基于散射计波浪参数反演模型的改进算法实验

一种新的利用散射计(ERS1/2)数据反演有效波高和平均周期的模式被提出。通过俄罗斯学者利用浮标数据建立完全成长风浪条件下有效波高与风速之间的关系,与匹配浮标观测的有效波高数据对比,区分完全成长风浪、成长风浪和涌浪3种海况下的匹配数据;利用BP神经网络建立模式反演3种海况下的有效波高,均方根误差分别为0.53、0.57和0.86m,反演平均周期均方根误差分别为0.69、1.04和1.36s。这种反演方法在完全成长风浪海况下最好,依次是成长风浪和涌浪海况。该研究为散射计数据反演波浪参数提供了依据,使大面积反演波浪参数成为可能。     

基于SSM/I数据的神经网络方法反演海面风速

研究了单参数神经网络(SANN)模型、多参数神经网络(MANN)模型及复合多参数神经网络(CMANN)模型对使用SSM/I数据反演海面风速精度的影响,并对增加85.5GHz垂直和水平极化亮温作为输入项对反演精度的提高进行了验证.重点发展了一种新型的CMANN算法,并分析了它在不同风速范围下的反演效果.随着风速的增加,反演风速的精度也有提高,高风速(≥15m/s)较低风速有更小的风速误差.比较表明,此方法的反演效果优于以往的各种SSM/I反演风速算法.反演风速的范围为0～25m/s,在晴天和云天混合状况下反演风速与实测风速的均方根误差为1.61m/s,晴天则达到1.46m/s.     

利用人工神经网络方法获取海表面空气温度

探讨了将遥感反演数据与人工神经网络(ANN)模型结合来获取日平均海表面空气温度(Ta)的方法.研究表明:(1)ANN方法所获取Ta与船测Ta之间的平均偏差主要分布于-1～1℃之间,均方根误差主要分布于0～1℃之间;(2)ANN方法所获取Ta与船测Ta之间的总的均方根误差(相关系数)为0.9584℃(0.97);多次线性回归(MLR)方法所获取Ta与船测Ta之间的总的均方根误差(相关系数)为1.578℃(0.89);(3)在整个研究区域内,用ANN方法获取Ta时的平均偏差和均方根误差大多数比用MLR方法获取Ta时的平均偏差和均方根误差小,在黄、东海,用MLR方法获取Ta时比用ANN方法获取Ta时的平均偏差和均方根误差大很多(大多数均大于0.5℃,最高可达7.3℃).在获取Ta时,相对于MLR方法,ANN方法具有更好的性能和更强的区域适应性,显示出ANN方法处理非线性问题的优势.     

二维分形海面的全极化散射模型

采用二维分形海面模型模拟海面状态,根据惠根斯原理,把海面近似为无数克希霍夫散射面,并根据驻相原理导出散射面法线的方向导数,推导出笛卡儿坐标系下椭圆极化入射时海面的散射场和局部坐标系下的散射系数矩阵,建立了二维分形海面的全极化双站雷达散射模型,并数值计算了全极化海面雷达截面.与经典单极化散射模型相比,该模型不仅保留共极化(HH极化VV极化)散射信息,还包含了多极化SAR海浪谱反演过程中必不可少的交叉极化(VH极化HV极化)信息.数值结果表明用该模型计算的共极化雷达截面与其他文献计算的结果能很好的吻合.同时给出了二维分形海面的不同接收方位雷达截面的数值模拟结果.     

机器学习视角下的多光谱卫星浅海水深反演研究

利用覆盖典型海岛的Landsat-8 OLI多光谱卫星遥感影像和收集到的水深数据，分别采用传统多元线性回归模型、机器学习中的back propagation(BP)神经网络模型和随机森林模型对目标海域水深进行整体反演，并对三种方法的反演精度进行评价。结果表明：相比于多元线性回归模型，机器学习方法的水深反演精度更高；随机森林模型的水深反演精度最高，平均绝对误差为1.94 m，平均绝对百分比误差为18.29%，模型的鲁棒性更加出色，整体精度较多元线性回归模型有明显提高。本研究比较三种方法构建的浅海水深模型的性能，为后续更加高效地获取高精度浅海水深信息提供参考价值。