APP下载

基于深度学习的海浪SAR图像分类❋

2021-07-07刘腾腾曹川川

中国海洋大学学报(自然科学版) 2021年8期
关键词:分类特征模型

刘腾腾, 曹川川, 韩 勇❋❋, 陈 戈

(1. 中国海洋大学信息科学与工程学院, 山东 青岛 266100; 2. 青岛海洋科学与技术试点国家实验室 区域海洋与数值模拟实验室, 山东 青岛 266237)

海浪是海洋中表层海水的波动现象,其观测过程经历了经验性的目测与局地性的浮标观测,而近几十年,随着卫星观测精度与反演方法的不断革新,使得遥感观测成为海浪研究中利用率最高、覆盖度最广、周期性最长的实测数据,其中,合成孔径雷达(SAR)可提供高分辨率的二维海浪谱信息,且不受云、雨的限制和具有全天候工作的优势,是海浪观测中应用最为广泛的传感器[1]。

自1978年Seasat发射升空,证实SAR能对海浪成像,拉开了遥感观测海浪的序幕[2]。其后,欧洲航空局(ESA)陆续发射了ERS-1/2卫星(1991和1995年)、Envisat卫星(2002年)以及最新的Sentinel-1A/B卫星(2014和2016年),其主载荷均是SAR传感器,显著地推动了海浪研究的进程。根据SAR成像理论,其回波机制是海面微尺度波的Bragg散射,更长尺度的波浪通过调制这些微尺度波而在SAR图像上成像[3]。Hasselmann等[4-5]将这种调制作用概括为真实孔径雷达调制和合成孔径雷达调制,前者包含倾斜调制和流体动力调制,通常认为是线性的,它们影响着后向散射回波的强度;而后者指速度聚束调制,具有很强的非线性,其引发的多普勒频移效应会改变目标在SAR图像中的位置,导致SAR成像模糊。Schulz-Stellenfleth等[6]提出CWAVE反演算法,不依赖于任何辅助数据而实现独立的海浪参数反演,使得SAR反演方法更关注图像本身。该反演算法也被推广应用于Envisat和Sentinel-1数据的海浪参数反演。……

登录APP查看全文

猜你喜欢

分类特征模型
一半模型
分类算一算
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
教你一招:数的分类
3D打印中的模型分割与打包
线性代数的应用特征