本研究由Xiao Li、Xin Li、Huaiyun Peng、Xinyu Xu和Chunzhi Hou等人完成，他们来自中国电波传播研究所电磁波传播国家级重点实验室。该研究于2026年8月19日发表在Remote Sensing期刊上，论文标题为“基于海杂波特征的波浪参数反演”。研究聚焦于利用塔基非扫描脉冲雷达获取的海杂波数据，通过深度学习技术实现海浪参数的高精度反演。
在海洋监测和雷达目标识别领域，精确获取海浪参数具有重要的科学意义和应用价值。传统的海浪观测方法包括船载X波段扫描雷达、合成孔径雷达以及高频地波雷达等，这些方法虽然在各自适用场景下取得了一定成效，但普遍面临海况适应性有限、实时观测能力不足以及空间分辨率受限等问题。特别是对于塔基非扫描脉冲雷达这一低成本近岸观测手段，由于其回波数据仅包含距离维和脉冲维的二维信息，缺少方位维信息，导致传统基于二维图像或频谱的海浪谱反演方法无法直接应用。该研究旨在针对这一技术空白，探索从无方位信息的塔基非扫描雷达回波中提取海浪参数的新途径。
研究所用的海杂波数据来自中国电波传播研究所，由Xu等人于2017年采集。雷达为相干极化脉冲体制雷达，可采集不同极化方式、不同擦地角和多种脉宽条件下的海杂波数据。波浪参数由浮标同步测量，测量间隔为三十分钟；风速和风向由雷达附近的风速计测量，间隔为五分钟。经过脉冲压缩和海杂波区域提取后，共获得25951个二维海杂波数据块。为避免高时间相关性样本的引入，研究者按照固定时间间隔从中选取了3673个数据块用于后续建模。这些样本涵盖了HH和VV两种极化方式，海况等级从2级到6级，擦地角范围为9.76°至70.46°，有效波高范围为0.34米至4.31米。每个样本对应唯一的时间戳，实验条件组合多样，保证了数据集的代表性。
在数据集构建过程中，研究者对每个海杂波样本的幅度统计特性进行了系统分析。他们评估了瑞利分布、对数正态分布、威布尔分布、K分布和Pareto分布五种候选模型，并通过卡方检验选择拟合优度最佳的分布。结果显示，K分布和Pareto分布分别被选为1433个和2038个样本的最佳拟合模型，合计占数据集的94%以上，而其他三种分布仅被少量样本选用。因此，研究者只保留了K分布和Pareto分布的形状参数和尺度参数作为幅度分布特征，排除了其他三种分布的参数，以降低特征冗余。输入特征集包括雷达工作参数（极化方式和擦地角）、风参数（风速、风向和相对风向）以及海杂波特征参数（散射系数、幅度分布参数、多普勒频移和频谱带宽）。输出参数为浮标同步记录的相对波向、平均波周期和有效波高。由于输入与输出之间存在复杂的非线性耦合关系，研究者采用随机森林算法的袋外置换重要性来量化各输入参数对波浪参数的贡献权重。分析表明，相对波向与风向和相对风向的相关性最高，而平均波周期和有效波高则与风速和频谱带宽的相关性最强。
针对塔基非扫描脉冲雷达数据的特殊性，研究者提出了一种基于ResNet–Transformer混合网络的波浪参数反演方法。该网络采用串行融合架构：首先使用浅层一维ResNet提取输入特征向量中相邻维度之间的局部相关性和边缘信息，然后将输出的特征序列送入Transformer编码器，通过多头自注意力机制捕捉特征之间的全局交互关系。这种设计充分发挥了ResNet在局部特征提取方面的优势和Transformer在全局上下文建模方面的能力。由于数据量有限，研究者对经典ResNet-18网络进行了层数和超参数的调整，形成了适应该数据集的浅层结构。在损失函数设计上，该研究采用了基于同方差不确定性的多任务损失函数，通过将每个回归分支的方差作为可学习参数，自动学习各任务的最优权重，避免了手动调节损失权重的繁琐和主观性。实验采用随机打乱的方式将3673个样本按照80%、10%和10%的比例划分为训练集、验证集和测试集，并采用每100个epoch衰减0.1的学习率策略。
在性能评估中，研究者将所提出的ResNet–Transformer模型与四种基线模型进行了对比，包括深度神经网络、浅层ResNet-18、随机森林和XGBoost。结果表明，所提出的模型在全部三个波浪参数的反演中均取得了最高的精度。对于相对波向，该模型的R²达到0.773，RMSE为24.388°；对于平均波周期，R²为0.654，RMSE为0.527 s；对于有效波高，R²为0.860，RMSE为0.341 m。与DNN相比，该模型在相对波向、平均波周期和有效波高上的MAE分别降低了34.5%、40.5%和27.6%；与浅层ResNet-18相比，MAE分别降低了8.4%、12.0%和12.7%。这些结果证实了Transformer模块在捕捉跨特征全局交互方面的重要作用，其与ResNet的协同配合显著提升了反演性能。值得注意的是，有效波高的反演精度最高，而平均波周期由于对噪声和频谱展宽更为敏感，反演难度相对较大。
研究者进一步按照海况等级将测试集划分为低海况（2级）、中海况（3至4级）和高海况（5至6级），以评估模型在不同海况条件下的泛化能力。结果显示，高海况下相对波向的反演误差显著低于低海况和中海况，其MAE为13.930°，RMSE为18.022°。平均波周期的误差也随海况等级升高而逐步降低，高海况下MAE为0.318 s。然而，有效波高的绝对误差在高海况下反而增大，MAE达到0.401 m。研究者认为，这一现象既与不同海况下波浪参数的物理演化机制差异有关，也与数据集中高海况样本数量明显少于低中海况样本的不平衡分布有关。高海况下风浪耦合增强、风向与波向的对齐关系更加显著，有利于方向相关参数的反演，但样本不足可能导致有效波高反演的训练不够稳健。
为量化风参数和海杂波特征参数对波浪参数反演的各自贡献，研究者设计了消融实验。结果表明，风参数对相对波向的反演贡献较大，仅使用风参数时R²可达0.680，而排除风参数后R²降至0.591。对于有效波高，非风特征（海杂波特征和雷达参数）的贡献略高于风参数，仅用风参数时R²为0.697，排除风参数时R²为0.725，而融合两类特征后R²提升至0.860，说明两类特征具有互补性。对于平均波周期，两类特征的预测能力均相对有限，R²分别仅为0.449和0.473，这表明波周期受风区、持续时间和远处涌浪传播等多种因素影响，难以仅凭局部风场或瞬时海杂波测量完整刻画。消融实验验证了风参数、海杂波特征参数和雷达工作参数在波浪参数反演中的互补价值。
关于多任务损失函数的有效性，对比实验表明，采用同方差不确定性加权的多任务损失函数相比等权重的均方误差损失在三个波浪参数上均取得了性能提升。相对波向的RMSE降低了约6.4%，R²提高了0.031；平均波周期的R²从0.621提升至0.654；有效波高的MAE和Pearson相关系数也均有所改善。这证实了同方差不确定性加权机制能够根据各回归任务的内在难度自动平衡贡献，避免人工调节损失权重的需要。
该研究的主要发现包括：构建了一个整合海杂波特征参数、雷达工作参数和风参数的波浪参数反演框架；实验结果表明所提方法在相对波向、平均波周期和有效波高的反演中分别取得了24.4°、0.5 s和0.3 m的均方根误差。该研究的科学价值在于探索了从微波波段塔基非扫描雷达回波中反演波浪参数的技术路径，为缺乏方位维信息的雷达数据提供了一种可行的多参数反演方法。在应用层面，塔基非扫描脉冲雷达具有低成本、全天候、高时间分辨率等优势，可灵活部署于沿海高地，为近岸海洋监测和雷达目标识别提供波浪环境信息支持。
该研究的方法新颖性主要体现在三个方面：其一，针对无方位信息的二维距离-脉冲回波数据，采用统计和频谱描述符构建一维特征向量，绕开了传统波谱分析对二维图像的依赖；其二，设计了ResNet与Transformer的串行混合架构，利用一维残差块提取相邻特征间的短程相关性，同时通过Transformer编码器建模跨特征的全局交互；其三，引入了基于同方差不确定性的多任务损失函数，实现了三个波浪参数反演任务的自动权重平衡。
研究也存在一定的局限性。数据集仅来自中国特定海域，模型的跨海区泛化能力尚未得到充分验证。实验所用雷达系统单一，不同雷达配置下的可迁移性需要进一步研究。此外，高海况样本数量不足可能导致有效波高反演精度有所下降。未来的工作将重点收集多海区、多雷达系统的数据，扩充实验条件覆盖范围，特别是小擦地角条件下的数据，以进一步提升模型的稳健性和适用性。