Estimation of Swell Height Using Spaceborne GNSS-R Data from Eight CYGNSS Satellites
Notice bibliographique
Résumé
Global Navigation Satellite System (GNSS)-Reflectometry (GNSS-R) technology has opened a new window for ocean remote sensing because of its unique advantages, including short revisit period, low observation cost, and high spatial-temporal resolution. In this article, we investigated the potential of estimating swell height from delay-Doppler maps (DDMs) data generated by spaceborne GNSS-R. Three observables extracted from the DDM are introduced for swell height estimation, including delay-Doppler map average (DDMA), the leading edge slope (LES) of the integrated delay waveform (IDW), and trailing edge slope (TES) of the IDW. We propose one modeling scheme for each observable. To improve the swell height estimation performance of a single observable-based method, we present a data fusion approach based on particle swarm optimization (PSO). Furthermore, a simulated annealing aided PSO (SA-PSO) algorithm is proposed to handle the problem of local optimal solution for the PSO algorithm. Extensive testing has been performed and the results show that the swell height estimated by the proposed methods is highly consistent with reference data, i.e., the ERA5 swell height. The correlation coefficient (CC) is 0.86 and the root mean square error (RMSE) is 0.56 m. Particularly, the SA-PSO method achieved the best performance, with RMSE, CC, and mean absolute percentage error (MAPE) being 0.39 m, 0.92, and 18.98%, respectively. Compared with the DDMA, LES, TES, and PSO methods, the RMSE of the SA-PSO method is improved by 23.53%, 26.42%, 30.36%, and 7.14%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».