一种星载合成孔径雷达风速风向联合反演方法及系统与流程

1.本发明涉及海面风观测领域，特别是涉及一种星载合成孔径雷达风速风向联合反演方法及系统。


背景技术：

2.海面风(包括风速、风向两个要素)是海气相互作用研究中最重要的参数之一，是海洋波浪、大洋环流的主要驱动力，对于海气之间的物质、热量的交换具有重要的作用。海面风的准确观测，对海洋气象灾害预报、海洋航行保障、海洋工程建设等均有着重要意义。与传统的浮标、船舶等海上单点测量方式相比，合成孔径雷达(syntheticaperture radar，sar)遥感卫星以其全天时、全天候观测，高分辨率、大幅宽覆盖等优势，已经成为目前海面风的重要卫星遥感观测手段。
3.由于现有星载sar系统只配置一根固定的雷达天线，无法如散射计一样利用对海面的多次观测的方式同时获取风速、风向两个要素的信息，因此很多技术方案仅可通过sar图像反演海面风速的空间分布(即风场)，如申请号为202010621954x的发明专利公开的就是由sar灰度图像仅提取海面风速。而且，现有sar遥感资料同时反演风速、风向的技术，主要存在如下问题：
4.一、综合利用sar数据的同极化(如vv极化)和交叉极化(如vh极化)的信息，例如专利号为201610201642.7的发明专利公开的基于交叉极化模型与cmod5n的海面风速反演方法。但这类方法并不适用于仅有同极化的sar图像。
5.二、先获取风向信息，再结合地球物理模式函数估计风速。这类技术又分为两种：
6.(1)当sar图像包含风条纹等图像特征时，由sar图像本身获取海面风向的信息(如zhou,l.；et al.an improved local gradient method for sea surface wind direction retrieval from sar imagery.remote sens.2017.)，但是，大量不含有风条纹的sar图像则无法使用该技术。
7.(2)依赖外部数值模式资料作为先验输入，如欧洲空间局业务化的sentinel
‑
1sar数据owi海面风反演算法，即是以欧洲中期预报中心(ecmwf)提供的预报风向作为辅助输入。但这种方法对于难以获得外部数据的情况并不适用，如船载sar地面应用系统或星上快速处理系统。
8.因此，现有技术依赖外部数据，且难以实现由同极化sar数据同时反演风速、风向。


技术实现要素：

9.本发明的目的是提供一种星载合成孔径雷达风速风向联合反演方法及系统，能够由同极化sar数据同时反演风速、风向，且不依赖外部数据。
10.为实现上述目的，本发明提供了如下方案：
11.一种星载合成孔径雷达风速风向联合反演方法，包括：
12.获取风速预测模型以及所述风速预测模型对sar方位向海面风速分量和sar距离
向海面风速分量的预测误差，其中，用于训练所述风速预测模型的训练样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；
13.获取待预测的同极化sar数据，并计算待预测同极化sar数据的待预测交叉谱特征；
14.将所述待预测交叉谱特征输入所述风速预测模型，得到sar方位向海面风速初步预测分量与sar距离向海面风速初步预测分量；
15.基于gmf查找表，根据雷达入射角、后向散射系数、所述sar方位向海面风速初步预测分量、所述sar距离向海面风速初步预测分量以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，选择确定代价最小的sar方位向海面风速分量以及sar距离向海面风速分量作为最终预测结果；所述gmf查找表为雷达入射角、sar方位向海面风速分量、sar距离向海面风速分量以及基于地球物理模式函数计算得到的散射系数之间的关系表；
16.基于sar方位向海面风速分量以及sar距离向海面风速分量的最终预测结果计算海面风速和海面风向。
17.可选的，根据代价函数确定sar方位向海面风速分量u以及sar距离向海面风速分量v的代价，其中，σ
0sar
为雷达后向散射系数，δσ0为所述后向散射系数的不确定度，u
az
cnn为所述sar方位向海面风速初步预测分量，u
ra
cnn为所述sar距离向海面风速初步预测分量，δu
az
为所述风速预测模型对sar方位向海面风速分量的预测误差，δu
ra
为所述风速预测模型对所述sar距离向海面风速分量的预测误差。
18.可选的，基于同极化sar数据计算sar交叉谱特征的方法包括：
19.获取同极化sar数据的单视复图像；
20.对所述单视复图像进行交叉谱估计，获得sar交叉谱特征，所述sar交叉谱特征包括sar交叉谱的实部、虚部和相位。
21.可选的，所述方法还包括：
22.训练风速预测模型：
23.获取训练集，所述训练集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；
24.采用所述训练集对卷积深度学习模型进行训练，得到所述风速预测模型。
25.可选的，所述方法还包括：
26.确定风速预测模型的预测误差：
27.获取验证集，所述验证集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；
28.将所述验证集中的样本输入所述风速预测模型；
29.根据所述风速预测模型与所述样本的标签，确定所述风速预测模型的预测误差。
30.本发明还提供了一种星载合成孔径雷达风速风向联合反演系统，包括：
31.模型及误差获取模块，用于获取风速预测模型以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，其中，用于训练所述风速预测模型的训练样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；
32.待预测交叉谱特征求取模块，用于获取待预测的同极化sar数据，并计算待预测同极化sar数据的待预测交叉谱特征；
33.初级预测模块，用于将所述待预测交叉谱特征输入所述风速预测模型，得到sar方位向海面风速初步预测分量与sar距离向海面风速初步预测分量；
34.终级寻优预测模块，用于基于gmf查找表，根据雷达入射角、后向散射系数、所述sar方位向海面风速初步预测分量、所述sar距离向海面风速初步预测分量以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，选择确定代价最小的sar方位向海面风速分量以及sar距离向海面风速分量作为最终预测结果，所述gmf查找表为雷达入射角、sar方位向海面风速分量、sar距离向海面风速分量以及基于地球物理模式函数计算得到的散射系数之间的关系表；
35.海面风速风向计算模块，用于基于所述sar方位向海面风速分量以及sar距离向海面风速分量的最终预测结果计算海面风速和海面风向。
36.可选的，所述终级寻优预测模块包括：代价计算单元，用于根据代价函数计算sar方位向海面风速分量u以及sar距离向海面风速分量v的代价，其中，σ
0sar
为雷达后向散射系数，δσ0为所述后向散射系数的不确定度，u
az
cnn为所述sar方位向海面风速初步预测分量，u
ra
cnn为所述sar距离向海面风速初步预测分量，δu
az
为所述风速预测模型对sar方位向海面风速分量的预测误差，δu
ra
为所述风速预测模型对所述sar距离向海面风速分量的预测误差。
37.可选的，所述待预测交叉谱特征求取模块包括：
38.单视复图像获取单元，用于获取同极化sar数据的单视复图像；
39.sar交叉谱特征求取单元，用于对所述单视复图像进行交叉谱估计，获得sar交叉谱特征，所述sar交叉谱特征包括sar交叉谱的实部、虚部和相位。
40.可选的，所述系统还包括：
41.风速预测模型训练模块，用于获取训练集，所述训练集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；采用所述训练集对卷积深度学习模型进行训练，得到所述风速预测模型。
42.可选的，所述系统还包括：
43.风速预测模型的预测误差确定模块，用于获取验证集，所述验证集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；将所
述验证集中的样本输入所述风速预测模型；根据所述风速预测模型与所述样本的标签，确定所述风速预测模型的预测误差。
44.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的星载合成孔径雷达风速风向联合反演方法及系统，由于充分利用了sar卫星数据的交叉谱信息和后向散射信息，并且采用了深度卷积神经网络和地球物理模式函数查找表搜索技术，从而摆脱了对数值模式风场资料的依赖，而且能够由同极化sar数据简便快捷地联合反演海面风速、风向，且反演精度满足业务需求。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明实施例1提供的星载合成孔径雷达风速风向联合反演方法的流程示意图；
47.图2为本发明实施例1中深度学习网络的架构图；
48.图3为基于本发明的sar反演方法得到的风速与同步的浮标观测数据的散点比较图；
49.图4为基于本发明的sar反演方法得到的风向与同步的浮标观测数据的散点比较图；
50.图5为本发明实施例2提供的星载合成孔径雷达风速风向联合反演系统的结构示意图。
具体实施方式
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.本发明的目的是提供一种星载合成孔径雷达风速风向联合反演方法及系统，能够由同极化sar数据同时反演风速、风向，且不依赖外部数据。
53.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
54.实施例1
55.参见图1，本实施例提供了一种星载合成孔径雷达风速风向联合反演方法，该方法包括以下步骤：
56.步骤101：获取风速预测模型以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，其中，用于训练所述风速预测模型的训练样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量。
57.步骤102：获取待预测的同极化sar数据，并计算待预测同极化sar数据的待预测交叉谱特征。
58.具体过程可以如下：
59.读取待预测的同极化(如vv极化或hh极化)sar数据的单视复图像，对sar单视复图像进行交叉谱估计，获得待预测的sar交叉谱特征：
60.1)根据sar单视复图像，计算doppler谱，并进行分视处理得到3个sar子视图像，再对每个子视图像计算其海浪相对调制m
i
：
[0061][0062]
其中，i
i
为每个子视图像的图像强度。
[0063]
2)对于每两个相邻子视图像，计算交叉周期图：
[0064][0065]
其中，为的fft变换。
[0066]
3)计算sar图像交叉谱的实部r、虚部i和相位p：
[0067][0068][0069]
p＝arctan(i/r)
ꢀꢀꢀꢀꢀ
(5)
[0070]
其中，re,im表示取实部和取虚部运算。
[0071]
4)将交叉谱的实部、虚部和相位分别作为rgb图像中的r通道、g通道和b通道合成rgb图像，作为待预测的sar交叉谱特征。
[0072]
步骤103：将所述待预测交叉谱特征输入所述风速预测模型，得到sar方位向海面风速初步预测分量与sar距离向海面风速初步预测分量。
[0073]
步骤104：基于gmf查找表，根据雷达入射角、后向散射系数、所述sar方位向海面风速初步预测分量、所述sar距离向海面风速初步预测分量以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，选择确定代价最小的sar方位向海面风速分量以及sar距离向海面风速分量作为最终预测结果，所述gmf查找表为雷达入射角、sar方位向海面风速分量、sar距离向海面风速分量以及基于地球物理模式函数计算得到的散射系数之间的关系表。
[0074]
具体的，gmf查找表是一个l*m*n大小的三维查找表σ
0gmf
(θ,u,v)，其中l，m，n为雷达入射角、sar方位向海面风速分量、sar距离向海面风速分量三个参数索引的长度，σ0为以雷达入射角θ(采样间隔为0.1
°
，范围为20
°‑
50
°
)、sar方位向海面风速分量u(采样间隔为0.1m/s，范围0.1m/s
‑
35m/s)、sar距离向海面风速分量v(采样间隔为0.1m/s，范围0.1m/s
‑
35m/s)作为输入，通过地球物理模式函数gmf(geophysical model function)逐点计算得到的后向散射系数。
[0075]
对于c波段vv极化的sar数据，例如sentinel
‑
1，可以使用cmod5.n地球物理模式函
数进行查找表的计算：
[0076][0077]
其中，为雷达的后向散射系数，θ为雷达入射角，为海面风速，ψ＝arctan(u
az
‑
u
ra
)。b0，b1和b2均为风速和雷达入射角的函数。由于cmod5.n地球物理模式函数为现有公开的技术，其细节为本领域技术人员熟知，不再赘述。
[0078]
步骤104耦合cnn和gmf进行sar风速、风向的反演，实施方式可以如下：
[0079]
基于步骤103中得到的sar方位向海面风速初步预测分量与sar距离向海面风速初步预测分量，通过gmf查找表反演风分量：
[0080]
1)找到查找表中雷达入射角索引值中最接近sar数据雷达入射角的索引值i，并将三维查找表σ
0gmf
(θ,u,v)转换为二维查找表σ
0gmf
(i,u,v)。
[0081]
2)基于海面风速分量u,v索引，逐点计算如下代价函数：
[0082][0083]
其中，σ
0sar
为雷达后向散射系数，δσ0为所述后向散射系数的不确定度，u
az
cnn为所述sar方位向海面风速初步预测分量，u
ra
cnn为所述sar距离向海面风速初步预测分量，δu
az
为所述风速预测模型对sar方位向海面风速分量的预测误差，δu
ra
为所述风速预测模型对所述sar距离向海面风速分量的预测误差。对于vv极化的sentinel
‑
1sar数据，δσ0优选为0.5db。
[0084]
上述雷达后向散射系数σ
0sar
的获取方式可以如下：
[0085]
以sentinel
‑
1为例，辐射定标可按照欧洲空间局提供的用户手册中的定标公式完成。
[0086][0087]
其中，dn是sentinel
‑
1卫星sar数据原始幅度数码值(digitalnumber)，η为噪声等效散射系数值，a为后向散射系数定标因子。
[0088]
3)遍历查找表风分量海面风速分量u,v，找出使代价函数j(u,v)最小的sar方位向海面风速分量sar距离向海面风速分量作为最终预测结果。
[0089]
步骤105：基于所述sar方位向海面风速分量以及sar距离向海面风速分量的最终预测结果计算海面风速和海面风向。具体可采用以下公式进行计算：
[0090][0091][0092]
其中，α为sar卫星方位角,u
sar
为sar反演得到的海面风速，ψ
n
为sar反演得到的相对正北方向的海面风向。
[0093]
作为本实施例的一种实施方式，该方法还可以包括：
[0094]
风速预测模型的训练步骤：获取训练集，所述训练集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量
数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；采用所述训练集对卷积深度学习模型进行训练，得到所述风速预测模型。
[0095]
具体过程可以如下：
[0096]
(1)：卫星数据的读取
[0097]
1)读取同极化(如vv极化或hh极化)sar数据的单视复图像(single look complex,slc)、成像时间和经纬度、雷达入射角、卫星方位角。具体的，可以从sentinel
‑
1卫星vv极化sar数据中读取单视复图像、成像时间和经纬度、雷达入射角、卫星方位角。
[0098]
2)同步的散射计数据的读取
[0099]
根据1)得到的sar图像的成像时间和经纬度，读取与sar图像时间和空间相同步的散射计风速、风向数据。这里，sar与散射计满足时间差不超过30分钟，距离差不超过25km的条件，即可视为同步。
[0100]
将散射计风速、风向转换为sar方位向和距离向上的风分量。计算公式如下：
[0101]
u
az
＝u*cos(φ
‑
α) (11)
[0102]
u
ra
＝u*sin(φ
‑
α) (12)
[0103]
其中，u
az
，u
ra
为sar方位向和距离向上的风分量，u，φ分别为风速、风向，α为sar卫星方位角。
[0104]
(2)：sar数据的预处理
[0105]
对sar单视复图像进行交叉谱估计，获得sar交叉谱特征。
[0106]
1)根据sar单视复图像，计算doppler谱，并进行分视处理得到3个sar子视图像，再对每个子视图像计算其海浪相对调制m
i
：
[0107][0108]
其中，i
i
为每个子视图像的图像强度。
[0109]
2)对于每两个相邻子视图像，计算交叉周期图：
[0110][0111]
其中，为的fft变换。
[0112]
3)计算sar图像交叉谱的实部r、虚部i和相位p：
[0113][0114][0115]
p＝arctan(i/r)
[0116]
其中，re,im表示取实部和取虚部运算。
[0117]
4)将交叉谱的实部、虚部和相位分别作为rgb图像中的r通道、g通道和b通道合成rgb图像，作为卷积神经网络输入的sar交叉谱特征。
[0118]
(3)：构建估计初猜风分量值的卷积神经网络cnn(convolution neural network)
[0119]
1)构建卷积深度学习模型所需的样本数据集
[0120]
将(2)中获取的sar交叉谱特征作为样本；将从同步的散射计获取的sar方位向、距离向风分量数据作为该样本的标签。然后，将样本数据集随机打乱顺序，划分为训练数据集和验证数据集。可选的，选择随机打乱顺序的前70％样本数据集作为训练数据集，其余作为验证数据集。
[0121]
2)搭建卷积神经网络架构
[0122]
本发明采用alexnet深度学习网络架构。如图2所示，共有八层，其中前五层为卷积层，后三层为全连接层。其中，前两个全连接层使用了30％比率的随机失活(dropout)正则化方法，以减少过拟合；每一个卷积层和全连接层都使用relu激活函数。神经网络的输出有两个，分别是sar方位向和距离向上的风速分量。
[0123]
3)训练卷积神经网络，保存最优模型结构和最优参数集。
[0124]
将训练数据集输入到卷积神经网络，并利用计算机gpu进行训练，直至收敛。模型训练完成后，保存最优模型结构和最优参数集。
[0125]
可选的，训练时采用随机梯度下降(stochastic gradient descent)优化器进行模型优化，共进行120轮训练，每一批训练的数据量大小为128；初始学习率设为0.01，每25轮训练后学习率下降至原来的1/10。
[0126]
作为本实施例的一种实施方式，该方法还可以包括：
[0127]
风速预测模型的预测误差确定步骤：获取验证集，所述验证集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；将所述验证集中的样本输入所述风速预测模型；根据所述风速预测模型与所述样本的标签，确定所述风速预测模型的预测误差。
[0128]
具体过程可以如下：
[0129]
首先，将验证数据集的sar交叉谱特征输入到训练好的卷积神经网络，采用保存的最优模型结构和最优参数集，计算方位向和距离向上的风分量的估计值和然后，利用验证数据集的样本标签，计算风分量初猜值的误差δu
az
和δu
ra
：
[0130][0131][0132]
其中，std表示计算标准差运算，u
az
，u
az
为从散射计得到的sar方位向和距离向上的风分量。
[0133]
与现有技术相比，本发明的具有以下优势：
[0134]
(1)基于同极化sar数据对海面风速、风向进行反演，可以摆脱对外部风场资料的依赖，且其精度与现有技术相当。
[0135]
如图3，图4所示，本发明应用于vv极化的sentinel
‑
1sar数据，与浮标实际观测相比，风速反演均方根误差(rmse)为1.9m/s，风向反演均方根误差(rmse)为19.7
°
，均满足业务化要求的2.0m/s和20
°
。本发明利用卷积神经网络深度挖掘了sar交叉谱的信息，并结合了地球物理模式函数和sar后向散射系数，充分挖掘耦合sar卫星数据的交叉谱信息和后向散射信息，摆脱了对外部风场资料的依赖。
[0136]
(2)反演耗时少，实现简便。由于本申请预先训练了卷积神经网络模型，在实际反演中可以直接使用已保存最优模型结构和最优参数集；本发明预先生成了地球物理模式函数查找表，在实际反演中可以直接采用对查找表的快速索引，避免了大量的重复计算。
[0137]
实施例2
[0138]
参见图5，本实施例提供了一种星载合成孔径雷达风速风向联合反演系统，该系统包括：
[0139]
模型及误差获取模块501，用于获取风速预测模型以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，其中，用于训练所述风速预测模型的训练样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；
[0140]
待预测交叉谱特征求取模块502，用于获取待预测的同极化sar数据，并计算待预测同极化sar数据的待预测交叉谱特征；
[0141]
初级预测模块503，用于将所述待预测交叉谱特征输入所述风速预测模型，得到sar方位向海面风速初步预测分量与sar距离向海面风速初步预测分量；
[0142]
终级寻优预测模块504，用于基于gmf查找表，根据雷达入射角、后向散射系数、所述sar方位向海面风速初步预测分量、所述sar距离向海面风速初步预测分量以及所述风速预测模型对sar方位向海面风速分量和sar距离向海面风速分量的预测误差，选择确定代价最小的sar方位向海面风速分量以及sar距离向海面风速分量作为最终预测结果，所述gmf查找表为雷达入射角、sar方位向海面风速分量、sar距离向海面风速分量以及基于地球物理模式函数计算得到的散射系数之间的关系表；
[0143]
海面风速风向计算模块505，用于基于所述sar方位向海面风速分量以及sar距离向海面风速分量的最终预测结果计算海面风速和海面风向。
[0144]
其中，所述终级寻优预测模块504包括：代价计算单元，用于根据代价函数计算sar方位向海面风速分量u以及sar距离向海面风速分量v的代价，其中，σ
0sar
为雷达后向散射系数，δσ0为所述后向散射系数的不确定度，u
az
cnn为所述sar方位向海面风速初步预测分量，u
ra
cnn为所述sar距离向海面风速初步预测分量，δu
az
为所述风速预测模型对sar方位向海面风速分量的预测误差，δu
ra
为所述风速预测模型对所述sar距离向海面风速分量的预测误差。
[0145]
所述待预测交叉谱特征求取模块502包括：
[0146]
单视复图像获取单元，用于获取同极化sar数据的单视复图像；
[0147]
sar交叉谱特征求取单元，用于对所述单视复图像进行交叉谱估计，获得sar交叉谱特征，所述sar交叉谱特征包括sar交叉谱的实部、虚部和相位。
[0148]
作为实施例的一种实施方式，所述系统还包括：
[0149]
风速预测模型训练模块，用于获取训练集，所述训练集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；采用所述训练集对
卷积深度学习模型进行训练，得到所述风速预测模型。
[0150]
作为实施例的一种实施方式，所述系统还包括：
[0151]
风速预测模型的预测误差确定模块，用于获取验证集，所述验证集中的样本为基于同极化sar数据计算得到的sar交叉谱特征，标签为基于与所述sar数据时间和空间相同步的散射计测量数据计算得到的sar方位向海面风速分量与sar距离向海面风速分量；将所述验证集中的样本输入所述风速预测模型；根据所述风速预测模型与所述样本的标签，确定所述风速预测模型的预测误差。
[0152]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0153]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。