-
题名基于机器学习模型FY⁃3D MWRI海面风速反演
- 1
-
-
作者
张云
韩天辉
孟婉婷
杨树瑚
周绍辉
韩彦岭
-
机构
上海海洋大学信息学院
上海市海洋智能信息与导航遥感工程技术研究中心
上海航天电子技术研究所
上海航天空间技术有限公司
-
出处
《上海航天（中英文）》
CSCD
2024年第4期120-132,172,共14页
-
基金
国家自然科学基金资助项目(42271335,42176175)
国家重点研发计划资助项目(2019YFD0900805)。
-
文摘
风云三号D星(FY-3D)微波成像仪(MWRI)L1级亮温数据可用于全球海面风速反演,本文讨论了在晴空区和云区使用多元线性统计回归模型和机器学习模型反演海面风速的情况,在晴空区将4 d测试集分别放入多元线性统计回归模型,采用随机森林(RF),支持向量回归(SVR),卷积神经网络(CNN)和Stacking融合(SF)模型对海面风速进行反演,最优的均方根误差(RMSE)分别为1.56、1.31、1.24、1.29和1.27 m/s;在云区2 d测试集上的最优RMSE分别为2.12、1.98、1.87、1.89和1.89 m/s。为了进一步验证晴空区海面风速反演的可靠性,选取美国国家浮标数据中心(NDBC)实测的浮标风速对海面反演风速进行验证,CNN反演风速与NDBC实测风速的RMSE为0.74 m/s,决定系数(R^(2))为0.80;SF反演风速与NDBC实测风速的RMSE为0.85 m/s,R^(2)为0.74。结果证实了通过机器学习模型能够很好地完成FY-3D MWRI亮温反演全球海面风速的任务。
-
关键词
风云三号D星(FY-3D)
微波成像仪(MWRI)
海面风速反演
机器学习
stacking融合(sf)模型
-
Keywords
Feng Yun-3D(FY-3D)
microwave radiation imager(MWRI)
sea surface wind speed retrieval
machine learning
stacking fusion(sf)model
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
P714
[自动化与计算机技术—控制科学与工程]
-
