ИСТИНА

Морские судовые радары X-диапазона обеспечивают не только навигацию и безопасность судов, но и дополнительные данные, такие как характеристики ветровых волн, поверхностных течений, разливов нефти и ледовые карты. Оценка параметров ветрового волнения по данным радаров традиционно основывается на анализе Фурье и дисперсионном соотношении, позволяющем по соотношению сигнала к шуму в Фурье-образе оценить значимую высоту ветровых волн и их период с использованием калибровочных коэффициентов. Эти методы реализованы в серии прикладных коммерческих и научных решений. Эти методы обладают рядом недостатков, среди которых - необходимость набора большой последовательности радарных снимков, специфичность калибровочных коэффициентов для каждой отдельной модели радара. В то же время, методы машинного обучения потенциально могут преодолеть такие ограничения. В нашем исследовании мы демонстрируем возможность оценки значимой высоты ветровых волн по данным морского судового радара X-диапазона с применением искусственных нейронных сетей. В этом подходе анализу подвергается только один радарный снимок; метод не подразумевает использование калибровочных коэффициентов. Нейросеть сконструирована на основе подхода сверточных искусственных нейронных сетей с использованием остаточных соединений и гармонического позиционного кодирования. Мы обучили эту нейросеть на наборе данных, полученных в ходе нескольких морских исследовательских экспедиций в Центральной и Северной Атлантике, а также в морях российского сектора Арктики. Нейросеть продемонстрировала более высокую точность определения значимой высоты ветрового волнения по сравнению с классическим подходом. Для дальнейшего повышения качества оценки мы планируем пополнять обучающий набор данных, который будет покрывать расширенный диапазон волновых условий. Кроме этого, мы планируем повышать качество за счет предварительного обучения на синтетических данных, правдоподобно имитирующих радарную картину взволнованной поверхности океана.