CN117849797A - 根据合成孔径雷达反演海表风速方法及装置 - Google Patents
根据合成孔径雷达反演海表风速方法及装置 Download PDFInfo
- Publication number
- CN117849797A CN117849797A CN202410121034.XA CN202410121034A CN117849797A CN 117849797 A CN117849797 A CN 117849797A CN 202410121034 A CN202410121034 A CN 202410121034A CN 117849797 A CN117849797 A CN 117849797A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- neural network
- radar
- artificial neural
- parameters
- 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 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 58
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 6
- 230000010287 polarization Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种根据合成孔径雷达反演海表风速的方法、装置、设备及存储介质。所述方法，包括：获取合成孔径雷达监测到的标准化雷达后向散射截面；通过人工神经网络分析地理模型函数中的风速参数；将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。本申请的技术方案通过人工神经网络推导出地理模型函数中的风速参数，从而大大简化了通过标准化雷达后向散射截面直接计算海表风速的计算难度和计算量，从而可快速便捷的反演出海表风速。
Description
技术领域
本发明涉及风力发电的技术领域，尤其涉及一种根据合成孔径雷达反演海表风速的方法、装置、设备及存储介质。
背景技术
海风是海上风电业务应用的关键变量，其强度大小与趋势变化是海上风电项目投资的决策基础。获取海洋表面风场的传统手段包括树立海上测风塔、投放漂浮激光雷达或者应用中尺度数值气象模拟。树立海上测风塔或投放漂浮激光雷达，不仅其财务成本与时间成本极高，而且其测量为“点”测量模式，代表区域范围有限，不能满足海洋活动与海上风电业务应用要求。采用中尺度数值气象模拟技术，虽然可以求解大范围区域的海上风流场，但在海风空间梯度变化，尤其是近海地区模拟仿真上，其不确定性会大幅提升，这主要是因为复杂的海气耦合作用、海陆交互作用的影响，在中尺度数值气象模拟物理方案中通常很难描述这些现象。基于以上现实情况，引入合成孔径雷达（SAR：Synthetic ApertureRadar）卫星观测数据，其具备成本低、周期短、长期历史数据、覆盖区域范围大、分辨率高、全天时、全天候等多种特点，可以更为准确地评估海上风电场规划区域风资源情况，确保整个风电场生命周期内的风能可利用性。
合成孔径雷达卫星是利用合成孔径原理，实现高分辨率的微波成像。为了产生合成孔径雷达卫星图像，卫星发送连续的无线电脉冲以“照亮”目标场景，接收并记录每个脉冲的回波信号强度。它可以在能见度极低的气象条件下得到类似光学照相的高分辨率雷达图像，它利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径，也称综合孔径雷达（SAR），能有效穿透掩盖物。通过卫星搭载的雷达测量海表粗糙度，结合地球物理模型函数及其后向散射信号强度，反演海表风场。如何妥善的解决上述问题，就成为了业界亟待解决的课题。
发明内容
本发明提供一种根据合成孔径雷达反演海表风速的方法、装置、设备及存储介质，用以通过标准化雷达后向散射截面来快速便捷的反演出海表风速。
根据本发明的第一方面，提供一种根据合成孔径雷达反演海表风速的方法，该方法包括：
获取合成孔径雷达监测到的标准化雷达后向散射截面；
通过人工神经网络分析地理模型函数中的风速参数；
将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
在一个实施例中，所述通过人工神经网络来分析地理模型函数中的风速参数，包括：
设计出由两层隐藏层的神经网络、输入成和输出层构成所述人工神经网络；
将输入层的数据和输出层的数据代入所述人工神经网络，推理出所述人工神经网络的网络参数。
在一个实施例中，所述将输入层的数据和输出层的数据代入所述人工神经网络，包括：
在输入层，将标准化雷达后向散射截面、入射角、风向、雷达方位角和莫宁长度和空气温度代入到所述人工神经网络；
在输出层，将第一海表风速代入所述人工神经网络。
在一个实施例中，其特征在于，
第一高度海表风速可通过已知的第二海表风速转化得出，得出的具体公式如下：
；。
u*表示摩擦风速，k是冯卡门常数0.41，α是查诺克常数，g是重力加速度，z表示距离海表高度，U表示z高度处的风速。
在一个实施例中，所述推理出所述人工神经网络的网络参数，包括：
推理出输入层神经元、隐藏层神经元和输出层神经元各自对应的网络参数，所述人工神经网络的网络参数包括输入层神经元网络参数、隐藏层神经元网络参数和输出层神经元网络参数，公式如下：
在一个实施例中，所述通过人工神经网络分析地理模型函数中的风速参数，还包括：
在上述公式中，符号是标准化雷达后向散射截面，符号/>是雷达视角与风向之间的相对方位角，符号p为常数参数，符号/>，/>，/>是风速与入射角的函数，所述风速与入射角的函数中包含所述风速参数。
根据本发明的第二方面，提供一种根据合成孔径雷达反演海表风速的装置，包括：
获取模块，用于获取合成孔径雷达监测到的标准化雷达后向散射截面；
分析模块，用于通过人工神经网络分析地理模型函数中的风速参数；
反演模块，用于将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
在一个实施例中，所述获取模块、所述分析模块和所述反演模块被控制执行上述的任一种根据合成孔径雷达反演海表风速的方法。
根据本发明的第三方面，提供一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现上述的任一种根据合成孔径雷达反演海表风速的方法。
根据本发明的第四方面，提供一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述的任一种根据合成孔径雷达反演海表风速的方法。
综上所述，本发明提供一种根据合成孔径雷达反演海表风速的方法及装置，该方法包括：获取合成孔径雷达监测到的标准化雷达后向散射截面；通过人工神经网络分析地理模型函数中的风速参数；将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。通过本申请中的技术方案可人工神经网络推导出地理模型函数中的风速参数，从而大大简化了通过标准化雷达后向散射截面直接计算海表风速的计算难度和计算量，从而可快速便捷的反演出海表风速。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明的实施例提供的一种根据合成孔径雷达反演海表风速的方法的流程图；
图2为本发明的实施例提供的一种根据合成孔径雷达反演海表风速的步骤S12方法的流程图；
图3为本发明的实施例提供的一种根据合成孔径雷达反演海表风速的步骤S22方法的流程图；
图4为本发明的实施例提供的一种根据合成孔径雷达反演海表风速的装置的结构图；
图5为本发明的实施例提供的一种电子设备的结构图；
图6为本发明的实施例提供的神经网络结构的示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示，本发明提供了一种根据合成孔径雷达反演海表风速的方，该方法包括：
在步骤S11中，获取合成孔径雷达监测到的标准化雷达后向散射截面；
在步骤S12中，通过人工神经网络分析地理模型函数中的风速参数；
在步骤S13中，将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
在一个实施例中，合成孔径雷达（SAR，Synthetic Aperture Radar，SAR）是一种雷达技术，通过将雷达传感器在运动中的多个位置的回波数据组合在一起，以创建高分辨率的雷达图像。这种技术通常用于地球观测、军事应用和环境监测等领域。SAR具备高分辨率图像： SAR 可以提供高分辨率的地表图像，具有在不同地形和气象条件下进行观测的能力。这使其在地球观测、地形测绘和环境监测中得到广泛应用。SAR具备独立于天气条件：与光学遥感不同，SAR的操作不受天气条件的影响。它可以在云层下观测，因此在气象恶劣的条件下也能提供可靠的数据。SAR具备运动模糊校正：SAR在运动时会收集多个位置的雷达数据，利用这些数据进行处理，可以校正运动模糊，提高图像质量。SAR具备地表变形监测：SAR在监测地壳运动、地表沉降和地震活动方面具有重要作用。它可以用于监测城市的沉降、地震引起的地表变形等。
标准化雷达后向散射截面是指目标表面向雷达系统散射的信号相对于入射信号的强度比。它是衡量目标表面反射性质的一个重要参数。其包含了目标表面的特征信息，这包括目标的形状、材料、粗糙度等。通过分析后向散射信号，可以获取有关目标的物理特性，其极化表示在雷达信号传播过程中电磁波的振动方向。SAR 系统通常使用不同极化的雷达信号来获取目标的更多信息，例如，水平极化和垂直极化。
目前通过SAR数据获取海表风场的途径，是通过地球物理模型函数（CMOD），将基于海浪的后向散射信号反演为海表风速。C波段合成孔径雷达是目前发射较早、具备较长历史数据、覆盖区域范围较广且研究应用较多的SAR数据，也是未来海上风电项目风资源评估的主流应用数据。但目前C波段SAR数据海面风速反演仍存在如下问题：
反演使用的地球物理模型函数较为复杂，计算成本高，该函数是将海面风速与后向散射信号的振幅、海面上的微表面相对于卫星方位角的方向以及测量的入射角等多种因素联系起来。
地球物理模型经验函数的关系建立，是基于海表风场与散射计卫星的测量，而非SAR卫星的测量，由于涉及大量参数，以及SAR和散射计之间的分辨率和校准方面的差异，偏差仍然存在。
SAR反演的海面风场是所谓的“中性”风，即反演方法前提假定大气为“中性”状态，即海水温度接近空气温度，不会影响上升气流或者下沉气流的情况。但真实大气可能处于稳定或者不稳定度状态，而非永远中性。
针对以上问题，提出基于神经网络技术对C波段SAR海面风速反演的方法，该神经网络的构成如图6所示，可以更为快速地进行风速反演，反演的海表风速更好地考虑可能存在的潜在偏差，并可以考虑更多的环境因素，更好地适应不同现场情况而反演出更为准确的真实风速。
雷达传感器对海表粗糙度非常敏感，通过使用经验地理模型函数（GMF），基于SAR测量的标准化雷达后向散射截面（），可以反演提供距离海表10m高度的风速。C波段的地理模型函数是海表粗糙度、入射角、偏振（极化）以及雷达视角与风向之间的相对方位角的函数。高阶谐波项：是指在一个周期性函数的傅里叶系列展开中，频率高于基本频率的部分。周期性函数可以通过一系列正弦和余弦函数（谐波）的叠加来表示，这些叠加的正弦和余弦函数有不同的频率，频率是基频的整数倍。在傅里叶分析中，任何周期函数或周期信号都可以分解为一系列的谐波，每个谐波对应于傅里叶级数中的一个项。基频或第一谐波对应于信号的主要周期成分，而所有更高频率的谐波（即第二谐波、第三谐波等）被统称为“高阶谐波”。这些高阶谐波项通常贡献了信号的细节和复杂性，大多数情况下它们的振幅会随着频率的增加而减小。
标准化雷达后向散射截面（NRCS ，Normalized Radar Cross Section）是量化目标在雷达探测中反射回波强度的一个重要参数。在雷达物理学中，雷达截面（RCS ，RadarCross Section）是一个衡量目标反射雷达波能力的面积单位。更具体来说，RCS是一个虚构的面积，其大小是使得一块等于这个虚构的面积的完美反射体在相同的条件下（距离、方向、极化等）反射回的功率等于实际目标反射回的功率。简而言之，RCS就是一个与目标的能量散射特性有关的面积度量。而“标准化”指的是RCS的归一化处理。具体来说是指实际雷达截面和目标散射体所在位置的距离平方的比标准化处理是因为雷达信号的功率会随着波传播的距离衰减，而且衰减的规律遵循平方反比定律，即功率与距离平方成反比。通过标准化，可以从测量值中剔除距离引入的变化，得到一个与距离无关，只与目标自身属性有关的量。
主导的风速依赖关系是由B0项捕获的。风向依赖关系由B1和B2描述。B2项描述了迎风-侧风方向的不对称性，并被用来确定风的流动方向，而B1项描述了迎风-背风方向的差异。
在上述公式中，符号是标准化雷达后向散射截面，符号/>是雷达视角与风向之间的相对方位角，符号p为常数参数，通常取1.6，以此避免高阶谐波项，符号/>，/>，/>是风速与入射角的函数，所述风速与入射角的函数中包含所述风速参数。
由于风矢量与雷达信号之间的物理关系不容易理解，因此应该使用不同的参考风流数据源对GMF中的参数进行回归，例如来自浮标网络的实际测量数据。正是由于GMF是非线性传递函数，导致了复杂的反演问题，这进一步增加了应用GMF进行SAR风速反演的难度。这种非线性回归问题可以使用神经网络技术进行解决。通过使用神经网络技术可以获得一种从未校准的SAR图像中反演风速的直接方法。
本实施例中的技术方案获取合成孔径雷达监测到的标准化雷达后向散射截面，通过人工神经网络分析地理模型函数中的风速参数；将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。可得到海上高分辨率海上风资源图谱，更好地体现海上风流场的空间变化与分布，降低了发电量计算的不确定性。
在一个实施例中，如图2所示，还包括如下步骤S21-S22：
在步骤S21中，设计出由两层隐藏层的神经网络、输入成和输出层构成所述人工神经网络；
在步骤S22中，将输入层的数据和输出层的数据代入所述人工神经网络，推理出所述人工神经网络的网络参数。
在一个实施例中，人工神经网络由输入层、输出层以及介于两者之间的一个或多个隐藏层组成。采用2个隐藏层的神经网络，每个隐藏层有30个神经元，为进一步简化计算，使用浅层且相对较宽的神经网络结构。输入特征包括：标准化雷达后向散射截面（）（单位：dB），入射角（单位：度），风向（单位：0-360度），雷达方位角（单位：0-360度），Monin-Obukhov长度（单位：米），Monin-Obukhov 长度是描述大气近地层稳定度的一个重要参量，以苏联科学家安德烈·莫宁（Andrei Monin）和阿明·奥布霍夫（A. M. Obukhov）的名字命名。它是大气边界层（ABL，Atmospheric Boundary Layer）动力学和热力学特性的一个基本尺度，用于定量表达湍流流动中动能和浮力（因温度差异引起的密度差异导致的力）的相对重要性，空气温度（单位：摄氏度）。输出层只有一个神经元作为目标，距离海表10m高度风速。
人工神经网络通常可以写成一个从输入x到带参数的/>这样的近似函数。每层中的每个神经元计算其前一层所有输出的加权和（具有不同权重的w和偏差b），并使用非线性激活函数对它们进行变换。
输入层神经元：
隐藏层神经元，在人工神经网络中，"隐藏层神经元"指的是构成神经网络中间层的神经元，这些神经元既不属于输入层，也不属于输出层。它们是神经网络内部的组成元素，作为非输入数据，也不直接输出到环境，因而被称为"隐藏"。隐藏层神经元的主要作用是从输入数据中抽象出更复杂的特征。简单来说，它们可以从输入数据中提取出不同级别、不同组合的特性，并将这些特性传递给输出层，从而执行分类、回归或其他更复杂的任务。隐藏层神经元之间的连接权重（以及它们的激活函数）决定了网络如何将输入转化为输出。
针对给定的人工神经网络，优化目标是找到一个值值，产生训练集 Tr 中所有数据的最佳函数近似。本方法中最小化的代价函数J是神经网络的输出结果/>与训练数据之间的均方误差，在机器学习和深度学习中，优化神经网络的标准操作。当训练神经网络时，常常需要一个衡量标准（也称为目标函数或损失函数）来评估网络性能的好坏。这里提到的代价函数就是这样一个衡量标准，用于计算神经网络的输出-预测值和实际训练数据的输出-真实值，之间的差异。最小化代价函数的具体含义指的是通过优化算法（比如梯度下降法）调整网络中的权重和偏差参数，使得代价函数的值尽可能小。在本专利中提到的代价函数是均方误差。该代价函数常用于回归问题，其中预测的连续值需要尽可能接近实际值。最小化这个代价函数意味着使预测结果在统计平均意义上尽量接近于真实结果，即减小模型的预测误差，提高模型的准确性。目标可以写为：
在一个实施例中，如图3所示，还包括如下步骤S31-S32：
在步骤S31中,在输入层，将标准化雷达后向散射截面、入射角、风向、雷达方位角和莫宁长度和空气温度代入到所述人工神经网络;
在步骤S32中,在输出层，将第一海表风速代入所述人工神经网络。
在一个实施例中，训练数据集来自于全球浮标测量网络，该浮标测量的海表风速通常为距离海表4m高度，为最终得到距离海表10m高度的反演风速，需要将浮标测量的海表风速通过相关的方法垂直外推到距离海表10m高度，所述第一海表风速可通过已知的第二海表风速转化得出，得出的具体公式如下：
。
u*表示摩擦风速，k是冯卡门常数0.41，α是查诺克常数，g是重力加速度，z表示距离海表高度，U表示z高度处的风速。
通过贝叶斯正则化方法来优化人工神经网络参数，人工神经网络参数包括标准化雷达后向散射截面、入射角、风向、雷达方位角、Monin-Obukhov长度和空气温度任一者或多者，贝叶斯正则化算法为代价函数J增加了一定程度的平滑度，以防止数据过拟合。由于贝叶斯正则化不需要显式交叉验证子集，因此数据分为训练集和测试集。
在一个实施例中，图4是根据一示例性实施例示出的一种根据合成孔径雷达反演海表风速的装置框图。如图4示，该装置包括获取模块41、分析模块42和反演模块43。
该获取模块41，用于获取合成孔径雷达监测到的标准化雷达后向散射截面；
该分析模块42，用于通过人工神经网络分析地理模型函数中的风速参数；
该反演模块43，用于将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
该一种根据合成孔径雷达反演海表风速的装置框图所包含的该获取模块41、该分析模块42和该反演模块43被控制执行上述任一实施例中所阐述的根据合成孔径雷达反演海表风速的方法。
如图5所示，本发明提供了一种电子设备500，电子设备包括：处理器501以及存储有计算机程序指令的存储器502；
处理器501执行计算机程序指令时获取合成孔径雷达监测到的标准化雷达后向散射截面；通过人工神经网络分析地理模型函数中的风速参数；将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时获取合成孔径雷达监测到的标准化雷达后向散射截面；通过人工神经网络分析地理模型函数中的风速参数；将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
应理解，本文中前述关于本发明的方法所描述的具体特征、操作和细节也可类似地应用于本发明的装置和系统，或者，反之亦然。另外，上文描述的本发明的方法的每个步骤可由本发明的装置或系统的相应部件或单元执行。
应理解，本发明的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。各模块/单元各自可以硬件或固件形式内嵌于计算机设备的处理器中或独立于处理器，也可以软件形式存储于计算机设备的存储器中以供处理器调用来执行各模块/单元的操作。各模块/单元各自可以实现为独立的部件或模块，或者两个或更多个模块/单元可实现为单个部件或模块。
在一个实施例中，提供了一种计算机设备，其包括存储器和处理器，存储器上存储有可由处理器执行的计算机指令，计算机指令在由处理器执行时指示处理器执行本发明的实施例的方法的各步骤。该计算机设备可以广义地为服务器、终端，或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中，该计算机设备可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
本发明可以实现为一种计算机可读存储介质，其上存储有计算机程序，计算机程序在由处理器执行时导致本发明实施例的方法的步骤被执行。在一个实施例中，计算机程序被分布在网络耦合的多个计算机设备或处理器上，以使得计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作，或者两个或更多个方法步骤/操作，可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行，并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作，或执行两个或更多个方法步骤/操作。
本领域普通技术人员可以理解，本发明的方法步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成，计算机程序可存储于非暂时性计算机可读存储介质中，该计算机程序被执行时导致本发明的步骤被执行。根据情况，本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器（RAM）、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述，但这些技术特征的任何组合都应当被认为由本说明书涵盖，只要这样的组合不存在矛盾。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种根据合成孔径雷达反演海表风速的方法，其特征在于，包括：
获取合成孔径雷达监测到的标准化雷达后向散射截面；
通过人工神经网络分析地理模型函数中的风速参数；
将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
2.如权利要求1所述的方法，其特征在于，所述通过人工神经网络来分析地理模型函数中的风速参数，包括：
设计出由两层隐藏层的神经网络、输入成和输出层构成所述人工神经网络；
将输入层的数据和输出层的数据代入所述人工神经网络，推理出所述人工神经网络的网络参数。
3.如权利要求2所述的方法，其特征在于，所述将输入层的数据和输出层的数据代入所述人工神经网络，包括：
在输入层，将标准化雷达后向散射截面、入射角、风向、雷达方位角和莫宁长度和空气温度代入到所述人工神经网络；
在输出层，将第一海表风速代入所述人工神经网络。
4.如权利要求3所述的方法，其特征在于，
第一高度海表风速可通过已知的第二海表风速转化得出，得出的具体公式如下：
；。
u*表示摩擦风速，k是冯卡门常数0.41，α是查诺克常数，g是重力加速度，z表示距离海表高度，U表示z高度处的风速。
5.如权利要求2所述的方法，其特征在于，所述推理出所述人工神经网络的网络参数，包括：
推理出输入层神经元、隐藏层神经元和输出层神经元各自对应的网络参数，所述人工神经网络的网络参数包括输入层神经元网络参数、隐藏层神经元网络参数和输出层神经元网络参数，公式如下：
6.如权利要求1所述的方法，其特征在于，所述通过人工神经网络分析地理模型函数中的风速参数，还包括：
在上述公式中，符号是标准化雷达后向散射截面，符号/>是雷达视角与风向之间的相对方位角，符号p为常数参数，符号/>，/>，/>是风速与入射角的函数，所述风速与入射角的函数中包含所述风速参数。
7.一种根据合成孔径雷达反演海表风速的装置，其特征在于，包括：
获取模块，用于获取合成孔径雷达监测到的标准化雷达后向散射截面；
分析模块，用于通过人工神经网络分析地理模型函数中的风速参数；
反演模块，用于将所述后向散射截面代入到已经确定出风速参数的地理模型函数中，反演出第一海表风速。
8.如权利要求7所述的装置，其特征在于：所述获取模块、所述分析模块和所述反演模块被控制执行权利要求1-6任一项所述的根据合成孔径雷达反演海表风速的方法。
9.一种计算设备，其特征在于，包括：
通信接口，处理器，存储器；
其中，所述存储器用于存储程序指令，所述程序指令当被所述处理器执行时使得所述计算设备实现权利要求1至6任一所述的根据合成孔径雷达反演海表风速的方法。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令当被计算机执行时使得所述计算机实现权利要求1至6任一所述的根据合成孔径雷达反演海表风速的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121034.XA CN117849797A (zh) | 2024-01-29 | 2024-01-29 | 根据合成孔径雷达反演海表风速方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410121034.XA CN117849797A (zh) | 2024-01-29 | 2024-01-29 | 根据合成孔径雷达反演海表风速方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117849797A true CN117849797A (zh) | 2024-04-09 |
Family
ID=90546311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410121034.XA Pending CN117849797A (zh) | 2024-01-29 | 2024-01-29 | 根据合成孔径雷达反演海表风速方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117849797A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548414A (zh) * | 2016-11-11 | 2017-03-29 | 中国能源建设集团江苏省电力设计院有限公司 | 一种海上风电场发电量计算方法 |
| CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
| CN113219466A (zh) * | 2021-05-13 | 2021-08-06 | 国家卫星海洋应用中心 | 海面的风速确定方法、装置、电子设备及存储介质 |
-
2024
- 2024-01-29 CN CN202410121034.XA patent/CN117849797A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106548414A (zh) * | 2016-11-11 | 2017-03-29 | 中国能源建设集团江苏省电力设计院有限公司 | 一种海上风电场发电量计算方法 |
| CN107748360A (zh) * | 2017-09-05 | 2018-03-02 | 浙江海洋大学 | 海表风场反演方法及装置 |
| CN113219466A (zh) * | 2021-05-13 | 2021-08-06 | 国家卫星海洋应用中心 | 海面的风速确定方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PENG YU 等: "A Neural Network Method for Retrieving Sea Surface Wind Speed for C-Band SAR", 《REMOTE SENSING》, 8 May 2022 (2022-05-08), pages 1 - 16 * |
| 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》, no. 02, 15 April 2020 (2020-04-15), pages 35 - 42 * |
| 陈克海 等: "人工神经网络在星载散射计海面风场反演建模中的应用", 《北京大学学报(自然科学版)》, vol. 43, no. 04, 20 July 2007 (2007-07-20), pages 460 - 467 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lindskog et al. | Doppler radar wind data assimilation with HIRLAM 3DVAR | |
| Dankert et al. | A marine radar wind sensor | |
| Shen et al. | Wind-speed inversion from HF radar first-order backscatter signal | |
| Vicen-Bueno et al. | Real-time ocean wind vector retrieval from marine radar image sequences acquired at grazing angle | |
| Aitken et al. | Utility-scale wind turbine wake characterization using nacelle-based long-range scanning lidar | |
| Qi et al. | Phase-resolved wave field simulation calibration of sea surface reconstruction using noncoherent marine radar | |
| Giangregorio et al. | Stochastic modeling and simulation of delay–Doppler maps in GNSS-R over the ocean | |
| CN114966899B (zh) | 一种基于多源多元遥感技术协同的区域能见度预测方法 | |
| Xie et al. | Measuring ocean surface wind field using shipborne high-frequency surface wave radar | |
| Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
| Chen et al. | Parameterization of wind evolution using lidar | |
| Hamada et al. | Optimization of the cross-correlation algorithm for two-component wind field estimation from single aerosol lidar data and comparison with Doppler lidar | |
| Wang et al. | Prediction of over-the-horizon electromagnetic wave propagation in evaporation ducts based on the gated recurrent unit network model | |
| Cherukuru et al. | 2D VAR single Doppler lidar vector retrieval and its application in offshore wind energy | |
| Ran et al. | Precipitation cloud identification based on faster-RCNN for Doppler weather radar | |
| Beaucage et al. | Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach | |
| CN115184916A (zh) | 一种海面风速联合反演方法、装置、介质及计算设备 | |
| Park et al. | Estimation of significant wave heights from X-band radar using artificial neural network | |
| CN117849797A (zh) | 根据合成孔径雷达反演海表风速方法及装置 | |
| Tournadre et al. | High-resolution imaging of the ocean surface backscatter by inversion of altimeter waveforms | |
| CN113325418B (zh) | 基于合成孔径雷达的降雨反演方法 | |
| Short et al. | Objectively diagnosing characteristics of mesoscale organization from radar reflectivity and ambient winds | |
| Monaldo et al. | Ocean wind field mapping from synthetic aperture radar and its application to research and applied problems | |
| Wan et al. | Azimuth cutoff compensation method for SAR wave observation based on multiview wave spectrum data fusion | |
| Lamer et al. | Evaluation of gridded scanning ARM cloud radar reflectivity observations and vertical doppler velocity retrievals |
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 |