CN114167076A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114167076A CN114167076A CN202111326249.8A CN202111326249A CN114167076A CN 114167076 A CN114167076 A CN 114167076A CN 202111326249 A CN202111326249 A CN 202111326249A CN 114167076 A CN114167076 A CN 114167076A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wave spectrum
- wave
- sea surface
- wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 110
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种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，所述方法包括：获取训练样本集，其中，所述训练样本集包含带风速标签和/或风向标签的海浪谱信息；以所述海浪谱信息作为输入、所述海浪谱信息对应的风速和/或风向作为输出目标，采用所述训练样本集对预置的神经网络模型进行训练，得到风速和/或风向反演模型。本发明可供实现基于波浪浮标在测得海浪谱信息的同时，间接获得风速和/或风向同步观测数据，兼顾成本与效率。
Description
技术领域
本发明涉及海洋探测技术领域，具体涉及一种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。
背景技术
对海面风和浪的同步观测，对于很多海洋过程的理解和建模以及沿海区域的灾害预测及预警非常重要。目前对于海浪谱和海面风场同步观测数据的获取，主要是通过同时安装风速传感器和波浪传感器的气象浮标或海洋平台进行现场观测。卫星遥感数据虽然也能获得部分风场和海浪谱的信息，但其观测精度和时间分辨率较低，且无法在近岸区域工作。而气象浮标和海洋平台造价较高，在海洋中的分布极其稀疏。同时，气象浮标需要为风速计等气象设备的安装提供合适的平台，故大部分气象浮标的标体体积较大，对海浪中高频信号的响应较差，难以准确测量海浪谱，可见，气象浮标虽然可以同时测量海浪谱和风速风向，但其成本较高，测得的海浪谱准确性较差。
相比之下，专门用于观测波浪的波浪浮标体积小、重量轻、造价低、部署容易。因为体积小、重量轻，波浪浮标可以更低的惯性跟踪更短波浪的波面，故对测得的海浪谱更为准确。但同样是因为体积小，波浪浮标无法安装风速计，导致对现场的海浪谱与风速风向等风场数据的观测必须分开进行。
发明内容
本发明解决的问题是现有的波浪浮标无法在观测海浪谱的同时，对现场风速和/或风向进行观测。
本发明提出一种海面风速风向反演模型的建立方法，包括：
获取训练样本集，其中，所述训练样本集包含带风速标签和/或风向标签的海浪谱信息；
以所述海浪谱信息作为输入、所述海浪谱信息对应的风速和/或风向作为输出目标，采用所述训练样本集对预置的神经网络模型进行训练，得到风速和/或风向反演模型。
可选地，所述海浪谱信息包含部分频段的海浪谱或海浪谱的傅里叶系数。
可选地，当所述风速和/或风向反演模型的输出包含风速时，所述海浪谱的傅里叶系数包括海浪谱的海浪能量谱，当所述风速和/或风向反演模型的输出包含风向时，所述海浪谱的傅里叶系数包括各频率的平均波向。
可选地，所述海浪谱的傅里叶系数还包括各频率的主波方向、第一波展参数和第二波展参数，所述海浪谱的多组傅里叶系数拼接后输入所述预置的神经网络模型。
可选地，所述预置的神经网络模型为全连接的多层感知机，包括输入层、至少一个隐藏层和至少一个输出层。
可选地，所述输入层的神经元个数为频段数与傅里叶系数组数的乘积。
本发明还提出一种海面风速风向的反演方法，包括：
获取海浪谱信息；
将所述海浪谱信息输入至如上任一项所述海面风速风向反演模型的建立方法建立的风速和/或风向反演模型，获得所述风速和/或风向反演模型输出的风速信息和/或风向信息。
可选地，所述获取海浪谱信息包括：获取波浪浮标测量的海浪谱信息。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述海面风速风向反演模型的建立方法，或者实现如上所述的海面风速风向的反演方法。
本发明还提出一种海面风速风向的反演装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述海面风速风向反演模型的建立方法，或者实现如上所述的海面风速风向的反演方法。
本发明通过带风速标签和/或风向标签的海浪谱信息组成的训练样本集，训练预置的神经网络模型，得到风速和/或风向反演模型，以供实现基于海浪谱信息预测风速风向信息，因波浪浮标可测得海浪谱信息，将波浪浮标测得海浪谱信息以及与其时空位置接近的同步风速和/或风向观测数据关联形成训练样本，用于训练出风速和/或风向反演模型，可供实现基于波浪浮标在测得海浪谱信息的同时，间接获得风速和/或风向同步观测数据，保留波浪浮标体积小、重量轻、造价低、部署容易、测得的海浪谱更为准确等优点，同时无需安装风速计，无需使用气象浮标等，兼顾成本与反演效率。
附图说明
图1为本发明实施例海面风速风向反演模型的建立方法一流程示意图；
图2为本发明实施例中为傅里叶系数矩阵所对应的频率矩阵的示意图；
图3为本发明实施例中不同频率的海浪能量谱的示意图；
图4为本发明实施例中不同频率的平均波向的示意图；
图5为本发明实施例中神经网络的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参考图1，在本发明一实施例中，所述海面风速风向反演模型的建立方法包括：
获取训练样本集，其中，所述训练样本集包含带风速标签和/或风向标签的海浪谱信息；以所述海浪谱信息作为输入、所述海浪谱信息对应的风速和/或风向作为输出目标，采用所述训练样本集对预置的神经网络模型进行训练，得到风速和/或风向反演模型。
其中，训练样本集中，海浪谱信息所带的风速标签和/或风向标签，可为与海浪谱信息时空位置接近的同步风速和风向观测数据，可以为海浪谱信息的观测位置附近现场观测的风速和风向数据，也可以为海浪谱信息的观测位置附近遥感观测的风速和风向数据，海浪谱信息的观测位置与风速和风向的观测位置相隔不超过一定距离，观测时间相差不超过一定时长。
预置的神经网络模型为人工神经网络，模型的输入为海浪谱或海浪谱的若干组傅里叶系数，模型的输出为风速或风向，或风速和风向的组合。
通过带风速标签和/或风向标签的海浪谱信息组成的训练样本集，训练预置的神经网络模型，得到风速和/或风向反演模型，以供实现基于海浪谱信息预测风速风向信息，因波浪浮标可测得海浪谱信息，将波浪浮标测得海浪谱信息以及与其时空位置接近的同步风速和/或风向观测数据关联形成训练样本，用于训练出风速和/或风向反演模型，可供实现基于波浪浮标在测得海浪谱信息的同时，间接获得风速和/或风向同步观测数据，保留波浪浮标体积小、重量轻、造价低、部署容易、测得的海浪谱更为准确等优点，同时无需安装风速计，无需使用气象浮标等，兼顾成本与效率。
可选地，所述海浪谱信息包含部分频段的海浪谱或海浪谱的傅里叶系数。其中的海浪谱为二维海浪谱，包含频率和方向两个维度的信息，将海浪谱作为预置的神经网络模型的输入参数，可保证模型输入参数包含的信息量大，进而使训练的模型习得较佳的特征提取能力，进而得到较准确的输出结果。
其中的海浪谱的傅里叶系数，可包括海浪能量谱和/各频率的平均波向，还可包括各频率的主波方向、第一波展参数和第二波展参数等。通过将海浪谱的傅里叶系数作为预置的神经网络模型的输入参数，可降低海浪谱信息的获取难度，降低模型构建成本，同时，在模型构建后的实际使用过程中，便于实时获取作为输入参数的海浪谱信息，提高模型的实时性。
此处的海浪谱信息包含的部分频段的海浪谱或海浪谱的傅里叶系数，可以为经过代数变换后的海浪谱或海浪谱的傅里叶系数，代数变换指归一化或取对数等操作，通过代数变换等数据预处理操作，可提高数据的特征表征能力，使训练获得的风速和/或风向反演模型预测效果更佳。
可选地，当所述风速和/或风向反演模型的输出包含风速时，所述海浪谱的傅里叶系数包括海浪谱的海浪能量谱，当所述风速和/或风向反演模型的输出包含风向时，所述海浪谱的傅里叶系数包括各频率的平均波向。当所述风速和/或风向反演模型的输出包含风速和风向时，海浪谱的傅里叶系数包括海浪谱的海浪能量谱和各频率的平均波向。通过在输入参数中设置海浪能量谱，用以供风速和/或风向反演模型输出准确的风速值，通过在输入参数中设置各频率的平均波向，用以供风速和/或风向反演模型输出准确的风向值，由此，通过设置合适的输入参数，使训练得到的风速和/或风向反演模型具有较好的预测效果。
可选地，所述海浪谱的傅里叶系数还包括各频率的主波方向、第一波展参数和第二波展参数，所述海浪谱的多组傅里叶系数拼接后输入所述预置的神经网络模型。
此处海浪谱的多组傅里叶系数拼接，指一条海浪谱记录数据对应的多组傅里叶系数拼接。
为便于理解，给出一实例，用于训练风速和/或风向反演模型的数据记录中，海浪谱信息包含海浪能量谱、各频率的平均波向、各频率的主波方向、第一波展参数、第二波展参数，每条数据记录包含的内容如下：
如图2的1×47的矩阵，为傅里叶系数矩阵所对应的频率矩阵，此项不需要输入模型。图3的1×47的矩阵，分别代表不同频率的C1傅里叶系数，即海浪能量谱，从图3可以看出0.02、0.0325、0.0375Hz频率上的C1傅里叶系数均为0，0.0475Hz上的C1傅里叶系数值为0.0515437，0.485Hz上的C1傅里叶系数值为0.00698567。图4中的1×47的矩阵，分别代表不同频率的Alpha1傅里叶系数，即各频率的平均波向，从图4可以看出在0.02、0.0325、0.0375Hz频率上的Alpha1傅里叶系数值分别为166、146、168。同理，各频率的主波方向、第一波展参数、第二波展参数均为1×47的矩阵，分别代表不同频率的主波方向、第一波展参数、第二波展参数，其数据结构与C1傅里叶系数、Alpha1傅里叶系数相同。
此外，每条记录中还包括1个U(风速)和一个theta(风向)信息。
假设有10000条数据记录，则海浪能量谱、各频率的平均波向、各频率的主波方向、第一波展参数、第二波展参数可以视为5个10000行47列的矩阵，风速和风向均是一个10000行1列的矩阵。
输入模型的时，把海浪能量谱、各频率的平均波向、各频率的主波方向、第一波展参数、第二波展参数进行拼接，指的是进行列方向上的拼接，即把5个10000行47列的矩阵转换成一个10000行235列的矩阵。
通过在模型的输入参数中设置各频率的主波方向、第一波展参数和第二波展参数，可使模型获得更多的输入特征信息，提高模型输出结果的准确性，提高模型精度。通过将海浪谱的多组傅里叶系数拼接后再作为输入参数输入预置的神经网络模型，限定输入参数格式，将多组傅里叶系数以特定格式结合并同时输入模型，便于模型同时从输入参数中提取特征，实现结果预测。
可选地，所述预置的神经网络模型为全连接的多层感知机，包括输入层、至少一个隐藏层和至少一个输出层。其中，输入层的神经元个数为频段数与傅里叶系数组数的乘积。
当模型仅输出风速或仅输出风向时，输出层包含一个神经元，当模型同时输出风速和风向时，输出层包含两个神经元，各层之间所采用的激活函数为线性整流函数。
可选地，所述预置的神经网络模型的输入层的神经元个数为频段数与傅里叶系数组数的乘积。
海浪能量谱、各频率的平均波向、各频率的主波方向、第一波展参数、第二波展参数为5组傅里叶系数组数。例如，在上文给出的例子中，频段数为47，傅里叶系数组数为5组，则输入层的神经元个数为47×5＝235个。
因输入参数为各个频段的傅里叶系数，通过将输入层的神经元个数设置为频段数与傅里叶系数组数的乘积，可一次性将所有参数输入到模型中，供模型整体学习一整条数据记录，进而保证提取到信息含量高的特征，保证较高的模型精度。
如图5示出一种包含一个输入层、三个隐藏层和一个输出层的模型结构示意图。可选地，在一实施方式中，输入参数中的海浪谱信息包含海浪能量谱、各频率的平均波向、各频率的主波方向、第一波展参数、第二波展参数等5组傅里叶系数组数，输入层包含235个神经元，三个隐藏层每个隐藏层包括96个神经元。
本发明还提出一种海面风速风向的反演方法，包括：
获取海浪谱信息；将所述海浪谱信息输入至如上所述海面风速风向反演模型的建立方法建立的风速和/或风向反演模型，获得所述风速和/或风向反演模型输出的风速信息和/或风向信息。
可选地，其中的海浪谱信息可通过波浪浮标测量获得。因波浪浮标体积小、重量轻、造价低、部署容易等优点，且因体积小、重量轻，波浪浮标可以更低的惯性跟踪更短波浪的波面，故测得的海浪谱信息也更为准确。
而通过上述海面风速风向反演模型的建立方法建立的风速和/或风向反演模型，可实现基于海浪谱信息预测风速风向信息，通过将波浪浮标测得的海浪谱信息输入至海面风速风向反演模型，可得到波浪浮标观测位置的风速和/或风向值，进而实现通过小型波浪浮标在测得海浪谱信息的同时，获取风速和/或风向同步观测数据，兼顾成本与效率。
本发明一实施例中，海面风速风向的反演装置包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述海面风速风向反演模型的建立方法，或者实现如上所述的海面风速风向的反演方法。本发明海面风速风向的反演装置相对于现有技术所具有的有益效果与上述海面风速风向的反演方法一致，此处不赘述。
本发明一实施例中，计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的建筑给水系统数据库构建方法。本发明计算机可读存储介质相对于现有技术所具有的有益效果与上述建筑给水系统数据库构建方法一致，此处不赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种海面风速风向反演模型的建立方法，其特征在于，包括：
获取训练样本集，其中，所述训练样本集包含带风速标签和/或风向标签的海浪谱信息；
以所述海浪谱信息作为输入、所述海浪谱信息对应的风速和/或风向作为输出目标，采用所述训练样本集对预置的神经网络模型进行训练，得到风速和/或风向反演模型。
2.如权利要求1所述的海面风速风向反演模型的建立方法，其特征在于，所述海浪谱信息包含部分频段的海浪谱或海浪谱的傅里叶系数。
3.如权利要求2所述的海面风速风向反演模型的建立方法，其特征在于，当所述风速和/或风向反演模型的输出包含风速时，所述海浪谱的傅里叶系数包括海浪谱的海浪能量谱，当所述风速和/或风向反演模型的输出包含风向时，所述海浪谱的傅里叶系数包括各频率的平均波向。
4.如权利要求3所述的海面风速风向反演模型的建立方法，其特征在于，所述海浪谱的傅里叶系数还包括各频率的主波方向、第一波展参数和第二波展参数，所述海浪谱的多组傅里叶系数拼接后输入所述预置的神经网络模型。
5.如权利要求1至4任一项所述的海面风速风向反演模型的建立方法，其特征在于，所述预置的神经网络模型为全连接的多层感知机，包括输入层、至少一个隐藏层和至少一个输出层。
6.如权利要求5所述的海面风速风向反演模型的建立方法，其特征在于，所述输入层的神经元个数为频段数与傅里叶系数组数的乘积。
7.一种海面风速风向的反演方法，其特征在于，包括：
获取海浪谱信息；
将所述海浪谱信息输入至权利要求1至6任一项所述海面风速风向反演模型的建立方法建立的风速和/或风向反演模型，获得所述风速和/或风向反演模型输出的风速信息和/或风向信息。
8.如权利要求7所述的海面风速风向的反演方法，其特征在于，所述获取海浪谱信息包括：
获取波浪浮标测量的海浪谱信息。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1至6任一项所述海面风速风向反演模型的建立方法，或者实现如权利要求7或8所述的海面风速风向的反演方法。
10.一种海面风速风向的反演装置，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1至6任一项所述海面风速风向反演模型的建立方法，实现如权利要求7或8所述的海面风速风向的反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111326249.8A CN114167076A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111326249.8A CN114167076A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114167076A true CN114167076A (zh) | 2022-03-11 |
Family
ID=80478569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111326249.8A Pending CN114167076A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167076A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114620186A (zh) * | 2022-03-15 | 2022-06-14 | 国家海洋技术中心 | 一种小型化海洋测波浮标装置与测波及风要素反演方法 |
| CN115438571A (zh) * | 2022-08-04 | 2022-12-06 | 南方海洋科学与工程广东省实验室(珠海) | 一种基于机器学习的地波雷达波浪场计算方法及装置 |
| CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002008786A1 (de) * | 2000-07-21 | 2002-01-31 | Gkss-Forschungszentrum Geesthacht Gmbh | Verfahren zur ermittlung von ein in situ seegangsfeld beschreibenden hydrographischen parametern mittels einer radareinrichtung |
| CN103558600A (zh) * | 2013-11-15 | 2014-02-05 | 武汉大学 | 一种利用s波段雷达探测海表面风场的方法 |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| 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 |
| CN113534159A (zh) * | 2021-07-08 | 2021-10-22 | 国家海洋技术中心 | 一种基于sar卫星遥感数据的海面风速反演方法及系统 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 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 |
-
2021
- 2021-11-10 CN CN202111326249.8A patent/CN114167076A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002008786A1 (de) * | 2000-07-21 | 2002-01-31 | Gkss-Forschungszentrum Geesthacht Gmbh | Verfahren zur ermittlung von ein in situ seegangsfeld beschreibenden hydrographischen parametern mittels einer radareinrichtung |
| CN103558600A (zh) * | 2013-11-15 | 2014-02-05 | 武汉大学 | 一种利用s波段雷达探测海表面风场的方法 |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 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 |
| CN113534159A (zh) * | 2021-07-08 | 2021-10-22 | 国家海洋技术中心 | 一种基于sar卫星遥感数据的海面风速反演方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| J. J. VOERMANS 等: "Estimating Wind Speed and Direction UsingWave Spectra", 《JGR OCEANS》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114620186A (zh) * | 2022-03-15 | 2022-06-14 | 国家海洋技术中心 | 一种小型化海洋测波浮标装置与测波及风要素反演方法 |
| CN115438571A (zh) * | 2022-08-04 | 2022-12-06 | 南方海洋科学与工程广东省实验室(珠海) | 一种基于机器学习的地波雷达波浪场计算方法及装置 |
| CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114167076A (zh) | 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 | |
| Forristall | Wave crest distributions: Observations and second-order theory | |
| Hwang et al. | Ocean surface wave spectra inside tropical cyclones | |
| CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
| CN104268848A (zh) | 一种海洋内波波速监测的方法 | |
| Rossi et al. | Measurement of sea waves | |
| CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
| Moriarty et al. | American wake experiment (awaken) | |
| CN114018317B (zh) | 一种用于海洋环境的数据采集装置及方法 | |
| CN111951204B (zh) | 一种基于深度学习的天宫二号探测数据海面风速反演方法 | |
| Spiliopoulos et al. | A Big Data framework for Modelling and Simulating high-resolution hydrodynamic models in sea harbours | |
| Hall et al. | Emerging National Data Buoy Center (NDBC) Wave Systems | |
| CN115630326B (zh) | 利用水听器监测海洋生态系统的健康状态的方法及装置 | |
| CN115101149B (zh) | 材料微观结构总能量预测方法 | |
| Seim | Implementation of the South Atlantic Bight synoptic offshore observational network | |
| Blanken et al. | A fuzzy-based framework for assessing uncertainty in drift prediction using observed currents and winds | |
| Stone et al. | A new wave-current online information system for oil spill contingency planning (WAVCIS) | |
| CN114970697A (zh) | 一维海浪谱风浪涌浪分离方法及系统 | |
| Donne et al. | Wave height quantification using land based seismic data with grammatical evolution | |
| Kalra et al. | Derivation of coastal wind and wave parameters from offshore measurements of TOPEX satellite using ANN | |
| CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
| Gweba | Developing a methodology for the assessment of wave energy along the South African Coast | |
| Li et al. | Large eddy simulations of upper-ocean response to a midlatitude storm and comparison with observations | |
| Cardona | Visual Anemometry: Wind Speed Measurement Through Visual Observation of Fluid-Structure Interactions | |
| Nelko et al. | Rip current prediction in ocean city Maryland |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220311 |