The knowledge of speed and direction of coastal ocean currents are critical for carrying out search and rescue at sea, to respond to the hazardous marine oil spills, to estimate the dispersal pattern of pollutants, to issue warnings against tsunamis and cyclones etc. Such operations need uninterrupted observational data of sea surface currents over wide area with high spatial and temporal resolution. The High frequency (HF) radars installed at the shore, sense the surface of ocean using electromagnetic waves, and provide the speed and direction of ocean currents over a specific spatial domain at high temporal resolution. However, the frequent gaps in the data are a concern for its usage. The gaps arise due to its dependence on the roughness of the sea other electromagnetic interferences from environment sources and due to data acquisition failures. Hence, it is necessary to fill the gaps for successful usage of HF radar data. The present work describes a method to fill the gaps in the HF radar data using complex empirical orthogonal functions (CEOF). Before filling the missing data, HF radar data is assessed with available observations. The CEOFs are calculated iteratively using singular value decomposition. The number of statistically significant CEOFs required to construct the missing HF radar currents data accurately along the Indian coast are obtained through a cross-validation procedure. The proposed method is first validated for various rates of synthetic data gaps created in synthetic data and in model derived cyclonic wind fields and comparisons are illustrated, the reconstructed data and the original data are in good match

中文翻译：

---

使用复杂的经验正交函数填充高频雷达海面流数据的间隙

了解沿海洋流的速度和方向对于在海上进行搜救、应对危险的海洋石油泄漏、估计污染物的扩散模式、发布海啸和飓风警报等至关重要。此类操作需要具有高时空分辨率的大面积海面海流的不间断观测数据。安装在岸边的高频 (HF) 雷达使用电磁波感应海洋表面，并以高时间分辨率提供特定空间域上洋流的速度和方向。然而，数据中经常出现的空白是其使用的一个问题。由于其依赖于来自环境源的其他电磁干扰的海洋粗糙度以及由于数据采集失败而产生的差距。因此，有必要填补成功使用 HF 雷达数据的空白。目前的工作描述了一种使用复杂经验正交函数 (CEOF) 来填补 HF 雷达数据空白的方法。在填充缺失数据之前，HF 雷达数据会根据可用的观测结果进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 有必要填补成功使用 HF 雷达数据的空白。目前的工作描述了一种使用复杂经验正交函数 (CEOF) 来填补 HF 雷达数据空白的方法。在填充缺失数据之前，HF 雷达数据会根据可用的观测结果进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 有必要填补成功使用 HF 雷达数据的空白。目前的工作描述了一种使用复杂经验正交函数 (CEOF) 来填补 HF 雷达数据空白的方法。在填充缺失数据之前，HF 雷达数据会根据可用的观测结果进行评估。CEOF 是使用奇异值分解迭代计算的。沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量是通过交叉验证程序获得的。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 目前的工作描述了一种使用复杂经验正交函数 (CEOF) 来填补 HF 雷达数据空白的方法。在填充缺失数据之前，HF 雷达数据会根据可用的观测结果进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 目前的工作描述了一种使用复杂经验正交函数 (CEOF) 来填补 HF 雷达数据空白的方法。在填充缺失数据之前，HF 雷达数据会根据可用的观测结果进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 HF 雷达数据通过可用的观测进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好 HF 雷达数据通过可用的观测进行评估。CEOF 是使用奇异值分解迭代计算的。通过交叉验证程序获得沿印度海岸准确构建缺失的 HF 雷达电流数据所需的具有统计意义的 CEOF 数量。所提出的方法首先针对合成数据和模型导出的气旋风场中产生的各种合成数据差距进行验证，并进行了比较，重建数据与原始数据匹配良好