《Remote Sensing of Environment》：Gap-free GNSS-R wind field reconstruction: A neural mapping scheme and initial validation
编辑推荐：
本研究针对GNSS-R风场观测存在数据间隙的问题，开发了一种基于物理信息神经映射方案（4DVarNet）的无缝隙海面风场重建方法。研究利用CYGNSS L2风场数据，成功重建了1小时、3小时和6小时时间分辨率的无间隙风场，与ECMWF ERA5和AMSR2风场产品相比，RMSE分别低至1.13 m/s、1.16 m/s和1.24 m/s。该研究为高时空分辨率海洋风场监测提供了新方法，在台风监测等气象应用中具有重要价值。
海洋表面风场是影响海气相互作用、海洋环流和地球气候的关键变量之一。高时空分辨率的风场监测和预报是当前研究的重点。随着空间科学的发展，遥感技术为海洋风场观测提供了大量数据，显著提升了数值天气预报（NWP）产品的水平。这些风场产品主要分为点状观测（如高度计）和图像观测（如散射计、辐射计和合成孔径雷达）两类。然而，卫星观测通常存在重访周期长、观测间隙大等问题，特别是在极端天气事件如台风（TC）监测中，需要高时空分辨率且具备全天候观测能力的风场数据。
全球导航卫星系统反射测量（GNSS-R）作为一种新兴的遥感技术，因其成本低、功耗小、重访时间短、穿透能力强等优势，在海面风场反演中展现出巨大潜力。特别是美国的气旋全球导航卫星系统（CYGNSS）任务，自2017年3月以来，在38°S至38°N范围内提供了大量观测数据，其官方L2级风产品空间分辨率为25公里。然而，现有的GNSS-R风产品多为L2级，存在数据间隙，限制了其在气象业务中的应用。为了充分发挥其潜力，开发L3和L4级GNSS-R风场产品至关重要。
目前，生成无间隙L3产品通常需要在空间覆盖率和时间分辨率之间进行权衡。数据同化是业务化气象产品中广泛使用的插值方法，如欧洲中期天气预报中心（ECMWF）的ERA5再分析产品采用了四维变分（4DVAR）同化技术，在0-25 m/s风速范围内表现良好，但其优化过程计算密集且耗时。为了克服这一限制，数据驱动方法应运而生，其中物理信息学习因其能够整合物理先验知识和观测数据而受到广泛关注。4DVarNet是一种先进的端到端神经变分框架，其有效性和可迁移性已在海面高度、海流和海洋颜色等要素的重建中得到验证。
本研究旨在探索利用轨迹式GNSS-R风产品生成无间隙风场的可行性。研究人员采用了一种物理信息神经映射方案——4DVarNet，来重建海面风场。该研究重建了空间分辨率为0.25°×0.25°的1小时、3小时和6小时无间隙GNSS-R风速场，并以ECMWF ERA5风产品和高级微波扫描辐射计2（AMSR2）全天候风场作为参考进行了验证。
为开展研究，研究人员选用了2018年1月至2022年9月的NOAA CYGNSS V1.2 L2风速数据，该产品在高风速下的表现优于CYGNSS最先进的V3.2 L2完全发展海况（FDS）风产品。参考风场选择了ECMWF ERA5再分析产品和AMSR2 L3级全天候风速产品。考虑到计算效率，研究区域聚焦于台风活动更频繁的东南亚地区（0°-37°N，100°E-160°E）。数据经过质量控制后，将L2 GNSS-R风数据重采样到每个时间间隔的所有空间网格上，生成了1小时、3小时和6小时的无间隙海洋风场。
本研究的关键技术方法是4DVarNet。该方案将风场重建问题视为一个数据同化问题，通过状态空间公式进行描述。4DVarNet是一个弱约束的神经方案，它联合训练动态先验表示和梯度求解器。其核心是一个端到端的神经变分框架，包含一个梯度求解器（由长短期记忆网络LSTM实现）和一个双线性自编码器（AE）先验模型。梯度求解器基于弱约束4DVAR原理运行，通过监督学习策略最小化4DVAR代价函数。该代价函数是观测项和先验项的加权和，其中观测项衡量重建风场与GNSS-R观测之间的差异，先验项则通过自编码器先验模型约束风场的动态演化，使其符合物理规律。为了处理重叠的输出，研究采用了时间三角加权策略来获得最终的重建风场。模型使用Adam优化器进行训练，总参数量约180万个，相比传统的物理插值模型计算效率更高。
研究结果表明，与最优插值（OI）风场相比，4DVarNet重建风场的均方根误差（RMSE）显著降低，1小时、3小时和6小时风场的改进幅度分别达到28.0%、25.2%和21.5%。其中，1小时风场的结果精度最高，表明当输入时间分辨率更高时，4DVarNet能有效捕捉动态演化特征。空间和时空误差分析进一步证实了4DVarNet风场的稳健性，其日平均RMSE保持在1.6 m/s以下。误差分解揭示了ECMWF风场与GNSS-R风场之间的差异，这可能支持未来对GNSS-R风产品进行重新校准或改进ECMWF预报。
4.1. 与ECMWF风场对比的性能
与ECMWF风场相比，4DVarNet重建风场在不同时间间隔下均表现出优越的性能。OI风场作为基线方法，与ECMWF风场相比的平均RMSE约为1.6 m/s。而4DVarNet风场的RMSE显著降低，1小时风场达到1.13 m/s。此外，OI风场与ECMWF风场之间存在系统性偏差，而在4DVarNet风场中，这些偏差几乎被消除，这得益于其数据驱动的神经方案。
4.2. 重建误差分解
误差分解表明，4DVarNet风场的误差包含插值误差、GNSS-R风场本身误差与ECMWF风场误差之间的差异。通过开发另一个以ECMWF风场为输入（并按照GNSS-R观测进行掩膜）的4DVarNet模型，研究人员发现GNSS-R风场的误差方差大于ECMWF风场。插值误差与输入数据的稀疏性高度相关，而GNSS-R与ECMWF风场之间的系统偏差可能与GNSS-R风产品的校准有关。
4.3. 与第三方参考（AMSR2）的验证
以AMSR2风场为参考的进一步验证表明，4DVarNet风场也表现出良好的性能。与OI风场相比，其RMSE在1小时、3小时和6小时数据上分别降低了13.6%、11.3%和9.2%。4DVarNet风场的误差模式更接近于ECMWF风场，但其总体误差略低于ECMWF风场。在风速低于17 m/s时，4DVarNet风场与AMSR2风场具有强线性关系（相关系数约0.9）。然而，在风速高于20 m/s时，由于高风速样本数量少以及ECMWF风场在高风速下性能下降，4DVarNet风场的性能有所下降。
5.1. 超强台风“舒力基”中的表现
对2021年4月超强台风“舒力基”的案例研究表明，4DVarNet重建的风场有效捕捉了台风的发展过程。重建风场检测到的峰值强度时间与国际最佳路径归档（IBTrACS）数据一致，而ECMWF预报则显示了两天的滞后。尽管受当前空间分辨率限制，难以检测风暴的精细尺度结构，但4DVarNet风场成功反映了台风的整体模式和强度变化。
5.2. 重建风场的梯度特征
梯度特征分析表明，4DVarNet能有效重建风场梯度。在台风“舒力基”案例中，4DVarNet风场清晰检测到了台风眼，其位置和范围与ECMWF风场一致。以GNSS-R观测为输入重建的风场，其梯度幅度有所改善，台风眼清晰可辨，且与IBTrACS预测的台风中心一致。
5.3. 热带风暴“圆规”的不对称性
对2021年10月热带风暴“圆规”的分析揭示了其明显的不对称性。风暴中心东北（NE）和西南（SW）象限的风速高于东南（SE）和西北（NW）象限。在风暴中心坐标系下，检测到东北象限的最大风速（Vmax）为17 m/s，最大风速半径（Rmax）为587.5公里，而西北象限的Rmax为362.5公里，比东北象限小38%。这种不对称性与“圆规”在东风切变中的西北向移动有关，阻止了紧密眼墙的巩固，导致其增强缓慢。这一发现进一步证明了无间隙GNSS-R海洋风场图在监测热带风暴或台风方面的能力。
本研究成功地将4DVarNet这一神经数据映射方案应用于利用NOAA CYGNSS L2风速产品重建无间隙海洋风场。重建的1小时、3小时和6小时风场与ECMWF ERA5和AMSR2风场产品相比，表现出较低的误差和良好的稳健性。该研究证实了4DVarNet在海洋风场重建中的有效性，特别是在捕捉台风等中尺度天气系统的动态特征方面展现出潜力。尽管在高风速下的性能仍有待提升，但该方法为生成高时空分辨率的无间隙L3/L4级GNSS-R风产品提供了新的技术途径。未来，通过整合更多GNSS-R任务（如风云三号、天目一号、近期发射的HydroGNSS等）的观测数据，以及使用包含更多高风速样本的训练参考，有望进一步改善4DVarNet在高风速下的表征能力，推动GNSS-R在业务化气象应用中的发展。
