Joint Retrieval of Sea Surface Rainfall Intensity, Wind Speed, and Wave Height Based on Spaceborne GNSS-R: A Case Study of the Oceans near China
Notice bibliographique
Résumé
In this paper, a method for joint sea surface rainfall intensity (RI), wind speed, and wave height retrieval based on spaceborne global navigation satellite system reflectometry (GNSS-R) data is proposed, which especially considers the effects between these two parameters. A method of rainfall detection (RD) according to different wind speed ranges is also proposed by mitigating the impact of swell and wind speed. The results, with data collected over the oceans near Southeast Asia, show that the RD method has a detection accuracy of up to 81.74%. The RI retrieval accuracy can reach about 2 mm/h by simultaneously correcting the effects of wind speed and swell. The accuracy of wind speed retrieval is improved by about 5% after removing rainfall interference through RD in advance. After considering the influence of wind speed and eliminating rainfall interference, the retrieval accuracy of significant wave height (SWH) is improved by about 18%. Finally, the deep convolutional neural network (DCNN) model is built to estimate the SWH of the swell. The results show that the retrieval accuracy of the swell height is better than 0.20 m after excluding rainfall interference. The proposed joint retrieval method provides an important reference for the future acquisition of multiple high-precision marine geophysical parameters by spaceborne GNSS-R technology.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».