Accurate wave forecasts are essential for the safe and efficient maritime operations and, in particular, the maintenance of offshore wind farms. Here, machine learning and remote monitoring from satellites are integrated to provide uniquely detailed predictions of significant wave height (SWH). C-Band Synthetic Aperture Radar images from European Space Agency Sentinel-1 satellites were combined with wave-buoy data from around the UK, using the CEFAS Wavenet. A total of 240 images in wide swarth mode were collected, that represent significant wave height ranging from 0 to 4.7 m. Image properties related to sea surface roughness in dual-polarization mode, together with the wave buoy data, trained an ensemble of artificial neural networks. The trained networks were shown to provide an effective method for the estimation of the SWH, having an RMSE = 0.23 m for SWH<3 m, which is the region of interest for offshore wind energy applications. The methodology enables information on the spatial distribution of wave height in very high resolution to be obtained. Sea-state resolved from the satellite data, using the artificial neural network shows that windfarm infrastructure directly influences wave propagation. The overall variance of significant wave height throughout a wind farm was calculated, providing information on regions of interest with considerably different wave heights as compared to the nearest wave buoy. The new model will help towards improved downscaling of general sea state forecasts, locating hotspots of different wave height properties and correct prioritization of maintenance jobs to perform in wind turbines.

准确的波浪预报对于安全高效的海上作业，尤其是海上风电场的维护至关重要。在这里，机器学习和卫星远程监测相结合，以提供对有效波高 (SWH) 的独特详细预测。使用 CEFAS Wavenet 将来自欧洲航天局 Sentinel-1 卫星的 C 波段合成孔径雷达图像与来自英国各地的波浪浮标数据相结合。共收集了 240 张宽幅模式图像，代表了 0 到 4.7 m 范围内的显着波高。双极化模式下与海面粗糙度相关的图像特性，连同波浪浮标数据，训练了一组人工神经网络。经过训练的网络被证明为估计 SWH 提供了一种有效的方法，其 RMSE = 0。23 m 对于 SWH<3 m，这是海上风能应用的关注区域。该方法能够以非常高的分辨率获得有关波高空间分布的信息。使用人工神经网络从卫星数据中解析出的海况表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。这是海上风能应用的兴趣区域。该方法能够以非常高的分辨率获得有关波高空间分布的信息。使用人工神经网络从卫星数据中解析出的海况表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。这是离岸风能应用感兴趣的区域。该方法能够以非常高的分辨率获得有关波高空间分布的信息。使用人工神经网络从卫星数据中解析出的海况表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。该方法能够以非常高的分辨率获得有关波高空间分布的信息。使用人工神经网络从卫星数据中解析出的海况表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。该方法能够以非常高的分辨率获得有关波高空间分布的信息。使用人工神经网络从卫星数据中解析出的海况表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。使用人工神经网络表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。使用人工神经网络表明，风电场基础设施直接影响波的传播。计算了整个风电场的有效波高的总体方差，提供了与最近的波浪浮标相比具有显着不同波高的感兴趣区域的信息。新模型将有助于改进一般海况预测的降尺度，定位不同波高特性的热点，并正确确定风力涡轮机维护工作的优先级。