综述：多模态GNSS-R自监督学习作为通用地表监测器

这篇综述创新性地提出了首个融合延迟多普勒图（DDM）与辅助参数的多模态GNSS反射测量（GNSS-R）自监督学习框架GEM，通过掩码自编码器（MAE）实现跨模态表征学习，显著提升了海洋风速、土壤湿度（SM）和植被含水量（VWC）等地表参数的反演精度，为构建低成本、全天候的地球监测系统提供了新范式。

　　

引言

热带气旋、干旱和野火等极端气候事件对人类社会构成严峻威胁。随着全球气候变化加剧，如2025年洛杉矶郊区的野火事件，实时监测地表参数成为提升气候韧性的关键。星载全球导航卫星系统反射测量（GNSS-R）作为一种新兴遥感技术，通过接收导航卫星的反射信号（L波段被动多基雷达），可全天候获取地表参数。其核心观测量——延迟多普勒图（DDM）以二维形式呈现反射信号功率与传播延迟、多普勒频移的关系，其反射模式与强度直接关联地表介电特性。相比传统遥感，GNSS-R具有成本低、覆盖广、全天候工作等优势，NASA的CYGNSS和ESA的PRETTY等任务已验证其在海洋与陆地监测中的潜力。

技术瓶颈与突破

传统GNSS-R数据驱动方法依赖监督学习，需大量标注数据和针对性特征工程，限制了模型泛化能力。本文提出的GEM框架通过自监督学习解决这一难题：

1. 多模态输入：整合四种DDM（BRCS、有效散射面积等）与15类辅助参数（入射角、接收机增益等），通过SHAP值分析筛选关键变量。
2. 掩码重建：随机遮蔽30%的DDM与辅助数据块，采用不对称编码器-解码器架构（4层Transformer编码器，嵌入维度128）学习跨模态表征。
3. 动态融合模块DA-Fuse：通过门控机制动态加权双模态特征，公式g = σ(W[z_i^d; z_i^a] + b)实现自适应融合，优于1×1卷积和交叉注意力基线。

性能验证

在CYGNSS L1数据（2019-2021年）与SMAP土壤湿度/VWC数据的测试中：

• 海洋风速：RMSE 1.55 m/s（优于CyGNSSnet的1.53 m/s），偏差仅-0.10 m/s，显著改善高风速区低估问题。
• 土壤湿度：RMSE 0.088 m³/m³，在干旱区误差最低（0.05 m³/m³），但山区因地形异质性误差升高至0.15 m³/m³。
• VWC：RMSE 2.91 kg/m²，在亚马逊流域等植被密集区相关性达R²=0.67。

技术优势

1. 标签效率：仅需10³标注样本即可达到监督模型10⁶样本的精度（图4）。
2. 训练效率：预训练后微调收敛速度提升3倍（图5），计算成本降低40%。
3. 地理适应性：1°×1°网格化结果显示，模型能准确捕捉太平洋高风速带（>12 m/s）和非洲中部土壤湿度梯度（图6-7）。

挑战与展望

当前局限包括：

1. 陆地散射复杂性：植被冠层和土壤异质性导致信号去相关，需融合地形、土地利用等多源数据。
2. 空间分辨率：菲涅尔区扩散使分辨率（3.5-40 km）低于光学遥感，未来可通过多卫星数据插值提升。

结论

GEM框架首次验证了GNSS-R自监督学习在跨任务地表监测中的可行性，为构建可扩展的全球观测系统奠定基础。未来通过引入多源数据融合和新型融合架构，有望进一步解锁GNSS-R在生物量估算、内陆水体检测等新场景的应用潜力。