一种海面风速预测方法和系统技术方案

本发明专利技术公开了一种海面风速预测方法，包括步骤：接收海洋表面的GNSS

【技术实现步骤摘要】
一种海面风速预测方法和系统


[0001]本专利技术属于海洋数据测量
，特别涉及一种海面风速预测方法和系统。

技术介绍

[0002]海面风场是海洋上层运动的主要动力来源，它几乎与海洋中所有的海水运动直接相关，是大气与海洋相互作用的一项重要参数。同时，近地面风是海洋与大气界面动量和能量的主要贡献者和指标，准确探测海风不仅能够预测海面大气环流趋势，同时也为人类海上作业提供可行性预测，保证人们的海上作业平稳安全进行。

技术实现思路

[0003]本申请实施例之一，一种海面风速预测方法，，包括步骤：
[0004]接收海洋表面的GNSS
‑
R数据，设其为第一数据；
[0005]接收星载微波散射计对所述海洋表面的测量数据，设其为第二数据；
[0006]将第一数据与第二数据输入经过海面风速预测模型，获得预测海面风速值。
[0007]本实施例的有益效果在于，通过将GNSS
‑
R与散射计的观测数据进行融合反演风速的方法，以实现对海洋海面风速的精确预测。
附图说明
[0008]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：
[0009]图1根据本专利技术实施例之一的海面风速预测模型构建流程示意图。
[0010]图2根据本专利技术实施例之一的CNN回归模型结构示意图。
[0011]图3根据本专利技术实施例之一的BP回归模型结构示意图。
[0012]图4根据本专利技术实施例之一的融合模型结构示意图。
[0013]图5根据本专利技术实施例之一的预测模型结果拟合模型图。
[0014]图6根据本专利技术实施例之一的预测模型训练结构图。
[0015]图7根据本专利技术实施例之一的海面风速预测系统组成示意图。
具体实施方式
[0016]为了解决在海面风速探测难题，本公开利用全球导航卫星系统反射信号(Global Navigation Satellite System Reflectometry,GNSS
‑
R)技术对于海面风速进行反演计算，该方法可以很好利用GNSS
‑
R具有的优势，包括：
[0017](1)GNSS
‑
R不受天气(云、雾等)影响；
[0018](2)可以同时接收多个卫星信号，观测范围广；
[0019](3)可以实现低成本载荷。
[0020]利用GNSS
‑
R反演海面风速时，使用归一化双基雷达散射截面(normalized bistatic radar cross section，NBRCS)作为主要特征参量。归一化双基雷达散射截面主要与海面粗糙度有关，在低风速下，海面粗糙度较小，可以得到较强的海面反射信号，此时根据归一化双基雷达散射截面可以反演得到较好的海面风速精度。但在中高风速时会引起海面粗糙度的增加，此时海面风速反演精度较差。
[0021]星载微波散射计作为重要的主动式微波遥感器，通过对海面后向散射系数多方位角的观测，能够全天时、全天候、快速获取全球海面风场信息，也是海面风场卫星遥感的主要手段。其中，后向散射截面受Bragg散射以及镜面反射的作用，Bragg散射主要受海表面的重力毛细波影响，而重力毛细波的产生是由海面上风场的变化引起的。风的一部分能量被海洋吸收，并在时间和空间上从重力毛细波转移到重力波和长波。风速增加的情况下，则可能形成波长更长的波。被海洋吸收的这部分能量将以多种长短波的形式存在，能量几乎没有损耗。因此微波散射计受海面粗糙度影响较小，在风速相对较大时(10m/s以上)比GNSS
‑
R有更好的反演效果；但风速较小时(10m/s以下)GNSS
‑
R受海面粗糙度影响较小，海面风速反演精度更好。
[0022]因此，基于GNSS
‑
R前向散射与微波散射计后向散射，本公开提出一种新的GNSS
‑
R和散射计融合反演海面风速的方法。
[0023]根据一个或者多个实施例，一种海面风速预测方法。包括步骤：
[0024]首先，分别使用GNSS
‑
R与微波散射计利用机器学习(Machine Learning,ML)回归模型反演海面风速；
[0025]然后，充分考虑二者各自优点，将回归模型的风速反演结果进行结果级融合；
[0026]最后，将风速反演结果与真实风速进行拟合，最终达到最优精度结果。图1为海面风速预测模型构建流程示意图。图中步骤1、步骤2、步骤3中的模型是用三批不同的数据训练得到的。步骤1中将训练数据1输入ML回归模型获得输出结果1，步骤2中将训练数据2输入ML回归模型获得输出结果2，步骤3中将训练数据3输入ML回归模型获得输出结果3，将输出结果1、输出结果2、输出结果3逐级依次输入结果融合模型获得风速反演结果1。进一步的，将真实风速测试数据，输入ML回归模型，获得输出结果4。该输出结果4与风速反演结果1再次输入结果融合模型和/或结果拟合模型，获得最终反演风速结果。
[0027]进一步的，对于ML回归模型的建立，包括：
[0028]分别使用CNN回归模型和BP回归模型对GNSS
‑
R与微波散射计进行海面风速反演。具体模型结果如图2、图3所示。图2包括多个卷积层，以及展开层和全连接层。
[0029]根据大量的数据验证之后，最终确定CNN回归模型卷积层数为3，未设置池化层，隐藏层节点抛弃率(dropout)为0.3，卷积核个数均为32个，单次训练的参数个数(batch
‑
size)为1000，训练次数(epochs)为2000。BP回归模型隐含层数量为2，隐藏层节点数都为20，选取tanh作为激活函数。
[0030]为进一步利用微波散射计的BP回归模型结果提高GNSS
‑
R全球海面风速反演精度，提出综合二者回归模型结果的结果融合模型。该模型主要将微波散射计的BP回归模型结果与GNSS
‑
R的CNN回归模型结果拼接在一起，同时加入标志位以区分二者数据源，并与风速真值数据一起作为结果融合模型的输入。
[0031]图4为本公开实施例使用融合模型结构。根据大量的数据验证之后，最终确定CNN
卷积层数为4，未设置池化层，隐藏层节点抛弃率(dropout)为0.3，卷积核个数均为3个，单次训练的参数个数(batch
‑
size)为1000，训练次数(epochs)为1000。
[0032]在经过ML回归模型与结果融合模型后，可能还会存在一些偏离中心的离散点存在，为修正这些可能存在的离散点，在完成回归模型与结果融合模型反演模块后，根据两种模型的最终结果与真实风速值进一步拟合，以达到修正离散点的目的。结果拟合模型图如图5所示，在图中，结果融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海面风速预测方法，其特征在于，包括步骤：接收海洋表面的GNSS
‑
R数据，设其为第一数据；接收星载微波散射计对所述海洋表面的测量数据，设其为第二数据；将第一数据与第二数据输入经过海面风速预测模型，获得预测海面风速值。2.根据权利要求1所述的海面风速预测方法，其特征在于，所述海面风速预测模型包括机器学习ML回归模型，所述第一数据和第二数据通过所述ML回归模型进行反演计算和融合，获得预测海面风速值。3.根据权利要求2所述的海面风速预测方法，其特征在于，所述ML回归模型包括CNN回归模型和BP回归模型，所述第一数据输入CNN回归模型，所述第二数据输入BP回归模型。4.根据权利要求3所述的海面风速预测方法，其特征在于，所述海面风速预测模型包括融合模型，用于将所述CNN回归模型与BP回归模型的输出进行融合。5.根据权利要求4所述的海面风速预测方法，其特征在于，将所述CNN回归模型与BP回归模型的输出，与海面真实风速数据一起，作为所述融合模型的输入。6.根据权利要求5所述的海面风速预测方法，其特征在于，所述海洋气象风速数据U
ECMWF
＝AU
Regression
+BU
Fusion
+C
ꢀꢀꢀꢀ
(1)式(...

【专利技术属性】
技术研发人员：张云，赵星宇，杨树瑚，韩彦岭，洪中华，马振玲，王静，潘海燕，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：