在操作阶段进行现场海浪分析对于提高船舶和海上结构的效率和安全性至关重要。能够预测海浪的统计特性和确定性剖面有助于识别潜在风险、提高效率并支持海上决策。多项研究表明，实时获取即将到来的海浪可以有效用于优化波浪能转换（WEC）系统（Previsic等人，2021年），提前预测海洋船舶的波浪诱导响应（Alford等人，2015年；Naaijen等人，2016年），并支持船上决策（Lee等人，2022年）。大多数关于现场海浪分析的研究依赖于现场测量设备，如波浪浮标、激光传感器，甚至是船舶本身（Nielsen，2006年），或遥感技术，包括合成孔径雷达（SAR；Engen和Johnsen，1995年）和X波段雷达（Dankert和Rosenthal，2004年）。其中，基于X波段雷达的系统因其能够同时测量大范围且保持相对较高的空间分辨率而受到青睐。
X波段雷达通过检测毛细波与雷达发射的微波之间的布拉格共振产生的后向散射信号来测量海面粗糙度。大多数使用X波段雷达数据分析海浪的方法依赖于对连续图像序列应用三维快速傅里叶变换（3D-FFT）。三维波谱分析能够识别每个波分量中的多普勒频移（Senet等人，2001年）和方向特性（Young等人，1985年）。尽管X波段雷达测量具有实际应用性，但由于其测量机制的特性，它们容易受到多种调制现象的影响，包括阴影效应、倾斜和水动力效应（Nieto-Borge等人，2004年）。因此，必须引入适当的后处理算法从调制强度信号中提取海浪信息。为了解决这些问题，Nieto-Borge等人（2004年）开发了一种调制传递函数（MTF）来减轻高频谱能量的过度估计。此外，Zinchenko等人（2021a）提出了均值漂移修正算法来减弱由几何阴影引起的不连续性。这些进步通过减轻调制效应显著改善了从X波段雷达图像中提取波谱分析和重建波场的能力。
有效波高（H_S）是一个代表性的统计参数，用于表征海况的严重程度。除了作为统计描述符外，H_S在校准谱分量的能量分布中也起着关键作用。由于从非相干雷达系统获得的后向散射强度本身没有刻度，必须使用在周围区域测量或估计的H_S值来调整其幅度（Huang等人，2017年）。为了解决这一挑战，过去几十年中不断开发了基于X波段雷达图像序列的H_S估计技术。利用信噪比（SNR）的回归方法仍然是最广泛使用的H_S估计方法之一（Hessner等人，2008年；Nieto-Borge等人，2008年）。在假设SNR的平方根与H_S之间存在线性关系的情况下，可以通过结合雷达图像序列的谱分析和独立浮标测量来建立简化的回归参数。尽管基于SNR的方法有效，但它依赖于高精度测量设备（如现场波浪浮标）的校准过程，这带来了相当大的成本和操作负担。为了缓解这一限制，Gangeskar（2014年）提出了一种无需校准的H_S估计算法，该算法利用了雷达图像中固有的阴影特性。通过使用几何阴影的理论概率函数（Smith，1967年）和从雷达图像序列分析中得出的照明比，可以无需外部校准过程来估计H_S。Liu等人（2016年）和Lee等人（2024a）的后续进展进一步改进了基于阴影的H_S估计算法，提高了其准确性和适用性。
数据驱动的人工智能（AI）已成为一种广泛认可的从X波段雷达测量数据估计H_S的方法。在早期阶段，人们尝试使用机器学习技术（如多层感知器（MLP；Vicen-Bueno等人，2012年）、支持向量机（SVM；Salcedo-Sanz等人，2015年；Cornejo-Bueno等人，2016年）和时间卷积网络（TCN；Huang等人，2021年）建立从雷达测量数据中提取的代表性参数与H_S之间的功能关系。这些研究引入了与SNR、阴影概率、谱矩和从雷达图像中提取的经验特征相关的输入参数。最近，基于卷积神经网络（CNN）的深度神经网络架构被用来训练H_S估计模型，使用高分辨率的原始雷达像素强度分布作为输入（Duan等人，2020年；Chen和Huang，2021年；Zuo等人，2024年）。尽管计算需求增加，基于CNN的方法能够在不需要预先提取特征或显式预处理雷达图像的情况下实现H_S的端到端学习。
近年来，除了基于相位平均的统计分析之外，对海浪的相位分辨确定性预测的需求也在增加。这种确定性短期波预测（DSWP）能够提前几分钟实际评估海洋船舶的潜在风险和操作可行性。为此，一些研究人员尝试使用多个波浪探头的点测量数据来预测确定性波形（Wu，2004年；Blondel等人，2010年；Qi等人，2018年）。这些研究的共同结论是，波分量的群速度是确定可预测区域的关键因素（Naaijen等人，2014年）。受这些成就的启发，多项研究探索了使用X波段雷达测量数据进行DSWP。通过将波场作为初始条件并结合波传播模型，已经成功实现了实时DSWP（Naaijen和Blondel-Courprie，2012年；Blondel-Couprie和Naaijen，2012年）。在这些方法中，每个波分量的频率和相位被调整以匹配重建波场的确定性特性。或者，数据同化技术被用来优化波分量的幅度和相位，使其与重建数据一致（Al-Ani等人，2019年；Lee等人，2024b）。
开发的基于X波段雷达的DSWP系统已广泛应用于各种工程问题。其中一个主要应用是短期预测波浪引起的船舶运动，例如船载波浪和运动估计器（OWME）项目（Dannenberg等人，2010年；Naaijen等人，2016年，2018年）和环境与船舶运动预测（ESMF）系统（Alford等人，2015年；Connell等人，2015年）。在X波段雷达基于的短期运动预测技术的发展过程中，已经解决了几个实际挑战，包括与非相干雷达系统相关的缩放问题（Naaijen等人，2016年，2018年）和雷达测量的退化情况（Alford等人，2015年）。最近，受到短期运动预测技术成功应用的启发，开发了一个实时数字孪生系统，该系统结合了X波段雷达测量数据，以支持基于场景的船舶运动预测应用（Lee等人，2022年）。此外，Previsic等人（2021年）展示了X波段雷达提高波浪能转换（WEC）系统中模型预测控制（MPC）效率的潜力。所有这些努力都证明了X波段雷达系统的实际效用及其对提高海上操作效率和安全性的贡献。
在进行海浪的谱分析和短期预测之前，对H_S进行可靠的估计对于校准非相干X波段雷达图像数据至关重要。在这项研究中，介绍了两种不同的H_S估计方法来校准从雷达分析中得出的谱分量的能量分布：一种基于神经网络的人工智能方法和一种基于物理的阴影识别程序。然后研究了H_S估计精度对谱分析和确定性波场预测的影响。为此，采用了3D-FFT和数据同化技术。主要使用基于数值模拟生成的合成雷达图像进行验证和比较分析。此外，还使用现场测量的雷达数据进行了部分评估，重点关注H_S估计性能。通过这种系统的比较研究，强调了可靠的H_S估计对于准确预测未来波浪的重要性，并展示了端到端数据驱动AI框架通过提高H_S估计精度来增强海浪分析的潜力。
