基于支持向量機(jī)的粗糙海面風(fēng)速及海表鹽度反演研究

張清河 梁偉博

(三峽大學(xué)理學(xué)院,宜昌 443002)

?

基于支持向量機(jī)的粗糙海面風(fēng)速及海表鹽度反演研究

張清河 梁偉博

(三峽大學(xué)理學(xué)院,宜昌 443002)

將支持向量機(jī)(Support Vector Machine,SVM)回歸技術(shù)應(yīng)用到海況參數(shù)(如海表鹽度、海面風(fēng)速等)反演研究.利用雙尺度模型(Two-Scale Model,TSM)作為前向電磁算法,數(shù)值模擬不同雷達(dá)參數(shù)下風(fēng)驅(qū)粗糙海面微波后向散射系數(shù),經(jīng)過敏感性分析,選取L波段(1.4 GHz)、C波段(6.8 GHz)及其合適的入射角作為雷達(dá)參數(shù),并設(shè)計多種反演方案,分別以單頻率雙極化雙角度、雙頻率雙極化雙角度及雙極化后向散射系數(shù)的比值作為SVM的訓(xùn)練樣本數(shù)據(jù)信息,經(jīng)過適當(dāng)?shù)挠?xùn)練,利用SVM回歸技術(shù)對海洋表面風(fēng)速和鹽度進(jìn)行了反演研究.研究結(jié)果表明,針對于海面風(fēng)速的反演,C波段的反演精度最高,針對于海表鹽度的反演,L波段同極化散射系數(shù)比值作為SVM輸入的反演精度較高.最后,檢驗了SVM反演方法的抗噪聲性能,表明文中提出的SVM方法能較好地應(yīng)用于實際海況參數(shù)反演問題.

支持向量機(jī);雙尺度模型;反演;海面風(fēng)速;海表鹽度

DOI 10.13443/j.cjors.2015102601

引 言

海面風(fēng)速是研究海氣之間相互作用的重要參數(shù),它對短期預(yù)報以及季節(jié)性和氣候年際變化的預(yù)測非常重要,海面風(fēng)速通過調(diào)節(jié)熱量、水汽、海氣通量和顆粒物,調(diào)節(jié)大氣和海洋之間的耦合作用,從而維持全球和區(qū)域氣候[1].海表面鹽度 (Sea Surface Salinity,SSS)是海洋的一個重要物理化學(xué)參量,觀測海洋鹽度可以幫助我們加強(qiáng)對全球水循環(huán)的理解.同時,海洋鹽度在碳循環(huán)中也起到了重要作用,為估計海洋CO2的吸收釋放量提供了可靠依據(jù)[2].由于海面上空復(fù)雜天氣條件的限制,以及可見光-近紅外波譜穿透云霧能力的局限性,微波遙感所具有的全天時、全天候工作能力并對某次海洋參數(shù)和狀態(tài)(鹽度、溫度、風(fēng)速等)具有獨特的大面積、快速、定量檢測能力而受到人們的關(guān)注.因此,海洋鹽度和風(fēng)速反演成為海洋微波遙感的重要目標(biāo).

近二十年來,已有許多學(xué)者利用星載微波數(shù)據(jù)進(jìn)行了海面風(fēng)速和海表鹽度的反演研究.在海面風(fēng)速反演方面,目前利用星載微波散射計反演海面風(fēng)速大致可以分為兩類.一是利用地球物理模型函數(shù)的反演方法[3-9],地球物理模型函數(shù)是指海面雷達(dá)后向散射系數(shù)或歸一化雷達(dá)后向散射截面與海面風(fēng)速、風(fēng)向、雷達(dá)觀測參數(shù)以及海面環(huán)境參數(shù)等之間的定量函數(shù)關(guān)系,由于電磁波與海表面相互作用的復(fù)雜性,因此這種關(guān)系大多是通過統(tǒng)計方法來建立經(jīng)驗?zāi)Ｐ秃瘮?shù),目前使用較多的有C波段的CMOD系列模型函數(shù)和Ku波段的NSCAT系列模型函數(shù).雖然利用地球物理模型函數(shù)的反演方法經(jīng)過多年來的研究已日趨成熟,但由于該方法的數(shù)學(xué)復(fù)雜性、數(shù)值計算量大、優(yōu)化參數(shù)過多,特別是模糊去除問題,仍然面臨進(jìn)一步的研究和完善.第二類是基于全球?qū)Ш叫l(wèi)星系統(tǒng)反射信號(Global Navigation Satellite System Reflection,GNSS-R)的反演方法[10-11],該技術(shù)以L波段的導(dǎo)航衛(wèi)星為信號源,通過GNSS直射信號和海面反射信號的同步接受,采用雙基雷達(dá)前向散射模式進(jìn)行海面風(fēng)速的探測.第三類是基于神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能技術(shù)的反演方法[12-14].這類方法不依賴于具體模型函數(shù),通過直接將雷達(dá)后向散射系數(shù)與海面風(fēng)場建立聯(lián)系來反演風(fēng)速,為海面風(fēng)速反演研究提供了一種新途徑,但由于該技術(shù)中固有的過學(xué)習(xí)、易陷入局部最優(yōu)解等問題,影響了該方法在風(fēng)速反演中的進(jìn)一步研究.另外也有研究者利用高頻地波雷達(dá)對海面狀態(tài)進(jìn)行監(jiān)測,文獻(xiàn)[15]利用OS081H高頻地波雷達(dá),采用最小二乘多波束法,對海面風(fēng)速及風(fēng)向進(jìn)行了反演,有效地消除了風(fēng)向模糊問題.在海表鹽度反演方面,Gabarro 等[16]首次使用 L 波段微波輻射計對地中海西部海域進(jìn)行長時期遙感觀測, 并基于實測數(shù)據(jù)得出鹽度反演經(jīng)驗?zāi)Ｊ?Ammar 等[17]使用神經(jīng)網(wǎng)絡(luò)方法反演粗糙海面鹽度的精度達(dá)到 0.6 pus, 為鹽度遙感反演提供了新途徑.盧紅麗等[18]利用土壤濕度與海水鹽度(Soil Moisture and Ocean Salinity, SMOS)衛(wèi)星數(shù)據(jù),結(jié)合輻射傳輸模型,采用最小二乘法對海洋鹽度進(jìn)行了迭代反演,且反演精度達(dá)到了0.35 pus.由于單波段微波輻射計遙感鹽度的精度受溫度、風(fēng)速、波高和氧氣吸收等海洋大氣參量的影響, 因此多波段、多極化數(shù)據(jù)融合成為提高鹽度反演精度的有效途徑[19].本文將同時利用多角度、多波段、多極化等信息來反演鹽度,期望能獲得較高的反演精度.

支持向量機(jī)[20](Support Vector Machine, SVM)是近年來在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種新的通用學(xué)習(xí)方法.它有效解決了小樣本、過學(xué)習(xí)、非線性、高維數(shù)據(jù)等問題,具有良好的推廣性和較好的預(yù)測精確性[21].近年來,支持向量機(jī)被廣泛應(yīng)用于各類實際問題,例如圖像檢索[22]、文本分類[23]、廣義預(yù)測控制[24]等.但在微波遙感海洋及海況參數(shù)方面,國內(nèi)外還未見有相關(guān)文獻(xiàn)報道.

本文利用支持向量機(jī)方法對海面風(fēng)速及海表鹽度反演問題進(jìn)行研究.以雙尺度模型(Two-Scale Model,TSM)作為風(fēng)驅(qū)粗糙海面電磁模型,根據(jù)Windsat和SMOS遙感衛(wèi)星參數(shù),我們選取微波頻率為6.8 GHz(C波段)和1.4 GHz(L波段).首先利用TSM數(shù)值模擬出不同入射角下的后向散射系數(shù),經(jīng)過敏感性分析,確定合適的雷達(dá)入射角.針對風(fēng)速和鹽度設(shè)計多種反演方案,以后向散射系數(shù)作為輸入,相應(yīng)的風(fēng)速和鹽度作為輸出,對SVM進(jìn)行訓(xùn)練,建立反演模型,對鹽度和風(fēng)速進(jìn)行了實時反演.同時,根據(jù)TSM中同極化后向散射系數(shù)的比值與風(fēng)速無關(guān)的特性,選擇該比值作為反演數(shù)據(jù),有效降低了粗糙海面對微波信號的影響,提高了鹽度的反演精度.

1 風(fēng)驅(qū)海面雙尺度模型

雙尺度模型是在基爾霍夫近似(Kirchhoff Approximation,KA)和小擾動模型(Small Perturbation Model,SPM)的基礎(chǔ)上發(fā)展起來的, 海面可以看作由小尺度毛細(xì)波疊加在大尺度重力波上構(gòu)成的一種復(fù)合粗糙表面.雙尺度模型的大尺度長波分量和小尺度毛細(xì)波分量正好對應(yīng)著海面對高頻電磁波的兩種后向散射機(jī)理:近垂直入射時的鏡面反射和斜入射時的布拉格散射如圖1所示.該方法在入射角為0°～70°時有較高的準(zhǔn)確性.

圖1 雙尺度粗糙海面的電磁散射示意圖

假設(shè)大尺度波浪與小尺度波浪統(tǒng)計獨立,用截斷波數(shù)將海譜分割為兩部分,然后采用KA和SPM分別計算兩個尺度下的散射場,并對其求和得到粗糙海面總后向散射系數(shù)為[25-26]

σ=σS+σB.

(1)

一般認(rèn)為,在逆風(fēng)與側(cè)風(fēng)方向,大波浪斜率的二維概率分布函數(shù)服從高斯分布,其KA部分的后向散射系數(shù)可以表示為

(2)

設(shè)入射面位于x-z平面中,則當(dāng)入射波分別為水平極化和垂直極化時,SPM部分后向散射系數(shù)的計算公式為:

(3)

(4)

式中：Zx、Zy是局部坐標(biāo)下大波浪斜率;θ′是局部坐標(biāo)下的入射角,局部坐標(biāo)系下的布拉格散射系數(shù)計算方法如下:

(5)

(6)

式中:

(7)

(8)

圖2 VV極化后向散射系數(shù)隨入射角的變化曲線

圖3 HH極化后向散射系數(shù)隨入射角的變化曲線

圖2、3分別是采用與文獻(xiàn)[25]相同海況參數(shù)及雷達(dá)入射頻率(f=13.9 GHz)下,經(jīng)TSM數(shù)值模擬的VV、HH極化后向散射系數(shù)與入射角的關(guān)系曲線.其中,粗糙海面采用DV海譜模型[25],在TSM模型中輸入海況參數(shù)是海水介電常數(shù),它與鹽度的變換關(guān)系采用文獻(xiàn)[27]中的雙Debye海水介電模型.比較圖2、3與文獻(xiàn)[25]的結(jié)果,兩者吻合得很好.后文中的海譜及海水介電模型均與本例相同.

2 敏感性分析

根據(jù)上述粗糙海面散射模型,海面風(fēng)速及海表面鹽度的變化會引起海面后向散射系數(shù)的變化,這是微波遙感測量海況參數(shù)的物理基礎(chǔ).同時,在海況參數(shù)一定的條件下,粗糙海面后向散射特性也與雷達(dá)參數(shù)有關(guān).微波后向散射系數(shù)可表示成如下函數(shù)形式:

σ0=f(S,U,R).

式中：S代表海表面鹽度;U代表海表面風(fēng)速;R代表雷達(dá)參數(shù)(如頻率、入射角及極化等).

當(dāng)對海況參數(shù)進(jìn)行反演研究時,重點就要對雷達(dá)參數(shù)進(jìn)行敏感性分析.在本文研究中,為結(jié)合實際,雷達(dá)頻率選取星載全極化微波輻射計Windsat 和SMOS傳感器的工作頻率,即C波段(6.8 GHz)和L波段(1.4 GHz).在Windsat中其平均地球入射角為53.8°,而SMOS傳感器L波段入射角的變化范圍較大,同時,在本文研究中為提高反演精度,對每一波段均采用雙極化.所以當(dāng)對雷達(dá)參數(shù)進(jìn)行敏感性分析時,就必須對L波段入射角進(jìn)行敏感性分析,期望找到合適的入射角,使得其后向散射系數(shù)對風(fēng)速有較高的敏感性.圖4是采用DV海譜,海面風(fēng)速為10 m/s,溫度為10 ℃,鹽度為10‰時,在不同入射角情況下,利用TSM模擬的粗糙海面后向散射系數(shù)與風(fēng)速的關(guān)系曲線.

從圖4(a)、(b)來看,對于不同的極化方式,σ～u曲線基本上保持了相同的變化趨勢,當(dāng)入射角大于30°時,曲線對風(fēng)速比較敏感,入射角較小時,曲線對風(fēng)速不敏感,基本上保持不變.當(dāng)入射角大于或等于40°時,VV極化與HH極化對應(yīng)的散射系數(shù)均增加了40 dB左右,可以看出σ～u曲線對于大于或等于40°的入射角較敏感.為了使后向散射系數(shù)對風(fēng)速保持較高的敏感性,原則上應(yīng)該選取較高的雷達(dá)入射角,但是考慮到當(dāng)入射角θ≥70°時,散射模型準(zhǔn)確度不高,且后向散射較弱.同時,為了充分利用多入射角的后向散射信息,提高反演精度,本文選取雙入射角共同進(jìn)行反演.所以在對風(fēng)速進(jìn)行L波段的反演時,選取入射角為40°和50°.

(a) VV極化

(b) HH極化圖4 L波段、不同入射角下同極化后向散射系數(shù)與風(fēng)速的關(guān)系曲線

當(dāng)對海水鹽度進(jìn)行反演時,由于海面風(fēng)速和海水鹽度的變化都會引起后向散射系數(shù)的變化,因此,如何從微波信號中剔除海面風(fēng)速對后向散射系數(shù)的影響一直是海表鹽度反演中的關(guān)鍵問題.從公式(3)、(4)并結(jié)合式(7)、(8),當(dāng)將式(3)、(4)相除,可消去粗糙海面功率譜函數(shù)W,取由式(7)、(8)計算的同極化后向散射系數(shù)比值時,可顯著降低風(fēng)驅(qū)粗糙海面對微波信號的影響.故在本文研究中,通過兩個同極化后向散射系數(shù)相除,期望削弱風(fēng)速對海面鹽度反演的影響,提高反演精度.表1為在圖2海況參數(shù)下,取入射角為40°和50°,雷達(dá)頻率為1.4 GHz(L波段),基于TSM的同極化后向散射系數(shù)及其比值與風(fēng)速的關(guān)系曲線的平均變化率.

由表1可以看出,VV極化和HH極化的后向散射系數(shù)關(guān)于風(fēng)速的變化率都大于1,且是同極化比值變化率的500多倍,這說明同極化后向散射系數(shù)比值與風(fēng)速的相關(guān)度較低,有效削弱了風(fēng)速對海表鹽度反演的影響.

圖5是入射波頻率為1.4 GHz,海面風(fēng)速為10 m/s, 海表溫度為10 ℃時,兩個同極化后向散射系數(shù)比值在不同入射角下的變化率與海表鹽度的關(guān)系曲線.

圖5 L波段后向散射系數(shù)比值的變化率與鹽度S的關(guān)系曲線

從圖5可看出,當(dāng)入射角增加時,散射系數(shù)比值的變化率增加,即當(dāng)入射角越大時,同極化散射系數(shù)比值對于鹽度越敏感.當(dāng)入射角大于或等于40°時,散射系數(shù)比值的變化率均增加了5倍以上,可以看出比值對于鹽度在入射角大于或等于40°時非常敏感.故在L波段下對鹽度進(jìn)行反演時,原則上應(yīng)該選取較大的雷達(dá)入射角,但是考慮到前文中的前向散射模型準(zhǔn)確度,并擬采用多入射角下的微波信號,本文在L波段下對鹽度進(jìn)行反演時,采用與反演風(fēng)速時相同的雷達(dá)入射角.

3 反演方案設(shè)計

在基于SVM的海況參數(shù)反演問題中,首先利用雙尺度模型生成數(shù)據(jù)樣本,將樣本按比例隨機(jī)分成訓(xùn)練樣本和測試樣本,然后將訓(xùn)練樣本的信息代入SVM模型中進(jìn)行訓(xùn)練,得到相應(yīng)反演模型,并利用測試樣本檢測反演模型的準(zhǔn)確性.在TSM模型中,輸入?yún)?shù)包括傳感器雷達(dá)參數(shù)(頻率、入射角、極化方式等)和海況參數(shù)(風(fēng)速、鹽度等).根據(jù)前文的敏感性分析,本文設(shè)計了三種反演方案,即首先針對L波段和C波段分別進(jìn)行反演,然后再將L波段和C波段結(jié)合共同反演.其中L波段雷達(dá)入射角取為40°、50°,C波段雷達(dá)入射角取為53.8°.針對風(fēng)速的反演,均采用雙極化后向散射系數(shù)作為SVM的輸入樣本信息.當(dāng)對鹽度進(jìn)行反演時,首先采用雙極化后向散射系數(shù)組合進(jìn)行反演,然后,考慮將兩個同極化后向散射系數(shù)的比值作為SVM的樣本信息,期望削弱風(fēng)速對海面鹽度反演的影響,提高反演精度.需要說明的是,在實際微波遙感海洋參數(shù)時,微波傳感器接收到的是粗糙海面同極化后向散射系數(shù),故本文先用TSM數(shù)值計算粗糙海面同極化后向散射系數(shù)σVV和σHH,再得到其比值,并以此作為SVM的輸入信息來實現(xiàn)海表鹽度的反演.表2是本文研究中海表參數(shù)的變化范圍.這些參數(shù)的取值范圍不僅在TSM模型的有效范圍內(nèi),而且大多數(shù)粗糙海表的參數(shù)在其范圍內(nèi).經(jīng)TSM數(shù)值模擬,得到1 000個樣本,其中訓(xùn)練樣本比例為70%,測試樣本比例為30%.

表2 雙尺度數(shù)值模擬輸入海況參數(shù)變化范圍

4 數(shù)值結(jié)果與分析

4.1 風(fēng)速反演結(jié)果與分析

將樣本分為訓(xùn)練樣本和測試樣本,其中訓(xùn)練樣本700個用于SVM訓(xùn)練學(xué)習(xí),建立風(fēng)速反演模型.剩余的300個測試樣本用來檢驗該方法反演風(fēng)速的精度.

首先,研究單頻、雙入射角、雙極化情況下的風(fēng)速反演,C波段的入射角為53.8°,L波段的入射角為40°、50°,海表溫度設(shè)為15 ℃.圖6(a)、(b)分別給出了L波段與C波段的反演值與真實值的對比結(jié)果.

從圖6來看,兩種波段下對風(fēng)速的反演精度都較高.其中L波段的相關(guān)系數(shù)和均方根誤差(Root Mean Squared Error,RMSE)為0.999 88和0.108 87,C波段的為0.999 94和0.071 867.L波段與C波段的相關(guān)系數(shù)差別不大,但是L波段的RMSE比C波段的RMSE大51%, 說明C波段反演風(fēng)速的精度略高于L波段.

其次,將L波段與C波段的后向散射系數(shù)同時作為支持向量機(jī)的輸入,同時考慮雙入射角與雙極化對風(fēng)速進(jìn)行反演,結(jié)果如圖7所示.

(a) L波段

(b) C波段圖6 單頻、雙入射角、雙極化情況下的風(fēng)速反演結(jié)果

圖7 雙頻率情況下的風(fēng)速反演結(jié)果

從圖7可以看出雙波段下風(fēng)速反演的相關(guān)系數(shù)為0.999 85,均方根誤差0.114 94,與L波段的反演結(jié)果相當(dāng),略低于C波段下的反演精度.這說明在數(shù)據(jù)信息已較豐富的情況下(雙入射角、雙極化),單純增加雷達(dá)頻率并不能顯著提高SVM的反演精度.

在實際應(yīng)用中,傳感器所接收的數(shù)據(jù)不可能就是數(shù)值模擬的數(shù)據(jù),還可能包含各種各樣的噪聲和誤差.為了討論SVM反演方法的抗噪聲性能,模擬實際應(yīng)用中的電磁環(huán)境,對上例中的樣本數(shù)據(jù)(后向散射系數(shù))加上高斯隨機(jī)噪聲(設(shè)高斯隨機(jī)噪聲的標(biāo)準(zhǔn)差為D),再以此作為SVM的輸入.圖8(a)、(b)、(c)分別是取D=0.3, 0.6, 0.9時,加噪后的海面風(fēng)速的反演結(jié)果.

(a) D=0.3

(b) D=0.6

(c) D=0.9圖8 高斯噪聲下C波段的風(fēng)速反演結(jié)果

表3是不同D時,SVM方法反演結(jié)果的誤差比較.從表中可以看出,隨著噪聲的增大,其反演相關(guān)系數(shù)有所降低,RMSE有所增加，但整體反演精度仍然保持在一個較高的精度上,這也表明本文提出的SVM方法有較好的泛化能力和抗噪聲性能.

表3 三種不同噪聲水平下SVM反演結(jié)果誤差比較

4.2 鹽度反演結(jié)果與分析

針對于鹽度的反演,首先我們分別選取L波段和C波段下的雙極化后向散射系數(shù)作為SVM的輸入來進(jìn)行鹽度反演分析,然后再將同極化后向散射系數(shù)的比值作為SVM的輸入來進(jìn)行鹽度反演分析,最后考慮將兩種波段結(jié)合對鹽度進(jìn)行反演研究.

(a) 雙極化散射系數(shù)

(b) 同極化散射系數(shù)比值圖9 L波段下兩種方案鹽度反演結(jié)果

圖9(a)、(b)分別是L波段下兩種不同方案的鹽度反演結(jié)果.從圖中可看出,當(dāng)采用雙極化后向散射系數(shù)作為數(shù)據(jù)信息時,鹽度反演的相關(guān)系數(shù)為0.994 91,RMSE為0.972 8,而采用同極化后向散射系數(shù)的比值作為SVM輸入時,鹽度反演的相關(guān)系數(shù)為0.999 91,RMSE為0.116 85,其反演精度明顯高于前者,這也表明,由于采用同極化后向散射系數(shù)比值作為樣本信息,有效降低了風(fēng)驅(qū)粗糙海面的影響,提高了SVM反演模型的精度.

圖10(a)、(b)分別是C波段下兩種不同方案的鹽度反演結(jié)果.可以看出,第二種反演方案(同極化散射系數(shù)比值)結(jié)果要明顯好于第一種反演方案(雙極化散射系數(shù)).同時,與L波段反演結(jié)果相比,由于C波段少了一個雷達(dá)入射角,樣本數(shù)據(jù)信息不夠豐富,使得C波段下的兩種方案的反演模型精度要低于L波段.這也表明,當(dāng)對海水鹽度進(jìn)行SVM反演建模時,宜采用雙雷達(dá)入射角,并把同極化后向散射系數(shù)比值作為SVM的輸入數(shù)據(jù).

(a) 雙極化散射系數(shù)

(b) 同極化散射系數(shù)比值圖10 C波段下兩種方案鹽度反演結(jié)果

圖11是雙波段、三個入射角下,雙極化后向散射系數(shù)作為SVM輸入數(shù)據(jù)時海水鹽度的反演結(jié)果,圖12是雙波段、三入射角下,同極化后向散射系數(shù)比值作為SVM輸入數(shù)據(jù)時海水鹽度的反演結(jié)果.從圖中來看,基于雙頻率、三入射角下雙極化的反演方案與C波段雙極化的反演方案大致一致,但兩種方案的反演精度都低于L波段、雙入射角下雙極化的反演精度.同時,比較圖11和圖12,在雙波段反演框架下,當(dāng)采用同極化后向散射系數(shù)的比值作為SVM輸入數(shù)據(jù)信息時,明顯提高了鹽度的反演精度.

圖11 雙頻率雙極化下鹽度的反演結(jié)果

圖12 雙頻率同極化比值下鹽度的反演結(jié)果

從上述反演結(jié)果可分析得出,同極化散射系數(shù)比值作為SVM的輸入時,三種方案反演精度均明顯好于雙極化后向散射系數(shù)作為輸入時的反演精度,并且,在同極化散射系數(shù)比值的方案中,L波段的反演精度要優(yōu)于C波段及雙波段下的反演精度.因此,針對于海表鹽度的反演,宜采用L波段、雙入射角,且應(yīng)把同極化散射系數(shù)比值作為SVM的輸入數(shù)據(jù).

5 結(jié) 論

本文利用雙尺度方法結(jié)合支持向量機(jī)技術(shù)對海面風(fēng)速及海表鹽度進(jìn)行了反演研究.以雙尺度(TSM)作為前向模型,數(shù)值模擬不同海況參數(shù)下的后向散射系數(shù),并以此作為SVM的輸入樣本.考慮不同雷達(dá)參數(shù)對風(fēng)驅(qū)粗糙海面微波散射特性的差異,針對風(fēng)速和鹽度設(shè)計了多種反演方案.反演結(jié)果表明,針對于風(fēng)速的反演,C波段雙極化的反演方案精度最高;針對于海表鹽度的反演,L波段同極化散射系數(shù)比值的反演方案精度最高.同時,本文也檢驗了SVM反演方法的抗噪聲性能,表明本文提出的基于SVM的海況參數(shù)反演方法有較好的泛化能力和抗噪聲性能.

[1]ATLAS R, HOFFMAN R N, LEIDNER S M, et al.The effects of marine winds from scatterometer data on weather analysis and forecasting[J].Bulletin of the American meteorological society, 2001, 82(9)：1965-1990.

[2]LAGERLOEF G, COLOMB F R, LEVINE D M, et al.The Aquarius/SAC-D mission：designed to meet the salinity remote sensing challenge[J].Oceanography, 2008, 21(1)：68-81.

[3]OSAMU I, MASANOBU S.An L-band ocean geophysical model function derived from PALSAR[J].IEEE transactions on geoscience and remote sensing, 2009, 47(7)：1925-1936.

[4]SIMON H Y, STEVE J D, ALEXANDER G F, et al.Passive and Active L-band microwave observations and modeling of ocean surface winds[J].IEEE transactions on geoscience and remote sensing, 2010, 48(8)：3087-3100.

[5]SIMON H Y, JULIAN C.Sea surface and wind retrieval using combined passive and active L-band microwave observations[J].IEEE transactions on geoscience and remote sensing, 2012, 50(4)：1022-1032.

[6]RIVAS M B, STOFFELEN A, ZADELHOFF G J, et al.The benefit of HH and VV polarizations in retrieving extreme wind speeds for an ASCAT type scatterometer[J].IEEE transactions on geoscience and remote sensing, 2014, 52(7)：4273-4280.

[7]ZOU J H, XIE X T, ZHANG Y, et al.Wind retrieval processing for HY-2A microwave scatterometer[C]//Proceedings of the IEEE Geoscience and Remote Sensing Symposium.Greece, 2014：5160-5163.

[8]TANG W Q, YUEH S, FORE A, et al.Aquarius combined active passive algorithm for ocean surface salinity and wind retrieval[C]//Proceedings of the General Assembly and Scientific Symposium.Greece, 2014：1-4.

[9]SAID F, JOHNSEN H, CHAPRON B, et al.An ocean wind Doppler model based on the generalized curvature ocean surface scattering model[J].IEEE transactions on geoscience and remote sensing, 2015, 53(12)：6632-6638.

[10]CLARIZIA M P, RUF C S, JALES P, et al.Spaceborne GNSS-R minimum variance wind speed estimator[J].IEEE transactions on geoscience and remote sensing, 2014, 52(11)：6829-6843.

[11]周旋, 葉小敏, 于暘, 等.基于GNSS-R的海面風(fēng)速探測技術(shù)研究[J].電子與信息學(xué)報, 2013, 35(7)：1575-1580.

ZHOU X, YE X M, YU Y, et al.Sea surface wind speed measurement using GNSS reflection signal[J].Journal of electronics &information technology, 2013, 35(7)：1575-1580.(in Chinese)

[12]CHEN K S, TZENG Y C, CHEN P C.Retrieval of ocean winds from satellite scatterometer by a neural network[J].IEEE transactions on geoscience and remote sensing, 1999, 37(2)：247-256.

[13]林明森, 宋新改, 彭海龍, 等.散射計資料的風(fēng)場神經(jīng)網(wǎng)絡(luò)反演算法研究[J].國土資源遙感, 2006, 68(2)：8-11.

LIN M S, SONG X G, PENG H L, et al.Neural network wind retrieval from scatterometer data[J].Remote sensing for land &resources, 2006, 68(2)：8-11.(in Chinese)

[14]解學(xué)通, 郁文賢, 郭麗青, 等.基于遺傳算法的微波散射計海面風(fēng)矢量反演研究[J].海洋通報, 2008, 27(4)：1-11.

XIE X T, YU W X, GUO L Q, et al.Research on Genetic algorithm based on ocean wind vector retrieval for microwave scatterometer[J].Marine science bulletin, 2008, 27(4)：1-11.(in Chinese)

[15]王署曜, 楚曉亮, 徐坤, 等.OS081H高頻地波雷達(dá)系統(tǒng)海面風(fēng)向反演實驗研究[J].電子與信息學(xué)報, 2014, 36(6)：1400-1405.

WANG S Y, CHU X L, XU K, et al.Experimental research on inversion of wind direction with HFSWR OS081H[J].Journal of electronics &information technology, 2014, 36(6)：1400-1405.(in Chinese)

[16]GABARRO C, FONT J, CAMPS A, et al.Sea surface salinity and wind speed retrieval from a tower-based L-band radiometer in the NW mediterranean[C]//Proceedings of the IEEE on Remote Sensing.Spain, 2002:761-769.

[17]AMMAR A, LABROUE S, OBLIGIS E, et al.Sea surface salinity retrieval for the SMOS mission using neural networks[J].IEEE transactions on geoscience and remote sensing, 2008, 46(3)：754-764.

[18]盧紅麗, 王振占, 殷曉斌.利用SMOS衛(wèi)星數(shù)據(jù)反演海洋鹽度方法研究[J].遙感技術(shù)與應(yīng)用, 2014, 29(3)：401-409.

LU H L, WANG Z Z, YIN X B.Research of the sea surface salinity retrieval method based on SMOS data[J].Remote sensing technology and application, 2014, 29(3)：401-409.(in Chinese)

[19]嚴(yán)明, 嚴(yán)衛(wèi), 王迎強(qiáng), 等.基于微波遙感的海表面鹽度探測機(jī)制研究進(jìn)展[J].遙感信息, 2015, 30(2)：17-25.

YAN M, YAN W, WANG Y Q, et al.Progress in sea surface salinity probe technology based on microwave remote sensing[J].Remote sensing information, 2015, 30(2)：17-25.(in Chinese)

[20]VAPNIK V.Statistical learning theory[M].New York：Wiley, 1998.

[21]TONG Y B, YANG D K, ZHANG Q H.Wavelet kernel support vector machines for sparse approximation[J].Journal of electronics (China), 2006, 23(4)：539-542.

[22]ZHANG L, LIN F, ZHANG B.Support vector machine learning for image retrieval[C]//Proceedings of the IEEE on Image Processing.Greece, 2001：107-118.[23]LEOPOLD E, KINDERMANN J.Text categorization with support vector machines.How to represent texts in input space?[J].Machine learning, 2002, 46：423-444.

[24]IPLIKCI S.Support vector machines-based generalized predictive control[J].International journal of robust and nonlinear control, 2006, 16(5)：813-862.

[25]許小劍, 李曉飛, 刁桂杰, 等.時變海面雷達(dá)目標(biāo)散射現(xiàn)象學(xué)模型[M].北京：國防工業(yè)出版社, 2013：10-53.

[26]郭立新, 王蕊, 吳振森.隨機(jī)粗糙面散射的基本理論與方法[M].北京：科學(xué)出版社, 2009：56-61.

[27]MEISSNER T, WENTZ F J.The complex dielectric constant of pure and sea water from microwave satellite observations[J].IEEE transactions on geoscience and remote sensing, 2004, 42(9)：1836-1849.

張清河 (1969-),男,湖北人，教授,博士,主要研究方向為電磁散射與逆散射、微波對地遙感、雷達(dá)海洋遙感等.

梁偉博 (1989-),男,河北人，碩士研究生,主要研究方向為電磁場數(shù)值計算、雷達(dá)海洋遙感等.

Inversion study of the rough sea surface wind speed and sea surface salinity based on the support vector machine

ZHANG Qinghe LIANG Weibo

(CollegeofScience,ThreeGorgesUniversity,Yichang443002,China)

In this paper, the support vector machine(SVM) regression techniques are applied to the inversion of sea state parameters (e.g.salinity and wind speed of the sea surface).The two scale model (TSM) is used to simulate backscattering coefficients of the rough sea surface with different radar parameters.After the sensitivity analysis, the L band (1.4 GHz) and the C band (6.8 GHz) are selected with appropriate angles as radar parameters.Then a variety of schemes of inversion are designed, in which single-frequency dual-polarization double angle, dual-frequency dual-polarization double angle and the ratio between the VV and HH polarization backscattering coefficients are chosen respectively as the samples information.After appropriate training, the SVM forecasting model is applied to inverse the salinity and wind speed of the sea surface.As shown by the results, at the C band, the inversion of the sea surface wind speed bears the highest accuracy, whereas at the L band, the inversion of the sea surface salinity demonstrates the highest accuracy when the ratio between backscattering coefficients is chosen as the samples in-formation.The anti-noise performance of the SVM model is also examined, and the results show that the SVM model performs favorably in the sea state parameter inversion problem.

support vector machine (SVM);two scale model(TSM);inversion;sea surface wind speed;sea surface salinity

張清河, 梁偉博.基于支持向量機(jī)的粗糙海面風(fēng)速及海表鹽度反演研究[J].電波科學(xué)學(xué)報,2016,31(5):896-905.

10.13443/j.cjors.2015102601

ZHANG Q H, LIANG W B.Inversion study of the rough sea surface wind speed and sea surface salinity based on the support vector machine [J].Chinese journal of radio science,2016,31(5):896-905.(in Chinese).DOI：10.13443/j.cjors.2015102601

2015-10-26

國家自然科學(xué)基金(61179025)

O451;TN99

A

1005-0388(2016)05-0896-10

聯(lián)系人：張清河 E-mail:zhangqh6973@163.com