Recuperación de Vientos y Olas en la Superficie del Océano a partir de Datos SAR de Doble Polarización Aumentada del Sentinel-1 Utilizando Redes Neuronales Residuales Convolucionales Profundas
Autores: Xue, Sihan; Meng, Lingsheng; Geng, Xupu; Sun, Haiyang; Edwing, Deanna; Yan, Xiao-Hai
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Recuperación de Vientos y Olas en la Superficie del Océano a partir de Datos SAR de Doble Polarización Aumentada del Sentinel-1 Utilizando Redes Neuronales Residuales Convolucionales Profundas
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Vientos en la superficie del mar
Olas
Radar de apertura sintética
Métodos de aprendizaje profundo
Vientos en la superficie del océano
Alturas significativas de las olas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Los vientos y olas en la superficie del mar son fenómenos muy importantes que existen en la capa límite aire-mar. Con la llegada del cambio climático, los efectos en cascada están atrayendo más atención hacia estos fenómenos, ya que las temperaturas más cálidas de la superficie del mar generan vientos más fuertes, alterando así las condiciones globales de las olas. El radar de apertura sintética (SAR) es un sensor poderoso para observaciones de vientos y olas en la superficie de alta resolución y ha acumulado grandes cantidades de datos. Además, los métodos de aprendizaje profundo se han utilizado cada vez más en las ciencias de la Tierra, especialmente en la inversión de información oceánica a partir de imágenes de SAR. Aquí, proponemos un método para invertir varios parámetros de los vientos y olas en la superficie del océano utilizando datos del modo IW del SAR Sentinel-1. Para asegurar que este método sea más robusto y escalable, aumentamos los datos de entrada con imágenes de SAR de polarización dual, un ángulo de incidencia y una prueba de homogeneidad más restringida. Este método adopta una estructura más profunda para recuperar más parámetros de viento y olas, y el uso de redes residuales puede acelerar la convergencia del entrenamiento y mejorar la precisión de la regresión. Utilizando 1600 muestras de entrenamiento filtradas por una nueva prueba de homogeneidad y con alturas significativas de olas entre 0 y 10 m, los resultados de los parámetros de error, incluyendo el error cuadrático medio (RMSE), el índice de dispersión (SI) y el coeficiente de correlación (COR), muestran el gran rendimiento de este método propuesto. El RMSE es de 0.45 m, 0.76 s y 1.90 m/s para la altura significativa de las olas, el período medio de las olas y la velocidad del viento, respectivamente. Además, la variación temporal y la distribución espacial de las estimaciones son consistentes con las observaciones del Satélite de Oceanografía China-Francia (CFOSAT), las mediciones de boyas, los datos del modelo regional WaveWatch3 y los datos de reanálisis ERA5.
Descripción
Los vientos y olas en la superficie del mar son fenómenos muy importantes que existen en la capa límite aire-mar. Con la llegada del cambio climático, los efectos en cascada están atrayendo más atención hacia estos fenómenos, ya que las temperaturas más cálidas de la superficie del mar generan vientos más fuertes, alterando así las condiciones globales de las olas. El radar de apertura sintética (SAR) es un sensor poderoso para observaciones de vientos y olas en la superficie de alta resolución y ha acumulado grandes cantidades de datos. Además, los métodos de aprendizaje profundo se han utilizado cada vez más en las ciencias de la Tierra, especialmente en la inversión de información oceánica a partir de imágenes de SAR. Aquí, proponemos un método para invertir varios parámetros de los vientos y olas en la superficie del océano utilizando datos del modo IW del SAR Sentinel-1. Para asegurar que este método sea más robusto y escalable, aumentamos los datos de entrada con imágenes de SAR de polarización dual, un ángulo de incidencia y una prueba de homogeneidad más restringida. Este método adopta una estructura más profunda para recuperar más parámetros de viento y olas, y el uso de redes residuales puede acelerar la convergencia del entrenamiento y mejorar la precisión de la regresión. Utilizando 1600 muestras de entrenamiento filtradas por una nueva prueba de homogeneidad y con alturas significativas de olas entre 0 y 10 m, los resultados de los parámetros de error, incluyendo el error cuadrático medio (RMSE), el índice de dispersión (SI) y el coeficiente de correlación (COR), muestran el gran rendimiento de este método propuesto. El RMSE es de 0.45 m, 0.76 s y 1.90 m/s para la altura significativa de las olas, el período medio de las olas y la velocidad del viento, respectivamente. Además, la variación temporal y la distribución espacial de las estimaciones son consistentes con las observaciones del Satélite de Oceanografía China-Francia (CFOSAT), las mediciones de boyas, los datos del modelo regional WaveWatch3 y los datos de reanálisis ERA5.