海表面风是海表大气运动的初始动力来源，也是海浪、海流等海洋运动现象的主要动力来源^[1]。热带气旋是强烈的海气相互作用现象，在西北太平洋海域通常被称为台风，可对沿海地区和航海活动造成显著的影响^[2]。中国位于北太平洋西岸，拥有超过1.8万km的东部和南部海岸线，极易受到台风威胁^[2]。西北太平洋台风海域的海面风场监测对中国沿岸防灾减灾具有重要意义。同时，大范围获取西北太平洋台风海域的海面风场信息还可以为台风的形成、发展和路径预测提供重要依据，从而促进对热带气旋等极端天气现象的科学认识。

星载合成孔径雷达(synthetic aperture radar, SAR)以其高分辨率成像能力，能够获取精细的台风风场信息，在台风监测中展现出独特优势，为台风研究和预警工作提供了有力支撑^[3]。地球物理模型函数(geophysical model function, GMF)是基于SAR数据进行风速反演的经典方法，可以从VV极化SAR数据中提取风速信息^[4]。然而，该方法需要额外输入风向信息。目前，获取风向的途径之一是借助散射计或模式数据，尽管这些数据覆盖范围广，但其空间分辨率有限。另外，也可以利用局部梯度法^[5]或Fourier变换法^[6]从SAR图像风条纹中提取风向。然而，并非所有SAR图像都具备明显的风条纹特征，据统计，仅有约50%的图像呈现出明显的风条纹^[7]。此外，风向反演过程中还存在180°方向模糊问题，这通常也需要依赖外部数据源提供的参考风向来解决。对于HH极化，一般通过极化比模型转到VV极化，再用VV GMF反演风速^[8]。VV或HH同极化SAR观测存在饱和问题，不能反演高风速^[9]。尽管VH或HV交叉极化可以实现高风速反演，但在中低风速下由于信噪比较小，反演误差较同极化大^[10]。综上可知，单一极化数据难以同时满足台风这种宽风速段的风场反演精度要求。因此，有研究结合双极化信息，基于最大似然、Bayes估计等方法实现了风矢量反演，但是反演精度依赖于建立的GMF，且反演风向仍存在模糊问题，需要依靠外部输入或其他特征信息来进行校正^[11]。

传统模型的拟合能力有限，而机器学习算法具有强大的非线性特征拟合能力，能够灵活处理复杂关系，从而可显著提高风场反演的精度和效率。然而，机器学习算法在风向反演方面存在局限性，在进行风速反演时仍需依赖外部风向信息作为输入^[12]。近年来，深度学习中的卷积神经网络(convolutional neural network, CNN)因其强大的空间特征学习能力，在图像处理方面表现出色，已被成功应用于遥感领域^[13]。SAR图像上的风条纹特征蕴含了丰富的海面风场信息，通过应用深度学习方法提取这些空间特征，有望实现高精度的海面风场反演。近几年，研究人员利用残差神经网络(residual neural network, ResNet)从Sentinel-1 SAR图像中成功反演风向，实现了海面风场反演的新突破^[14]。与传统方法相比，深度学习模型能够直接基于SAR图像空间特征估计风向，避免对外部风向数据的依赖，展现出较高的反演精度和效率。另外，也有研究将深度交叉层连接网络(deep cross-layer concatenation network，DCCN)用于SAR海面飓风风速提取^[15]。以上这些研究表明了深度学习算法在SAR海面风场反演中的潜力。目前，深度学习算法在海面风场反演中的应用仍较为初步，尤其是利用双极化信息进行台风风场反演仍有待进一步深入研究和挖掘。

综上所述，传统的SAR海面风场反演方法存在若干局限性，包括对外部数据的依赖、风向模糊解去除困难以及单极化数据在高风速或低风速条件下受限等问题。这些问题限制了传统方法在台风海域海面风场反演中的准确性和可靠性。双极化SAR在覆盖很宽风速范围的台风海域探测方面很有潜力。尽管深度学习算法在SAR图像风场反演中已有应用，但是仍存在反演精度和反演效率的问题，同时针对台风海域海面风场的研究尚较为匮乏。因此，本文以西北太平洋台风海域为研究区域，发展了基于深度学习算法的双极化SAR数据海面风场反演方法，实现了台风海域海面风场的高精度反演。本研究可为台风研究和防灾减灾提供技术支持和数据保障。

本文收集了Sentinel-1卫星的干涉宽幅模式(interferometric wide swath, IW)双极化SAR图像数据，并对应收集了欧洲中期天气预报中心第5代再分析数据集(the fifth-generation reanalysis of the European Centre for Medium-Range Weather Forecasts，ECMWF ERA5)海面风场数据。对这2种数据进行时空匹配，构建了SAR-ERA5匹配数据集，后续基于该匹配数据集开展了风场反演模型的构建和评估研究。

Sentinel-1卫星是欧洲航天局哥白尼计划发射的地球观测卫星，搭载有一个C波段SAR。Sentinel-1 SAR有4种成像模式，分别是IW模式、条带模式、超宽幅成像模式和波模式。其中，IW模式可以10 m×10 m的空间分辨率获得刈幅宽度为250 km的大图像。IW模式提供Level-1双极化地距多视(ground range detected, GRD)图像产品。GRD图像具有较高的信噪比，其图像强度(像素点的亮度值)的大小和分布与海面风场息息相关。本文收集了2016年至2022年的西北太平洋台风海域的Sentinel-1 IW模式GRD VV/VH双极化SAR图像，共65景。这65景图像分布于黄海、东海、南海、日本海以及日本东南部海域。

对每景Sentinel-1 SAR图像进行了裁剪、辐射定标、噪声滤除和降低分辨率等预处理操作。

1) 图像裁剪。鉴于单幅IW SAR图像能够覆盖广阔的海域，不能假设在整个广袤的海面上风场保持均匀一致。因此，有必要将原始的大尺寸SAR图像分割为若干较小的子图像，在每个子图像范围内假定海面风场是均匀不变的。本文选择以10 km为间隔，在大图像上提取10 km×10 km的子图像。

2) 辐射定标。为了减小外界因素的干扰，提高Sentinel-1 SAR图像的质量，本文对图像进行了辐射定标处理，将SAR图像灰度值转换为标准化雷达后向散射截面(normalized radar backscatter cross section, NRCS)值。

3) 噪声滤除。图像降噪在提升图像质量、增强特征可见性及改善图像解译能力方面发挥着重要作用。本文采用插值滤波降噪技术，首先利用插值获取NRCS子图像中的噪声分布情况，随后通过从原子图像中减去所提取的噪声成分，获得降噪处理后的子图像。

4) 降低分辨率。为了滤除小尺度的海浪条纹特征和更清晰地展现风条纹信息，本文降低了NRCS子图像的分辨率。具体而言，原始分辨率为10 m×10 m、尺寸为1 000×1 000像素的NRCS子图像通过移动平均进行处理，以每10×10像素的小矩阵为单位进行平均计算。经过这一处理，子图像的分辨率降低至100 m×100 m，尺寸减少至100×100像素。

最后，对降分辨率后的子图像进行异常数据筛选，筛除包含陆地、存在明显雨团以及具有其他显著不均匀特征的子图像。经过以上预处理步骤，最终获得18 798幅预处理好的Sentinel-1 SAR子图像。

ECMWF是一个备受国际认可的气象预报研究与商业组织，自1975年成立以来便获得了欧盟核心国家的支持。ERA5是ECMWF开发的第5代全球气象再分析数据，综合了全球范围的观测数据、精准的数值天气预报模型以及领先的数据同化技术，为科学研究、气象预测等提供了宝贵的基础数据资源^[16]。

本文利用了2016年至2022年期间的ERA5风场数据，空间分辨率为0.25°，时间分辨率为1 h。ERA5数据并不直接提供风速和风向信息，而是提供了u和v两个风速分量。其中：u代表东西方向上的风速分量，西风为正；v代表南北方向上的风速分量，南风为正。本文首先将ERA5风速分量进行转换，得到了海平面以上10 m高度处的风速和风向数据。随后，将处理后的ERA5数据与美国国家浮标数据中心(National Data Buoy Center，NDBC)的浮标数据进行时空匹配，以验证ERA5数据的精度。验证发现，与NDBC浮标观测风场数据相比，ERA5风速的均方根误差(root mean square error, RMSE)约为1.23 m·s^-1，风向的RMSE约为19.43°。可见，ERA5数据性能优良，可用作后续建模的参考数据。

为了获取Sentinel-1 SAR子图像对应的风场信息，本文将预处理后的子图像与ERA5数据进行了时空匹配。首先，以30 min为窗口进行时间匹配，找到与子图像时间对应的ERA5数据，然后对子图像附近4个点的ERA5风场数据进行空间插值，得到子图像位置处的风场信息。最终，共获得了18 798对Sentinel-1 SAR子图像与ERA5风场的匹配数据。本文将匹配数据集随机分成训练集(70%)、验证集(15%)和测试集(15%) 3部分。训练集包含13 158个样本点，验证集和测试集各包含2 820个样本点。训练集用于深度学习模型的训练，验证集用于超参数确定，测试集用于模型的性能测试。

大量研究指出，SAR图像能够揭示海气相互作用的细节特征，例如km级尺度、与风向平行的线性风条纹特征^[17]。CNN能够提取和学习特征图中隐藏的空间特征^[18]，然而为了提升准确性，CNN常采用深层网络结构，这容易导致过拟合、梯度爆炸及梯度消失等问题。尽管采用数据扩增、正则化和批归一化(batch normalization, BN)等方法能够缓解这些问题，但网络退化现象仍然存在。为解决这一问题，He等^[19]在2016年提出了ResNet。ResNet通过引入残差学习机制，有效解决了深层网络中的梯度消失和梯度爆炸问题，显著增强了梯度传播能力，使深度网络的训练过程变得更加高效和稳定。残差块连接了卷积层的输入与输出，使网络能够学习输出相对于输入的变化，从而优化特征表示，增强网络性能。根据残差块中卷积网络的层数，ResNet分为ResNet18、ResNet50和ResNet101等。

本文首先在ResNet18的基础上，发展了一种双分支结构的模型，用于Sentinel-1 SAR西北太平洋台风海域海面风场反演。该模型命名为ResNet18_wind，模型结构如图 1所示：一个分支输入一维的入射角数据，采用全连接层提取特征，激活函数选取线性整流函数(rectified linear unit, ReLU)；另一个分支输入VV或VH极化的NRCS二维图像，采用ResNet18网络结构，包括预处理、Res_Block1和Res_Block2等模块，由Conv卷积层、池化层、BN层、ReLU激活函数等组成。入射角是指SAR波束入射方向与垂直方向的夹角。已有研究^{[4, 10-11]}表明，入射角可影响SAR NRCS对风速和风向的响应特征，因此入射角也被选为输入参数之一。

图 1 ResNet18_wind风场反演模型网络结构示意图

图选项

然而，在SAR图像中，台风海域的海面风条纹特征经常受到海浪条纹和斑点噪声等因素的干扰，导致特征识别困难。ResNet18模型由于其感受野大小有限以及跨通道交互能力不足，往往难以充分聚焦于复杂背景下的风条纹特征。为了更高效地捕捉SAR图像中由风引起的空间结构特征、提升关键特征的权重并抑制干扰信息，本文受卷积核选择网络(selective kernel network, SKNet)、高效通道注意力网络(efficient channel attention network, ECANet)和空间注意力模块(spatial attention module, SAM)的启发，设计了一种融合多种注意力机制的双分支高效特征提取模块(命名为E-SKNet)。E-SKNet模块以SKNet为基础框架，引入ECANet的一维卷积和SAM的空间注意力。SKNet是一种轻量级的网络模块^[20]，通过动态调整不同大小卷积核的权重，实现自适应地调整感受野大小，提取更加精细和准确的特征。SKNet在权重获取时需经过全连接层的降维和升维处理，这使得计算效率变低、计算成本显著增大。受ECANet的启发，本文利用一维卷积层替代SKNet中的全连接层，提高了模型效率，实现跨通道交互，再通过归一化函数Softmax分配通道权重，保留更有价值的特征，提高重要特征表达能力，进而使模型学习到不同通道的重要性。此外，单一的通道注意力机制无法很好地关注复杂背景下的风条纹特征，因此将通道注意力机制替换为空间注意力机制，能够使模型更有效地关注SAR图像的空间结构特征的重要性，进一步提升关键区域的信息提取能力。E-SKNet模块结构如图 2所示。

图 2 E-SKNet模块结构

图选项

首先对输入的特征图 X执行分离操作。使用了两种不同尺寸的卷积核，分别是3×3和5×5，来对特征图 X进行转换，得到$\widetilde{\boldsymbol{U}}$和$\hat{\boldsymbol{U}}$。这两种转换都包含卷积操作、ReLU激活函数和BN层处理，旨在提取不同尺度的特征信息。之后通过全局平均池化对特征图的H×W维度进行压缩计算，以得到每个通道对应的平均值。随后经过一维卷积操作，实现相邻的5个通道跨通道交互。再通过Softmax函数计算得到$\widetilde{\boldsymbol{U}}$和$\hat{\boldsymbol{U}}$的软注意力矢量 a和 b。在两个分支的情况下，b = a － 1。将输入图$\widetilde{\boldsymbol{Y}}=\boldsymbol{a} \cdot \widetilde{\boldsymbol{U}}$和$\hat{\boldsymbol{Y}}=\boldsymbol{b} \cdot \hat{\boldsymbol{U}}$相加得到特征图 Y。然后，对特征图 Y在通道维度进行平均池化和最大池化，使用卷积操作得到两张尺寸为H×W×1的特征图，通过Softmax函数处理，得到空间注意力矢量 c和 d。将注意力矢量与输入图$\widetilde{\boldsymbol{Y}}$和$\hat{\boldsymbol{Y}}$相乘并相加，即可得到最终的输出特征图$\boldsymbol{Z}=\widetilde{\boldsymbol{Z}}+\hat{\boldsymbol{Z}}$。其中：$\widetilde{\boldsymbol{Z}}=\boldsymbol{c} \cdot \widetilde{\boldsymbol{Y}}, \hat{\boldsymbol{Z}}=\boldsymbol{d} \cdot \hat{\boldsymbol{Y}}$。

将E-SKNet模块融入ResNet18模型的每个残差结构中，构建了E-SKNet_wind风场反演模型，提升了模型对风相关特征的关注度，进而提高模型风场反演的精度。图 3给出了E-SKNet_wind风场反演模型结构。可以看出，该模型将一维的入射角数据及二维VV NRCS或VH NRCS图像作为网络的输入。一维输入数据采用全连接层来提取特征，二维输入数据采用E-SKNet作为主干网络提取二维特征，最后将两个支路的特征融合输入到全连接层中，实现海面风场反演。

图 3 E-SKNet_wind风场反演模型网络结构示意图

图选项

本文基于构建的SAR-ERA5匹配数据集，以入射角作为一维输入，以VV NRCS或VH NRCS作为二维图像输入，并将ERA5风向或风速作为输出目标，对ResNet18_wind和E-SKNet_wind两种深度学习模型进行了训练与验证。所有实验均在一台配备NVIDIA GeForce RTX 3090 Ti显卡的高性能计算机上完成。实验发现，尽管ResNet18_wind和E-SKNet_wind两种模型在超参数设置上基本保持一致，但在分别用于风速和风向反演任务时，其超参数的具体配置存在差异。通过实验，确定了两种模型的超参数，构建了风速反演模型和风向反演模型。表 1详细列出了风向反演模型和风速反演模型的超参数设置，其中epoch为训练轮数。

本文针对VV、VH和VV+VH 3种不同的极化模式，构建了基于ResNet18_wind和E-SKNet_wind的风速和风向反演模型，并使用SAR-ERA5测试集对模型性能进行了系统对比分析。在VV极化模式下，模型的二维SAR图像输入分支仅以VV NRCS图像作为输入；在VH极化模式下，仅以VH NRCS图像作为输入；而在VV+VH双极化模式下，模型同时将VV NRCS图像和VH NRCS图像作为输入。本文采用相关系数(correlation coefficient，Corr)、RMSE和平均偏差(mean bias，Bias)等指标来评估模型性能。

图 4显示了VV极化下ResNet18_wind和E-SKNet_wind模型反演的风速(风向)与ERA5数据的对比散点图。表 2列出了在不同风速区间内，两种模型反演风速和风向相对于ERA5数据的误差。结果显示，在VV极化下，E-SKNet_wind模型的风速反演RMSE约为1.94 m·s^-1，风向反演RMSE约为24.13°，均优于ResNet18_wind模型，后者的风速反演RMSE约为2.09 m·s^-1，风向反演RMSE约为28.90°。对于风速反演，E-SKNet_wind在中高风速区间表现出更优的性能，且低估现象更小；而在低风速区间，则ResNet18_wind表现更佳。对于风向反演，E-SKNet_wind在所有风速区间均展现出更优的性能。

图 4 VV极化下ResNet18_wind和E-SKNet_wind反演风场与ERA5风场的对比散点图

图选项

图 5和表 3给出了VH极化下ResNet18_wind和E-SKNet_wind模型反演结果的对比验证。结果显示：在VH极化下，E-SKNet_wind模型的风速反演RMSE约为1.82 m·s^-1，风向反演RMSE约为27.34°，均优于ResNet18_wind模型；后者的风速反演RMSE为2.05 m·s^-1，风向反演RMSE为28.98°。在不同风速区间内，E-SKNet_wind模型在风速和风向反演方面均表现出更优的性能。与VV极化模型相比，VH极化模型的反演性能略显不足，这可能主要归因于VH极化Sentinel-1 SAR图像的信噪比较低^[21]。然而，在高风速条件下，VH极化模型的风速反演性能略有提升，这主要是因为VV NRCS在高风速下趋于饱和，而VH NRCS对高风速的响应更为显著^[10]。

图 5 VH极化下ResNet18_wind和E-SKNet_wind反演风场与ERA5风场的对比散点图

图选项

图 6和表 4显示了在VV+VH双极化输入条件下，ResNet18_wind模型和E-SKNet_wind模型对风速和风向反演结果的对比验证。结果显示，在双极化输入下，E-SKNet_wind模型的性能显著优于ResNet18_wind模型，且这种优势在低、中、高风速区间均得到了体现。E-SKNet_wind模型的风速反演RMSE约为1.49 m·s^-1，风向反演RMSE为19.03°。ResNet18_wind模型的风速和风向反演RMSE分别为1.86 m·s^-1和22.38°。相比之下，双极化E-SKNet_wind模型在风速反演中将RMSE降低了0.37 m·s^-1，在风向反演中将RMSE降低了3.35°。综合来看，双极化输入的E-SKNet_wind模型在本研究中达到了最优性能，成功实现了基于Sentinel-1 SAR数据对西北太平洋台风海域海面风场的高精度反演。

图 6 VV+VH双极化下ResNet18_wind和E-SKNet_wind反演风场与ERA5风场的对比散点图

图选项

通过对双极化信息的融合，双极化E-SKNet_wind风速反演模型实现了较为精确的风速反演，RMSE约为1.49 m·s^-1。与Zhang等^[22]提出的双极化传统模型相比，双极化E-SKNet_wind模型在精度上显著提升，这主要是由于引入了二维图像特征作为输入。与Qin等^[12]提出的机器学习模型相比，在小于20 m·s^-1风速范围内，双极化E-SKNet_wind模型的精度略低，这可能是由于Qin等提出的模型风速区间较小，且有外部风向作为输入。与张伟^[23]在2021年提出的加入外部风向输入的随机森林风速反演算法相比，双极化E-SKNet_wind模型总体精度略高，RMSE降低了约0.21 m·s^-1，虽然在中等风速区间的精度略低于张伟提出的模型，但在0~5 m·s^-1的风速区间以及大于10 m·s^-1的风速区间内，本文开发的双极化E-SKNet_wind模型的精度都有显著提升。与Yu等^[24]在2022年提出的神经网络风速反演模型相比，双极化E-SKNet_wind模型的精度较低，主要是由于Yu等的模型是在风速范围为1~18 m·s^-1的条件下提出的，且使用了外部风向作为输入。与2022年Mu等^[15]的基于CNN的深度学习模型(在小于17 m·s^-1风速区间RMSE约为2.26 m/s，在17~33 m·s^-1风速区间RMSE约为2.5 m/s)相比，本文开发的双极化E-SKNet_wind模型的精度较优，主要是由于后者利用了双极化的信息作为输入。与2023年李潇寒等^[25]基于DenseNet网络构建的风速反演模型相比，本文开发的双极化E-SKNet_wind模型反演风速的RMSE降低了约0.25 m·s^-1。本文构建的模型显示了深度学习算法强大的特征学习能力，充分证实了深度学习算法和双极化图像在较宽风速范围下进行风速反演的潜力。

双极化E-SKNet_wind模型反演风向的RMSE约为19.03°。与现有的传统局部梯度法^[26]以及现有的双极化传统模型^[11]相比，双极化E-SKNet_wind具有更高的精度，且不依赖明显风条纹信息或外部输入信息。与Zanchetto等^[14]在2021年提出的ResNet深度学习风向反演模型相比，本文在VV极化下利用ResNet18_wind反演的风向RMSE为28.90°，不如Zanchetto等的模型反演效果好。双极化E-SKNet_wind风向反演模型与Zanchetto等的模型的结果大体相近，但略差一点。这可能有两方面原因：1) Zanchetto等对数据集进行了扩充，扩充后的数据集相似性更大，而本文的子图像未进行旋转和翻转处理。2) 海况不一致。本文的风速范围为0~40 m·s^-1，但Zanchetto等建模所用的SAR数据的风速范围仅为0~15 m·s^-1。后续研究将采用同样的扩充数据集的方法作进一步的验证。与Guo等^[27]在2022年利用CNN模型识别VV极化高分三号卫星(GF-3)SAR风条纹的风向反演结果相比，本文开发的双极化E-SKNet_wind模型精度较低。这主要是由于Guo等提出的CNN模型是先识别出含有较为清晰的风条纹信息的图像后，再反演风向，依然需要明显的风条纹信息。后续研究也将采用同样的先使用模型识别含有明显风条纹信息的图像后，再反演风向作进一步的验证。

根据第3.1节的统计分析，双极化E-SKNet_wind模型在风速和风向反演精度方面表现较好，能够实现台风海域海面风场信息的高精度提取。然而，已有研究^[14]指出，基于ResNet的风向反演模型会出现一些无明确原因的异常值。也就是说，仅依靠第3.1节的统计评估，可能无法全面揭示本文开发的双极化E-SKNet_wind模型是否存在类似的异常情况。因此，本文选取了一个台风实例，以深入评估模型在实际应用中的表现和稳定性。

本文选取的台风实例为超强台风“舒力基”。该台风于2021年4月14日凌晨在菲律宾东海面生成，并迅速增强，最终被多家气象机构认定为2021年最强台风，同时也是有气象记录以来4月份全球最强的热带气旋。2021年4月18日21：22：23，Sentinel-1卫星在菲律宾海北部海域的14°N、126°E附近成功捕捉到了台风“舒力基”的图像。台风海域的海面风场通常在风眼墙附近风力大、中心和外围风力小。VV或VH单一极化SAR数据在宽风速反演中都存在一定局限性，而一景宽幅SAR台风图像通常覆盖了从低风速到高风速的各个区间，单一极化数据难以实现高精度的台风海域风场反演。相比之下，综合利用双极化数据能够有效弥补单一极化数据的不足，显著提升台风风场反演的精度。因此，本文在对Sentinel-1 SAR获取的台风“舒力基”图像进行裁剪、辐射定标、噪声滤除和降低分辨率等一系列预处理操作后，利用构建的双极化E-SKNet_wind模型对其风速和风向进行了反演。

图 7a给出了台风“舒力基”的ERA5再分析风场分布。可以清晰地看到，台风“舒力基”的风场呈现出近似圆形的涡旋结构，气流围绕中心呈气旋式旋转。从台风中心向外，风速先增大后减小，且风向和风速在相邻区域之间的过渡整体较为平缓。台风的半径约为200 km，其中台风中心处的风速约为5 m·s^-1；随着与台风中心距离的增加，在半径约100 km处风速达到最大值，约为28 m·s^-1；随后随着距离的进一步增大，风速逐渐减小。图 7b给出了双极化E-SKNet_wind模型反演的台风“舒力基”风场图。整体而言，双极化E-SKNet_wind模型反演的风向变化趋势与ERA5风场基本一致，风速分布也较为接近。然而，在风速较低的区域(如台风中心附近)，反演风速存在一定的不连续性，并且台风中心的反演风速有明显的高估现象。此外，在某些局部区域，反演的风向会出现较大的误差，这可能与模型对低风速区域的敏感性不足或数据噪声有关。

图 7 ERA5提供的及基于E-SKNet_wind反演的台风“舒力基”风场分布的对比

图选项

为了改善双极化E-SKNet_wind模型在台风中心区域风速反演误差较大的问题，本文提出了一种后处理方法。具体而言，针对风速反演结果中明显高于或低于周围值的异常点，采用基于相邻值的平滑处理技术进行修正。这种方法能够使整个风速分布更加合理，并与周围数据保持更好的一致性。图 8显示了经过相邻值平滑处理后的双极化E-SKNet_wind反演风速剖面，以及基于ERA5风速数据拟合的曲线。可以看出，修正后的风速从台风中心处的极小值开始，随着与台风中心距离的增加逐渐增大，在距离台风中心约100 km处达到最大值，随后随着距离的进一步增大而逐渐减小。这一变化趋势与ERA5数据高度相似。可见，结合双极化E-SKNet_ wind模型和相邻值平滑法能够显著提升台风中心区域风速反演的准确性。

图 8 经过后处理的E-SKNet_wind模型反演台风“舒力基”的风速剖面变化及其与ERA5风速的对比

图选项

本文针对西北太平洋台风海域海面风场的高精度获取问题，对Sentinel-1的IW模式GRD双极化SAR数据和ERA5风场数据进行时空匹配，构建了用于模型构建和性能评估的数据集。对ResNet18深度学习网络结构进行改进，发展了双极化E-SKNet_wind风场反演模型，并对模型性能进行了系统的评估与比较。结果表明，E-SKNet_wind模型在风速和风向反演精度上显著优于ResNet18_wind模型。在3种极化模式(VV、VH和VV+VH)中，双极化模型的精度显著高于单极化模型。双极化E-SKNet_wind模型反演风速的RMSE约为1.49 m/s，反演风向的RMSE约为19.03°，优于现有的机器学习模型和传统反演方法。本文发展的模型成功实现了西北太平洋台风海域海面风场的高精度反演。然而，在台风中心等局部区域，反演的风速和风向仍存在个别异常情况，例如台风中心的风速高估以及风向的局部误差较大。尽管通过采用相邻值平滑法进行后处理可以在一定程度上改善这些问题，但仍有进一步提升的空间。因此，未来研究将致力于进一步优化模型结构，以提高模型的稳定性和准确性。