CN117969881A - 基于遥感数据反演台风海况海面风速的方法、装置及介质 - Google Patents
基于遥感数据反演台风海况海面风速的方法、装置及介质 Download PDFInfo
- Publication number
- CN117969881A CN117969881A CN202410371078.8A CN202410371078A CN117969881A CN 117969881 A CN117969881 A CN 117969881A CN 202410371078 A CN202410371078 A CN 202410371078A CN 117969881 A CN117969881 A CN 117969881A
- Authority
- CN
- China
- Prior art keywords
- data
- typhoon
- wind speed
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000010287 polarization Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 238000003908 quality control method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005388 cross polarization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
基于遥感数据反演台风海况海面风速的方法、装置及介质,涉及电数字数据处理技术领域,方法包括根据哨兵一号台风双极化合成孔径雷达图像和ERA5再分析数据,进行预处理,得到VV极化数据、VH极化数据、雷达入射角数据,由这三种数据合成训练样本,构建训练数据集;使用数据集训练基于DenseNet的反演模型直至其收敛,得到训练好反演模型;将待反演的数据输入训练好的模型,得到台风海况下海面风速。装置和介质是为了实现该方法而设置的计算机结构或存储介质。本发明可显著提高台风海况海面风速反演精度,不需要输入风向信息,提高了便利性,避免了风向误差导致的精度误差。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及基于遥感数据反演台风海况海面风速的方法、装置及介质。
背景技术
海面风速是海洋环境和气象系统中的重要组成部分,是海气交互界面的重要物理参数之一,与海洋中的海水运动紧密相关,对海洋环流、波浪生成、气候模式和气候变化等方面具有重要影响。准确地获取海面风速信息,在气候与气象研究方面有助于更好地理解和模拟大气和海洋之间的相互作用,推进气候与气象科学的发展;在水文与海洋学研究方面有助于提高海洋资源管理、海洋灾害预警、海洋环境保护能力;在海洋工程与航海安全方面有助于规划和设计海洋工程项目、提高航海安全性、优化航线规划和船舶操作;在军事与国防方面有助于军事行动规划、提高海上作战效能和国防能力。
对于海面风速的测量,传统手段有舰船观测、飞机观测、浮标观测和高空探测等,这些方法均无法实现海面风速的大范围观测。随着卫星遥感技术的快速发展,星载主动及被动微波传感器已成为观测海面风速的主要手段。散射计和星载SAR是常用的观测海面风速的卫星遥感手段,可以实现大范围观测。散射计利用不同的方位角对同一海面单元进行多次观测, 根据最大似然估计法建立基于地球物理模型函数(geophysical modelfunction,GMF)的代价函数, 获取可能的风速、风向组合, 筛选出最优解。但散射计的空间分辨率较低,且近岸风场反演精度较差。星载SAR能够实现全天时、全天候的观测,通过合成孔径技术和脉冲压缩技术来分别实现方位向和距离向的高分辨率,可以弥补散射计的不足,具有广阔的应用前景。
目前,星载SAR反演海面风速的方法主要有两类,分别为传统方法和BP神经网络方法。传统方法基于GMF,与后向散射系数、雷达入射角、风向有关。后向散射系数和雷达入射角信息可以通过SAR图像得到,但风向信息需要从外部获取,输入风向的精度会影响风速反演的精度,且通常需要较复杂的计算和复杂的模型参数选择,受限于模型的参数选择,GMF不适用于特定的海洋环境或气象条件。对于BP神经网络模型,通常需要海量的数据量才能反演出高精度的复杂海洋环境或气象条件下的海面风速,但其拟合能力有限,特别是在复杂的海洋环境和气象条件下,通常还需要外部风向的输入或海量的训练数据才能获得较高精度结果。
综上,无论是传统方法和BP神经网络模型,在面对复杂的海洋环境和气象条件时,均需要输入风向信息,而风向信息输入不准确会极大影响风速反演的精度。另外,目前已有的海面风速反演方法无法有效结合单极化和交叉极化信息,且无法对复杂海洋环境或气象条件下的海面风速实现更高精度(均方根差小于2m/s)的反演。
发明内容
本发明提供了基于遥感数据反演台风海况海面风速的方法、装置及介质,本发明训练所用数据集以台风海况下海面风场SAR图像为单位,每幅SAR图像覆盖了台风海况下的区域,整个数据集覆盖了多个大洋区域,跨越了长时间间隔,泛化能力大大提高,且有效结合了单极化和交叉极化信息,弥补了已有海面风速反演方法的不足,实现了复杂海洋环境或气象条件下高精度(均方根差小于1.5m/s)海面风速反演,为台风海况下海面风速的反演提供了新的思路和科学认识。另外,本发明具有较强拟合能力、仅需少量数据就能在复杂海洋环境或气象条件下直接从后向散射数据和雷达入射角数据中获取高精度风速信息。
为实现上述目的,本发明的技术方案是:
基于遥感数据反演台风海况海面风速的方法,所述的方法采用基于DenseNet的反演模型,在不使用外部输入风向的情况下,进行海面风速反演,包括以下步骤:
(1)获取Sentinel-1双极化台风SAR图像,对Sentinel-1双极化台风SAR图像进行辐射定标、去除热噪声、下采样和裁剪预处理;
(2)采用ERA5再分析数据与裁剪后的Sentinel-1台风双极化台风SAR图像进行时空匹配,由ERA5再分析数据求得风速值,将风速值/>作为台风SAR图像的标签,并进行质量控制,建立训练所需数据集,获得基于DenseNet的反演模型;
(3)基于DenseNet的反演模型验证:由ERA5再分析数据求得的风速和NDBC浮标数据匹配测试评估;
(4)使用数据集训练基于DenseNet的反演模型直至收敛,得到训练好的基于DenseNet的反演模型;
(5)将待反演数据输入训练好的基于DenseNet的反演模型,反演得到台风海况下海面风速。
优选的,所述的步骤(1)-(5)中,所述的台风SAR图像包括:哨兵一号卫星在干涉宽带模式下拍摄的双极化即VV极化和VH极化的地距多视图像。
优选的,所述的步骤(1)-(5)中,基于DenseNet的反演模型包括:在原有DenseNet模型基础上,在模型输出之前引入了dropout层,即放弃层,用以对输入向量应用放弃策略,以抑制过拟合;所述的DenseNet的反演模型中设有输入层、中间层和输出层;输入层用于提取样本特征,所述输入层采用“Conv+BN+ReLU+MaxPool”结构;其中,“Conv”代表卷积层,用来提取输入数据的特征信息;“BN”代表归一化层,用以对上层数据进行归一化处理,以加速模型训练;“ReLU”代表深度学习中的ReLU激活函数,用以引入非线性变换,使得模型用以学习和表示复杂的函数关系;“MaxPool”代表最大池化层,用以对输入的信息进行下采样,减小输入信息的尺寸,同时提取输入信息中最显著的特征;中间层,用于提取样本的更多维特征,所述中间层包括4个密集连接块(Dense Block)和3个过渡层(Transition Layer),所述密集连接块包括4个“BN+ReLU+Conv”结构,所述过渡层包括1个“Conv+AvgPool”结构;其中,“AvgPool”代表平均池化层,用以对输入的信息进行下采样,降低计算量,同时保留输入信息中的主要特征;输出层,用于得到经过输入层和中间层的输出结果,所述输出层采用“GAPool+ReLU+FC”结构;其中,“GAPool”代表全局平均池化层,用以将特征图的信息整合成一个全局向量;“FC”代表全连接层,用以对输入的信息进行线性和非线性变换。
优选的,所述的步骤(1)中,下采样和裁剪预处理,具体如下:下采样,将台风SAR图像分辨率降低至100m×100m,抑制小尺度的浪条纹特征,突出更大尺度的风条纹特征;裁剪:将台风SAR图像分割成若干大小为10km×10km子图像。
优选的,所述的步骤(2)中,将质量控制后得到的数据集分为训练集、验证集和测试集;其中,训练集是模型拟合的数据样本集合,用于训练模型;验证集是模型训练过程中单独留出的样本集,用于调整模型的超参数和对模型的能力进行初步评估;测试集是评估最终模型性能的样本集,用于测试训练好的模型的准确性。
优选的,所述的步骤(2)中,所述ERA5再分析数据与裁剪后的台风SAR图像进行时空匹配,具体如下:空间上,裁剪后的台风SAR图像与最相邻的四个ERA5数据网格点进行双线性插值;时间上,裁剪后的台风SAR图像与最相邻的两个ERA5数据时间点进行一次线性插值。
优选的,所述的步骤(2)中,所述质量控制为去除后向散射分布不均匀图像和包含陆地的图像。
优选的,所述的步骤(3)中,定义在30m/s以下的风速值是准确的;使用6935个NDBC浮标风速数据对ERA5风速进行评估。
优选的,所述的步骤(4)中,基于DenseNet的反演模型用以建立VV极化后向散射系数、VH极化后向散射系数/>、雷达入射角/>与海面风速之间的关系。
优选的,所述的步骤(5)中,待反演数据指对台风SAR图像预处理后得到的,对应每幅SAR子图像的VV极化后向散射数据、VH极化后向散射数据及雷达入射角数据。
实现基于遥感数据反演台风海况海面风速的方法的装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现基于遥感数据反演台风海况海面风速的方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现基于遥感数据反演台风海况海面风速的方法。
本发明基于遥感数据反演台风海况海面风速的方法、装置及介质具有如下有益效果:
(1)本发明通过Sentinel-1观测的台风海况下海面风场双极化SAR数据和ERA5(ECMWF Reanalysis 5,是由欧洲中期天气预报中心提供的1950年1月至今全球气候的第五代大气再分析数据集)再分析数据,建立台风海况下海面风速反演的新方法,并提供了相关的装置和存储介质,不需要海量数据就能反演出更高精度的海面风速;
(2)针对复杂海洋环境和气象条件下的海面风场,本发明首次提出基于DenseNet的台风海况下海面风速反演方法,解决了目前主要的海面风速反演方法均很难在没有外部风向的输入下得到高精度复杂海洋环境或气象条件下的海面风速的问题;本发明仅依靠VV极化(雷达垂直(V)发射信号垂直接收(V)信号的一种单极化方式)后向散射数据、VH极化(雷达垂直(V)发射信号水平接收(H)信号的一种交叉极化方式)后向散射数据和雷达入射角数据就能反演出高精度台风海况下海面风速,从而也克服了风向输入误差带来的风速反演精度低的问题;
(3)本发明基于DenseNet的反演模型通过卷积和特征传递,直接拟合两种极化散射数据、雷达入射角数据和风速之间的关系,得出海面风速,3种数据输入模型后的数据处理过程是由模型自动实现,可有效提高风速反演的效率。
附图说明
图1是本发明提出的基于遥感数据的反演台风海况下海面风速的方法的技术路线图。
图2是本发明实施例所使用训练集的数据分布情况。
图3是本发明实施例所使用验证集的数据分布情况。
图4是本发明实施例所使用测试集的数据分布情况。
图5是本发明实施例提供的DenseNet模型结构示意图。
图6是本发明实施例反演的台风海况下海面风速和ERA5风速的对比图。
图2-4中所使用数据集的风速分布范围为,所使用数据的数据结构为的数组,数组中的每一页分别对应大小为/>的VV极化后向散射系数数据/>、VH极化后向散射系数数据/>、雷达入射角数据/>;图6中的实线为回归线。
需要说明的是:以上附图均为示意图,不应以图中所绘出的比例关系理解本发明各个结构之间的大小比例,实际的大小比例根据需要设定。
具体实施方式
以下所述,是以阶梯递进的方式对本发明的实施方式详细说明,该说明仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本发明的描述中,需要说明的是,术语“上”“下”“左”“右”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1、本发明基于遥感数据反演台风海况海面风速的方法,如图1-6所示,所述的方法采用基于DenseNet的反演模型,在不使用外部输入风向的情况下,进行海面风速反演,包括以下步骤:
(1)获取Sentinel-1双极化台风SAR图像,对Sentinel-1双极化台风SAR图像进行辐射定标、去除热噪声、下采样和裁剪预处理;
(2)采用ERA5再分析数据与裁剪后的Sentinel-1台风双极化台风SAR图像进行时空匹配,由ERA5再分析数据求得风速值,将风速值/>作为台风SAR图像的标签,并进行质量控制,建立训练所需数据集,获得基于DenseNet的反演模型;
(3)基于DenseNet的反演模型验证:由ERA5再分析数据求得的风速和NDBC浮标数据匹配测试评估;
(4)使用数据集训练基于DenseNet的反演模型直至收敛,得到训练好的基于DenseNet的反演模型;
(5)将待反演数据输入训练好的基于DenseNet的反演模型,反演得到台风海况下海面风速。
实施例2、所述的步骤(1)-(5)中,所述的台风SAR图像包括:哨兵一号(Sentinel-1)卫星在干涉宽带(Interferometric wide swath,IW)模式下拍摄的双极化即VV极化和VH极化的地距多视(Ground range detected,GRD)图像。
实施例3、所述的步骤(1)-(5)中,基于DenseNet的反演模型包括:在原有DenseNet模型基础上,在模型输出之前引入了dropout层,即放弃层,用以对输入向量应用放弃策略,以抑制过拟合;所述的DenseNet的反演模型中设有输入层、中间层和输出层;输入层用于提取样本特征,所述输入层采用“Conv+BN+ReLU+MaxPool”结构;其中,“Conv”代表卷积层,用来提取输入数据的特征信息;“BN”代表归一化层,用以对上层数据进行归一化处理,以加速模型训练;“ReLU”代表深度学习中的ReLU激活函数,用以引入非线性变换,使得模型用以学习和表示复杂的函数关系;“MaxPool”代表最大池化层,用以对输入的信息进行下采样,减小输入信息的尺寸,同时提取输入信息中最显著的特征;中间层,用于提取样本的更多维特征,所述中间层包括4个密集连接块(Dense Block)和3个过渡层(Transition Layer),所述密集连接块包括4个“BN+ReLU+Conv”结构,所述过渡层包括1个“Conv+AvgPool”结构;其中,“AvgPool”代表平均池化层,用以对输入的信息进行下采样,降低计算量,同时保留输入信息中的主要特征;输出层,用于得到经过输入层和中间层的输出结果,所述输出层采用“GAPool+ReLU+FC”结构;其中,“GAPool”代表全局平均池化层,用以将特征图的信息整合成一个全局向量;“FC”代表全连接层,用以对输入的信息进行线性和非线性变换。
实施例4、所述的步骤(1)中,下采样和裁剪预处理,具体如下:下采样,将台风SAR图像分辨率降低至100m×100m,抑制小尺度的浪条纹特征,突出更大尺度的风条纹特征;裁剪:将台风SAR图像分割成若干大小为10km×10km子图像。
实施例5、所述的步骤(2)中,将质量控制后得到的数据集分为训练集、验证集和测试集;其中,训练集是模型拟合的数据样本集合,用于训练模型;验证集是模型训练过程中单独留出的样本集,用于调整模型的超参数和对模型的能力进行初步评估;测试集是评估最终模型性能的样本集,用于测试训练好的模型的准确性。
实施例6、所述的步骤(2)中,所述ERA5再分析数据与裁剪后的台风SAR图像进行时空匹配,具体如下:空间上,裁剪后的台风SAR图像与最相邻的四个ERA5数据网格点进行双线性插值;时间上,裁剪后的台风SAR图像与最相邻的两个ERA5数据时间点进行一次线性插值。
实施例7、所述的步骤(2)中,所述质量控制为去除后向散射分布不均匀图像和包含陆地的图像。
实施例8、所述的步骤(3)中,定义在30m/s以下的风速值是准确的;使用6935个NDBC浮标风速数据对ERA5风速进行评估,结果如图6所示,整体RMSE为1.1975m/s,相关度为0.9469,偏差为0.0702m/s。
实施例9、所述的步骤(4)中,基于DenseNet的反演模型用以建立VV极化后向散射系数、VH极化后向散射系数/>、雷达入射角/>与海面风速之间的关系。
实施例10、所述的步骤(5)中,待反演数据指对台风SAR图像预处理后得到的,对应每幅SAR子图像的VV极化后向散射数据、VH极化后向散射数据及雷达入射角数据。
实施例11、一种基于遥感数据的反演台风海况下海面风速的装置,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现基于遥感数据反演台风海况海面风速的方法。
实施例12、一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现基于遥感数据反演台风海况海面风速的方法。
实施例13、首先,获取Sentinel-1双极化SAR图像,并对SAR图像进行预处理:先根据下载的Sentinel-1文件中的noise数据,对SAR图像去除热噪声,再根据Sentinel-1文件中的用于辐射定标的数据,对SAR图像辐射定标。对定标后的SAR图像进行下采样,将分辨率降低至100m×100m。将下采样后的SAR图像按100像素×100像素的大小裁剪成若干子图像。本实施例中,由ASF DATA SEARCH数据网站下载Sentinel-1双极化SAR图像,所使用图像的地理覆盖区域分布如图1所示。
选择子图像提供的VV极化后向散射系数数据、VH极化后向散射系数数据/>、雷达入射角数据/>作为一组数据,将每一组数据分别集合至一个mat格式的文件中,作为一个大小为100×100×3的样本。将子图像与ERA5数据进行时空匹配,若匹配成功,则将根据ERA5经向风速数据和纬向风速数据求得的风速值作为样本的风速值标签,保存至对应的mat格式文件中。对匹配得到的数据集进行质量控制,去除包含陆地的子图像和后向散射分布不均匀的子图像对应的样本。
进一步将数据集根据标签按相似的分布,以8:1:1的比例随机划分为训练集、验证集和测试集,并使用零-均值(Z-Score)算法对三者做相同的归一化处理,从而使它们在训练过程中保持在相似的范围内:
(1)
式(1)中,为归一化前的样本值;/>为样本总体均值;/>为样本总体方差;/>为归一化后的样本值。
使用训练集训练如图2所示的DenseNet模型。模型的输入为具有3个通道的SAR后向散射空间特征数据,即VV极化后向散射系数、VH极化后向散射系数/>、雷达入射角;输出为单通道的风速数据。
利用MATLAB语言编写训练所用程序,为了使训练好的模型具有较强的泛化性能,采用如下设置:
1)采用合适的批大小(batch size,即每次输入模型的训练集中的一小部分数据大小)、和训练周期(epoch,即使用训练集所有数据对模型进行一次完整训练的过程);
2)对学习率调度采用分段衰减法,使训练过程能快速收敛,且不会陷入欠拟合(模型不能很好地学习到数据中的规律的一种现象),每经过若干轮训练,学习率就乘以一个指定的常数:
(2)
式(2)中,为当前学习率,/>为下一次衰减后的学习率,/>为衰减因子,满足/>;本实施例中选取的衰减因子为0.8,且每经过20轮训练学习率就衰减一次;
3)采用正则化方法对模型添加额外的约束来限制模型的复杂性,防止模型过度依赖训练数据,减少模型的过拟合(指模型对已知数据拟合预测得很好,但对未知数据拟合预测得很差的现象),提高模型的泛化能力。添加/>正则化后的损失函数公式如下:
(3)
式(3)中:表示权重,/>表示偏置。/>为未添加正则化的损失函数,为/>正则化算子;/>表示样本总量;/>表示训练值与目标值的差值;/>表示网络训练出的第/>个值;/>表示第/>个标签值;/>表示第/>个样本数据;/>表示正则化参数;表示2-范数;
4)比较不同的优化算法,如自适应矩估计算法(adaptive moment estimation,Adam)、均方根传播算法(root mean square propagation,Rmsprop)、随机梯度下降算法(stochastic gradient descent,Sgd)选用在数据集上性能最优的优化器来最小化损失函数;
5)采用提前停止策略来最小化过拟合. 当验证集的性能在连续20轮训练没有提升时,就停止网络训练。
使用训练集训练模型,待模型输出的损失函数值不再下降,而于某一相比初始损失函数很小的值附近波动时,则判定针对当前数据集,模型已达到收敛,即停止训练,表1展示了实施例的训练设置:
表1
初始学习率 | 0.0002 |
Batch size | 400 |
Epoch | 300 |
正则化参数 | 0.0001 |
优化算法 | Rmsprop |
利用MATLAB语言编写测试程序,将测试集输入训练好的模型,将模型输出的风速值与根据ERA5再分析数据得到的风速值对比,计算二者的均方根差(root mean squareerror,RMSE)、偏差(bias)、相关系数(correlation coefficient,COR),三者的计算方式如下:
(4)
(5)
(6)
式(4)-(6)中:表示模型输出结果中的第/>个值;/>表示用于测试的第个标签值;/>表示模型输出结果的平均值;/>表示用于测试的标签值的平均值;/>表示模型输出结果的方差;/>表示用于测试的标签值的方差;/>为测试集样本总数。
本实施例的各精度指标对比结果如图3所示;表2展示了实施例的相关反演指标。由于实施例中使用的中低风速样本较少,测试集的RMSE略高;但对于高风速,本发明的方法获取了高精度的反演结果;实施例测试集的整体反演精度达到了1.4507m/s,优于GMF和BP神经网络对风速反演RMSE在2m/s左右的要求,提升了台风海况下海面风速的预测精度:
表2
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.基于遥感数据反演台风海况海面风速的方法,其特征为:所述的方法采用基于DenseNet的反演模型,在不使用外部输入风向的情况下,进行海面风速反演,包括以下步骤:
(1)获取Sentinel-1双极化台风SAR图像,对Sentinel-1双极化台风SAR图像进行辐射定标、去除热噪声、下采样和裁剪预处理;
(2)采用ERA5再分析数据与裁剪后的Sentinel-1台风双极化台风SAR图像进行时空匹配,由ERA5再分析数据求得风速值,将风速值/>作为台风SAR图像的标签,并进行质量控制,建立训练所需数据集,获得基于DenseNet的反演模型;
(3)基于DenseNet的反演模型验证:由ERA5再分析数据求得的风速和NDBC浮标数据匹配测试评估;
(4)使用数据集训练基于DenseNet的反演模型直至收敛,得到训练好的基于DenseNet的反演模型;
(5)将待反演数据输入训练好的基于DenseNet的反演模型,反演得到台风海况下海面风速。
2.如权利要求1所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(1)-(5)中,所述的台风SAR图像包括:哨兵一号卫星在干涉宽带模式下拍摄的双极化即VV极化和VH极化的地距多视图像。
3.如权利要求2所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(1)-(5)中,基于DenseNet的反演模型包括:在原有DenseNet模型基础上,在模型输出之前引入了dropout层,即放弃层,用以对输入向量应用放弃策略,以抑制过拟合;所述的DenseNet的反演模型中设有输入层、中间层和输出层;输入层用于提取样本特征,所述输入层采用“Conv+BN+ReLU+MaxPool”结构;其中,“Conv”代表卷积层,用来提取输入数据的特征信息;“BN”代表归一化层,用以对上层数据进行归一化处理,以加速模型训练;“ReLU”代表深度学习中的ReLU激活函数,用以引入非线性变换,使得模型用以学习和表示复杂的函数关系;“MaxPool”代表最大池化层,用以对输入的信息进行下采样,减小输入信息的尺寸,同时提取输入信息中最显著的特征;中间层,用于提取样本的更多维特征,所述中间层包括4个密集连接块(Dense Block)和3个过渡层(Transition Layer),所述密集连接块包括4个“BN+ReLU+Conv”结构,所述过渡层包括1个“Conv+AvgPool”结构;其中,“AvgPool”代表平均池化层,用以对输入的信息进行下采样,降低计算量,同时保留输入信息中的主要特征;输出层,用于得到经过输入层和中间层的输出结果,所述输出层采用“GAPool+ReLU+FC”结构;其中,“GAPool”代表全局平均池化层,用以将特征图的信息整合成一个全局向量;“FC”代表全连接层,用以对输入的信息进行线性和非线性变换。
4.如权利要求3所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(1)中,下采样和裁剪预处理,具体如下:下采样,将台风SAR图像分辨率降低至100m×100m,抑制小尺度的浪条纹特征,突出更大尺度的风条纹特征;裁剪:将台风SAR图像分割成若干大小为10km×10km子图像。
5.如权利要求4所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(2)中,将质量控制后得到的数据集分为训练集、验证集和测试集;其中,训练集是模型拟合的数据样本集合,用于训练模型;验证集是模型训练过程中单独留出的样本集,用于调整模型的超参数和对模型的能力进行初步评估;测试集是评估最终模型性能的样本集,用于测试训练好的模型的准确性。
6.如权利要求5所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(2)中,所述ERA5再分析数据与裁剪后的台风SAR图像进行时空匹配,具体如下:空间上,裁剪后的台风SAR图像与最相邻的四个ERA5数据网格点进行双线性插值;时间上,裁剪后的台风SAR图像与最相邻的两个ERA5数据时间点进行一次线性插值。
7.如权利要求6所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(2)中,所述质量控制为去除后向散射分布不均匀图像和包含陆地的图像。
8.如权利要求7所述的基于遥感数据反演台风海况海面风速的方法,其特征为:所述的步骤(3)中,定义在30m/s以下的风速值是准确的;使用6935个NDBC浮标风速数据对ERA5风速进行评估;所述的步骤(4)中,基于DenseNet的反演模型用以建立VV极化后向散射系数、VH极化后向散射系数/>、雷达入射角/>与海面风速之间的关系;所述的步骤(5)中,待反演数据指对台风SAR图像预处理后得到的,对应每幅SAR子图像的VV极化后向散射数据、VH极化后向散射数据及雷达入射角数据。
9.实现基于遥感数据反演台风海况海面风速的方法的装置,其特征为:包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如权利要求1-8任一所述的基于遥感数据反演台风海况海面风速的方法。
10.一种计算机可读存储介质,其特征为:所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-8任一所述的基于遥感数据反演台风海况海面风速的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371078.8A CN117969881B (zh) | 2024-03-29 | 2024-03-29 | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371078.8A CN117969881B (zh) | 2024-03-29 | 2024-03-29 | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117969881A true CN117969881A (zh) | 2024-05-03 |
CN117969881B CN117969881B (zh) | 2024-06-25 |
Family
ID=90858445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410371078.8A Active CN117969881B (zh) | 2024-03-29 | 2024-03-29 | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117969881B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
JP2020118536A (ja) * | 2019-01-23 | 2020-08-06 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
CN111639746A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 |
CN111639747A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 |
CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
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 |
CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
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 |
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 |
CN114325697A (zh) * | 2021-11-30 | 2022-04-12 | 南京信息工程大学 | 一种考虑入射角的宽幅交叉极化sar影像热噪声提取方法 |
CN115097451A (zh) * | 2022-06-29 | 2022-09-23 | 中国石油大学(华东) | 一种基于sar卫星数据的海浪多参数反演方法及系统 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
CN116953708A (zh) * | 2023-07-31 | 2023-10-27 | 上海海洋大学 | 一种基于合成孔径雷达遥感图像的台风风场反演方法 |
-
2024
- 2024-03-29 CN CN202410371078.8A patent/CN117969881B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100717A (zh) * | 2018-06-11 | 2018-12-28 | 广州地理研究所 | 一种多源微波遥感海面风场数据融合方法及其装置 |
JP2020118536A (ja) * | 2019-01-23 | 2020-08-06 | 大成建設株式会社 | 風速分布推定装置及び風速分布推定方法 |
CN110378205A (zh) * | 2019-06-06 | 2019-10-25 | 西安电子科技大学 | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN111639746A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 |
CN111639747A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院国家空间科学中心 | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 |
CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
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 |
CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
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 |
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 |
CN114325697A (zh) * | 2021-11-30 | 2022-04-12 | 南京信息工程大学 | 一种考虑入射角的宽幅交叉极化sar影像热噪声提取方法 |
CN115097451A (zh) * | 2022-06-29 | 2022-09-23 | 中国石油大学(华东) | 一种基于sar卫星数据的海浪多参数反演方法及系统 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
CN116305967A (zh) * | 2023-03-23 | 2023-06-23 | 南开大学 | 基于卷积神经网络和多模态特征融合的海面风速反演方法 |
CN116953708A (zh) * | 2023-07-31 | 2023-10-27 | 上海海洋大学 | 一种基于合成孔径雷达遥感图像的台风风场反演方法 |
Non-Patent Citations (5)
Title |
---|
万剑华;刘杰;孟俊敏;范陈清;: "基于极化SAR数据的海浪信息反演", 海洋测绘, no. 03, 25 May 2016 (2016-05-25), pages 66 - 69 * |
张雷;石汉青;龙智勇;杜华栋;张子杨;: "星载合成孔径雷达图像反演海面风场方法综述", 海洋通报, no. 06, 15 December 2012 (2012-12-15), pages 119 - 126 * |
李达;李琳;李想;: "基于密集卷积网络(DenseNets)的遥感图像分类研究", 计算机时代, no. 10, 15 October 2018 (2018-10-15), pages 64 - 67 * |
王太勇;宫立明;王鹏;乔卉卉;任栋;: "基于KD-DenseNet的旋转机械故障诊断模型", 振动与冲击, no. 16, 25 August 2020 (2020-08-25), pages 44 - 50 * |
胡敏;况润元;王利花;周耀鑫;: "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 37 - 44 * |
Also Published As
Publication number | Publication date |
---|---|
CN117969881B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100717B (zh) | 一种多源微波遥感海面风场数据融合方法及其装置 | |
CN103698750A (zh) | 海洋二号卫星散射计海面风场反演方法和装置 | |
CN112014842B (zh) | 高分三号全极化sar数据的有效波高估计方法及系统 | |
CN112906300B (zh) | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 | |
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 | |
CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN110954860B (zh) | 一种doa和极化参数估计方法 | |
CN115062527A (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
CN114092794A (zh) | 一种海冰图像分类方法、系统、介质、设备及处理终端 | |
CN116310852A (zh) | 双时相遥感影像无监督分类与变化检测方法及系统 | |
Dai et al. | An efficient water segmentation method for SAR images | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN117969881B (zh) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 | |
Qiu et al. | Retrieval of sea ice drift from the central Arctic to the Fram Strait based on sequential Sentinel-1 SAR data | |
CN117148360A (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
Alatalo et al. | Improved difference images for change detection classifiers in SAR imagery using deep learning | |
CN115062770A (zh) | 基于广义仿生偏振光导航模型及求解的导航方法 | |
CN116184343A (zh) | 基于相控阵雷达的三维空间蜂群目标检测及信息估计方法 | |
CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
CN109871731A (zh) | 船舶检测的方法、装置及计算机存储介质 | |
CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
CN114219998A (zh) | 一种基于目标检测神经网络的声纳图像实时检测方法 | |
CN114529836A (zh) | 一种sar图像目标检测方法 | |
Husson et al. | Wind direction estimation and accuracy retrieval from sentinel-1 sar images under thermal and dynamical unstable conditions |
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 |