항해용 X-band 레이다를 이용한 파랑관측은 기존의 파랑관측 방법인 부이식 파고계, 압력식 파고계, 초음파식 파고계에 비해 많은 이점이 있다. 예를 들면 유실과 파손의 위험이 없고, 유지관리 비용이 적게 들며, 심해부터 천해까지 파랑의 공간적 분포를 알 수 있다. 본 논문에서는 레이다형 파고계의 유의파고 측정 정확도를 높이는 인공신경망을 이용한 알고리즘을 제시하였다. 레이다형 파고계에서 유의파고를 추정하는 전통적인 방법은 신호 대 잡음 비율(${\sqrt{SNR}}$) 또는 신호 대 잡음 비율과 첨두주기(TP)를 이용하는 방법이 있다. 본 연구에서는 신호 대 잡음 비율, 첨두주기 및 레이다 이미지 해상도 비율(Rval > k)을 입력변수로 하는 인공신경망 알고리즘을 이용하여 유의파고 추정의 정확도를 향상시켰다. 개발된 알고리즘을 울진 후정해수욕장에서 초음파식 파고계로 측정한 유의파고의 시계열과 비교하여 정확도 향상을 확인하였다.
항해용 X-band 레이다를 이용한 파랑관측은 기존의 파랑관측 방법인 부이식 파고계, 압력식 파고계, 초음파식 파고계에 비해 많은 이점이 있다. 예를 들면 유실과 파손의 위험이 없고, 유지관리 비용이 적게 들며, 심해부터 천해까지 파랑의 공간적 분포를 알 수 있다. 본 논문에서는 레이다형 파고계의 유의파고 측정 정확도를 높이는 인공신경망을 이용한 알고리즘을 제시하였다. 레이다형 파고계에서 유의파고를 추정하는 전통적인 방법은 신호 대 잡음 비율(${\sqrt{SNR}}$) 또는 신호 대 잡음 비율과 첨두주기(TP)를 이용하는 방법이 있다. 본 연구에서는 신호 대 잡음 비율, 첨두주기 및 레이다 이미지 해상도 비율(Rval > k)을 입력변수로 하는 인공신경망 알고리즘을 이용하여 유의파고 추정의 정확도를 향상시켰다. 개발된 알고리즘을 울진 후정해수욕장에서 초음파식 파고계로 측정한 유의파고의 시계열과 비교하여 정확도 향상을 확인하였다.
Wave measurements using X-band radar have many advantages compared to other wave gauges including wave-rider buoy, P-u-v gauge and Acoustic Doppler Current Profiler (ADCP), etc.. For example, radar system has no risk of loss/damage in bad weather conditions, low maintenance cost, and provides spatia...
Wave measurements using X-band radar have many advantages compared to other wave gauges including wave-rider buoy, P-u-v gauge and Acoustic Doppler Current Profiler (ADCP), etc.. For example, radar system has no risk of loss/damage in bad weather conditions, low maintenance cost, and provides spatial distribution of waves from deep to shallow water. This paper presents new methods for estimating significant wave heights of X-band marine radar images using Artificial Neural Network (ANN). We compared the time series of estimated significant wave heights (Hs) using various estimation methods, such as signal-to-noise ratio (${\sqrt{SNR}}$), both and ${\sqrt{SNR}}$ the peak period (TP), and ANN with 3 parameters (${\sqrt{SNR}}$, TP, and Rval > k). The estimated significant wave heights of the X-band images were compared with wave measurement using ADCP(AWC: Acoustic Wave and Current Profiler) at Hujeong Beach, Uljin, Korea. Estimation of Hs using ANN with 3 parameters (${\sqrt{SNR}}$, TP, and Rval > k) yields best result.
Wave measurements using X-band radar have many advantages compared to other wave gauges including wave-rider buoy, P-u-v gauge and Acoustic Doppler Current Profiler (ADCP), etc.. For example, radar system has no risk of loss/damage in bad weather conditions, low maintenance cost, and provides spatial distribution of waves from deep to shallow water. This paper presents new methods for estimating significant wave heights of X-band marine radar images using Artificial Neural Network (ANN). We compared the time series of estimated significant wave heights (Hs) using various estimation methods, such as signal-to-noise ratio (${\sqrt{SNR}}$), both and ${\sqrt{SNR}}$ the peak period (TP), and ANN with 3 parameters (${\sqrt{SNR}}$, TP, and Rval > k). The estimated significant wave heights of the X-band images were compared with wave measurement using ADCP(AWC: Acoustic Wave and Current Profiler) at Hujeong Beach, Uljin, Korea. Estimation of Hs using ANN with 3 parameters (${\sqrt{SNR}}$, TP, and Rval > k) yields best result.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
The primary purpose of the present study is to improve the accuracy of estimation of significant wave heights observed by X-band marine radar. We have tested our estimation methods of significant wave heights (Hs) using ANN at Hujeong Beach, Uljin.
This study was performed by projects of ‘Investigation of large swell waves and rip currents and development of the disaster response system (No. 20140057)’ sponsored by the Ministry of Oceans and Fisheries.
대상 데이터
The radar was stationed at a height of 20m above sea level and scanned sea surfaces of radius from 450m to 1, 218m as is shown in Fig. 3. The shoreline of Hujeong Beach stretches from the northwest to the southeast.
The radar was stationed at the height of 20m above sea level and scanned the sea surface of radius from 450m to 1, 218m. The data used for the analysis had been obtained from December 15 to December 23, 2014.
">function. The total number of radar data used in the analysis is 576. The number of ANN training dataset is 144 which is uniformly sampled from total data.
이론/모형
In this study, The number of neurons in the hidden layer was 10. Levenberg-Mar-quardt was used for the ANN learning method, and the tangent-sigmoid function was used for the transfer function. The total number of radar data used in the analysis is 576.
후속연구
However, the accuracy of wave heights measured by X-band radar is relatively low compared to other wave gauges. Therefore, further research is needed to improve the accuracy of X-band marine radar.
참고문헌 (6)
Ahn, K., Chun, J. and Cheon, S.H. (2014). New calibration method applicable to significant wave heights obtained by X-band radar. Coastal Engineering Proceedings, (34), 15-15.
Ahn, K., Oh, C.Y. and Chun, H. (2015). Algorithm for detection of current and water-depth using X-band marine radar. Procedia Engineering, 116, 818-823.
Alpers, W. and Hasselmann, K. (1982). Spectral signal to clutter and thermal noise properties of ocean wave imaging synthetic aperture radars. International Journal of Remote Sensing, 3(4), 423-446.
Nieto Borge, J., RodrIguez, G.R., Hessner, K. and Gonzalez, P.I. (2004). Inversion of marine radar images for surface wave analysis. Journal of Atmospheric and Oceanic Technology, 21(8), 1291-1300.
Young, I.R., Rosenthal, W. and Ziemer, F. (1985). A three-dimensional analysis of marine radar images for the determination of ocean wave directionality and surface currents. Journal of Geophysical Research: Oceans, 90(C1), 1049-1059.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.