Volltextdatei(en) vorhanden
Titel: An algorithm to derive wind speed and direction as well as ocean wave directional spectra from HF radar backscatter measurements based on neural network
Sonstige Titel: Ein Algorithms zur Bestimmung von Windgeschwindigkeit und -richtung sowie Seegangsrichtungsspekten aus Radarrückstreumessungen im Bereich 8 bis 30 MHz unter Verwendung von neuronalen Netzen
Sprache: Englisch
Autor*in: Shen, Wei
GND-Schlagwörter: Radarfernerkundung
Anemometrie
Neuroales Netz
Erscheinungsdatum: 2011
Tag der mündlichen Prüfung: 2010-12-16
Zusammenfassung: 
Die Technologie der landgestützten Hochfrequenz-Radare (HF, 3-30 MHz) bietet die einzigartige Möglichkeit der permanenten Überwachung von Oberflächenparametern des Ozeans bis zu 200 km vor der Küste. Das an der Universität Hamburg entwickelte HF Radar System erlaubt die verlässliche Beobachtung der Oberflächenströmungen und Wellen. Windrichtungsmessungen sind ebenfalls möglich, wobei die Windgeschwindigkeitsmessung immer noch Probleme bereitet. In Küstengebieten mit komplexer Topography variieren die oceanischen und atmosphärischen Verhältnisse sowohl räumlich wie zeitlich. Z.B. verursacht der täglich wechselnde Temperaturunterschied zwischen Land und Ozean eine entsprechende Umkehr der Windrichtung (Land-See-Wind Umkehr) und küstennahe Berge haben einen bedeutenden Einfluss auf die Windgeschwindigkeit und Windrichtung. Solche mesoskaligen Wettererscheinungen mit ihren oberflächennahen Luftströmungen stellen in Küstenregionen ein kompliziertes System dar. HF Radar kann zu Forschungszwecken in diesem Bereich gute Dienste leisten, weil es unter allen Witterungsbedingungen räumlich hochauflösend und zeitnah eingesetzt werden kann.

Umfangreiche Datensätze des Ozeans werden heutzutage durch Fernerkundungsmethoden gewonnen, die die Rückstreuung elektromagnetischer Wellen von der rauen Wasseroberfläche nutzen. Verschiedenste Techniken zur Lösung von Inversionsproblemen wurden während der letzten Jahrzehnte vorgeschlagen. Darunter, die Verwendung Künstlicher Neuronaler Netze, die ideal auf Anwendungen zugeschnitten sind, bei denen die Beziehung zwischen Eingang(ssignal) und Ausgang(ssignal) entweder unbekannt oder zu kompliziert ist, um analytisch beschrieben zu werden.
In dieser Arbeit, wird die grundlegende Idee umgesetzt die vom HF Radar erzeugten Eingabe/Ausgabe Paare und in-situ Messungen zu nutzen um das neuronale Netzwerk zu trainieren. Diese Studie zielt deshalb darauf ab ein Neuronales Netzwerk zu benutzen um die Komplexität und Nicht-linearität sowohl der Radar Fernerkundung wie der Wind-Wellen-Beziehung zu bewältigen.

Zur Untersuchung der Windwirkung an der Wasseroberfläche unter kontrollierten Randbedingungen wurde das Wellenmodel HIPOCAS (HIndcast of dynamics Processes of the Ocean and Coastal Areas) eingesetzt. Die Analyse der Modellergebnisse erlaubt die Entwicklung eines besseren Verständnisses der Wind-Wellen-Wechselwirkung.
Dies führt zum Vorschlag neuer Methoden zur Ermittlung des Windes aus der HF Radarrückstreuung. In dieser Dissertation wird die Wind-Bestimmung aus HF Radar Fernerkundungsdaten anhand von zwei Experimenten verifiziert: Zum einen das Fedje-Experiment in Norwegen und zum anderen das Ligurian-See-Experiment in Italien.
Beim Fedje-Experiment wurde das HF Radar mit einer Arbeitsfrequenz von 27.68 MHz betrieben, womit eine geringere Reichweite bei einer höheren Entfernungsauflösung verbunden ist. Beim Ligurian-See-Experiment hingegen lag die Arbeitsfrequenz bei 12-13 MHz und ermöglichte somit Reichweiten bis 120 km. In-situ Daten von Wind und Wellen wurden zum Training des Neuronalen Netzwerks genutzt. Diese Dissertation präsentiert die Theorie der HF Radarrückstreuung an winderzeugten Wasserwellen sowie die Windbestimmung mittels Neuronaler Netze und konventioneller Methoden.

The technology of land-based High Frequency (HF, 3--30 MHz) radar has the unique capability of continuously monitoring ocean surface parameters up to 200 km off the coast. The HF radar system developed at the University of Hamburg can provide reliable surface current and wave observations. Wind direction measurement is also possible, however, wind speed measurement is still a problem. In the coastal area with a complex topography, the atmospheric and oceanic conditions vary spatially and temporally. For example, the thermal contrast between the land and the ocean produces the daily changing land-sea breeze, and mountains at the coast affect the wind speed and direction significantly. All these make the mesoscale weather systems and associated surface winds in the coastal region complicated. HF radar can solve this problem due to its high resolution (300 m - 1500 m) and it can be operated in real-time and at all weather conditions.

A large amount of ocean data is nowadays collected by remote sensing methods using electromagnetic waves scattered from the rough sea surface. Various techniques for solving inversion problems have been proposed over the last few decades. Among these, Artificial Neural Network (ANN) is ideally suited for applications where the relationship of input and output is either unknown or too complex to be described analytically. In this work, the basic idea is to use the input-output pairs generated by the radar data and in-situ measurements to train the network. This study therefore addresses the issue using a neural network to tackle the complexity and non-linearity of both radar remote sensing and the wind-wave relationship.

In order to investigate how wind acts on the sea surface in a controlled environment, the HIPOCAS (HIndcast of dynamic Processes of the Ocean and Coastal AreaS) wave model data is analyzed to get a better understanding of the relationship between the wind and waves. As a result, new methods are proposed for wind inversion from HF radar backscatter. In this dissertation, the wind inversion from HF radar remote sensing is verified by two experiments: the Fedje experiment in Norway and the Ligurian Sea experiment in Italy. The radar operates at a frequency of 27.68MHz during the Fedje experiment, providing shorter radar working range but higher range resolution. During the Ligurian Sea experiment, the radar operates at 12-13MHz, covering a range up to 120 kilometers. In-situ wind and wave measurements are used to train the neural network. This dissertation presents the wind wave and HF radar scattering theory as well as the wind inversion using neural networks and conventional approaches.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/3916
URN: urn:nbn:de:gbv:18-49699
Dokumenttyp: Dissertation
Betreuer*in: Stammer, Detlef (Prof. Dr.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung Prüfsumme GrößeFormat  
An_algorithm_to_derive_wind_speed.pdf618118391905f50223dbce9b1df0be8f7.46 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

313
Letzte Woche
Letzten Monat
geprüft am 28.03.2024

Download(s)

62
Letzte Woche
Letzten Monat
geprüft am 28.03.2024
Werkzeuge

Google ScholarTM

Prüfe