SCAWaveNet：一种基于空间-信道注意力的网络，用于全球显著波高的检索

《IEEE Transactions on Geoscience and Remote Sensing》：SCAWaveNet: A Spatial-Channel Attention-Based Network for Global Significant Wave Height Retrieval

空间-通道注意力网络SCAWaveNet通过独立通道注意力头融合时空特征，显著提升GNSS数据驱动的显著波高反演精度，在CYGNSS-ERA5测试集上平均RMSE达0.438米，较现有模型降低至少3.52%，并在WW3、Jason-3等数据集及复杂气象场景中验证有效性。

　　

摘要：

近年来，空间GNSS任务取得了显著进展，产生了大量的全球数据集，为基于深度学习的海浪高度（SWH）反演提供了坚实的基础。虽然现有的深度学习模型主要使用具有四通道信息的CYGNSS数据，但它们通常采用单通道输入或简单的通道拼接方式，未能充分利用训练过程中通道间信息交互的优势。为了解决这一限制，提出了一种基于空间-通道注意力的新型网络SCAWaveNet用于SWH反演。具体而言，该模型将DDM（Dual-Dimensional Moment）的每个通道的特征视为独立的注意力头，从而实现空间信息和通道信息的融合。对于辅助参数，设计了一种轻量级的注意力机制来沿空间和通道维度分配权重。最终特征融合了空间和通道级别的特征。使用四通道CYGNSS数据对模型性能进行了评估。在CYGNSS-ERA5测试集上进行的定量和定性实验表明，SCAWaveNet的平均RMSE为0.438米。与最先进的模型相比，SCAWaveNet的RMSE至少降低了3.52%。此外，在WW3、Jason-3和NDBC浮标数据上的评估，以及在风速、暴雨、台风和噪声场景下的测试，进一步证实了SCAWaveNet的优越性。代码可在此链接获取：https://github.com/Clifx9908/SCAWaveNet。