海面的风速检索对于科学和操作应用至关重要。除了天气模型,原位测量和遥感技术,尤其是卫星传感器外,还提供了互补的手段来监视风速。随着海面风产生传播水下的声音,水下声学录音也可以传递与风向相关的信息。尽管模型驱动的方案,尤其是数据同化方法,是解决地球科学反向问题的最新方案,但机器学习技术变得越来越有吸引力,可以完全利用观察数据集的潜力。在这里,我们介绍了一种深度学习方法,用于从水下声学中检索风速序列,这可能是由其他数据源(例如天气模型重新分析)进行补充的。我们的方法桥接数据同化和基于学习的框架,以从先前的物理知识和计算效率中受益。实际数据上的数值实验表明,我们优于最先进的数据驱动方法,其相对增益就RMSE而言高达16%。有趣的是,这些结果支持水下声学数据的时间动力学的相关性,以更好地告知风速的时间演变。他们还表明,在这里,多模式数据(此处的水下声学数据与ECMWF重新分析数据相结合)可能会进一步改善重建性能,包括相对于缺少水下的声学声学数据的鲁棒性。
translated by 谷歌翻译