CN113534159A - 一种基于sar卫星遥感数据的海面风速反演方法及系统 - Google Patents
一种基于sar卫星遥感数据的海面风速反演方法及系统 Download PDFInfo
- Publication number
- CN113534159A CN113534159A CN202110775266.3A CN202110775266A CN113534159A CN 113534159 A CN113534159 A CN 113534159A CN 202110775266 A CN202110775266 A CN 202110775266A CN 113534159 A CN113534159 A CN 113534159A
- Authority
- CN
- China
- Prior art keywords
- radar
- sar
- wind speed
- sar image
- sea surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 108010003272 Hyaluronate lyase Proteins 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/956—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on ship or other platform
-
- 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
-
- 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
- G01S13/9094—Theoretical aspects
-
- 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)
- Ocean & Marine Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SAR卫星遥感数据的海面风速反演方法及系统。该方法包括:获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数;目标SAR图像由目标SAR雷达生成;统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,雷达参数包括雷达入射角的余弦和相对风向的余弦;将上述参数输入海面风速反演模型,得到目标SAR图像对应的海面风速;海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型,样本SAR图像由样本SAR雷达生成。本发明能够对涌浪条件下的海面风速进行高精度的反演。
Description
技术领域
本发明涉及海面风速反演领域,特别是涉及一种基于SAR卫星遥感数据的海面风速反演方法及系统。
背景技术
海面风速是海洋大气相互作用中关键的参数。准确观测海面风速,对于理解和研究海气之间的物质、热量的交换具有重要意义,同时对海洋航行保障、海洋防灾减灾等领域有着重要的工程实践意义。与传统的船舶走航、浮标锚系等观测方式相比,合成孔径雷达(Synthetic Aperture Radar,SAR)遥感卫星以其全天时、全天候观测,高分辨率、大幅宽覆盖等优势,已经成为目前海面风速的重要卫星遥感观测手段。
现有SAR风速反演方法,主要是依靠地球物理模式函数。随着C波段星载SAR数据风速反演的业务化开展,已发展了CMOD4、CMOD-IFR2、CMOD5n等多种地球物理模式函数。地球物理模式函数反映了雷达后向散射系数与风速、风向和雷达入射角之间的关系。在现有的技术中,获取海面风向的信息之后(由SAR图像本身风条纹特征或由外部数值模式资料作为辅助输入),将海面的SAR后向散射系数、入射角,海面风向作为参数输入到地球物理模型函数,即可估算得到海面风速。
目前,所有的地球物理函数模型都仅考虑了风速、风向和雷达入射角对于雷达后向散射系数的贡献。然而,在风速、风向和雷达入射角的贡献之外,常常共存于实际海面上的涌浪也会影响SAR雷达后向散射系数。因此,目前技术由于忽略了涌浪的影响常常会导致SAR海面风速反演出现较大的误差,在涌浪条件下反演精度不高。
发明内容
本发明的目的是提供一种能够在涌浪条件下由SAR卫星遥感数据准确的反演海面风速的方法及系统。
为实现上述目的,本发明提供了如下方案:
一种基于SAR卫星遥感数据的海面风速反演方法,包括:
获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数;所述目标SAR图像由所述目标SAR雷达生成;所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦;
将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型;所述样本SAR图像由所述样本SAR雷达生成。
可选的,在所述将所述统计特征参数和所述雷达参数输入海面风速反演模型之前,还包括:
以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
可选的,还包括:
根据σ0=<σ0 i>计算SAR图像的平均雷达散射系数σ0,其中,σ0 i表示SAR图像第i个像素点的雷达后向散射系数,〈 〉表示平均运算。
可选的,还包括:
可选的,还包括:
可选的,还包括:
可选的,还包括:
本发明还提供了一种基于SAR卫星遥感数据的海面风速反演系统,包括:
参数获取模块,用于获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数,所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦;所述目标SAR图像由所述目标SAR雷达生成;
风速反演模块,用于将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型;所述样本SAR图像由所述样本SAR雷达生成。
可选的,还包括:
神经网络模型训练模块,用于以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
可选的,还包括:
平均雷达散射系数计算模块,用于根据σ0=〈σ0 i>计算SAR图像的平均雷达散射系数σ0,其中,σ0 i表示SAR图像第i个像素点的雷达后向散射系数,< >表示平均运算;
根据本发明提供的具体实施例,公开了以下技术效果:本发明实施例将目标SAR图像的平均雷达散射系数、归一化方差、偏度和峰度以及产生目标SAR图像的SAR雷达的雷达参数:雷达入射角的余弦和相对风向的余弦,输入海面风速反演模型(该模型为以平均雷达散射系数、归一化方差、偏度、峰度、雷达入射角的余弦和相对风向的余弦为输入,时间上同步观测的散射计风速数据为标签,训练得到的神经网络模型),预测得到了目标SAR图像对应的海面风速。由于上述SAR图像统计特征参数:平均雷达散射系数、归一化方差、偏度和峰度,表征了海洋涌浪对雷达后向散射系数的贡献,因而基于上述图像统计特征参数的海面风速反演考虑了涌浪的影响,基于此,上述海面风速反演方法能够对涌浪条件下的海面风速进行高精度的反演。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于SAR卫星遥感数据的海面风速反演方法的流程示意图;
图2为本发明实施例1中深度学习网络的架构图;
图3为采用现有的采用欧空局算法反演得到的海面风速与同步散射计数据比较的散点图;
图4为基于本发明实施例提供的反演方法得到的海面风速与同步散射计数据比较的散点图;
图5为本发明实施例2提供的基于SAR卫星遥感数据的海面风速反演系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种能够在涌浪条件下由SAR卫星遥感数据准确的反演海面风速的方法及系统。
发明人发现,现有技术中的地球物理模式函数(GMF)仅仅描述了风速、风向、雷达入射角对SAR雷达后向散射系数的贡献,忽略了涌浪对SAR雷达后向散射系数的贡献,进而导致了在涌浪条件下SAR海面风速反演误差较大的问题。为解决这一问题,本发明实施例提供了以下技术方案。
实施例1
本实施例提供了一种基于SAR卫星遥感数据的海面风速反演方法,参见图1,该方法包括以下步骤:
步骤101:获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数;所述目标SAR图像由所述目标SAR雷达生成;所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦。
步骤102:将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型,所述样本SAR图像由所述样本SAR雷达生成。
本发明实施例在对海面风速进行反演时,考虑了涌浪对SAR雷达后向散射系数的影响,具体体现在,本发明实施例不仅采用了平均雷达散射系数,还采用了表征涌浪特征的归一化方差、偏度和峰度这些图像参数对海面风速进行反演,与现有的地球物理模式函数仅采用平均雷达散射系数这一图像参数对海面风速进行反演相比,本发明实施例由于考虑了涌浪的影响,因而对海面风速的反演精度更高。
在一个示例中,在步骤102之前,还包括:
以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
下面对上述海面风速反演模型的训练进行详细的介绍:
1.SAR卫星数据的读取与预处理
1.1读取SAR数据的图像、成像时间和经纬度、雷达入射角、卫星方位角。
在实际的应用中,可以从Sentinel-1卫星VV极化SAR数据中读取SAR图像、成像时间和经纬度、雷达入射角θ、卫星方位角α。
1.2对SAR图像进行辐射定标,得到雷达后向散射系数(Normalized Radar CrossSection,NRCS)。
具体的,以Sentinel-1为例,辐射定标可按照欧洲空间局提供的用户手册中的定标公式完成,由下式计算SAR影像中每一像素点i的雷达后向散射系数σ0 i:
其中,DN是Sentinel-1卫星SAR数据原始幅度数码值(DigitalNumber),η为噪声等效散射系数值,A为后向散射系数定标因子。
1.3由SAR图像计算图像统计特征参数:平均雷达散射系数、归一化方差(Normalizedvariance)、偏度(skewness)和峰度(kurtosis)。
具体的,由以下公式计算上述各统计特征参数的值:
平均雷达散射系数σ0:
σ0=<σ0 i> (2)
归一化方差nv:
偏度skew:
峰度kurt:
其中,σ0 i为SAR影像相应像素点的雷达后向散射系数,var表示方差运算,std表示标准差运算。
2.建立样本数据集
2.1同步匹配SAR与散射计数据
根据1.1得到的SAR图像的成像时间和经纬度,读取与SAR图像时间和空间上同步观测的散射计风速、风向数据。
在实际的应用中,读取与Sentinel-1卫星SAR数据同步的HY-2B散射计的风速、风向数据。
需要注意的是,满足时间差不超过30分钟,距离差不超过25Km的条件,即可视为同步。
2.2构建样本数据集
a.确定样本数据
样本数据包括1.3中的SAR图像平均雷达散射系数σ0、归一化方差nv、偏度skew、峰度kurt、雷达入射角θ的余弦cosθ和相对风向的余弦cosψ。其中,相对风向ψ(相对SAR雷达视向)由散射计风向(相对正北方向)结合SAR卫星方位角α转换得到:
(b)确定标签数据,具体的,将2.1中的同步散射计海面风速数据作为上述样本数据的标签。
2.3对样本集的每一个特征值分别进行归一化处理:
其中,F为上述各统计特征参数的值,Fn为归一化后的统计特征参数值。
2.4划分训练集和测试集
将上述样本数据集随机打乱顺序,划分为训练集和测试集。
具体的,可以选择随机打乱顺序的前70%样本数据集作为训练集,其余作为测试集。
3.构建涌浪条件下SAR风速反演的深度学习网络模型
3.1搭建深度神经网络架构
本实施例采用全连接深度神经网络架构,如图2所示,深度神经网络由一个输入层、四个隐藏层和一个输出层组成。
其中,隐藏层神经元数目分别为512,256,128和64;每一层都使用Relu(TheRectified Linear Unit)激活函数以将非线性特性引入神经网络,其中Relu激活函数的计算公式为:
f(x)=max(0,x) (8)
x为该层神经元的输出值,f(x)为经过Relu激活函数的结果。
另外,为了减少模型的过拟合,隐藏层在经过Relu激活函数处理之后,还使用了比率为50%的随机失活(Dropout)正则化方法,即学习过程中通过将隐含层的50%权重或输出随机归零。
3.2训练神经网络
将训练集随机打乱顺序,然后输入到全连接神经网络,并利用计算机GPU进行训练,在训练过程中不断调整神经网络各节点的权值。
在实际的应用中,训练时采用随机梯度下降(Stochastic gradient descent)优化器进行模型优化,共进行150轮训练,每一批训练的数据量大小为64;初始学习率设为0.01,每25轮训练后学习率下降至原来的1/2。
3.3模型训练完成后,保存最优模型结构和最优参数集。至此,完成了对上述神经网络模型的训练,训练完成后得到的模型即为上述海面风速反演模型。
下面对上述海面风速反演方法进行详细介绍:
1.确定待反演SAR图像(目标SAR图像)的统计特征参数
采用上述海面风速反演模型的训练详细介绍中的步骤1描述的方法确定待反演SAR图像的统计特征参数。
2.确定生成待反演SAR图像的SAR雷达(目标SAR雷达)的雷达参数
具体的,在0.125°网格的欧洲中期预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)提供的预报模式数据中,找到与待反演SAR图像时间和空间上最为接近的数据网格,并读取风向(相对正北方向);并结合SAR卫星方位角计算相对风向ψ(相对SAR雷达视向)。
3.通过海面风速反演模型反演海面风速
将待反演SAR图像的统计特征参数和生成待反演SAR图像的SAR雷达的雷达参数输入海面风速反演模型,反演得到待反演SAR图像对应的海面风速。
下面对上述海面风速反演方法的精度进行验证:
利用2.3生成的测试集,比较本发明实施例反演得到的SAR海面风速,以及散射计提供的海面风速,以验证SAR海面风速反演方法的精度。
如图3所示,对于测试数据集(即VV极化的Sentinel-1SAR数据),应用欧空局反演算法(采用CMOD_IFR2地球物理模式函数),与HY-2B散射计相比反演得到的风速均方根误差(RMSE)为1.44m/s,散布系数(SI)为14.33%。如图4所示,对于同样的测试数据集,采用本发明实施例提供的方法,与HY-2B散射计相比反演得到的风速均方根误差为1.30m/s,散布系数为12.94%,均明显优于现有的欧空局业务化算法。
实施例2
本实施例提供了一种基于SAR卫星遥感数据的海面风速反演系统,参见图5,该系统包括:
参数获取模块501,用于获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数,所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦;所述目标SAR图像由所述目标SAR雷达生成;
风速反演模块502,用于将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型,所述样本SAR图像由所述样本SAR雷达生成。
在一个示例中,上述海面风速反演系统还包括:
神经网络模型训练模块,用于以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
在一个示例中,上述海面风速反演系统还包括:
平均雷达散射系数计算模块,用于根据σ0=<σ0 i>计算SAR图像的平均雷达散射系数σ0,其中,σ0 i表示SAR图像第i个像素点的雷达后向散射系数,< >表示平均运算;
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于SAR卫星遥感数据的海面风速反演方法,其特征在于,包括:
获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数;所述目标SAR图像由所述目标SAR雷达生成;所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦;
将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型;所述样本SAR图像由所述样本SAR雷达生成。
2.根据权利要求1所述的基于SAR卫星遥感数据的海面风速反演方法,其特征在于,在所述将所述统计特征参数和所述雷达参数输入海面风速反演模型之前,还包括:
以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
3.根据权利要求1所述的基于SAR卫星遥感数据的海面风速反演方法,其特征在于,还包括:
根据σ0=<σ0 i>计算SAR图像的平均雷达散射系数σ0,其中,σ0 i表示SAR图像第i个像素点的雷达后向散射系数,<>表示平均运算。
8.一种基于SAR卫星遥感数据的海面风速反演系统,其特征在于,包括:
参数获取模块,用于获取目标SAR图像的统计特征参数和目标SAR雷达的雷达参数,所述统计特征参数包括平均雷达散射系数、归一化方差、偏度和峰度,所述雷达参数包括雷达入射角的余弦和相对风向的余弦;所述目标SAR图像由所述目标SAR雷达生成;
风速反演模块,用于将所述统计特征参数和所述雷达参数输入海面风速反演模型,得到所述目标SAR图像对应的海面风速;所述海面风速反演模型为:以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,训练得到的神经网络模型;所述样本SAR图像由所述样本SAR雷达生成。
9.根据权利要求8所述的基于SAR卫星遥感数据的海面风速反演系统,其特征在于,还包括:
神经网络模型训练模块,用于以样本SAR图像的统计特征参数和样本SAR雷达的雷达参数为输入,以与所述样本SAR图像时间和空间上同步观测的散射计风速数据为标签,对神经网络进行训练,得到所述海面风速反演模型。
10.根据权利要求8所述的基于SAR卫星遥感数据的海面风速反演系统,其特征在于,还包括:
平均雷达散射系数计算模块,用于根据σ0=<σ0 i>计算SAR图像的平均雷达散射系数σ0,其中,σ0 i表示SAR图像第i个像素点的雷达后向散射系数,<>表示平均运算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775266.3A CN113534159B (zh) | 2021-07-08 | 2021-07-08 | 一种基于sar卫星遥感数据的海面风速反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775266.3A CN113534159B (zh) | 2021-07-08 | 2021-07-08 | 一种基于sar卫星遥感数据的海面风速反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534159A true CN113534159A (zh) | 2021-10-22 |
CN113534159B CN113534159B (zh) | 2022-04-26 |
Family
ID=78098132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110775266.3A Expired - Fee Related CN113534159B (zh) | 2021-07-08 | 2021-07-08 | 一种基于sar卫星遥感数据的海面风速反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534159B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167076A (zh) * | 2021-11-10 | 2022-03-11 | 中国地质大学(武汉) | 海面风速风向反演模型的建立方法及风速风向的反演方法 |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114324973A (zh) * | 2022-03-17 | 2022-04-12 | 南方海洋科学与工程广东省实验室(广州) | 台风风速反演方法、装置、电子设备及存储介质 |
CN114518563A (zh) * | 2022-03-01 | 2022-05-20 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114814779A (zh) * | 2022-06-29 | 2022-07-29 | 国家海洋技术中心 | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 |
CN114895338A (zh) * | 2022-03-31 | 2022-08-12 | 北京卫星信息工程研究所 | 星载gnss-s雷达多维信息的大范围海面风场反演系统及方法 |
CN115825960A (zh) * | 2022-11-22 | 2023-03-21 | 北京卫星信息工程研究所 | 基于星载gnss-s雷达的海面风场反演方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583214A (zh) * | 2020-04-30 | 2020-08-25 | 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 |
CN113050091A (zh) * | 2021-03-08 | 2021-06-29 | 国家海洋技术中心 | 一种星载合成孔径雷达风速风向联合反演方法及系统 |
-
2021
- 2021-07-08 CN CN202110775266.3A patent/CN113534159B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583214A (zh) * | 2020-04-30 | 2020-08-25 | 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 |
CN113050091A (zh) * | 2021-03-08 | 2021-06-29 | 国家海洋技术中心 | 一种星载合成孔径雷达风速风向联合反演方法及系统 |
Non-Patent Citations (9)
Title |
---|
J. E. STOPA等: "Significant wave heights from Sentinel-1 SAR: Validation and application", 《JOURNAL OF GEOPHYSICAL RESEARCH: OCEANS》 * |
XIANGJIE LIU等: "Wind speed forecasting using deep neural network with feature selection", 《NEUROCOMPUTING》 * |
YIRU LU等: "A C-band Geophysical Model Function for Determining Coastal Wind Speed Using Synthetic Aperture Radar", 《2018 PROGRESS IN ELECTROMAGNETICS RESEARCH SYMPOSIUM (PIERS | TOYAMA)》 * |
史伟哲: "星载SAR海洋场景仿真与反演方法综述", 《航天器工程》 * |
张雷等: "星载合成孔径雷达图像反演海面风场方法综述", 《海洋通报》 * |
石汉青等: "基于遗传神经网络算法的海面风速反演新方法", 《解放军理工大学学报(自然科学版)》 * |
穆珊珊等: "基于Sentinel-1A的全球有效波高的反演研究", 《海洋与湖沼》 * |
胡敏等: "基于BP神经网络的SAR海表风场反演――以长江入海口及临近海域为例", 《海洋湖沼通报》 * |
邱吉东等: "基于X波段海洋雷达的风浪联合反演方法研究", 《海洋技术学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167076A (zh) * | 2021-11-10 | 2022-03-11 | 中国地质大学(武汉) | 海面风速风向反演模型的建立方法及风速风向的反演方法 |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114518563A (zh) * | 2022-03-01 | 2022-05-20 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114518563B (zh) * | 2022-03-01 | 2022-09-09 | 国家卫星海洋应用中心 | 卫星微波散射计雷达后向散射系数获取方法及相应的装置 |
CN114324973A (zh) * | 2022-03-17 | 2022-04-12 | 南方海洋科学与工程广东省实验室(广州) | 台风风速反演方法、装置、电子设备及存储介质 |
CN114895338A (zh) * | 2022-03-31 | 2022-08-12 | 北京卫星信息工程研究所 | 星载gnss-s雷达多维信息的大范围海面风场反演系统及方法 |
CN114814779A (zh) * | 2022-06-29 | 2022-07-29 | 国家海洋技术中心 | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 |
CN115825960A (zh) * | 2022-11-22 | 2023-03-21 | 北京卫星信息工程研究所 | 基于星载gnss-s雷达的海面风场反演方法 |
CN115825960B (zh) * | 2022-11-22 | 2023-12-19 | 北京卫星信息工程研究所 | 基于星载gnss-s雷达的海面风场反演方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113534159B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113534159B (zh) | 一种基于sar卫星遥感数据的海面风速反演方法及系统 | |
Fang et al. | Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area | |
Ni et al. | Compressed sensing SAR imaging based on centralized sparse representation | |
Buehner et al. | Assimilation of SSMIS and ASCAT data and the replacement of highly uncertain estimates in the Environment Canada Regional Ice Prediction System | |
Carvalho et al. | Characterizing the Indian Ocean sea level changes and potential coastal flooding impacts under global warming | |
CN114966692B (zh) | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 | |
CN104732531B (zh) | 一种高分辨率遥感图像信噪比曲线自适应获取方法 | |
CN113050091B (zh) | 一种星载合成孔径雷达风速风向联合反演方法及系统 | |
CN110823190B (zh) | 基于随机森林的岛礁浅海水深预测方法 | |
CN109829547B (zh) | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 | |
CN113033063A (zh) | 海表温度的反演方法、装置、电子设备及存储介质 | |
CN110793649B (zh) | 一种使用后向散射截面校正粗糙海面亮温的方法 | |
CN112180369A (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 | |
CN108983235B (zh) | 一种基于刈幅的交叉极化sar风场反演方法 | |
CN111413296A (zh) | 一种考虑地表非朗伯特性的气溶胶光学厚度遥感反演方法 | |
CN114218786A (zh) | 非偏振卫星传感器在轨偏振辐射特性反演方法 | |
CN116299247B (zh) | 一种基于稀疏卷积神经网络的InSAR大气校正方法 | |
CN117274831A (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 | |
CN114814779B (zh) | 浮标涌浪波高观测数据误差评估方法、系统、设备及介质 | |
CN111915570A (zh) | 基于反向传播神经网络的大气延迟估计方法 | |
CN116595366A (zh) | 一种基于多任务学习的海面风场空间降尺度方法及系统 | |
CN115980697A (zh) | 一种不同天气条件下激光雷达反演边界层高度的方法 | |
CN116299236A (zh) | 一种基于抽稀PS点的InSAR大气误差校正方法 | |
CN107832805B (zh) | 一种基于概率位置模型消除空间位置误差对遥感软分类精度评价影响的技术 | |
CN116128762A (zh) | 卫星影像预处理方法、装置、电子设备及存储介质 |
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 |
Granted publication date: 20220426 |