113545B (zh) | 一种基于多维海面信息的内波振幅反演方法 | |
Kang et al. | Topographic mapping on large-scale tidal flats with an iterative approach on the waterline method | |
CN111473818B (zh) | 一种人工沙滩多源监测数据集成分析方法 | |
CN104613944A (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
Xie et al. | An eddy resolving tidal-driven model of the South China Sea assimilating along-track SLA data using the EnOI | |
CN103363962A (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
CN105260571B (zh) | 一种滩浅海水动力模拟方法 | |
Zhang et al. | Nearshore bathymetry based on ICESat-2 and multispectral images: Comparison between Sentinel-2, Landsat-8, and testing Gaofen-2 | |
CN104268848A (zh) | 一种海洋内波波速监测的方法 | |
CN113189559B (zh) | 一种星载成像高度计遥感数据海底地形反演方法 | |
CN116305902B (zh) | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 | |
CN112200050A (zh) | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 | |
Zhao et al. | Stability evaluation of tidal flats based on time-series satellite images: A case study of the Jiangsu central coast, China | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
Medeiros et al. | A Random Forest model based on lidar and field measurements for parameterizing surface roughness in coastal modeling | |
Marghany et al. | Simulation of shoreline change using AIRSAR and POLSAR C-band data | |
CN116503716A (zh) | 一种雷达图像衍生与数据库扩容的方法 | |
CN116720310A (zh) | 一种融合波浪演化数值模型的海水深度反演方法 | |
Jia et al. | Spatio-temporal evolution of coastlines of sand-barrier lagoons over 26 years through historic Landsat imagery in Lingshui County, Hainan Province, China | |
Liu et al. | Bathymetric ability of SPOT-5 multi-spectral image in shallow coastal water | |
Siegle et al. | Modelling water surface topography at a complex inlet system–Teignmouth, UK | |
Xiang et al. | Simulation of Remote-Sensed Chlorophyll Concentration with a Coupling Model Based on Numerical Method and CA-SVM in Bohai Bay, China | |
Zhang et al. | Method for UAV-based 3D topography reconstruction of tidal creeks |
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 |