穆珊珊 李海艷 吳明柏, 2

基于Sentinel-1A的全球有效波高的反演研究*

穆珊珊1李海艷1①吳明柏1, 2

(1. 中國科學院大學 北京 100049; 2. 中國科學院地理科學與資源研究所 北京 100101)

本文利用神經網(wǎng)絡的技術手段, 針對Sentinel-1A二級波模式數(shù)據(jù)提出一種用于海浪有效波高(Hs)反演的模型——N_N模型。該模型在基于ERS2 SAR波模數(shù)據(jù)開發(fā)的雙參數(shù)模型的基礎上, 加入經度、緯度、方位向截斷波長(c)、圖像偏斜(skewness, skew)、圖像峰度(kurtosis, kurt)、衛(wèi)星平臺距目標物的距離與衛(wèi)星飛行速度之比()等其他參數(shù)信息, 根據(jù)不同輸入?yún)?shù)的組合, 建立了14個模型用于Hs反演, 旨在分析各參數(shù)對有效波高反演的影響。通過分析表明, 14個N_N模型相關系數(shù)都在0.8以上。隨著c、參數(shù)的加入, N_N模型性能均大幅上升, 且c參數(shù)對模型性能的改善作用更加明顯, 相關系數(shù)提升0.06左右, 均方根誤差(Root Mean Squared Error, RMSE)下降0.12m左右。另外, skew與kurt的加入也使N_N模型性能有所改善, RMSE下降0.03m左右, 相關系數(shù)提升0.01左右。其中, N_N10模型效果最佳且性能最穩(wěn)定, 與歐洲中程天氣預測中心(the European Centre for Medium-Range Weather Forecasts, ECMWF)數(shù)據(jù)對比, 相關系數(shù)(CORR)達到0.905, 散射指數(shù)(Scattering Index, SI)與RMSE最低, 分別為18.74%、0.502m, 與獨立測量的浮標數(shù)據(jù)的相關系數(shù)達到了0.894。

神經網(wǎng)絡; 有效波高; 方位向截斷波長; 歸一化雷達后向散射系數(shù)

海浪是海洋最明顯的表面特征, 波長范圍從幾厘米到數(shù)百米, 波高范圍從海洋表面的微小擾動到數(shù)十米, 對海洋工程、船舶設計、海上運輸以及海洋污染的消散等都有很大的影響。因此, 通過有效的技術手段了解海浪的統(tǒng)計特性, 如有效波高、平均波周期等尤為重要。

自1978年發(fā)射Seasat1搭載合成孔徑雷達(Synthetic Aperture Radar, SAR)開始, ERS-1/2、RADARSAT-1和ENVISAT、Sentinel-1持續(xù)運行, 星載SAR不斷提供全球范圍內實時動態(tài)的海面波浪信息, 憑借其間接的、大范圍的測量方式和全天候、全天時、高分辨率的測量能力, 成為海浪信息獲取的重要途徑之一(Jackson, 2004)。利用SAR進行海浪統(tǒng)計參數(shù)的反演有兩種常見的方式, 一種是通過SAR圖像譜獲取二維海浪方向波譜, 繼而獲取海浪統(tǒng)計參數(shù)。例如, 有效波高(Hs)可以表示為方向波譜的積分:

第一種通過SAR圖像譜獲取海浪譜, 反演海浪參數(shù)的方式在海浪遙感應用中是很常見的。但海洋的SAR圖像常常在方位方向顯得十分模糊且導出的波譜容易發(fā)生畸變(Grieco, 2016; Stopa, 2017)。這是由于SAR特殊的成像機制——速度聚束調制引起的。受這一調制作用的影響, 海浪的隨機運動會引起SAR后向散射回波信號的多普勒頻移, 造成SAR不能對低于某一波長(即方位向截斷波長)的波浪進行成像。在這種情況下, 海浪的成像過程中常表現(xiàn)出很強的非線性, 對SAR圖像影響很大(Hasselmann, 1985; Jackson, 2004)。因此, 通過SAR圖像推導二維海浪譜絕非一項簡單的任務, 必須通過引入其他數(shù)值模式結果作為先驗信息才有可能估計完整的二維波譜(Hasselmann, 1991; Hasselmann, 1996; Schulz-Stellenfleth, 2005)?；蛘呃肧AR圖像交叉譜計算得到海浪譜, 此計算雖不需要初猜信息, 且可以消除海浪傳播方向180°模糊的問題, 但產生的海浪譜無法完全解析高頻波, 即丟失短波信息, 多數(shù)情況下是涌浪部分的譜分量(Engen, 1995)。由此可見, 通過SAR圖像譜獲取海浪譜, 進一步獲得Hs等海浪統(tǒng)計參數(shù)這一途徑, 具有一定的困難性和局限性。

因此, 很多學者針對第二種方法, 即在不獲取二維海浪譜的情況下反演海浪參數(shù)的方法進行了研究。Schulz-Stellenfleth等(2007)基于ERS2數(shù)據(jù), 提出了一個經驗二次模型CWAVE-ERS, 在不需要先驗信息的條件下, 通過SAR圖像直接獲取海浪積分參數(shù)。Li等(2011)與Stopa等(2017)在CWAVE-ERS模型的基礎上, 分別提出了針對ENVISAT ASAR數(shù)據(jù)的CWAVE- ENV模型以及針對S1A數(shù)據(jù)的CWAVE-S1A模型, 用于計算有效波高、平均周期等海浪參數(shù)。但由于上述CWAVE算法, 僅針對特定的SAR數(shù)據(jù), 因此對于其他衛(wèi)星數(shù)據(jù)的普適性不強(Stopa, 2017)。

除以上兩種方法之外, 隨著海浪參數(shù)反演研究的不斷進步, 許多學者認識到方位向截斷波長與海況條件之間具有強相關性, 可用于海浪統(tǒng)計參數(shù)反演的研究(Jackson, 1985; Kerbaol, 1998; Ren, 2016; Wang, 2012)。方位向截斷波長為SAR數(shù)據(jù)所特有的海況參數(shù), 可作為對SAR方位向分辨率的一種度量(Greico, 2016)。在假設線性波的情況下, 方位向截斷波長可表示為(Lyzenga, 1986; Kerbaol, 1998):

因此, 本文擬在相關有效波高反演研究的基礎上進行拓展, 利用S1A二級波模式數(shù)據(jù), 采用神經網(wǎng)絡的技術手段建立有效波高與0、c等SAR參數(shù)之間的聯(lián)系, 旨在分析各參數(shù)對有效波高反演的影響。本次實驗建立的神經網(wǎng)絡模型, 除用于模型訓練的歐洲中程天氣預測中心(the European Centre for Medium-Range Weather Forecasts, ECMWF)模式數(shù)據(jù)外, 不需要額外模式數(shù)據(jù)作為先驗信息, 且模型輸入的SAR參數(shù)可在S1A二級WV數(shù)據(jù)中直接獲取, 大大降低了數(shù)據(jù)存儲內存, 減化了數(shù)據(jù)處理過程, 對于硬件條件受限的用戶尤為重要。

1 數(shù)據(jù)源介紹

本文采用了三種類型的數(shù)據(jù), 分別為S1A衛(wèi)星二級波模式數(shù)據(jù)、ECMWF再分析數(shù)據(jù)和美國國家數(shù)據(jù)浮標中心(National Data Buoy Center, NDBC)浮標數(shù)據(jù)。其中, S1A數(shù)據(jù)與ECMWF再分析數(shù)據(jù)進行時空匹配, 用于神經網(wǎng)絡模型的訓練, 獨立測量的浮標數(shù)據(jù)用于神經網(wǎng)絡訓練結果的驗證。

1.1 Sentinel-1A 二級波模式數(shù)據(jù)

Sentinel-1A衛(wèi)星于2014年4月發(fā)射成功, 在太陽同步軌道運行, 高度()約為693km, 飛行速度約為7570m/s, 傾角98.18°, 重復周期為12d, 搭載了基于C波段的雷達成像系統(tǒng)。S1A衛(wèi)星具有四種成像模式, 其中波模式(Wave Mode, WV)是S1A在大洋上的操作模式, 主要應用于海洋參數(shù)的獲取。在此模式下, S1A沿衛(wèi)星軌道每100km進行一次采集, 以23°(WV1)和36°(WV2)兩個入射角交替工作, 在近距處獲取一個圖斑, 在遠距處獲取下一個圖斑, 具有相同入射角的圖斑間隔為200km, 空間分辨率為5m, 圖斑大小約為20km×20km。

本研究使用的衛(wèi)星數(shù)據(jù)為S1A二級WV海洋產品(L2 Ocean Product, OCN)中的海洋涌浪譜(Ocean Swell spectra, OSW)數(shù)據(jù), 可通過ESA網(wǎng)站(https:// scihub.copernicus.eu/dhus/#/home)免費下載獲取。該數(shù)據(jù)可提供0、NV、、skew、kurt、對數(shù)極坐標系下的海浪方向譜、c、Hs等參數(shù)。但受到速度聚束調制作用的影響, 其測量的海浪Hs被嚴重低估, 且受方位向截斷波長的影響較大, 僅可用于較低海況(Li, 2011)。如圖1所示, 我們將S1A二級數(shù)據(jù)提供的Hs以及根據(jù)公式(1)將S1A提供的海浪譜數(shù)據(jù)進行積分獲得的Hs與ECMWF再分析數(shù)據(jù)提供的Hs進行了比較, 可以看出, 圖1a、b中散點基本分布在=直線下方, 表明S1A二級數(shù)據(jù)提供的以及通過海浪譜計算的Hs低于ECMWF再分析數(shù)據(jù)中的Hs。

圖1 S1A二級波模式數(shù)據(jù)提供的Hs與ECMWF再分析數(shù)據(jù)提供的Hs的對比散點圖

注：a: S1A二級波模式數(shù)據(jù)提供的Hs與ECMWF再分析數(shù)據(jù)提供的Hs的比較散點圖; b: 通過S1A二級波模式數(shù)據(jù)提供的海浪譜積分獲得的Hs與ECMWF再分析數(shù)據(jù)提供的Hs的比較散點圖; Hs: 有效波高

為保證本研究實驗結果不受船舶、海冰、溢油等影響, 選擇雷達截面的歸一化方差在1—2之間, 緯度在±60°, 時間為2018年1—12月的S1A數(shù)據(jù)作為實驗數(shù)據(jù)。

1.2 ECMWF再分析數(shù)據(jù)

由于本研究選用的S1A波模式數(shù)據(jù)通常為全球公海數(shù)據(jù), 而在公海僅有少量浮標測量數(shù)據(jù)可用?？紤]到神經網(wǎng)絡對訓練數(shù)據(jù)高準確度、廣覆蓋度的要求, 因此, 本研究同時選擇ECMWF再分析數(shù)據(jù)ERA5與S1A數(shù)據(jù)進行時空匹配, 組成神經網(wǎng)絡訓練數(shù)據(jù)集。

ERA5是第五代ECMWF再分析數(shù)據(jù)集, 是ECMWF使用其預測模型和數(shù)據(jù)同化系統(tǒng)“重新分析”存檔的觀測結果, 用于創(chuàng)建描述大氣、陸地表面和海洋最近歷史的全球數(shù)據(jù)集, 可由ECMWF網(wǎng)站下載獲得(http://www. ecmwf.int/)。本研究主要采用ERA5海浪數(shù)據(jù)中的有效波高數(shù)據(jù), 其格網(wǎng)大小為0.5°×0.5°, 時間間隔為1h。本研究按照小于0.25°的空間窗口、小于30min的時間窗口對二者進行時空匹配, 共獲得982351對匹配數(shù)據(jù)對, 其中328081對用于模型訓練, 其余數(shù)據(jù)用于模型應用。

1.3 NDBC浮標數(shù)據(jù)

為了對神經網(wǎng)絡模型輸出結果進行對比分析, 本文采用獨立測量的具有海浪譜信息的浮標數(shù)據(jù)對其進行驗證, 其數(shù)據(jù)可由NDBC網(wǎng)站下載獲得(https://www.ndbc.noaa.gov/)。浮標多布放于北半球, 數(shù)據(jù)獲取頻率約為1次/h, 根據(jù)其頻率測量范圍分為兩類: 0.03—0.4Hz, 離散為38個頻率; 0.02—0.485Hz, 離散為47個頻率?？筛鶕?jù)公式(1), 將海浪譜進行積分獲取有效波高。本研究將浮標數(shù)據(jù)和S1A數(shù)據(jù)按照小于0.5°的空間窗口和小于0.5h的時間窗口進行時空匹配, 獲得400對數(shù)據(jù)用于模型驗證。

2 研究方法

本研究擬在Schulz-Stellenfleth等(2007)開發(fā)的利用ERS2 SAR數(shù)據(jù)0、NV及其乘積項(02、NV2、0×NV)共5個參數(shù)用于海浪參數(shù)反演的雙參數(shù)模型基礎上, 加入經緯度、c等信息進行反演研究。同時, 為增加模型的計算效率, 本文將利用神經網(wǎng)絡技術進行多元非線性回歸, 用于描述SAR不同輸入?yún)?shù)與有效波高之間的關系。首先將S1A數(shù)據(jù)與時空匹配后的ECWMF數(shù)據(jù)用于模型的訓練, 然后利用獨立的浮標數(shù)據(jù)對模型性能進行驗證, 同時, 選取均值偏差(Bias)、均方根誤差、散射指數(shù)、相關系數(shù)四個統(tǒng)計參數(shù)對模型性能進行定量評估。

2.1 神經網(wǎng)絡的選取

神經網(wǎng)絡是一種方便而通用的預測結果的方法, 近年來被多次應用于遙感研究中。本研究基于MATLAB進行神經網(wǎng)絡訓練, 選用的BP(back propagation)神經網(wǎng)絡, 是一種多層前饋神經網(wǎng)絡, 包括輸入層, 輸出層和隱藏層。其主要特點是信號前向傳遞, 誤差反向傳播。當神經網(wǎng)絡的輸入和輸出數(shù)據(jù)確定后, 可調整的只有隱藏層的神經元數(shù)目, 而優(yōu)化隱藏層結點數(shù), 成為神經網(wǎng)絡訓練的首要任務。實驗表明, 如隱藏層結點數(shù)過少, 網(wǎng)絡則不能具有必要的學習和信息處理能力。反之, 若過多, 不僅會增加網(wǎng)絡結構的復雜性, 還會降低網(wǎng)絡學習的速度。因此, 在神經網(wǎng)絡模型測試過程, 可對隱藏層結點數(shù)進行調整, 最終取最優(yōu)結果來確定神經元數(shù)目(王小川等, 2013; Stopa, 2017)。本文在進行神經網(wǎng)絡訓練的實驗中, 根據(jù)不同N_N模型輸入?yún)?shù)的個數(shù), 將隱藏層神經元個數(shù)設定為4—30之間, 發(fā)現(xiàn)其性能均在隱藏層神經元個數(shù)大于輸入?yún)?shù)個數(shù)時有所提升, 且在大于20時趨于穩(wěn)定, 但隨著神經元數(shù)目增多, 訓練時間也逐漸增加, 因此, 考慮到不同模型之間的對比, 本文將N_N模型的隱藏層神經元數(shù)目均定為20。

基于輸入與輸出參數(shù)之間非線性關系的考慮, 神經網(wǎng)絡采用正切S型傳遞函數(shù)(tansig)隱藏神經元和線性傳遞函數(shù)(purelin)輸出神經元。另外, 基于Levenberg-Marquardt反向傳播算法(trainlm)是現(xiàn)階段應用最廣泛的優(yōu)化算法, 可為非線性最小二乘問題提供解決方案, 本研究采用trainlm進行神經網(wǎng)絡訓練。最后, 使用均方誤差(MSE)和回歸分析評估其性能(王小川等, 2013)。

2.2 N_N模型建立

為避免神經網(wǎng)絡訓練效果受到進行不同范圍的Hs數(shù)據(jù)分層篩選等人為因素影響, 同時考慮到對全球范圍內的有效波高反演的目的以及有效波高隨季節(jié)明顯變化的特性, 本文擬在2018年所有S1A數(shù)據(jù)以及時空匹配后的ECMWF的Hs數(shù)據(jù)中每個季節(jié)選擇一個月份的數(shù)據(jù)(本文選擇1、4、7、10月份的數(shù)據(jù))作為訓練數(shù)據(jù), 同時擬采用常規(guī)神經網(wǎng)絡模型訓練方法, 在模型訓練過程中將訓練數(shù)據(jù)隨機分為60%、20%、20%, 分別用于模型建立過程中的訓練、測試和驗證。

本文首先對2018年4個月訓練數(shù)據(jù)的ECMWF的Hs數(shù)據(jù)的分布及其占2018年總Hs數(shù)據(jù)的比例分布進行了分析。1、4、7、10月份數(shù)據(jù)包括了全球范圍內不同的海況, 且分別代表冬、春、夏、秋四個季節(jié), 因此最終選擇1、4、7、10月份的數(shù)據(jù)進行訓練, 并將2018年其他月份數(shù)據(jù)作為獨立的數(shù)據(jù)(應用數(shù)據(jù))用于神經網(wǎng)絡的應用, 不參與模型的訓練。訓練數(shù)據(jù)的Hs分布情況以及在2018年所有數(shù)據(jù)中的比例分布情況的柱狀圖, 分別如圖2a和b所示, 可以看出, 其主要Hs范圍在1—4m, 且在2018年總數(shù)據(jù)中分布較均勻, 比例均在33%左右。

圖2 訓練數(shù)據(jù)的Hs分布情況

注：a: 訓練數(shù)據(jù)的Hs在每個區(qū)間內的數(shù)據(jù)量分布情況; b: 訓練數(shù)據(jù)的Hs與總數(shù)據(jù)在每個區(qū)間內的比例, 其中, 由于較低海況以及高海況的數(shù)據(jù)較少, 因此將Hs按照以下方式進行劃分: 橫軸代表不同的Hs區(qū)間, 共17個, 1代表Hs<1m; 2—15代表19m

本文選用0、NV、02、NV2、0×NV、c、skew、kurt、lon、lat、作為神經網(wǎng)絡訓練模型的輸入?yún)?shù), 通過改變輸入?yún)?shù)的個數(shù), 進行神經網(wǎng)絡模型調整, 共建立14個N_N模型, 如表1所示。

表1 不同有效波高反演模型一覽表

Tab.1 List of different Hs inversion models

N_N模型輸入?yún)?shù)中,0通常與風速和風向有關, 常用于風場反演算法中, 因此可表示海浪的短波信息(Horstmann, 2003; Li, 2011)。NV提供關于圖像均勻性和海況的信息, 反映了由于SAR圖像中的波浪而引起的回波強度調制(Stopa, 2017)?？紤]到有效波高具有明顯的緯向分布的特征, 因此在進行神經網(wǎng)絡訓練時, 加入經緯度信息, 增加輸入與輸出參數(shù)之間的空間對應性。c反映SAR非線性成像機制, 與Hs具有很強的相關性(Beal, 1983; Shao, 2016)。另外, 有研究表明, 海表面的隨機運動對SAR成像的影響取決于SAR衛(wèi)星系統(tǒng)的表征參數(shù),值越大, SAR成像海洋表面波的能力就越差, 因此,信息可用于提供海表面運動的信息(Beal, 1983)。最后利用skew、kurt來考慮SAR圖像重要的高階特征信息(Stopa, 2017)。

2.3 統(tǒng)計分析

本研究對上述N_N模型反演得到的海浪有效波高, 進行對比分析, 選擇Bias、RMSE、SI、CORR四種統(tǒng)計參數(shù)進行評價, 定義如下:

3 結果分析

為了更全面的對不同N_N模型的反演結果進行分析, 本研究分別從模式數(shù)據(jù)、獨立測量的浮標數(shù)據(jù)以及不同環(huán)境條件下的模型性能分析三個方面對海浪有效波高反演結果進行了對比分析。

3.1 N_N模型反演結果與模式數(shù)據(jù)對比

為評估上述14個神經網(wǎng)絡模型的性能, 本研究對應用數(shù)據(jù)進行了有效波高的反演, 對其結果進行了統(tǒng)計分析。本節(jié)主要分析輸出結果與進行時空配后的ECMWF數(shù)據(jù)之間的對比, 統(tǒng)計參數(shù)如表2所示。

表2 不同神經網(wǎng)絡模型輸出的Hs與ECMWF數(shù)據(jù)提供的Hs對比統(tǒng)計參數(shù)一覽表

Tab.2 Comparison statistical parameters between Hs output from different N_N models and Hs provided by ECMWF

注：Bias: 均值偏差; RMSE: 均方根誤差; CORR: 相關系數(shù); SI: 散射指數(shù)

根據(jù)表2不同模型間的Bias、RMSE、CORR、SI四個統(tǒng)計參數(shù)對比可知:

1) N_N 2與N_N 1相比, 方位向截斷波長的加入使神經網(wǎng)絡模型的性能顯著提高, 散射指數(shù)明顯下降為19.93%, Bias與RMSE分別由-0.017m、0.654m降為-0.009m、0.534m, 相關系數(shù)由0.832提升至0.892, 這與Stopa等(2017)中的結果相近, 證明了方位向截斷波長與有效波高之間的強相關性。

2) N_N3模型在N_N1模型的基礎上, 加入02、NV2、0×NV三個參量, 使得模型的統(tǒng)計參數(shù)略有提升, 均方根誤差的由0.654m降為0.643m, 以下模型均在N_N3基礎上進行改進。

3) N_N4、N_N5模型分別加入、c參數(shù), N_N6模型則同時加入、c參數(shù), N_N5與N_N6的統(tǒng)計參數(shù)相差較小, N_N4與N_N5相比, RMSE由0.557m降為0.532m, 這可能是由于c與成比例, 且其包含除信息外的更多信息的關系(Beal, 1983)。但N_N4與N_N3相比, 性能有明顯提升, 相關系數(shù)由0.838升為0.882, 因此在方位向截斷波長信息缺失或者不準確時, 可以選擇信息作為有效波高反演模型的輸入?yún)?shù)。

4) N_N7、N_N8、N_N9與N_N10、N_N11、N_N12這兩組模型分別在N_N4和N_N5的基礎上依次加入skew、kurt、skew和kurt。通過分別對這兩組模型進行分析, 可以看出, skew加入比kurt的加入, 對模型性能的改善更有優(yōu)勢, 而二者的同時加入與單獨加入skew對模型的影響相近, 統(tǒng)計參數(shù)的差別均在千分之一數(shù)量級。另外, 在模型訓練過程中, skew對模型的穩(wěn)定性有所提升, 而kurt的單獨加入會造成模型結果出現(xiàn)與ECMWF數(shù)據(jù)相差5m以上的奇異點。

5) N_N13是參照Schulz-Stellenfleth等(2007)的雙參數(shù)模型, 在N_N5基礎上加入方位向截斷波長的乘積參數(shù)(c2、0×c、NV×c)。研究表明, N_N13和N_N5統(tǒng)計參數(shù)之間的差別均在千分之一的數(shù)量級, RMSE下降了0.001m, 相關系數(shù)提升了0.001, 對模型的結果影響很小, 但輸入?yún)?shù)卻增加了8個。

6) N_N14在N_N10基礎上去掉了經緯度信息, 旨在分析經緯度信息對有效波高反演的重要性。研究表明, N_N14模型較N_N10模型, RMSE提升0.01m, SI增大0.36%, N_N10模型的性能優(yōu)于N_N14模型, 表明經緯度信息對有效波高的反演具有一定的影響, 但影響很小。

綜上所述, 14個神經網(wǎng)絡模型中, N_N10為最佳模型, 其性能最穩(wěn)定, 相關系數(shù)最高達到0.905, SI與RMSE最低, 分別為18.74%、0.502m。

為了更加直觀的對模型的性能進行分析, 本研究將N_N模型的輸出結果與ECMWF數(shù)據(jù)的輸出結果的對比散點圖及二者之間的殘差全球分布圖展示如下, 由于篇幅限制, 本文僅對N_N5、N_N10模型的輸出結果與ECMWF數(shù)據(jù)的對比散點圖由圖3表示, 將N_N10模型與ECMWF數(shù)據(jù)的對比殘差全球分布圖由圖4表示。

通過與ECMWF數(shù)據(jù)相比, 由圖3a可知, N_N10模型訓練結果較為理想, 相關系數(shù)接近0.91, SI為19.07%。圖3cN_N5模型與N_N10的散點圖分布相似度極高, 且相關系數(shù)也接近0.9, 但其Bias、RMSE均低于N_N10模型。圖3b的應用效果也較好, Bias接近于零, RMSE為0.502m, SI低于20%。其數(shù)據(jù)點集中在1—4m之間, 且基本圍繞在=左右, 與Stopa等(2017)中的結果類似。當Hs大于4m時, 隨著訓練數(shù)據(jù)點的減少, 訓練效果也逐漸變差, 尤其當Hs大于10m時, 數(shù)據(jù)點基本在=以下, 這是由于在極端海況下, 數(shù)據(jù)點較少, 神經網(wǎng)絡模型不能達到較好的學習效果造成的。

注：a: N_N10訓練數(shù)據(jù)的輸出結果; b: N_N10應用數(shù)據(jù)的輸出結果; c: N_N5訓練數(shù)據(jù)的輸出結果; d: N_N5應用數(shù)據(jù)的輸出結果; 藍色實線表示=

圖4 Hs的殘差及S1A應用數(shù)據(jù)密度的全球分布圖

注：a: S1A數(shù)據(jù)通過N_N10模型得到的Hs與ECMWF再分析數(shù)據(jù)提供的Hs的殘差全球分布圖; b: 2018年S1A應用數(shù)據(jù)全球分布密度圖

雖然圖3dN_N5模型的結果較圖3bN_N10模型稍差, 但二者的統(tǒng)計參數(shù)差別在百分之一的數(shù)量級, 均值偏差接近, 相關系數(shù)僅相差0.013。也就是說, 即使無法獲取代表雷達截面高階特征的skew、kurt時, 神經網(wǎng)絡模型反演的Hs仍然可接受。

圖4a展示了S1A二級波模式數(shù)據(jù)通過N_N10模型反演得到的Hs與ECMWF模式數(shù)據(jù)提供的Hs之差的全球分布圖。可以看出, 二者之間的殘差整體在±1m, 南半球殘差正值居多, 而北半球殘差多為負值, 且中高緯度地區(qū)殘差水平高于低緯度地區(qū), 整體色調為白色, 沿海地區(qū)有少量的紅色和藍色。數(shù)據(jù)分析得到, 二者之間的殘差小于二者的RMSE(0.502m)的數(shù)據(jù)占整體數(shù)據(jù)的90%左右, 而殘差水平大于3倍的RMSE (HsN_N10-HsECMWF>3*RMSE)的數(shù)據(jù)異常值僅為整體數(shù)據(jù)的0.1%, 異常值在全球分布且沒有空間相關性, 這與Stopa等(2017)的結果類似。表明整體殘差控制在理想的范圍之內。由圖4b可知, 在太平洋海域, S1A數(shù)據(jù)最多, 沿海地區(qū)相對稀疏, 這是由于在一些沿海地區(qū), SAR天線經常以其他模式(例如, 干涉寬幅模式)獲取數(shù)據(jù), 無法獲得波模式數(shù)據(jù)造成的(Li, 2011)。通過對比圖4a、b還可以觀察到, 殘差值的大小與應用數(shù)據(jù)點的密度成正相關關系, 數(shù)據(jù)點密集區(qū)域, 殘差為正值, 數(shù)據(jù)點稀疏的區(qū)域, 殘差為負值, 這是由于訓練數(shù)據(jù)點過少導致的神經網(wǎng)絡模型不能達到較好的學習效果, 使得訓練結果限制在一定范圍內, 相反, 數(shù)據(jù)點過于密集的區(qū)域, 可能存在過擬合現(xiàn)象。由圖4a可以看出, 殘差的高值分布區(qū)域, 一般為數(shù)據(jù)點比較少的區(qū)域, 證明了神經網(wǎng)絡模型對訓練數(shù)據(jù)的高要求。

3.2 N_N模型反演結果與浮標數(shù)據(jù)對比

本節(jié)擬將N_N模型的反演結果與獨立測量的浮標數(shù)據(jù)結果進行比較, 由于篇幅限制, 本文只將N_N10模型的與浮標數(shù)據(jù)的對比分析結果進行展示, 如圖5所示。

圖5 浮標數(shù)據(jù)提供的Hs與ECMWF再分析數(shù)據(jù)提供的Hs及S1A數(shù)據(jù)通過N_N10模型得到的Hs的對比散點圖

注：a: 浮標數(shù)據(jù)提供的Hs與ECMWF再分析數(shù)據(jù)提供的Hs比較結果; b: 浮標數(shù)據(jù)提供的Hs與S1A數(shù)據(jù)通過N_N10模型得到的Hs的比較結果; 藍色實線表示=

為了更好的分析N_N10模型輸出結果與浮標數(shù)據(jù)的差別, 本研究首先對浮標數(shù)據(jù)與時空匹配后的ECMWF模式數(shù)據(jù)進行對比, 見圖5a。由于N_N10模型是以ECMWF數(shù)據(jù)為基準進行訓練的神經網(wǎng)絡, 因此本文判斷其結果應與ECMWF數(shù)據(jù)具有相似的趨勢。

由圖5a可知, 浮標和ECMWF的有效波高整體上圍繞著=直線, 相關系數(shù)高達0.980, 散射系數(shù)為14.96%, 這表明了ECMWF再分析數(shù)據(jù)的可靠性及其用于提供可靠海況信息的能力。當Hs<2m時, 分布于=直線上方的數(shù)據(jù)點居多, 表明二者之間存在一個正偏差(HsECMWF-Hsbuoy), 數(shù)據(jù)點比較集中; 當Hs>2m時, 數(shù)據(jù)點分布在=直線左右, 數(shù)據(jù)點相對較為離散。

圖5b中散點圖分布趨勢與圖5a類似, 當Hs<2m時, 數(shù)據(jù)點基本分布于=直線上方, 當Hs>2m時, 數(shù)據(jù)點則離散的分布于=直線兩側。與圖5a相比, 圖5b的數(shù)據(jù)點則更加離散, SI值更大, 為32.27%, 圖5a、b的Bias分別為0.043m和0.263m, 均為正值, 這是由Hs<2m部分的數(shù)據(jù)所造成的。圖5b相關系數(shù)為0.894, 雖然沒有圖5a相關性高, 但也達到了較好的結果, 且二者之間相似的分布趨勢也進一步證明N_N10模型提供了可靠的Hs估計。

3.3 不同環(huán)境條件下N_N10模型的性能分析

本節(jié)擬對不同SAR觀測模式(WV1/2), 不同的c以及不同海況下的N_N10模型的Hs反演情況進行分析, 以有效波高的大小表示海況的變化。不同條件下的統(tǒng)計參數(shù)變化如表3所示。

表3 不同環(huán)境條件下的N_N10模型性能分析統(tǒng)計參數(shù)一覽表(N_N10 VS ECMWF)

Tab.3 List of statistical parameters for performance analysis of N_N10 Model under different environment conditions (N_N10 VS ECMWF)

由表3對不同入射角、Hs、c條件下的統(tǒng)計參數(shù)比較可知:

1) S1A衛(wèi)星在WV模式下以23°(WV1)和36°(WV2)兩個入射角交替工作, WV2模式的數(shù)據(jù)點較WV1的數(shù)據(jù)點略多, 但N_N10模型在WV2模式的反演結果比WV1稍差, RMSE相差0.029m, WV2的SI為19.22%, WV1的SI為18.19%, WV2的低性能是由于它的傾斜調制較弱, 信噪比較低, 在0和c中產生較大噪聲值的比率造成的(Stopa, 2017)。整體上N_N10模型在兩種SAR觀測模式下均取得了較好的反演結果。

2) 對于不同的Hs, N_N10模型性能具有明顯差異。其中, 平穩(wěn)海況(18m), N_N10模型性能大幅降低, 相關系數(shù)均在0.15以下。分析可知, 針對低海況的情況, 一方面由于用于進行模型訓練的低海況數(shù)據(jù)點較少, 神經網(wǎng)絡的學習要求未達標, 另一方面, 當Hs<1m時, 存在一些N_N10模型輸出結果與ECMWF相差很大的數(shù)據(jù)點(由圖3可知)。而高海況下, 數(shù)據(jù)點更少, N_N10與N_N5模型均處于低估的狀態(tài)。

3) 方位向截斷波長表示為SAR圖像譜在方位方向上受約束的程度, 當方位向截斷波長較大時(如,c>500m), SAR圖像譜將變得不清楚, 多數(shù)波譜成分將不可靠(Kerboal, 1998), 但N_N10模型在高c條件下, 卻取得了較好的結果, 相關系數(shù)高達0.944, Bias僅為0.102m, 而SI為35.94%表明數(shù)據(jù)較為離散。對于c小于100m的情況, 其Bias接近于0, 但相關系數(shù)很低, 為0.418, 分析可知, 由于c較小的情況下, 海面大多處于較為平穩(wěn)的狀態(tài), 訓練數(shù)據(jù)較少, 訓練效果不佳導致相關系數(shù)降低。

圖6進一步對S1A的c、N_N10模型輸出的Hs、以及N_N10模型與ECMWF對比的殘差全球分布進行展示, 從全球分布的角度, 分析三者之間的關系, 本研究選擇春秋兩個季節(jié)的數(shù)據(jù)進行分析, 以1°的經緯度窗口進行季度平均計算。

從圖6a、b、d、e可知,c與Hs均具有緯向分布的特征, 且二者具有明顯正相關關系。春、秋兩個季節(jié), 南半球平均海浪有效波高均高于北半球, 尤其在30°—50°S, 平均Hs達到5m以上, 與c分布一致, 秋季則更為明顯。秋季時期北大西洋與南印度洋均出現(xiàn)了Hs高值區(qū), Hs在5m左右, 此處c也處于高值區(qū), 而春季時期, 南印度洋、南太平洋與南大西洋Hs較秋季時期減小, 但也為高值區(qū)與相應的c的全球分布情況一致, 這也表明c可用于表示Hs的季節(jié)變化。從兩個季節(jié)的平均殘差分布圖可知, N_N10模型整體性能良好, 其殘差水平在沿岸地區(qū)高于大洋內部, 且隨著c與Hs的提高, 殘差有增大的趨勢, 且中高緯度地區(qū)的殘差水平高于低緯度地區(qū)。

圖6 S1A數(shù)據(jù)的λc、N_N10模型輸出的Hs及Hs殘差的全球分布圖

注：a、d表示S1A數(shù)據(jù)的c全球分布圖; b、e表示S1A數(shù)據(jù)通過N_N10模型得到的Hs分布圖; c、f表示N_N10模型輸出的Hs以及ECMWF再分析數(shù)據(jù)提供的Hs對比的殘差(HsN_N10-HsECMWF)分布情況; 以上數(shù)據(jù)均為季度平均的結果, 其中圖a、b、c為春季, 時間為2018年三月、五月, 圖d、e、f為秋季, 時間為2018年九月、十一月

4 結論

本文在Schulz-Stellenfleth等(2007)提出的雙參數(shù)模型的基礎上, 利用神經網(wǎng)絡技術對2018年的S1A二級波模式數(shù)據(jù)進行了海浪有效波高的反演, 對具有不同輸入?yún)?shù)的神經網(wǎng)絡模型的性能進行了分析。為了更準確的進行全球范圍的Hs反演, 本文在N_N模型中加入經緯度的信息。對模型反演結果, 除利用ECMWF再分析數(shù)據(jù)進行對比外, 還利用獨立測量的浮標數(shù)據(jù)進行了驗證, 初步得到以下結論:

1) 總體上, 14個N_N模型的反演結果與ECMWF數(shù)據(jù)相比, 均達到了可接受的訓練結果, 相關系數(shù)均在0.8以上, 且大部分模型RMS控制在0.6m以內, 其中N_N10的性能最佳, 相關系數(shù)達到0.9以上, 散射指數(shù)在19%以內。

2) 通過表2對14個模型性能的分析, 隨著c的加入, N_N模型的性能大幅提升, 相關系數(shù)達到0.88以上。其次,參數(shù)的加入也會小幅度提高模型反演的準確度, 因此, 在c缺失或者不準確時, 可選擇信息作為Hs反演模型的輸入?yún)?shù)。

3) 浮標測量數(shù)據(jù)用于驗證N_N模型算法, N_N10與浮標對比的RMS為0.607m, Bias為0.263m, 且相關系數(shù)達到了0.894, 表明將N_N10模型用于Hs的反演, 整體上達到了較好的結果。同時, 通過散點圖可知, 當Hs<2m時, N_N10模型、ECMWF均與浮標觀測結果之間存在較小的正偏差; 當Hs>2.5m時, 數(shù)據(jù)點的偏差趨于0, 但數(shù)據(jù)點相對較為離散, N_N10與浮標的散點圖分布情況與ECMWF和浮標的對比散點圖具有相似趨勢, 也進一步表明N_N10模型提供了可靠的Hs估計。由于本研究用于評估的浮標數(shù)據(jù)僅有400對, 數(shù)量較少, 因此, 為了更好的確認N_N性能, 需要進行更密集的現(xiàn)場浮標測量。

4) 通過對不同入射角下N_N10模型的性能分析, 在入射角為36°(WV2)模式的反演結果比23°(WV1)較差, RMSE相差0.029m, WV1的SI控制在19%以內。但總體上N_N10模型在兩種SAR觀測模式下均取得了不錯的反演結果。

5) 對于不同海況條件, N_N10模型性能具有明顯差異。其中, 平穩(wěn)海況(18m)的模型性能大幅降低, 相關系數(shù)均在0.15以下, 這是由于用于模型訓練的低海況及高海況的數(shù)據(jù)點較少, 神經網(wǎng)絡的學習要求未達標所造成, 但如果通過加入更大的反映所有海況下的數(shù)據(jù)集, 該模型性能將會有所改進。

6) 歷史研究表明, 較大的c, 會引起SAR圖像譜, 在方位方向上變得十分模糊, 很難用于海浪參數(shù)的提取(Kerbaol, 1998)。但本研究通過N_N10模型進行Hs反演, 在高c條件下, 卻取得了較好的結果, 相關系數(shù)高達0.944。同時, 通過對S1A數(shù)據(jù)的c以及N_N10模型反演的Hs進行春、秋兩個季節(jié)的全球分布分析可知,c與Hs的全球分布具有大致相同的緯向分布的特征, 表明c還可用來表示Hs的季節(jié)變化。

7) 通過對N_N10與ECMWF的Hs殘差全球分布圖可知, N_N10模型在全球大部分海域達到了較好的反演效果, 但在沿岸地區(qū)的有效波高反演結果仍不理想, 遠不及遠海地區(qū), 該問題與數(shù)據(jù)點的分布密度有關。因此, 通過加入包含更多沿岸數(shù)據(jù)的訓練數(shù)據(jù)用于神經網(wǎng)絡的訓練, 可以完善N_N模型在全球范圍內Hs反演的性能。

綜上分析, 本研究建立的用于Hs反演的神經網(wǎng)絡模型, 取得了較好的反演效果, 在全球范圍內提供了可靠的海浪有效波高估計。盡管本研究僅限于S1A衛(wèi)星, 但該方法還可應用于當前任何具有二級波模式數(shù)據(jù)的其他合成孔徑雷達數(shù)據(jù), 如ENVISAT、Sentinel 1B等。此外, 若在模型訓練過程中考慮海浪的傳播方向以及主波波長等信息, 模型性能將會有所改進(Stopa, 2017)。

致謝 本文使用的Sentinel 1A二級波模式數(shù)據(jù)由歐洲太空局(ESA)網(wǎng)站提供, ECMWF再分析數(shù)據(jù)集ERA5由ECMWF網(wǎng)站提供, 浮標數(shù)據(jù)由美國國家數(shù)據(jù)浮標中心(NDBC)網(wǎng)站下載, 在此表示感謝。

王小川, 史 峰, 郁 磊等, 2013. MATLAB神經網(wǎng)絡43個案例分析. 北京: 北京航空航天大學出版社, 1—32

Beal R C, Tilley D G, Monaldo F M, 1983. Large-and small-scale spatial evolution of digitally processed ocean wave spectra from SEASAT synthetic aperture radar. Journal of Geophysical Research: Oceans, 88(C3): 1761—1778

Engen G, Johnsen H, 1995. SAR-ocean wave inversion using image cross spectra. IEEE Transactions on Geoscience and Remote Sensing, 33(4): 1047—1056

Grieco G, Lin W, Migliaccio M, 2016. Dependency of the Sentinel-1 azimuth wavelength cut-off on significant wave height and wind speed. International Journal of Remote Sensing, 37(21): 5086—5104

Hasselmann K, Hasselmann S, 1991. On the nonlinear mapping of an ocean wave spectrum into a synthetic aperture radar image spectrum and its inversion. Journal of Geophysical Research: Oceans, 96(C6): 10713—10729

Hasselmann K, Raney R K, Plant W J, 1985. Theory of synthetic aperture radar ocean imaging: A MARSEN view. Journal of Geophysical Research: Oceans, 90(3): 4659—4686

Hasselmann S, Brüning C, Hasselmann K, 1996. An improved algorithm for the retrieval of ocean wave spectra from synthetic aperture radar image spectra. Journal of Geophysical Research: Oceans, 101(C7): 16615—16629

Horstmann J, Schiller H, Schulz-Stellenfleth J, 2003. Global wind speed retrieval from sar. IEEE Transactions on Geoscience and Remote Sensing, 41(10): 2277—2286

Jackson C R, Apel J R, 2004. Synthetic aperture radar marine user’s manual. U.S. Department of Commerce National Oceanic and Atmospheric Administration. http:// sarusersmanual.com

Jackson F C, Walton W T, Baker P L, 1985. Aircraft and satellite measurement of ocean wave directional spectra using scanning-beam microwave radars. Journal of Geophysical Research: Oceans, 90(C1): 987—1004, doi: 10.1029/ JC090iC01p00987

Kerbaol V, Chapron B, Vachon P W, 1998. Analysis of ERS-1/2 synthetic aperture radar wave mode imagettes. Journal of Geophysical Research: Oceans, 103(C4): 7833—7846

Li X M, Lehner S, Bruns T, 2011. Ocean wave integral parameter measurements using Envisat ASAR wave mode data. IEEE Transactions on Geoscience and Remote Sensing, 49(1): 155—174

Lyzenga D R, 1986. Numerical simulation of synthetic aperture radar image spectra for ocean waves. IEEE Transactions on Geoscience and Remote Sensing, GE-24(6): 863—872

Marghany M, Ibrahim Z, Van Genderen J, 2002. Azimuth cut-off model for significant wave height investigation along coastal water of Kuala Terengganu, Malaysia. International Journal of Applied Earth Observation and Geoinformation, 4(2): 147—160

Ren L, Yang J S, Zheng G, 2015. Significant wave height estimation using azimuth cutoff of C-band RADARSAT-2 single-polarization SAR images. Acta Oceanologica Sinica, 34(12): 93—101

Schulz-Stellenfleth J, K?nig T, Lehner S, 2007. An empirical approach for the retrieval of integral ocean wave parameters from synthetic aperture radar data. Journal of Geophysical Research: Oceans, 112(C3): C03019

Schulz-Stellenfleth J, Lehner S, Hoja D, 2005. A parametric scheme for the retrieval of two‐dimensional ocean wave spectra from synthetic aperture radar look cross spectra. Journal of Geophysical Research: Oceans, 110(C5): C05004, doi: 10.1029/2004JC002822

Shao W Z, Zhang Z, Li X F, 2016. Ocean wave parameters retrieval from Sentinel-1 SAR imagery. Remote Sensing, 8(9): 707, doi: 10.3390/rs8090707

Stopa J E, Ardhuin F, Chapron B, 2015. Estimating wave orbital velocity through the azimuth cutoff from space-borne satellites. Journal of Geophysical Research: Oceans, 120(11): 7616—7634

Stopa J E, Mouche A, 2017. Significant wave heights from Sentinel-1 SAR: validation and applications. Journal of Geophysical Research: Oceans, 122(3): 1827—1848

Wang H, Zhu J H, Yang J S, 2012. A semiempirical algorithm for SAR wave height retrieval and its validation using Envisat ASAR wave mode data. Acta Oceanologica Sinica, 31(3): 59—66

INVERSION OF GLOBAL SIGNIFICANT WAVE HEIGHT BASED ON SENTINEL-1A

MU Shan-Shan1, LI Hai-Yan1, WU Ming-Bo1, 2

(1. University of Chinese Academy of Sciences, Beijing 100049, China; 2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Science, Beijing 100101, China)

By using the technique of neural network, a new neural network model a new neural network model (N_N model) was proposed for the inversion of wave effective wave height (HS) from Sentinel-1A level-2 wave model data. Based on the two-parameter model developed by ERS2 SAR wave mode data, the model was added with other parameters including longitude, latitude, the azimuth cutoff (c), skewness, kurtosis, and the ratio () of the distance between satellite platform and the target to the satellite flight speed. The influence of each parameter on the inversion of significant wave height was analyzed using different combinations of input parameters, based on 14 models which were established for HSinversion. Results show that the correlation coefficients of all the 14 models were above 0.8. With the addition ofcand β parameters, the performance of the N_N model increased significantly, and the improvement effect ofcon the model performance was more obvious. The correlation coefficient increased by about 0.06, and RMSE decreased by about 0.12m. In addition, the addition of skewness and kurtosis also improved the performance of the N_N model as the RMSE decreased by about 0.03m, and the correlation coefficient increased by about 0.01. Among them, the N_N10 model had the best effect and the most stable performance. Compared with the ECMWF (European Centre for medium range weather forecasts), the correlation coefficient (CORR) was 0.905, and the scattering index (SI) and RMSE were the lowest, being 18.74% and 0.502m, respectively. The correlation coefficient with the independently measured buoy data reached 0.894.

neural network; significant wave height; azimuth cutoff; normalized radar cross-section

2019-12-07

P7; TP3

李海艷, 碩士生導師, 副教授, E-mail: lihaiyan@ucas.edu.cn

2019-09-21,

* 國家自然科學基金項目, 41776197號; 中國科學院大學優(yōu)秀青年教師科研能力提升項目, Y95401N號。穆珊珊, 碩士研究生, E-mail: mushanjiangnan@163.com

10.11693/hyhz20190900177