人工神经网络在星载散射计海面风场反演建模中的应用

北京大学学报（自然科学版）

人工神经网络在星载散射计海面风场反演建模中的应用

陈克海¹,解学通^1,2,3,黄舟²,方裕²,陈晓翔¹

¹中山大学遥感与地理信息工程系,广州,510275;²北京大学遥感与地理信息系统研究所,北京,100871;³通讯作者，E-mail:xiexuetong@yahoo.com.cn

收稿日期:2006-06-16 出版日期:2007-07-20 发布日期:2007-07-20

Application of Artificial Neural Network to Ocean Surface Wind Field Retrieval Modeling for Spaceborne Scatterometer

CHEN Kehai¹,XIEXuetong^{1, 2, 3},HUANG Zhou²,FANG Yu²,CHEN Xiaoxiang¹

¹ Department of Remote Sensing and GIS Engineering, Zhongshan University, Guangzhou, 510275; ² Institute of Remote Sensing and Geographic Information System, Peking University, Beijing, 100871; ³Corresponding Author, E-mail: xiexuetong@yahoo.com.cn

Received:2006-06-16 Online:2007-07-20 Published:2007-07-20

摘要/Abstract

摘要： 地球物理模型函数(GMF)是散射计风场反演的基础及算法有效运行的前提条件。采用传统的统计方法建立GMF往往需要大量的、多种参数条件下的雷达后向散射测量数据。以圆锥扫描散射计SeaWinds为例，根据其特点，建立了一个两种极化方式下统一的神经网络模型函数(NN GMF)，并对风速、相对风向采样间隔和测量值数目对模型精度的影响进行了详细分析。通过与Qscat-1模型进行比较，发现该神经网络模型在采样间隔较大或测量值数目较少的情况下,仍能较好地体现SeaWinds散射计的海面后向散射特性。

关键词: 散射计, 海面风场, 地球物理模型函数(GMF), 神经网络

Abstract: Geophysical model function(GMF) is the basis of scatterometer wind field retrieval and the prerequisite to effective running of the retrieval algorithm. GMF modeling using traditional statistical method usually needs a great number of backscattering coefficient measurements under various observing parameter conditions. Taking SeaWinds, a type of conically scanning scatterometer, as an example, a unified neural network model (NN GMF) for two polarization modes is designed. Moreover, effects of wind speed sampling interval, wind relative direction sampling interval, and the number of measurements on modeling precision are also analyzed in detail. Compared with Qscat-1 model function, the neural network model is able to reflect the backscattering signature of SeaWinds scatterometer very well, even on the condition that sampling intervals of wind speed and wind relative direction are large or the number of backscattering measurements is small.

Key words: scatterometer, ocean surface wind field, geophysical model function(GMF), neural network

中图分类号:

P 208

陈克海,解学通,黄舟,方裕,陈晓翔. 人工神经网络在星载散射计海面风场反演建模中的应用[J]. 北京大学学报（自然科学版）.

CHEN Kehai,XIEXuetong,HUANG Zhou,FANG Yu,CHEN Xiaoxiang. Application of Artificial Neural Network to Ocean Surface Wind Field Retrieval Modeling for Spaceborne Scatterometer[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2007/V43/I4/460

[1]	吴悔, 陈旭, 景永俊, 王叔洋. MFA-SGWNN: 基于多特征聚合谱图小波神经网络的僵尸网络检测[J]. 北京大学学报自然科学版, 2024, 60(3): 403-412.
[2]	刘立超, 胡天跃, 李徯徯, 刘依谋, 梁上林, 黄建东. 基于无监督神经网络匹配算法的叠前表面多次波压制方法[J]. 北京大学学报自然科学版, 2024, 60(3): 453-463.
[3]	李玳, 王天牧, 张思, 秦跃, 谢福贵, 刘辛军, 聂振国, 黄红拾. 基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断[J]. 北京大学学报自然科学版, 2024, 60(1): 109-117.
[4]	刘佳驹, 李金城, 郭怀成, 袁鹏, 李政, 张扬, 王志勇. 基于人工神经网络的雅鲁藏布江水化学变化趋势研究[J]. 北京大学学报自然科学版, 2023, 59(6): 1043-1051.
[5]	张领, 曹健, 张袁, 冯硕, 王源. 基于知识蒸馏的脉冲神经网络强化学习方法[J]. 北京大学学报自然科学版, 2023, 59(5): 757-763.
[6]	刘相呈, 曹健, 姚宏毅, 徐鹏涛, 张袁, 王源. 基于自适应剪枝率与高效权重继承的神经网络通道剪枝方法[J]. 北京大学学报自然科学版, 2023, 59(5): 764-772.
[7]	周翔宇, 毛善君, 李梅. 基于频域降采样和CNN的轴承故障诊断方法[J]. 北京大学学报自然科学版, 2023, 59(2): 251-260.
[8]	赵丹丹, 张俊朋, 孟佳娜, 张志浩, 苏文. 基于预训练模型和混合神经网络的医疗实体关系抽取[J]. 北京大学学报自然科学版, 2023, 59(1): 65-75.
[9]	谢豪, 曹健, 李普, 赵雄波, 张兴. 基于FPGA的SSD目标检测硬件加速器设计[J]. 北京大学学报自然科学版, 2022, 58(6): 1015-1022.
[10]	徐鹏涛, 曹健, 孙文宇, 李普, 王源, 张兴. 基于可融合残差卷积块的深度神经网络模型层剪枝方法[J]. 北京大学学报自然科学版, 2022, 58(5): 801-807.
[11]	徐鹏涛, 曹健, 陈玮乾, 刘晟荣, 王源, 张兴. 基于离群值去除的卷积神经网络模型训练后量化预处理方法[J]. 北京大学学报自然科学版, 2022, 58(5): 808-812.
[12]	屈永霖, 闻新宇, 张慕琪, 刘喆. 使用人工神经网络改进2022年北京冬奥会数值天气预报后处理过程的算法研究[J]. 北京大学学报自然科学版, 2022, 58(2): 210-220.
[13]	张慕琪, 闻新宇, 包赟, 屈永霖. 基于人工神经网络开发中国地区统计降尺度气候预估数据[J]. 北京大学学报自然科学版, 2022, 58(2): 221-233.
[14]	张阳, 冼慧婷, 赵志杰. 基于空间相关性和神经网络模型的实时河流水质预测模型[J]. 北京大学学报自然科学版, 2022, 58(2): 337-344.
[15]	廖懿鸣, 欧阳纯萍, 刘永彬, 胡富裕. 基于异质信息网络元路径的药物‒靶标相互作用预测模型[J]. 北京大学学报自然科学版, 2022, 58(1): 37-44.