基于多层感知器和SAR参数的海浪有效波高反演方法

本文在分析雷达海面图像的多个参数与海浪有效波高相关性的基础上,应用哨兵1A卫星Level-2 SAR数据中的后向散射系数、图像强度归一化方差、截止波长、主波波长、主波波向、图像偏度和峰度参数提出了基于多层感知器(MLP)的海浪有效波高反演方法。详细讨论了输入参数组合不同时,MLP模型反演的整体海浪有效波高(SWH)、风浪有效波高(SWH_(WW))和涌浪有效波高(SWH_(S))的精度。针对极端海况下数据较少导致模型产生的系统偏差,文中采用校正函数减小该误差,从而增强了模型的适用性。与欧洲中期天气预报中心(ECMWF)和Jason3卫星提供的整体海浪有效波高数据进行对比,本文方法所得结果的均方根误差分别为0.471和0.535 m,相关系数为0.923和0.922。与ECMWF提供的风浪和涌浪有效波高相比,本文方法反演所得风浪和涌浪有效波高的均方根误差分别为0.534和0.512 m,相关系数分别为0.898和0.815。

基于EMD分解的海浪有效波高短期预测研究

海浪与人类的海上活动密切相关,其在航海运输、海洋开发、防灾减灾等领域中具有重要地位。海浪预报,尤其是海浪有效波高的预报一直是海洋研究的重点。由于海浪具有很多的随机特性和不确定因素,海浪预报的准确度依然是目前要解决的关键问题。本文深入研究了渤海海浪数据,拟采用基于经验模式分解(EMD)和支持向量回归模型(SVR)联合的混合模型进行短期海浪有效波高预测。经验模式分解能够自适应地将非平稳时间序列分解为频率由高到低的一系列本征模函数(Intrinsic Mode Function, IMF)和残差,然后根据本征模函数各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,接着对各预测分量进行加权组合,得到原始序列的准确预测值。渤海2012年的海浪有效波高短期预测实验表明,基于经验模式分解(EMD)和支持向量回归模型(SVR)联合的混合模型预测结果比单一的支持向量回归模型预测结果更准确。

深度学习方法在海浪有效波高数据高分辨率处理中的应用

本文基于欧洲中期天气预报中心的有效波高数据,运用传统的双三次插值(Bicubic interpolation)、克里金插值(Kriging interpolation)以及两种改进的超分辨率卷积神经网络(Super-Resolution CNN,简称SRCNN)进行高分辨率处理,使用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、均方根误差(Root-Mean-Square Error,RMSE)、结构相似度(Structural Similarity,SSIM)、余弦相似性(Cosine Similarity)等评价指标比较了各种方法的高分辨率处理效果,并分析了每种方法的误差分布特点。结果表明,改进的SRCNN方法(SRCNN_2)是一种在整体效果、局部细节和计算效率方面均比较优秀的高分辨率处理方法,是深度学习方法在海洋数据高分辨率处理问题上一次成功的应用,但改进的SRCNN方法在近岸有效波高数据的处理效果方面还有待提高。