多源星载GNSS-R融合海面高度反演的深度学习模型研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Research on a Deep Learning Model for Multi-Source Spaceborne GNSS-R Fusion in Sea Surface Height Retrieval

本研究针对单星GNSS-R系统在海面高度(SSH)监测中存在的空间覆盖受限、反演精度不一致等问题，创新性地提出基于深度学习的多源星载GNSS-R融合模型(M-GRIM)。通过融合FY-3E、FY-3G、CYGNSS和天目一号四类卫星数据，构建了8小时/0.25°的全球SSH网格产品。实验表明，该模型使FY-3G和CYGNSS的MAE降低40%-70%，天目一号MAE降低超80%，海面覆盖率达75.75%，为全球海洋动态过程监测提供了高时空分辨率数据支撑。

　　

随着全球气候变暖加剧，海平面上升引发的咸水入侵、洪涝灾害等问题日益严峻，对沿海地区构成重大威胁。传统上，海洋数据主要来源于浮标和卫星高度计，但这些方式存在时空分辨率有限、成本高昂等局限。GNSS-R（全球导航卫星系统反射测量）技术作为一种新兴的被动遥感手段，充分利用GNSS卫星全时空、全天候、广覆盖的优势，为海面高度(SSH)监测提供了全新解决方案。

尽管GNSS-R技术发展迅速，但单星系统受轨道特性和重访周期限制，空间覆盖不足，难以持续捕捉潮汐和中尺度涡旋等快速变化的海洋动态过程。同时，不同卫星数据源的反演精度存在差异，结果稳定性不足。这些问题严重制约了GNSS-R技术在全球高精度SSH监测中的应用。

针对这些挑战，张云、温天玥、杨书虎等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新性研究，提出了多源星载GNSS-R融合海面高度反演的深度学习模型(M-GRIM)。该研究通过整合FY-3E、FY-3G、CYGNSS和天目一号四类GNSS-R卫星系统数据，采用相对宽松的数据质量控制策略，构建了高覆盖度的全球SSH网格产品。

在技术方法上，研究团队首先对四类卫星系统的原始数据进行预处理和特征提取，构建特征数据集并与DTU参考数据进行时空匹配。针对不同卫星数据特点，分别采用AAGRU（加性注意力门控循环单元）和CNN（卷积神经网络）模型进行单源SSH反演。随后利用高精度的FY-3E SSH数据作为基准，通过随机森林算法构建误差校正模型，优化其他卫星系统的反演结果。最后采用加权融合策略和反距离加权插值方法，生成全球0.25°×0.25°网格化的SSH产品。

单源反演结果显示，四类卫星系统在覆盖率和精度上呈现明显互补特性。FY-3E虽然保持亚米级反演精度（MAE 0.27 m），但其8小时观测覆盖率仅为1.01%-1.45%。而天目一号星座的覆盖率可达7.33%-8.43%，但误差水平显著较高（MAE 9.37-10.97 m）。通过SHAP（SHapley加性解释）特征重要性分析发现，FY-3E反演模型中镜面反射点延迟(sp_delay)参数占据主导地位，这与SSH反演的物理模型高度一致。

误差校正结果表明，随机森林校正模型能有效提升反演精度。校正后FY-3G的MAE降至1.433-2.158 m（降低40%-70%），CYGNSS的MAE为2.178-4.192 m（降低40%-70%），天目一号的MAE优化至1.311-1.505 m（降低超80%）。校正模型的SHAP分析显示，经度(sp_lon)和去潮汐平均海面高度(MSS)对模型校正贡献最为显著，体现了误差校正的物理合理性。

SSH网格产品验证显示，融合产品在60°N-60°S纬度带内实现了75.75%-78.67%的海面覆盖率，MAE为1.600-2.426 m，R²≥0.975。与ATL12 MSSH（冰云陆地高程卫星-2平均海面高度）的对比验证进一步证实了产品可靠性，日均MAE为2.404 m，RMSE为4.503 m，R²≥0.955。

研究结论指出，M-GRIM模型通过建立深度学习与多源数据融合的协同机制，突破了传统单源反演方法在精度与覆盖范围之间的权衡关系。特别是显著提升了非专门设计用于测高目的的商业星座（如天目一号）的SSH反演精度，拓展了商业卫星载荷的应用范围。生成的8小时更新周期的全球SSH产品，为海洋动力环境监测、海气相互作用研究以及极端天气条件下的海面异常检测提供了高时空分辨率数据支持。

尽管多源GNSS-R融合模型显著提升了SSH反演的空间覆盖率，但最终网格产品的精度（目前为米级）尚未达到FY-3E反演的最佳亚米级性能，这限制了其在中尺度海洋涡旋监测方面的效果。未来研究将关注引入不同季节和年际变化的GNSS-R观测数据，通过迁移学习进一步集成高度计衍生的SSH数据，提升测量精度和可靠性。

该研究验证了深度学习在GNSS-R数据处理中的潜力，并创新性地提出了"分源建模-误差校正-多源融合"的三阶段处理范式，为全球海洋监测和气候变化研究提供了重要的技术支撑和应用前景。