Aufgrund des Brechens der Wellen und ihrer Entwicklung treten im Wellenzahlangfrequenzspektrum Gruppenlinien und höherwertige Harmonische auf, begleitet von einer Verringerung der Hauptwellenenergie. Gruppenlinien werden oft als Hauptursache für die Überschätzung der Wellenperiode durch kohärente Mikrowellenradare angesehen. Frühere Studien versuchten, einen Teil oder die gesamte Energie der Gruppenlinien zu entfernen, um die Genauigkeit der Wellenperiodenschätzung zu verbessern. Aufgrund der Unsicherheit in der Energiedistribution im Wellenzahlangfrequenzspektrum existiert jedoch immer eine gewisse Abweichung bei der Inversion der Wellenperiode aus dem Spektrum. Daher wird in dieser Arbeit eine Methode zur Schätzung der mittleren Wellenperiode vorgeschlagen, die ein Ensemblemodell aus Random Forest und linearer Regression auf der Basis eines kohärenten X-Band-Radars verwendet. Diese Methode schätzt die Wellenperiode direkt aus den Bewegungsmustern der Wellen in der raumzeitlichen Geschwindigkeitssequenz; zunächst wird die Echo-Geschwindigkeits-Raumzeitsequenz aus dem zeitlichen Dopplerspektrum des Radars abgeleitet; anschließend werden Merkmale aus der Geschwindigkeitssequenz extrahiert und mit ECMWF-Daten ein Modell zur Vorhersage der minimalen Scheitelabstände aufgebaut, um Positionen der Wellenberge und -täler zu finden; schließlich wird die mittlere Wellenperiode mithilfe der Beziehung zwischen Wellenlänge und Periode invertiert. Die Wirksamkeit der Methode wurde durch Simulationen verifiziert. Darüber hinaus wurde ein nahezu 3-Tage Datensatz analysiert, der von einem kohärenten X-Band-Radar an der Küste der Provinz Shandong, China, aufgenommen wurde, um die mittlere Wellenperiode zu invertieren, wobei die quadratischen Mittelwerte der Fehler für vertikale (VV) und horizontale (HH) Polarisationen jeweils 0,15 bzw. 0,22 s betrugen. Die Ergebnisse zeigen, dass die Methode eine Echtzeit-Schätzung von Wellenparametern ermöglicht.

Kohärentes X-Band-Radar; mittlere Wellenperiode; raumzeitliche Geschwindigkeitssequenz; vertikale Polarisation (VV); horizontale Polarisation (HH); Random Forest; Echtzeit-Schätzung