一种基于数据驱动的SAR风场海浪联合反演方法及系统

本发明属于风场海浪反演技术领域，尤其涉及一种基于数据驱动的sar风场海浪联合反演方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

海面风场和海浪是重要的海洋动力过程现象，对上层海洋过程和海气界面之间的物质和能量交换有重要作用，是与人类活动最直接相关的海洋现象。全面系统地获取海面风场和海浪的观测信息并掌握其规律，对海洋科学研究、防灾减灾以及国防建设等都具有重要意义。

目前的海面风场、海浪信息探测方式有现场探测、数值预报模式、遥感探测。现场探测包括岸基观测站、船只、浮标，浮标是公认的高精度海洋参数探测方法，但是浮标的探测范围有限且是单点分布，由于维护成本较高，无法实现大范围观测。数值预报模式可以通过数值计算获得目标海域的风场、海浪等参数，结果的精度会受初始输入条件影响，空间分辨率不高。随着卫星遥感技术与合成孔径雷达技术的发展，星载合成孔径雷达可以全天候、全天时地探测地物，具有高的空间分辨率(可达数米至数十米)，是目前乃至未来实现海面风场、海浪大范围探测的一种主要手段。sar数据中携带的原始信息与风场、海浪参数相关，但是从这些原始信息中无法直接获取风场、海浪的参数值，需要借助风场、海浪反演手段，因此，建立一种高时效性的sar风场海浪联合反演方法具有重要意义。

目前，各国的研究工作者在sar风场、海浪反演领域开展了大量的研究工作，建立了多种从sar数据中提取风场、海浪参数的方法。其中，风场参数的反演方法主要是地球物理模型函数(geophysicalmodelfunction,gmf)，海浪参数的反演方法主要是海浪谱反演方法与海浪参数反演经验方法。

地球物理模型函数是同极化sar的一种常用风速反演方法，该方法通过对雷达后向散射系数与浮标、模式风场数据进行统计而建立了经验模型，描述了雷达入射角、海面风速、相对风向和后向散射系数之间的关系。地球物理模型函数最先被应用于散射计，散射计可以从不同方位角观测同一海面单元，能够通过建立与地球物理模型函数相关的代价函数获取风速、风向结果。合成孔径雷达的方位向是不变的，需要将风向作为初始化信息，则地球物理模型函数中的入射角、相对风向可以确定，从而可以获取海面的风速信息。

基于海浪谱进行海浪参数反演的方法是先使用sar数据反演海浪谱，然后利用海浪谱计算海浪参数。海浪参数反演的经验方法是通过回归预测建立sar数据与海浪参数之间的关系，获取经验模型，将sar数据输入经验模型后，经验模型可以给出准确的海浪参数。经验方法不需要进行复杂的海浪谱反演，不需要依赖外部数据源。

在使用地球物理模型函数提取同极化sar数据中的风速时，需要输入初始风向，初始风向通常需要从外部数据源获取。这导致sar风速反演的精度受更多因素影响，并且使得sar不能独立的实现海面风场的探测。大部分的sar海浪谱反演方法依赖初猜谱，而初猜谱需要由sar数据之外的其它数据源提供。这种情况导致了以下问题的出现：首先，从外部数据源获取初猜谱会引入更多的影响反演结果的不确定因素；其次，获取初猜谱的过程需要额外的时间，从而会降低反演的时效性；最后，sar不能作为独立的观测源实现海浪的探测。

综上，目前大部分的sar风场与海浪反演的传统方法都依赖风向与初猜谱信息(风向是反演风速时需要输入的初始信息，初猜谱是反演海浪谱时需要输入的初始谱信息)，风向与初猜谱的信息大多需要从外部数据源获取，这导致sar不能独立的实现风场与海浪的探测。从外部数据源获取数据需要额外的时间，并且外部数据的精度会受较多因素影响，这会降低sar风场与海浪反演的时效性，造成风场海浪参数的反演精度易受更多因素的影响。

技术实现要素：

为了解决上述背景技术中存在的技术问题，本发明提供一种基于数据驱动的sar风场海浪联合反演方法及系统，从sar数据中提取了23个与风场、海浪参数相关的特征量，使用卷积神经网络方法建立了一种风场海浪联合反演的经验方法cwave_wind。该方法与风向、初猜谱无关，使得sar风场与海浪反演不依赖外部数据源，可以同步输出风速、有效波高、平均波周期等信息。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于数据驱动的sar风场海浪联合反演方法。

一种基于数据驱动的sar风场海浪联合反演方法，包括：

采集sar数据，获取sar数据中的若干个小图像；

提取小图像的后向散射系数、归一化方差、入射角与频域特征量，构建输入数据集；

获取ecmwf数据，为小图像的每个像元时空匹配风速、有效波高、平均波周期，基于匹配的风速、有效波高和平均波周期构建输出数据集；

将输入数据集和输出数据集输入卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

将待测海域的sar数据输入训练后的卷积神经网络模型，得到待测海域的风速、有效波高和平均波周期。

进一步的，所述预处理的过程包括：对sar数据的质量进行控制；对于wv1数据，将归一化方差在1-2之间的图像视为高质量图像；对于wv2数据，将归一化方差在1-1.4之间的图像视为高质量图像。

进一步的，所述输入数据集的构建包括：在若干个小图像中获取高质量小图像，计算高质量小图像中所有像元的后向散射系数平均值、归一化方差平均值、中心入射角、频域特征量平均值，将后向散射系数平均值、归一化方差平均值、中心入射角、频域特征量平均值作为小图像的后向散射系数、归一化方差、入射角、频域特征量，构建输入数据集。

进一步的，所述输出数据集的构建包括：获取ecmwf数据，为高质量小图像的每个像元时空匹配风速、有效波高、平均波周期，计算小图像中所有像元的风速的平均值、有效波高的平均值、平均波周期的平均值，将风速的风均值、有效波高的平均值、平均波周期的平均值作为小图像的风速、有效波高、平均波周期，构建输出数据集。

进一步的，在对模型进行训练之前，还包括：对输入数据集和输出数据集进行处理，所述处理包括对数据集的划分和对数据的归一化处理。

本发明的第二个方面提供一种基于数据驱动的sar风场海浪联合反演系统。

一种基于数据驱动的sar风场海浪联合反演系统，包括：

采集模块，其被配置为：采集sar数据，获取sar数据中的若干个小图像；

输入数据集构建模块，其被配置为：提取小图像的后向散射系数、归一化方差、入射角与频域特征量，构建输入数据集；

输出数据集构建模块，其被配置为：获取ecmwf数据，为小图像的每个像元时空匹配风速、有效波高、平均波周期，基于匹配的风速、有效波高和平均波周期构建输出数据集；

模型训练模块，其被配置为：将输入数据集和输出数据集输入卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

反演模块，其被配置为：将待测海域的sar数据输入训练后的卷积神经网络模型，得到待测海域的风速、有效波高和平均波周期。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于数据驱动的sar风场海浪联合反演方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于数据驱动的sar风场海浪联合反演方法中的步骤。

与现有技术相比，本发明的有益效果是：

1、本发明专利建立的sar风场海浪联合反演方法适用于sentinel-1卫星sar波模式数据，与风向、初猜谱无关，使得sar的风场海浪反演不依赖外部数据源，可以独立的探测风场与海浪的信息，进而同步输出风场与海浪参数，提高了sar风场、海浪参数反演的时效性。

2、该方法可以同时计算海面的风速、有效波高、平均波周期，提高了sar风场海浪反演的时效性。

3、该方法的计算效率高、成本低，适用于各种海况，普适性较好。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明基于数据驱动的sar风场海浪联合反演方法流程图；

图2是本发明实施例中反演风速与ndbc风速的对比结果图；

图3是本发明实施例中反演有效波高与ndbc有效波高的对比结果图；

图4是本发明实施例中反演平均波周期与ndbc平均波周期的对比结果图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明从sentinel-1卫星sar波模式数据中提取了23个与风场、海浪相关的特征量，使用卷积神经网络建立了特征量与风场、海浪参数之间的关系，获得了sar风场海浪联合反演方法cwave_wind，使得sar风场、海浪反演不依赖外部数据源，并且可以同步输出风场、海浪参数。

实施例一

如图1所示，本实施例提供了一种基于数据驱动的sar风场海浪联合反演方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：

s101：采集sar数据，获取sar数据中的若干个小图像；

首先，选取sar数据中与风速、有效波高、平均波周期相关的参数，以此作为模型的输入特征量。地球物理模型函数是一种经典的同极化sar风速反演经验方法，该方法有具体的函数形式，将海面风速与sar后向散射系数、入射角、相对风向建立了联系。在实际的风速反演过程中，常常使用sar数据之外的数据源提供风向信息，无法只使用sar数据完成风速反演。本发明的研究目的是将sar数据作为唯一数据源提取海面风速，因此选定sar后向散射系数与入射角作为与风速相关的输入特征量。cwave方法是一种经典的sar海浪反演经验方法，该方法使用了一些与海浪参数相关的sar信息。后向散射系数与归一化方差(cvar)是2个与海浪参数相关的sar空间域特征参数，可以反映sar图像的能量大小。归一化方差的计算公式如下：

其中，cvar为归一化方差；a为sar图像的强度；std是指标准差。

空间域的后向散射系数与归一化方差不能充分包含海浪的信息，从频域中寻找sar图像的特征量可以进一步补充海浪相关信息。频率域的特征参数是通过一组正交函数对sar图像谱进行分解提取的，通过正交分解提取的20个参数与sar波模式图像的长波、短波具有密切联系。20个特征参数的计算公式如下：

其中，是归一化的sar图像谱，是正交函数，kx和ky是sar图像谱中的方位向和距离向波数。

在确定经验方法的输入特征量与输出特征量后，准备用于训练与测试经验方法的数据集，其中包含：输入数据集、输出数据集。准备输入数据集的第一步是下载sar数据，sar数据的覆盖区域是印度洋海域，数据的获取时间是2020年1月-2020年10月。在选择下载区域时，将sar数据的纬度限制在60°以内，避免海冰影响sar数据的探测质量。

s102：提取小图像的后向散射系数、归一化方差、入射角与频域特征量，构建输入数据集。

在获取sentinel-1a卫星sar波模式数据后，对sar数据进行预处理，从每个小图像中提取后向散射系数、归一化方差、入射角与20个频域特征量。在预处理过程中，对sar图像的质量进行控制，对于wv1数据，将归一化方差在1-2之间的图像视为高质量图像；对于wv2数据，将归一化方差在1-1.4之间的图像视为高质量图像。将高质量小图像中所有像元的后向散射系数平均值、归一化方差平均值、中心入射角、频域特征量平均值作为小图像的后向散射系数、归一化方差、入射角、频域特征量，每个小图像提供1组输入数据，从所有高质量的sar波模式小图像中提取的特征量构成输入数据集。

s103：获取ecmwf数据，为小图像的每个像元时空匹配风速、有效波高、平均波周期，基于匹配的风速、有效波高和平均波周期构建输出数据集。

在准备好输入数据集后，准备输出数据集。输出变量是风速、有效波高、平均波周期，对应数据是由ecmwf提供的10米风速、风浪与涌浪结合的有效波高、平均波周期数据。ecmwf数据的时间分辨率为1小时，空间分辨率为0.125°×0.125°，时间范围为2020.01.01-2020.10.31，空间范围为70°s-30°n、30°e-120°e。在下载ecmwf数据后，为高质量小图像的每个像元时空匹配ecmwf风速、有效波高、平均波周期，然后计算小图像中所有像元的风速、有效波高、平均波周期的平均值，作为小图像的风速、有效波高、平均波周期。每个小图像的时空匹配结果提供1组输出数据，为所有高质量的sar波模式小图像时空匹配的风速、有效波高、平均波周期构成输出数据集。

s104：将输入数据集和输出数据集输入卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

作为一种或多种实施方式，在准备好用于训练方法的输入数据集与输出数据集后，需要对数据集进行预处理，本发明进行的数据集预处理主要包括：数据集划分与归一化。数据集划分是指将准备好的数据集划分为训练数据集与测试数据集两部分，常用的划分比例为7：3。数据归一化是将不同数值范围的输入、输出数据集转换到相同的数值范围内。由于不同样本的数据值的覆盖范围是不同的，直接将其作为输入将影响训练过程的收敛性和速度。

在完成数据预处理后，建立经验方法，本发明使用卷积神经网络建立cwave_wind方法。卷积神经网络算法是使用matlab中的神经网络工具箱实现的。在使用工具箱实现卷积神经网络算法时，要构建卷积神经网络的网络层。本发明构建的卷积神经网络为7层的回归网络，包括：输入层、卷积层、激活函数层、全连接层1、全连接层2、输出层、回归层。其中，输入层的作用是从外界接收输入数据，尺寸设置为[2311]；卷积层具有局部感知与权值共享的作用，由16个3×3的滤波器构成，卷积过程的边缘填充方式为相同填充；激活函数层的作用是将非线性引入到神经网络中，激活函数选择修正线性单元(therectifiedlinearunit，relu)；全连接层的作用是将特征整合在一起，为回归做准备，该层的神经元数量设置为400；输出层的作用是向外界输出结果，该层的神经元数量设置为3，是输出变量的数量；回归层的作用是计算损失值。在训练网络时，神经网络的学习率设置为0.001。

在建立好cwave_wind方法后，使用方法分别对训练数据集、测试数据集、浮标数据集中的sar数据进行风场海浪参数联合反演，将反演的风速、有效波高、平均波周期与参考的风速、有效波高、平均波周期进行对比，分析cwave_wind方法的可用性。浮标数据集的各参数的对比结果如图2-4所示。

从如图2-4展示的风场海浪参数对比结果可以看出，浮标数据集的风速范围为3-15m/s，反演风速与ndbc风速对比的均方根误差为1.38m/s；有效波高范围为0-5m，反演有效波高与ndbc有效波高对比的均方根误差为0.47m；平均波周期范围为4-9s，反演平均波周期与ndbc平均波周期对比的均方根误差为0.48s。风场海浪参数的反演结果与ndbc结果相比的相关系数都不小于0.8，说明其具有强相关性。上述结果说明：通过卷积神经网络算法训练的经验方法适用于sentinel-1卫星sar波模式数据。

s105：将待测海域的sar数据输入训练后的卷积神经网络模型，得到待测海域的风速、有效波高和平均波周期。

实施例二

本实施例提供了一种基于数据驱动的sar风场海浪联合反演系统。

一种基于数据驱动的sar风场海浪联合反演系统，包括：

采集模块，其被配置为：采集sar数据，获取sar数据中的若干个小图像；

输入数据集构建模块，其被配置为：提取小图像的后向散射系数、归一化方差、入射角与频域特征量，构建输入数据集；

输出数据集构建模块，其被配置为：获取ecmwf数据，为小图像的每个像元时空匹配风速、有效波高、平均波周期，基于匹配的风速、有效波高和平均波周期构建输出数据集；

模型训练模块，其被配置为：将输入数据集和输出数据集输入卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

反演模块，其被配置为：将待测海域的sar数据输入训练后的卷积神经网络模型，得到待测海域的风速、有效波高和平均波周期。

此处需要说明的是，上述采集模块、输入数据集构建模块、输出数据集构建模块、模型训练模块和反演模块对应于实施例一中的步骤s101至s105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于数据驱动的sar风场海浪联合反演方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于数据驱动的sar风场海浪联合反演方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。