GloWS-Net: A Deep Learning Framework for Retrieving Global Sea Surface Wind Speed Using Spaceborne GNSS-R Data
Notice bibliographique
Résumé
Spaceborne Global Navigation Satellite System Reflectometry (GNSS-R) is a new remote sensing technology that uses GNSS signals reflected from the Earth’s surface to estimate geophysical parameters. Because of its unique advantages such as high temporal and spatial resolutions, low observation cost, wide coverage and all-weather operation, it has been widely used in land and ocean remote sensing fields. Ocean wind monitoring is the main objective of the recently launched Cyclone GNSS (CYGNSS). In previous studies, wind speed was usually retrieved using features extracted from delay-Doppler maps (DDMs) and empirical geophysical model functions (GMFs). However, it is a challenge to employ the GMF method if using multiple sea state parameters as model input. Therefore, in this article, we propose an improved deep learning network framework to retrieve global sea surface wind speed using spaceborne GNSS-R data, named GloWS-Net. GloWS-Net considers the fusion of auxiliary information including ocean swell significant wave height (SWH), sea surface rainfall and wave direction to build an end-to-end wind speed retrieval model. In order to verify the improvement of the proposed model, ERA5 and Cross-Calibrated Multi-Platform (CCMP) wind data were used as reference for extensive testing to evaluate the wind speed retrieval performance of the GloWS-Net model and previous models (i.e., GMF, fully connected network (FCN) and convolutional neural network (CNN)). The results show that, when using ERA5 winds as ground truth, the root mean square error (RMSE) of the proposed GloWS-Net model is 23.98% better than that of the MVE method. Although the GloWS-Net model and the FCN model have similar RMSE (1.92 m/s), the mean absolute percentage error (MAPE) of the former is improved by 16.56%; when using CCMP winds as ground truth, the RMSE of the proposed GloWS-Net model is 2.16 m/s, which is 20.27% better than the MVE method. Compared with the FCN model, the MAPE is improved by 17.75%. Meanwhile, the GloWS-Net outperforms the FCN, traditional CNN, modified CNN (MCNN) and CyGNSSnet models in global wind speed retrieval especially at high wind speeds.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».