Aufgrund von Brüchen und ihrer Entwicklung treten im Frequenzspektrum der Welle Gruppenlinien und höhere Harmonische auf, die von einer Abnahme der Hauptwellenenergie begleitet werden. Gruppenlinien werden oft als Hauptursache für die Überschätzung der Wellenperiode durch Mikrowellenradare betrachtet. Viele Methoden versuchen, einen Teil oder die gesamte Energie der Gruppenlinien zu beseitigen, um die Genauigkeit der Wellenperiodenschätzung zu verbessern. Aufgrund der Unsicherheit der Energieverteilung im Frequenzspektrum gibt es jedoch immer eine gewisse Abweichung bei der Inversion der Wellenperiode aus dem Spektrum. Um dieses Problem zu lösen, schlägt dieser Artikel eine Methode zur Schätzung der durchschnittlichen Wellenperiode mit einem integrierten Modell auf der Basis des Random Forest und der linearen Regression des X-Band-Coherent-Radars vor. Die Wellenperiode wird direkt aus den Bewegungsmustern in der räumlich-zeitlichen Geschwindigkeitsreihe, die aus dem Radar erhalten wurde, geschätzt. Zunächst wird die aus der Doppler-Zeitserie abgeleitete räumlich-zeitliche Geschwindigkeitsreihe erhalten. Dann werden Merkmale aus der räumlich-zeitlichen Geschwindigkeitsreihe extrahiert und ein Modell zur Vorhersage des minimalen Spitzenabstands und zum Auffinden der Positionen von Spitzen und Tälern erstellt. Schließlich wird die Wellenperiode mithilfe der Beziehung zwischen Wellenlänge und Wellenperiode invertiert. Die Effektivität dieser Methode wurde durch Simulation verifiziert. Darüber hinaus ermöglichte die Analyse der in den letzten 3 Tagen mit dem X-Band-Coherent-Radar in der Küstenregion der chinesischen Provinz Shandong gesammelten Daten die Inversion der durchschnittlichen Wellenperiode mit mittleren quadratischen Fehlern des vertikalen (VV) und horizontalen (HH) Polarisationsfehlers von 0,15 bzw. 0,22 Sekunden. Die Ergebnisse zeigen, dass diese Methode eine Echtzeit-Schätzung der Wellenparameter ermöglichen kann.

X-Band-Coherent-Radar, durchschnittliche Wellenperiode, räumlich-zeitliche Geschwindigkeitsreihe, Vertikalpolarisation (VV), Horizontalpolarisation (HH), Random Forest, Echtzeitschätzung