[发明专利]基于RBF神经网络的航海雷达图像反演海面风速方法

说明书

本发明公开了一种基于RBF神经网络的航海雷达图像反演海面风速的方法，属于利用遥感手段反演海洋面风速领域。基于RBF神经网络的航海雷达图像反演海面风速方法，所述发明包含航海雷达图像数据预处理、RBF神经网络输入层构建、RBF神经网络模型确定和海面风速信息提取四个部分。海面风速反演过程是基于单隐层RBF神经网络训练得到的模型完成的，RBF神经网络输入层样本采用海面风场能量谱、传感器信息及海况信息的归一化结果构建；同时提出应用减聚类算法,根据输入样本的密度指标及聚类判断条件确定神经网络确定隐层单元数和基函数的中心及扩展常数，利用递推最小二乘获得网络输出层连接权值。

技术领域

本发明涉及属于海面风速遥感技术领域，具体涉及一种基于RBF神经网络的航海雷达图像反演海面风速方法。

背景技术

海面风场对航海作业和海洋动力学研究有重要的意义，且是了解海洋变化与预知风险的重要手段。海面风场信息主要包括海面风向和海面风速两个方面，本发明是用于反演海面风速信息的。

传统的提取海面风速信息的方式主要有两大类：站点式观测和遥感反演。站点式观测通常在船上或岸边使用测风仪，但由于船体结构及船上建筑物的或是岸基等影响而产生的湍流效应，使风速测量的误差较大，不能满足实际应用。若测风仪安装在浮标上，其测量结果虽较为准确，但测得的仅是浮标位置及附近局部区域的风速信息，还易受海上天气或是海上交通的影响，在时间上和空间上缺乏连续性。

现有遥感观测主要有散射计、机载或星载合成孔径雷达(SAR)和卫星高度计等。散射计存在分辨率较低的问题，卫星遥感重复采样率低，且受到云层的干扰，导致测量数据可能不是海表面所要探测的风速信息。X波段雷达具有不受光线影响、实时连续反馈和高分辨率等优点，成为现阶段风场信息获取的重要手段。目前国内外已应用X-band导航雷达实现了海面浪、流，降雨量，海面漏油面积等方面的研究。现有基于航海雷达图像反演海面风速主要算法有两种：一种是模型函数法，一种是神经网络法。Horstmann首次提出应用地球物理模型函数(GMF)得到海面风速信息，但此模型是针对SAR回波强度进行建模，不能准确表达航海雷达回波截面积(RCS)与海面风速的关系，但足已证明海面风场与雷达回波强度具有一定的模型函数关系。Lund等针对FurunoFAR2117BB型号航海雷达，将RCS与海面风速单幅图像进行数据拟合，得到两者之间存在三次多项式非线性关系，并利用计算出风速。Bueno等针对Furuno2117BB型号雷达，利用线性积分法得到雷达回波强度水平与海面风速函数关系获得海面风速信息。Liu Y等针对Decca和Furono两种雷达，提出应用双曲线拟合应用实测航海雷达数据提取出海面风速信息。Huang W等针对Decca雷达，提出了利用RCS谱分析算法、RCS与海面风速经验模态分解方法，建立函数模型得到海面风速。陈忠彪等针对9.3GHz Furuno雷达，将RCS、有效波高与海面风速拟合成线性概率分布函数，由此获得海面风速信息。但是，模型函数法不具有普遍应用性，需要针对不同雷达型号对海面风速和RCS进行建模；若建模时应用的数据不能包含各种海况条件，对于同一雷达型号在不同海况下反演误差也会很大，制约了该方法的发展前景。2002年Dankert首先提出神经网络法，根据雷达散射截面积与风速之间存在的关系，利用海面风向信息和NRCS作为输入量，基于BP神经网络反演出海面风速。2006年，Dankert考虑了湿度、温度、信噪比等海洋因素作为BP神经网络的输入量，以提高雷达数据的适用性。2007年Horstmann提出利用提取出的雷达图像序列中的风信息和NRCS做为BP神经网络的输入量，以提高海面风速的反演精度。哈尔滨工程大学贾瑞才采用双隐层单极型S函数BP神经网络法反演出海面风速信息，提高了神经网络的收敛速度及网络推广能力。但BP神经网络存在固有的不足之处，主要表现为易限于局部极小值，学习过程收敛速度慢，隐层和隐层节点数难以确定的问题，从而导致网络对于部分雷达数据不适用，反演精度低及运算时间无法达到工程要求的缺陷。

发明内容