深度学习方法在海浪有效波高数据高分辨率处理中的应用

发布时间：2024-06-03 23:20

　　本文基于欧洲中期天气预报中心的有效波高数据,运用传统的双三次插值(Bicubic interpolation)、克里金插值(Kriging interpolation)以及两种改进的超分辨率卷积神经网络(Super-Resolution CNN,简称SRCNN)进行高分辨率处理,使用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、均方根误差(Root-Mean-Square Error,RMSE)、结构相似度(Structural Similarity,SSIM)、余弦相似性(Cosine Similarity)等评价指标比较了各种方法的高分辨率处理效果,并分析了每种方法的误差分布特点。结果表明,改进的SRCNN方法(SRCNN₂)是一种在整体效果、局部细节和计算效率方面均比较优秀的高分辨率处理方法,是深度学习方法在海洋数据高分辨率处理问题上一次成功的应用,但改进的SRCNN方法在近岸有效波高数据的处理效果方面还有待提高。

【文章页数】：8 页

【部分图文】：

图3第二次实验不同插值方法的效果对比:

图2第一次实验不同插值方法的效果对比4分析与讨论

图4第一次实验估计误差分布场

进一步分析误差的空间分布规律,图4和5分别展示了两次实验的估计误差分布场,分析误差分布特点可以看出:Kriging方法的整体估计(见图5(b))偏高在边缘处的估计偏低且误差大,两种SRCNN算法的误差分布场整体趋势与Bicubic算法一致,但误差范围明显小于Bicubic算法,....

图6近岸海域的效果对比

为了进一步测试SRCNN_2方法的效果,选取0.75°S～23.125°S,66.875°W～89.25°W的近岸海域进行测试,测试效果如图6所示。相比于双三次插值,SRCNN_2方法在海岸线的还原上效果较好,但是靠近海岸线部分的值偏小。误差原因可能如下:在卷积过程中,对陆地的处....

图5第二次实验估计误差分布场

图4第一次实验估计误差分布场4.3近岸海域的测试

本文编号：3988535