基于物理关联深度学习的海浪浪高预测方法

精确的海浪有效波高(简称浪高)预测对于海上生产生活具有重要意义。针对现有海浪浪高预测模型对不同海洋要素间关联信息考虑不足,以及长时序浪高数据本身存在非平稳性的问题,本文设计了一种考虑物理约束与差值约束的海浪浪高时间序列预测方法。该方法基于风速与浪高之间的物理关联,设计物理约束,并通过提取差分信息设计差值约束,结合现有基于深度学习的时间序列预测模型,实现浪高预测。采用黄海和东海的6个不同站点浮标数据进行了大量实验。实验结果表明,本文提出的方法可以利用海洋要素间的物理关联,有效提高浪高预测精度,并避免因不同要素间融合造成的信息间干扰;同时,利用差值约束,限制时间序列预测结果的变动范围。本文方法可以与不同类型的时间序列预测模型相结合,显著提升原有模型的性能,并在长时间序列的预测中体现出很好的鲁棒性,为海洋要素预测中物理与数据驱动模型的有效结合提供了思路和验证。

基于SIFT二次匹配方法的同名像点识别

将尺度不变特征变换(SIFT)二次匹配方法用于IRS-P5立体像对的同名像点识别。引入全局几何约束与唯一性约束,剔除误匹配,获取用于初始定位的匹配样本,完成初始匹配。根据初始定位点,获取小区域子图像,在小区域内调整SIFT匹配阈值,在唯一性约束基础上,引入偏移坐标差值约束,完成二次匹配。通过实验验证,相比于将SIFT算法直接应用于遥感影像同名像点识别,SIFT特征二次匹配算法在严格阈值下,匹配对数可增长23.07倍,可获取更密集可靠的同名像点。