Calibration of Sentinel-1 SAR retrieved wind speed based on BP neural network model

  • NI Hanyue , 1, 2 ,
  • DONG Changming 3 ,
  • LIU Zhenbo 3 ,
  • YANG Jingsong , 1, 2, * ,
  • LI Xiaohui 2 ,
  • REN Lin 2
Expand
  • 1. School of Oceanography, Shanghai Jiao Tong University, Shanghai 200240, China
  • 2. Second Institute of Oceanography, MNR, State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China
  • 3. School of Marine Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China

Received date: 2023-12-26

  Revised date: 2024-03-26

  Online published: 2024-11-25

Abstract

An accuracy analysis of wind speed data retrieved from Sentinel-1 synthetic aperture radar (SAR) was conducted based on buoy observations from the National Data Buoy Center (NDBC). A back propagation (BP) neural network was utilized to correct the deviation in the SAR-derived wind speeds. Sensitivity experiments were designed for environmental factors, the number of training samples for BP neural network input, and neural network structure parameters. Finally, the SAR wind field data were converted into u and v vector wind data, and the accuracy analysis and correction were performed separately for u and v wind components. The experiment finds that the SAR-derived wind speed is underestimated compared to the buoy data. After calibration using BP neural network, the accuracy of SAR-derived wind speed data is improved, and the absolute value of bias of wind speed decreases from 0.78 m/s to 0.04 m/s, the RMSE of wind speed decreases from 1.98 m/s to 1.77 m/s. The sensitivity experiments suggest that low quality environmental factors input data will decrease the calibration effect of BP neural network, and increasing the sample size of the training set can improve that. The calibration results of converted u and v vector wind field data also show that the BP neural network has good correction effect.

Cite this article

NI Hanyue , DONG Changming , LIU Zhenbo , YANG Jingsong , LI Xiaohui , REN Lin . Calibration of Sentinel-1 SAR retrieved wind speed based on BP neural network model[J]. Journal of Marine Sciences, 2024 , 42(3) : 75 -87 . DOI: 10.3969/j.issn.1001-909X.2024.03.006

0 引言

海面风场很大程度上影响着海浪、海流等海洋水体活动,是海洋学研究的重要对象之一。海面风场的精确测量对于海气相互作用、海洋环境数值预报和海洋灾害监测预警等都具有重要意义[1]
现场实测的浮标资料等常规的海面风场资料往往存在时间延迟、空间分布零星等现象,在时空分辨率和覆盖范围上难以满足宏观、实时的海洋监测需要[2-3]。合成孔径雷达(synthetic aperture radar, SAR)作为一种主动式微波遥感器,通过合成孔径技术,能全天候、全天时在全球范围内高分辨率成像[4-5]。1978年美国发射了世界上第一颗载有合成孔径雷达的海洋卫星SEASAT,开启了星载合成孔径雷达对地观测的新时代[6]。欧洲航天局(European Space Agency, ESA)于2022年发射ENVISAT卫星,该卫星携带有雷达高度计、微波辐射计、沿轨扫描辐射计、中等分辨率成像光谱仪和合成孔径雷达等传感器,其中的合成孔径雷达传感器(advanced synthetic aperture radar,ASAR)的工作波段为C波段[7]。加拿大空间局和MDA空间公司联合开发的RADARSAT-2卫星于2007年发射升空,该卫星给全球用户提供的数据被广泛用于地形、环境、海洋和冰川的观测[8]。搭载了C波段SAR传感器的哨兵1A卫星(Sentinel-1A)和1B卫星(Sentinel-1B)分别于2014年和2016年发射升空,这两颗卫星共同组成哨兵一号系列卫星,协同工作以增加对地球上相同点的观测频率,对于如海面风速、海浪等快速变化的地球表面要素的观测具有重要意义。
由于受到海表面降水、海气温差等种种因素的影响,SAR反演获取的风速资料往往存在一定的偏差,因此有必要对风速资料进行校正[9-10]。针对海面风速资料的精度分析和偏差校正,一般采用浮标观测数据或再分析数据作为参考值,或通过不同卫星的观测数据相互校正[11-12]。早在1999年,FREILICH等[13]就基于浮标观测数据对美国航空航天局散射计卫星(NASA scatterometer satellite, NSCAT)反演的风矢量数据精度进行了分析,结果表明NSCAT卫星数据反演的25 km分辨率的风速整体上具有0.3 m/s的偏差,均方根误差为1.3 m/s。WAN等[14]将哨兵一号和高分三号卫星的反演风场数据分别与ERA5再分析数据和浮标观测数据进行对比,统计了不同风速区间内的均方根误差,结果表明哨兵一号卫星SAR的反演精度比高分三号卫星的更高。PENSIERI等[15]基于浮标观测数据对QuikSCAT卫星散射计在利古里亚海域获取的风场数据的精度进行了分析,发现QuikSCAT卫星对高风速的反演精度要优于低风速,尤其是在风向反演上。
对SAR数据进行风速反演,目前使用较多的方法为地球物理模式函数(geophysical model function, GMF)。GMF可用于描述海面归一化雷达后向散射系数与海面风速、雷达入射角及相对风向之间的关系,同时函数中也引入了极化方式、电磁波频率、海温等其他参数,来分析电磁波频率对海上大气环境的影响[16]。GMF包括一系列模型,其中CMOD(C-band model)模型是利用SAR数据进行海面风场反演的一种半经验模型,基于雷达对海探测的基本原理,通过确定实际测量值来建立SAR后向散射系数与相对风向、风速和入射角之间的定量函数关系。目前CMOD系列模型中对C波段的SAR风速反演比较完善的是CMOD4函数,该函数在反演风速时假设海上大气是中性稳定的,即未考虑海温与气温的差异。而上层海水温度与靠近海表的大气温度的差异会导致海气之间的热量传输。研究表明,海气温差过大时,海面上的温度梯度会出现异常,导致大气不稳定,带动大气进行热量传输,大气在热量传输时进行的局部环流会造成风场变化,影响摩擦风速,改变海面粗糙度,对后向散射系数以及风速的反演造成影响,降低SAR反演精度[17-19]
在降水影响方面,余水等[20]基于Radarsat-2 SAR观测数据、准同步降水数据和再分析风场资料建立了雨致海表阻尼后向散射系数受降水强度、入射角等因素影响的拟合模型,分析了降水对SAR后向散射信号的影响。结果表明,降水对SAR信号造成的衰减随降水强度和入射角的增大而增加。BENTAMY等[21]检验了2008—2009年共13个月的经过配准的ASCAT和QuikSCAT风场数据。结果表明,两个卫星的散射计的工作频率不同,受到的降水、风速和海气温差的影响也不同,从而导致两个卫星的散射计在同一时段获取的同一区域的海面风场数据持续出现偏差。降水可给工作频率较高的QuikSCAT观测到的风速带来1 m/s的偏差,而在海面温度较低的区域(<5 ℃),QuikSCAT观测到的风速系统性低于ASCAT观测的约0.5 m/s。
综上所述,如何通过降水、海气温差等环境要素对SAR反演风速进行偏差校正,来改进现有SAR海面风速资料质量是一个有待解决的科学问题。本研究将美国国家浮标资料中心(National Data Buoy Center, NDBC)的浮标观测的风速数据作为参考值,运用BP神经网络对SAR风速资料进行偏差校正,旨在提高SAR反演风速数据精度;设计了一系列敏感性试验对BP神经网络模型进行进一步探究;另外,将SAR风场数据和浮标数据转换为uv矢量风场数据,利用BP神经网络分别对u向风和v向风的风速进行了偏差校正。

1 数据及预处理

1.1 数据

1.1.1 哨兵一号SAR反演风速数据

SAR反演风速数据由美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)下的环境信息中心(National Centers for Envi-ronmental Information, NCEI)提供,为经过质量控制的哨兵一号卫星双星系统距海面10 m高的高分辨率二级(Level-2)风速数据产品(www.ncei.noaa.gov)。该产品的原始数据是NOAA从欧空局获取的,用CMOD4地球物理函数模式反演,并用ASCAT散射计数据和ECMWF(European Center for Medium-Range Weather Forecasting)、GFS(Global Forecast System)数值模式数据进行交叉验证和质量控制[22]。CMOD4模型是目前较为完善的用来反演风速的地球物理模式函数,被广泛应用于C工作波段的微波遥感数据的反演。同时该产品中的风向数据是GFS模式数据。SAR影像的空间覆盖范围为16°W—180°W,时间分辨率不定,空间分辨率为500 m。本研究选用2019年1月1日—2022年8月31日期间数据,其中哨兵1B卫星于2021年底发生故障,停止传输数据。

1.1.2 NDBC浮标数据

海洋锚系浮标常年在海上固定位置工作,用于观测海面风场、海面温度等。美国NOAA机构下设了国家资料浮标中心对海洋资料浮标进行专门的研究与管理。本研究选用的NDBC浮标数据来自于美国东、西海岸的40个近岸浮标在2019年1月1日—2022年8月31日期间观测到的海洋资料数据(www.ndbc.noaa.gov)。使用的数据有浮标观测风速、风向、海温和气温等,其时间分辨率为10 min。NDBC浮标高度普遍在海面以上3 m左右,风速仪的位置距海面约3~5 m。由于SAR海面风速数据为海面10 m高的风速数据,故需将浮标实测的风速转换为海面10 m高中性风。大量研究[23-25]表明近海面层风速随高度增加呈对数分布,并受到大气稳定度和海面粗糙度的影响。在大气层结中性条件下,对数风廓线可简化[26-27]
$\frac{U_{10}}{U_{z}}=\frac{\ln \left[\frac{10}{z_{0}}\right]}{\ln \left[\frac{z}{z_{0}}\right]}$
式中:U10Uz分别表示在海面10 m高度的和在z高度的风速,z表示距海面的高度,z0表示海面粗糙度。
也有学者使用大气压、海气界面温度和风速仪相对湿度等参数用LKB模式对风速进行转换[28-29]。由于研究区域相近且同为NDBC浮标,本文参照陈克海等[30]使用的转换公式进行转换:
U10=8.874 03×Uz/ln(z/0.001 6)
该风速转换方法适用于大气状态稳定情况下的风速转换,在海气温差较大、大气不稳定时用该转换公式,精度会有所下降。

1.1.3 CMORPH降水数据

CMORPH降水资料是多源卫星融合资料,大量与实测数据的对比研究[31-33]表明,该数据的质量在不同地域都有着较好的表现。本研究收集了2019—2022年的CMORPH降水数据,该数据从NCEI数据集网站下载(ncei.noaa.gov/products/climate-data-records/precipitation-cmorph),根据选取的NDBC浮标分布范围,选取了60°W—140°W,20°N—50°N范围内的数据,空间分辨率为8 km,时间分辨率为30 min。

1.2 数据预处理

在对SAR反演风速数据进行校正前,需要将获取的多方面数据在时间和空间上进行匹配,保证其时空同步性,建立匹配数据集。浮标观测的时间间隔为10 min,参考XING等[34]在对HY-2A散射计风速数据进行校正时采用的方法,将SAR反演风速和浮标风速的时间差控制在5 min内,空间匹配窗口为250 m。针对CMORPH降水资料,在SAR风速资料与NDBC浮标资料生成的匹配数据集的基础上,用15 min和4 km作为标准再次进行匹配。
对匹配后生成的数据集进行数据清洗,当 SAR风速数据与浮标观测数据的差距超过三倍标准差时,判定该匹配数据为异常值[35], 予以剔除。经过数据清洗后,2019年1月1日—2022年8月31日的匹配数据集共有4 801组匹配数据。

2 BP神经网络模型与误差分析方法

BP神经网络又称为前馈反向传播神经网络,是应用最为广泛的神经网络算法之一[36-37]。在非线性多层网络中采用梯度下降算法,用反向传播误差来调节各神经元的权重。BP神经网络由三个部分组成,分别是输入层、输出层和隐含层,每一层都含有一定数量的神经元结点,不同隐含层的结点间通过不同大小的耦合权值连接,而这些神经元之间的权值是在误差反向传播时进行计算的。当信号被传入输入层,经隐含层神经元的作用函数计算后,信号被传播到输出神经元;将实际输出值与目标输出信号进行比较,若输出层没有得到预期的结果,则计算误差并将误差反向传播,不断调整权值和阈值,使得模型误差不断逼近期望误差,通过这种方法找到输入样本数据和输出样本数据之间最佳的映射关系[38-39]
在BP神经网络中,每个神经元通过激活函数来完成输入量到输出量之间的非线性映射,本文使用了ReLu激活函数:
f(x)=max(x,0)
式中:x为输入量。
除了激活函数外,还有部分其他超参数需要在样本输入前进行确定,包括隐含层神经元数量、训练集与测试集的划分比例、训练批次、学习率和优化函数的选取等[40-42]。为提高模型的运行效率,降低神经网络的复杂性,考虑使用三层BP神经网络结构,增加隐含层神经元数量,以提高模型精度[43]。用经验公式确定隐含层神经元数量的设置范围:
hu= N ( m + n ) × α
式中:hu为隐含层神经元数量,N为测试集的样本量,m为输入层神经元个数,n为输出层神经元个数,α为2~10之间的常数,优化函数使用Adam优化函数。
本研究使用了PyTorch机器学习库来实现神经网络的搭建与运行,初始模型训练集与测试集的划分比例为6∶4,初始训练批次为1 500次,隐含层神经元数量为100,学习率为0.005。通过改变超参数来进行敏感性试验,以检验不同参数对模型的训练及预测效果的影响。模型结构如图1所示,输入层包括SAR反演风速、浮标观测海气温差和CMORPH降水数据3个神经元,输出层包括校正后的SAR反演风速1个神经元。
图1 BP神经网络结构示意图

Fig.1 Diagram of BP neural network structure

参考PENSIERI等[15]在分析QuikSCAT 风速资料时使用的误差统计量,计算风速的平均偏差(bias)、均方根误差(root mean squared error, RMSE)和标准差(standard deviation, STD),来评估SAR反演的风速资料以及经过校正后的SAR反演风速与NDBC浮标观测数据的偏差。

3 结果分析

3.1 哨兵一号SAR反演风速数据精度分析

为了验证哨兵一号SAR反演风速数据相对于NDBC浮标观测风速数据的精度,分别计算两个风速数据之间的偏差。对匹配数据集所有匹配点4 801组数据进行分析,以此评估SAR反演风速资料的精度。
图2a可见,哨兵一号SAR反演风速与NDBC浮标观测风速数据的偏差分布直方图基本符合高斯正态分布,风速绝对偏差越大,出现的样本点越少,整体偏差分布中心位于-2.5~0.0 m/s的负值区,即大部分SAR反演风速小于NDBC浮标观测风速。由风速密度分布散点图(图2b)可见,SAR反演风速与NDBC浮标观测风速大部分散点位于对角线的下方,散点的密度重心向NDBC浮标观测风速方向倾斜,意味着SAR反演风速相较于浮标观测风速出现了低估的趋势,尤其是在5~10 m/s风速区域,这与风速偏差分布直方图结果相符。SAR反演风速偏差的产生主要和反演风速的CMOD4函数模型中未考虑海气温差以及降水等环境要素对SAR雷达反射回波信号传输的影响有关。
图2 SAR反演风速精度分析

(图b中的黑线为1∶1对角线,红线表示拟合后的一次函数。后文同此。)

Fig.2 Accuracy analysis of SAR-derived wind speed

(In fig.b, the black line is a 1∶1 diagonal line, and the red line is the fitted linear function, similarly hereinafter. )

由SAR反演风速与NDBC浮标观测风速的误差统计量随 NDBC浮标观测风速的变化(图3)可知:在风速接近0.0 m/s时,SAR反演风速和NDBC浮标观测风速的平均偏差、均方根误差以及标准差都较大;随着风速的增加,在2.5 m/s附近的低风速区域,两者的平均偏差、均方根误差和标准差均有所下降;在5~10 m/s风速区间,误差统计量又呈现增大的趋势。这表明SAR反演风速在2.5 m/s附近的低风速区域精度较高,随着风速的增加,反演精度有所下降。图3中平均偏差曲线大部分在参考线(0值)下方,也表明SAR反演风速出现低估的趋势。
图3 风速误差统计量随NDBC浮标观测风速变化曲线

Fig.3 Variation curve of wind speed error statistics with NDBC buoy observed wind speed

为了更加直观地对SAR反演风速和NDBC浮标观测风速进行对比,将匹配好的两组风场数据分别在极坐标中表示(图4)。从图中可以看出:SAR反演风速集中分布在4~8 m/s范围内,风速超过8 m/s的匹配数据点较少;NDBC浮标观测风速的集中范围相较于SAR反演风速更广,在4~12 m/s范围内均有分布。
图4 风场数据极坐标表示

Fig.4 Polar coordinate representation of wind field data

3.2 哨兵一号SAR反演风速数据的偏差校正

在利用NDBC浮标观测风速数据对哨兵一号SAR反演风速数据进行精度分析后,把NDBC浮标观测数据作为参考值,建立三层的BP神经网络对SAR反演风速数据进行校正。通过对比校正前、后测试集的误差统计量以评估BP神经网络方法对SAR反演风速数据的校正效果。偏差校正的流程见图5
图5 偏差校正流程图

Fig.5 Diagram of deviation calibration process

从BP神经网络校正前、后的风速密度分布散点图(图6)可看出,校正后的散点整体更加均匀地集中在对角线两侧,对角线下方的散点数量减少,SAR反演风速低估的现象得到了改善。其中风速的平均偏差绝对值从0.78 m/s下降到0.04 m/s,均方根误差从1.98 m/s下降到了1.77 m/s,标准差从1.82 m/s下降到了1.77 m/s,平均偏差的改善最为显著。
图6 校正前、后风速的密度分布散点图

Fig.6 Scatter plot of density distribution of wind speed before and after calibration

从BP神经网络校正前、后的风速误差统计量随NDBC浮标观测风速的变化曲线(图7)可看出: 校正后变化曲线整体上更加靠近参考线(0值),尤其是在5 m/s以上的中高风速区域,SAR反演风速相对于浮标观测数据的误差统计量总体减小,但在5 m/s以下的低风速区域,误差统计量有所提高。这表明BP神经网络对5 m/s以上的中高风速具有较好的校正效果,但对5 m/s以下的低风速并没有较好的校正效果。
图7 校正前、后风速误差统计量随NDBC浮标观测风速变化曲线

Fig.7 Variation curve of wind speed error statistics with NDBC buoy observed wind speed before and after calibration

将测试集的风场数据在极坐标中表示(图8),对比校正前、后SAR的反演风场数据可看出:SAR反演风场的风速在校正前集中在4~8 m/s范围内,校正后风速范围扩大,风速被低估的现象得到改善。
图8 校正前、后SAR反演风场测试集数据极坐标图

Fig.8 Polar coordinate representation of SAR wind field test set data before and after calibration

3.3 敏感性试验

为探究环境要素对校正效果的影响,设计了敏感性试验。在原校正实验基础上,通过改变BP神经网络模型的输入特征,设计了两种对比实验,将输入的环境要素从降水和海气温差改成只输入降水数据和只输入海气温差数据。另外,通过改变BP神经网络的训练集样本数量、训练批次、隐含层神经元数量以及学习率,设计了8组敏感性试验,用以观察BP神经网络参数对风速校正效果的影响。
从环境要素对风速的敏感性试验结果(表1)可知:在只输入降水数据时,BP神经网络的校正效果有所下降,只输入海气温差数据时,神经网络的校正效果未出现变化,这可能与降水数据的分辨率较大,数据较粗糙有关。
表1 环境要素对风速校正的敏感性试验结果

Tab.1 Sensitivity experiment results of environmental factors on wind speed calibration

统计量 同时输入降水数据
和海气温差数据
只输入降
水数据
只输入海气
温差数据
bias/(m·s-1) -0.04 -0.05 -0.04
RMSE/(m·s-1) 1.77 1.79 1.77
STD/(m·s-1) 1.77 1.79 1.77
从BP神经网络参数对风速校正的敏感性试验结果(表2)可知,不同的误差统计量受敏感性试验影响不同,平均偏差受到的影响最明显,均方根误差和标准差受到的影响较小。不同BP神经网络的参数对校正效果的影响大小不同,其中BP神经网络训练时的输入样本量最为明显。当训练集数据量增加到总数据集的70%时,风速的校正效果得到了显著的提高,但其余参数的调整对模型最后的校正效果并没有太大的改善作用,可能是由于调整后模型欠拟合或过拟合以及参数调整的间隔过大等原因导致。
表2 BP神经网络参数对风速校正的敏感性试验结果

Tab.2 Sensitivity experiment results of BP neural network parameters on wind speed calibration

实验模型 bias/(m·s-1) RMSE/(m·s-1) STD/(m·s-1)
原BP神经网络模型 -0.04 1.77 1.77
参数调整后的BP
神经网络模型
训练集数量为70% 0.00 1.80 1.80
训练集数量为50% 0.12 1.79 1.78
训练批次数量为2 000 -0.05 1.76 1.76
训练批次数量为2 500 -0.05 1.76 1.75
隐含层神经元数量为50 -0.04 1.77 1.77
隐含层神经元数量为150 -0.05 1.77 1.77
学习率为0.01 -0.05 1.77 1.76
学习率为0.001 -0.04 1.77 1.77

3.4 标量风场数据转矢量风场数据

在许多风速研究中,所使用的都是矢量形式的风速,但本研究获取到的风速都是标量形式。为了使本文的研究结果对更多的海面风场研究具有参考价值,增加了将标量风场转换成矢量风场的实验。将拥有4 801组匹配样本点的原始匹配标量风场数据集转换为用u向风、v向风表示的矢量数据集。由于风向在0°~360°之间循环,而BP神经网络方法须保持数据对序列的单调性,故需先将SAR反演风向与NDBC浮标观测风向的偏差进行转换,使其落在-180°~180°之间。当SAR反演风向与浮标观测风向差值大于180°,将风向差值减去360°;当SAR反演风向与浮标观测风向差值小于-180°,将风向差值加上360°。
从转换后的SAR反演数据与浮标观测数据的对比结果(图9)可看出,u向风和v向风的绝对风速均分布在0~20 m/s范围内,但u向风在0~10 m/s风速范围内更集中,而v向风则较为分散,在-15~10 m/s风速范围内都有大量分布。u向风的均方根误差和标准差统计量都比v向风的小,这也表明相较于v向风,u向风的分布更加集中且与浮标观测值更接近,从散点图中也可看出u向风更加集中在对角线附近。
图9 uv向风密度分布散点图

Fig.9 Scatter plot of density distribution for u and v vector winds

uv向风的校正前、后效果对比图(图10)可看出:校正后u向风的散点更加靠近对角线,且校正后的误差统计量均有所下降,平均偏差绝对值从0.30 m/s减小到0.06 m/s,均方根误差从2.13 m/s下降到2.04 m/s,标准差从2.11 m/s下降到2.04 m/s;v向风的校正效果没有u向风的明显,且校正后误差统计量的变化程度也较小,平均偏差的变化依然最大,绝对值从0.33 m/s减小到0.02 m/s,均方根误差从2.62 m/s下降到2.55 m/s,标准差则从2.60 m/s下降到2.55 m/s。
图10 uv向风校正前、后密度分布散点图

Fig.10 Scatter plot of density distribution for u and v vector winds before and after calibration

4 结论

本文基于NDBC浮标观测数据,用BP神经网络对哨兵一号SAR反演风速数据的偏差进行校正,设计了敏感性试验对BP神经网络校正效果进行探究,并将标量风场数据转换为矢量风场数据进行校正,得到主要结论如下。
1)在利用NDBC浮标观测资料对SAR反演风速资料进行精度分析时发现,SAR反演风速相较于浮标观测数据出现了低估现象。根据SAR风速反演原理推断,导致这一偏差的原因与风速反演使用的CMOD4函数有关,CMOD4函数在计算风速时假设海气温差为0,即海上大气是中性稳定的,同时降水对SAR信号传播也会造成一些影响,这些因素在一定程度上降低了SAR反演风速数据的精度。
2)经过BP神经网络模型校正后,SAR反演风速数据的精度得到改善,尤其是在5 m/s以上的中高风速区域,有较好的校正效果,三个误差统计量均有所减小,其中平均偏差的减小最为明显。校正后SAR反演风速平均偏差绝对值从0.78 m/s下降到0.04 m/s,均方根误差从1.98 m/s下降到了1.77 m/s,标准差从1.82 m/s下降到了1.77 m/s。SAR反演风速低估现象得到了显著改善。
3)通过敏感性试验发现,输入的环境要素质量较差时,风速的校正效果也有所下降;增加训练集的样本量,校正效果明显改善;在对隐含层神经元数量、学习率等参数进行调整时,模型出现了过拟合和欠拟合的现象,校正效果没有明显变化。
4)将原本标量表示的SAR风场资料转换为用u向风和v向风表示的矢量数据,并用BP神经网络进行校正。校正后u向风和v向风的精度均得到提高,其中u向风精度的提高更明显。由于SAR风场数据来源于GFS模型数据,在将SAR风场转换为uv风矢量进行精度分析和校正时,会将模型风向的误差一起进行分析与校正,可能会导致对BP神经网络实际的校正效果评估不准确,后续研究可考虑使用SAR数据本身的反演风向进行分析。
[1]
蒋兴伟, 林明森, 张有广. 中国海洋卫星及应用进展[J]. 遥感学报, 2016, 20(5):1185-1198.

JIANG X W, LIN M S, ZHANG Y G. Progress and prospect of Chinese ocean satellites[J]. Journal of Remote Sensing, 2016, 20(5): 1185-1198.

[2]
方贺, 杨劲松, 樊高峰, 等. 组合表面Bragg散射模型共极化SAR海表面风速反演[J]. 遥感学报, 2022, 26(6):1274-1287.

FANG H, YANG J S, FAN G F, et al. Ocean surface wind speed retrieve from co-polarized SAR using composite surface Bragg scattering model[J]. National Remote Sensing Bulletin, 2022, 26(6): 1274-1287.

[3]
蔡树群, 张文静, 王盛安. 海洋环境观测技术研究进展[J]. 热带海洋学报, 2007, 26(3):76-81.

CAI S Q, ZHANG W J, WANG S A. An advance in marine environment observation technology[J]. Journal of Tropical Oceanography, 2007, 26(3): 76-81.

[4]
徐文, 鄢社锋, 季飞, 等. 海洋信息获取、传输、处理及融合前沿研究评述[J]. 中国科学:信息科学, 2016, 46(8):1053-1085.

XU W, YAN S F, JI F, et al. Marine information gathering, transmission, processing, and fusion: Current status and future trends[J]. Scientia Sinica: Informationis, 2016, 46(8): 1053-1085.

[5]
范开国, 徐青, 徐东洋, 等. 星载SAR海面风场遥感研究进展[J]. 地球物理学进展, 2022, 37(5):1807-1817.

FAN K G, XU Q, XU D Y, et al. Review of remote sensing of sea surface wind field by space-borne SAR[J]. Progress in Geophysics, 2022, 37(5): 1807-1817.

[6]
邓云凯, 赵凤军, 王宇. 星载SAR技术的发展趋势及应用浅析[J]. 雷达学报, 2012, 1(1):1-10.

DENG Y K, ZHAO F J, WANG Y. Brief analysis on the development and application of spaceborne SAR[J]. Journal of Radars, 2012, 1(1): 1-10.

[7]
张康宇. 基于C波段SAR的海面风场反演方法与近海风能资源评估[D]. 杭州: 浙江大学, 2019.

ZHANG K Y. Sea surface wind field retrieval and offshore wind energy resource assessment based on C-band SAR data[D]. Hangzhou: Zhejiang University, 2019.

[8]
张璇. C波段全极化SAR图像海面风场反演研究[D]. 南京: 南京信息工程大学, 2018.

ZHANG X. Research of ocean wind retrival from C-band quad-polarization SAR images[D]. Nanjing: Nanjing University of Information Science & Technology, 2018.

[9]
欧阳伦曦, 李新情, 惠凤鸣, 等. 哨兵卫星Sentinel-1A数据特性及应用潜力分析[J]. 极地研究, 2017, 29(2):286-295.

OU-YANG L X, LI X Q, HUI F M, et al. Sentinel-1A data products’ characteristics and the potential applications[J]. Chinese Journal of Polar Research, 2017, 29(2): 286-295.

[10]
朱良, 郭巍, 禹卫东. 合成孔径雷达卫星发展历程及趋势分析[J]. 现代雷达, 2009, 31(4):5-10.

ZHU L, GUO W, YU W D. Analysis of SAR satellite development history and tendency[J]. Modern Radar, 2009, 31(4): 5-10.

[11]
孙佳. 国外合成孔径雷达卫星发展趋势分析[J]. 装备指挥技术学院学报, 2007, 18(1):67-70.

SUN J. Analysis of the SAR satellite development tendency in the world[J]. Journal of the Academy of Equipment Command & Technology, 2007, 18(1): 67-70.

[12]
LIN H, XU Q, ZHENG Q A. An overview on SAR measurements of sea surface wind[J]. Progress in Natural Science, 2008, 18(8): 913-919.

[13]
FREILICH M H, DUNBAR R S. The accuracy of the NSCAT 1 vector winds: Comparisons with National Data Buoy Center buoys[J]. Journal of Geophysical Research: Oceans, 1999, 104(C5): 11231-11246.

[14]
WAN Y, GUO S, LI L G, et al. Data quality evaluation of Sentinel-1 and GF-3 SAR for wind field inversion[J]. Remote Sensing, 2021, 13(18): 3723.

[15]
PENSIERI S, BOZZANO R, SCHIANO M E. Comparison between QuikSCAT and buoy wind data in the Ligurian Sea[J]. Journal of Marine Systems, 2010, 81(4): 286-296.

[16]
代彭坤. 基于Sentinel-1的SAR台风风场反演研究[D]. 厦门: 厦门大学, 2018.

DAI P K. Research of retrieving typhoon wind field based on Sentinel-1 SAR images[D]. Xiamen: Xiamen University, 2018.

[17]
许素芹, 李婷婷, 陈捷, 等. 海洋温度锋区后向散射系数仿真与特性研究[J]. 计算机仿真, 2019, 36(10):214-218,297.

XU S Q, LI T T, CHEN J, et al. Research and simulation of backscattering coefficient characteristic across ocean thermal fronts[J]. Computer Simulation, 2019, 36(10): 214-218, 297.

[18]
丁赟. 风浪状态对海面风应力的影响[D]. 青岛: 中国海洋大学, 2005.

DING Y. The influence of wind sea state on wind stress[D]. Qingdao: Ocean University of China, 2005.

[19]
殷实. 西北太平洋海面粗糙度分布与变化的初步研究[D]. 青岛: 中国海洋大学, 2009.

YIN S. Temporal and spatial variation of the sea surface roughness over the northwest Pacific Ocean[D]. Qingdao: Ocean University of China, 2009.

[20]
余水, 杨劲松, 贺双颜, 等. 降雨对SAR风场反演的影响及校正[J]. 海洋学报, 2017, 39(9):40-50.

YU S, YANG J S, HE S Y, et al. The correction of rain effect on SAR wind field retrieval[J]. Haiyang Xuebao, 2017, 39(9): 40-50.

[21]
BENTAMY A, GRODSKY S A, CARTON J A, et al. Matching ASCAT and QuikSCAT winds[J]. Journal of Geophysical Research: Oceans, 2012, 117: C02011.

[22]
MONALDO F, JACKSON C, PICHEL W, et al. Early validation of operational SAR wind retrievals from Sentinel-1A[C]//2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 26-31, 2015, Milan, Italy. IEEE, 2015: 1223-1226.

[23]
徐天真, 徐静琦, 楼顺里. 海面风垂直分布的计算方法[J]. 海洋湖沼通报, 1988, 10(4):1-6.

XU T Z, XU J Q, LOU S L. A method for calculating the wind variation with height in the marine atmospheric surface layer[J]. Transactions of Oceanology and Limnology, 1988, 10(4): 1-6.

[24]
陈永利, 赵永平, 张必成, 等. 海上不同高度风速换算关系的研究[J]. 海洋科学, 1989, 13(3):27-31.

CHEN Y L, ZHAO Y P, ZHANG B C, et al. The study of the relations of wind velocity at different heights over the sea[J]. Marine Sciences, 1989, 13(3): 27-31.

[25]
ATLAS R, BUSALACCHI A J, GHIL M, et al. Global surface wind and flux fields from model assimilation of Seasat data[J]. Journal of Geophysical Research: Oceans, 1987, 92(C6): 6477-6487.

[26]
LIU W T, KATSAROS K B, BUSINGER J A. Bulk parameterization of air-sea exchanges of heat and water vapor including the molecular constraints at the interface[J]. Journal of the Atmospheric Sciences, 1979, 36(9): 1722-1735.

[27]
JOHNSON H K. Simple expressions for correcting wind speed data for elevation[J]. Coastal Engineering, 1999, 36(3): 263-269.

[28]
LIU W T, TANG W. Equivalent neutral winds[R]. Pasadena, CA: Jet Propulsion Laboratory, 1996.

[29]
FAIRALL C W, BRADLEY E F, HARE J E, et al. Bulk parameterization of air-sea fluxes: Updates and verification for the COARE algorithm[J]. Journal of Climate, 2003, 16(4): 571-591.

[30]
陈克海, 解学通, 张金兰, 等. HY-2B卫星散射计海面风场产品质量分析[J]. 热带海洋学报, 2020, 39(6):30-40.

DOI

CHEN K H, XIE X T, ZHANG J L, et al. Accuracy analysis of the retrieved wind from HY-2B scatterometer[J]. Journal of Tropical Oceanography, 2020, 39(6): 30-40.

DOI

[31]
DINKU T, RUIZ F, CONNOR S J, et al. Validation and intercomparison of satellite rainfall estimates over Colombia[J]. Journal of Applied Meteorology and Climatology, 2010, 49(5): 1004-1014.

[32]
JAMANDRE C A, NARISMA G T. Spatio-temporal validation of satellite-based rainfall estimates in the Philippines[J]. Atmospheric Research, 2013, 122: 599-608.

[33]
SALIO P, HOBOUCHIAN M P, GARCÍA SKABAR Y, et al. Evaluation of high-resolution satellite precipitation estimates over southern South America using a dense rain gauge network[J]. Atmospheric Research, 2015, 163: 146-161.

[34]
XING J Y, SHI J C, LEI Y H, et al. Evaluation of HY-2A scatterometer wind vectors using data from buoys, ERA-interim and ASCAT during 2012-2014[J]. Remote Sensing, 2016, 8(5): 390.

[35]
朱金台, 董晓龙, 云日升. 利用浮标和NWP风场对HY-2散射计联合定标验证[J]. 电子学报, 2015, 43(11):2237-2242.

DOI

ZHU J T, DONG X L, YUN R S. Calibration and validation of HY-2 scatterometer using NWP and buoy data[J]. Acta Electronica Sinica, 2015, 43(11): 2237-2242.

[36]
孙乾洋, 周利, 丁仕风, 等. 基于人工神经网络的极地船舶冰阻力预报方法[J]. 上海交通大学学报, 2024, 58(2):156-165.

DOI

SUN Q Y, ZHOU L, DING S F, et al. An artificial neural network-based method for prediction of ice resistance of polar ships[J]. Journal of Shanghai Jiao Tong University, 2024, 58(2): 156-165.

[37]
王煦莹, 沈红波, 徐兴周. 基于人工神经网络的金融信息系统风险评价[J]. 信息安全研究, 2022, 8(11):1055-1060.

WANG X Y, SHEN H B, XU X Z. Financial information system risk assessment based on artificial neural network[J]. Journal of Information Security Research, 2022, 8(11): 1055-1060.

[38]
郭晓萌, 方秀琴, 杨露露, 等. 基于人工神经网络的西辽河流域根区土壤湿度估算[J]. 自然资源遥感, 2023, 35(2):193-201.

GUO X M, FANG X Q, YANG L L, et al. Artificial neural network-based estimation of root zone soil moisture in the western Liaohe Rriver Basin[J]. Remote Sensing for Natural Resources, 2023, 35(2): 193-201.

[39]
刘志丰, 丁锋. 基于人工神经网络的沿海风速多步预测研究[J]. 气象科技, 2022, 50(6):851-858.

LIU Z F, DING F. Research on application of artificial neural network for sea surface wind speed forecasting[J]. Meteorological Science and Technology, 2022, 50(6): 851-858.

[40]
蒋晨凯, 章四龙. 基于贝叶斯优化与人工神经网络的秦淮河流域水位预报[J]. 水电能源科学, 2022, 40(9):48-51,60.

JIANG C K, ZHANG S L. Water level forecasting of Qinhuaihe River Basin based on Bayesian optimization and artificial neural network[J]. Water Resources and Power, 2022, 40(9): 48-51, 60.

[41]
曹若馨, 张可欣, 曾维华, 等. 基于BP神经网络的水环境承载力预警研究:以北运河为例[J]. 环境科学学报, 2021, 41(5):2005-2017.

CAO R X, ZHANG K X, ZENG W H, et al. Research on the early-warning method of water environment carrying capacity based on BP neural network: A case study of Beiyunhe River Basin[J]. Acta Scientiae Circumstantiae, 2021, 41(5): 2005-2017.

[42]
张秀菊, 王柳林, 李秀平, 等. 基于BP神经网络的潇河流域水质预测[J]. 水资源与水工程学报, 2021, 32(5):19-26.

ZHANG X J, WANG L L, LI X P, et al. Water quality prediction of the Xiaohe River Basin based on BP neural network model[J]. Journal of Water Resources and Water Engineering, 2021, 32(5): 19-26.

[43]
安慧, 范历娟, 吴海林, 等. 基于BP神经网络的淮河流域水生态足迹分析与预测[J]. 长江流域资源与环境, 2021, 30(5):1076-1087.

AN H, FAN L J, WU H L, et al. Analysis and prediction of water ecological footprint of Huaihe River Basin based on BP neural network[J]. Resources and Environment in the Yangtze Basin, 2021, 30(5): 1076-1087.

Outlines

/