项目名称: 基于SWAN模式的卫星遥感海浪方向谱集合同化研究

项目编号: No.41306002

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 天文学、地球科学

项目作者: 任启峰

作者单位: 中国海洋大学

项目金额: 24万元

中文摘要: 目前的海浪方向谱数据同化主要采用的是基于谱分割技术的统计插值方法,方法核心仍然是从二维海浪谱积分得到主要波参数:有效波高、波平均周期和方向等,然后对这些积分波参数进行最优插值同化,这失去了海浪方向谱数据同化的本质特征和意义。模式背景误差协方差矩阵是影响同化效果的重要因素之一,它是实际海浪物理过程的函数;但在海浪数据同化中常被取成随距离增大而减小的指数分布函数,无法体现背景误差协方差的非均质、各向相异和随时间的变化性。本项目拟基于第三代海浪模式SWAN,开展新的针对谱值元素的Envisat卫星高级合成孔径雷达海浪方向谱的数据同化研究,开展海浪方向谱的模式背景误差样本集合的构造和背景误差协方差矩阵的估计分析研究。本项目完成将建立新的海浪方向谱数据同化方法和模型,并为计划明年发射的中法海洋卫星搭载的波谱仪获取的海浪方向谱数据的业务化应用进行预研。

中文关键词: 数据同化;海浪方向谱;误差样本集合;高级合成孔径雷达;非线性系统

英文摘要: The main method about the data assimilation of directional wave spectra so far is called the statistical interpolation based on the partition technique of wave spectra. The kernal of this method is that several key wave parameters which are actually assimilated, such as significant wave height, wave mean period and direction, are integrated from two-dimensional ocean wave spectrum. So this method discards the essential characteristic and meaning of data assimilation of directional wave spectra. The background error covariance matrix, which is commonly denoted as the exponential function in wave data assimilation, is one of the most important parameters affecting the assimilation result. The background error covariance is in fact the function of physical processes governing the meteorological situation. And the exponential function distribution cannot get the properties of inhomogeneity, anisotropy and the time variability of background error covariance. This project will develop the new data assimilation method of directional wave spectra which directly assimilates the spectral elements from the advanced synthetic aperture radar on the satellite Envisat. This project also constructs the sample ensemble of the background error of directional wave spectra and discusses the estimation and structural analysis about

英文关键词: data assimilation;directional wave spectrum;error sample ensemble;advanced synthetic aperture radar;nonlinear system

成为VIP会员查看完整内容
0

相关内容

【AI与电力】电动汽车发展与城市电网适应性研究
专知会员服务
16+阅读 · 2022年4月25日
专知会员服务
47+阅读 · 2021年9月9日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
71+阅读 · 2021年5月21日
专知会员服务
122+阅读 · 2021年4月29日
专知会员服务
70+阅读 · 2021年3月23日
【TAMU】最新《时间序列分析》课程笔记,527页pdf
专知会员服务
180+阅读 · 2020年9月12日
专知会员服务
37+阅读 · 2020年8月19日
专知会员服务
82+阅读 · 2020年5月16日
这20年,我“颠簸”在软件工程的列车上
AI前线
0+阅读 · 2022年3月17日
经典重温:卡尔曼滤波器介绍与理论分析
极市平台
0+阅读 · 2021年10月25日
目标跟踪算法分类
大数据技术
13+阅读 · 2018年9月17日
【学界】融合对抗学习的因果关系抽取
GAN生成式对抗网络
15+阅读 · 2018年7月14日
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年5月23日
Arxiv
0+阅读 · 2022年5月20日
Arxiv
0+阅读 · 2022年5月19日
Arxiv
12+阅读 · 2021年11月1日
Arxiv
30+阅读 · 2019年3月13日
小贴士
相关主题
相关VIP内容
【AI与电力】电动汽车发展与城市电网适应性研究
专知会员服务
16+阅读 · 2022年4月25日
专知会员服务
47+阅读 · 2021年9月9日
专知会员服务
17+阅读 · 2021年7月3日
专知会员服务
71+阅读 · 2021年5月21日
专知会员服务
122+阅读 · 2021年4月29日
专知会员服务
70+阅读 · 2021年3月23日
【TAMU】最新《时间序列分析》课程笔记,527页pdf
专知会员服务
180+阅读 · 2020年9月12日
专知会员服务
37+阅读 · 2020年8月19日
专知会员服务
82+阅读 · 2020年5月16日
相关资讯
这20年,我“颠簸”在软件工程的列车上
AI前线
0+阅读 · 2022年3月17日
经典重温:卡尔曼滤波器介绍与理论分析
极市平台
0+阅读 · 2021年10月25日
目标跟踪算法分类
大数据技术
13+阅读 · 2018年9月17日
【学界】融合对抗学习的因果关系抽取
GAN生成式对抗网络
15+阅读 · 2018年7月14日
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员