海洋表面风速估计的创新方法：WSTCNN模型在X波段雷达图像中的应用
作者及发表信息
本文由加拿大纽芬兰纪念大学（Memorial University of Newfoundland）工程与应用科学学院的Zhiding Yang（IEEE学生会员）和Weimin Huang（IEEE高级会员）合作完成，发表于2025年的《IEEE Transactions on Geoscience and Remote Sensing》（卷63，文章编号5105813）。
学术背景
科学领域与研究动机
本研究属于海洋遥感与气象学交叉领域，聚焦于利用X波段航海雷达（X-band marine radar）数据实现高精度海面风速估计。传统风速测量依赖杯式或超声波风速计（cup/ultrasonic anemometers），但其空间覆盖有限且易受平台干扰。X波段雷达因其高分辨率（可覆盖数公里范围）和与海面风驱波纹（wind-induced waves）的物理关联性（通过布拉格散射机制，Bragg scattering），成为远程风速监测的理想工具。然而，现有方法（如基于雷达后向散射强度或频谱分析的传统模型）受限于噪声敏感性、雨天干扰及非线性关系的建模能力。
研究目标
作者提出WSTCNN模型，首次将小波散射变换（Wavelet Scattering Transform, WST）与卷积神经网络（CNN）结合，旨在解决以下问题：
1. 提升雨天与非雨天条件下的风速估计鲁棒性；
2. 通过WST的多尺度、方向不变性特征提取能力增强CNN的物理可解释性；
3. 验证模型在两种不同雷达平台（船载Decca雷达与岸基Koden雷达）数据集上的泛化能力。
研究方法与流程
1. 数据预处理
- 研究对象：两组雷达数据集，分别来自加拿大Halifax外海（Decca雷达，水平极化频率9.41 GHz）和美国加利福尼亚Guadalupe Dunes（Koden雷达，9.45 GHz），包含无雨和雨天条件下的数据。
- 处理步骤：
- 噪声抑制：采用3×3卷积核（见公式1）对原始图像进行平滑处理，减少外部干扰信号（公式2）。
- 降采样：将图像分辨率降低至原尺寸的1/2，保留关键结构信息。
2. 特征提取（WST）
- 核心创新：WST通过多尺度小波滤波（multiscale wavelet filters）和低通滤波（low-pass filtering）生成具有平移不变性（translation-invariant）和噪声鲁棒性的特征。
- 第一阶散射系数：使用每倍频程2个滤波器、7个方向的小波组，提取局部波纹结构（公式3-6）。
- 第二阶散射系数：通过1个倍频程滤波器和5个方向，捕获跨尺度波相互作用（公式9-12）。
- 特征降维：空间维度下采样4倍以减少计算量（公式14）。
3. CNN风速估计
- 网络架构：5层卷积层（滤波器数量8→64），每层后接批量归一化（batch normalization）和ReLU激活函数（公式15）；平均池化（average pooling）和Dropout（0.2）防止过拟合；全连接层输出风速预测值（公式17）。
- 训练配置：Adam优化器，初始学习率1×10⁻³，每30轮衰减0.1倍，批量大小16，最大迭代80轮。
实验结果
1. 无雨条件
- Decca雷达数据：WSTCNN的均方根误差（RMSE）为0.51 m/s，优于传统CNN（0.59 m/s）和SVR（0.88 m/s）；相关系数（CC）达0.99，偏差仅0.01 m/s（表I）。
- Koden雷达数据：RMSE 0.60 m/s（CNN为0.68 m/s），CC 0.95，验证了模型跨平台的稳定性（图4-5）。
2. 雨天条件
- 去雾（dehazing）操作：显著提升所有方法性能。WSTCNN在Decca数据中的RMSE从0.83 m/s降至0.72 m/s（表II），Koden数据中从0.36 m/s降至0.32 m/s（表III）。
- 局限性：极端降雨下（信号衰减严重），少数高风速样本仍被低估（图6-9）。
结论与价值
科学价值
1. 方法创新：首次将WST与CNN结合用于雷达图像回归任务，通过WST的物理特征提取与CNN的非线性建模能力，填补了传统线性拟合方法与深度学习间的鸿沟。
2. 鲁棒性验证：在两种雷达平台及复杂环境（雨天）下均表现优异，为海洋气象监测提供了可靠工具。
应用价值
- 可集成于船舶或岸基雷达系统，实时支持航海安全、海洋工程优化及台风监测。
研究亮点
1. 多尺度特征融合：WST的层级分解（毛细波与重力波特征）与CNN的端到端学习结合，显著提升模型解释性。
2. 跨平台泛化：在船载（动态开放海域）与岸基（静态近岸）雷达数据中均保持高精度。
3. 雨天适应性：通过去雾预处理与WST的噪声鲁棒性，解决了降雨干扰这一长期挑战。
未来方向
扩展至极端天气（如风暴）下的风速估计，并探索WSTCNN在其他遥感参数（如波高）中的应用。
数据与致谢
实验数据由加拿大国防研发署（DRDC）和俄勒冈州立大学提供，研究受加拿大自然科学与工程研究理事会（NSERC）资助（编号RG PIN-2024-04442）。