0 引言
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
1.1.2 NDBC浮标数据
1.1.3 CMORPH降水数据
1.2 数据预处理
2 BP神经网络模型与误差分析方法
3 结果分析
3.1 哨兵一号SAR反演风速数据精度分析
3.2 哨兵一号SAR反演风速数据的偏差校正
3.3 敏感性试验
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 |
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 |