《Remote Sensing》：An Innovative Coastal Altimetry Waveform Processing Approach Based on Wave-Transformer Classifier
编辑推荐：
针对近岸卫星测高中波形复杂、重跟踪精度较低等问题，研究提出了一套完整的数据处理流程，包括全聚焦合成孔径雷达（Fully Focused Synthetic Aperture Radar，FFSAR）波形处理、波形分类、去噪与重跟踪。基于香港近海Sentinel
针对近岸卫星测高中波形复杂、重跟踪精度较低等问题，研究提出了一套完整的数据处理流程，包括全聚焦合成孔径雷达（Fully Focused Synthetic Aperture Radar，FFSAR）波形处理、波形分类、去噪与重跟踪。基于香港近海Sentinel-3A实际波形，构建了包含17类、共35,409条波形的模拟数据集。研究提出了一种基于Transformer架构的Wave-Transformer分类器，其分类精度达到89.16%，且所有类别的F1-score均高于78%。针对不同波形类型，研究采用差异化处理策略：对异常峰波形采用3σ准则去噪；对多峰波形采用Dijkstra算法识别最优前沿，并仅对子波形进行重跟踪；对拖尾噪声波形采用子波形二次重跟踪；对尖锐波形采用Modified-Adaptive模型。多指标评估结果表明，UFSAR和FFSAR在数据有效性、重跟踪成功率和均方拟合误差（Mean Quadratic Error，MQE）方面均优于PLRM。在本研究中，距海岸10 km范围内，FFSAR海表高度（Sea Surface Height，SSH）的均方根平方和（Root Sum Square，RSS）较UFSAR低4.31 cm。利用潮位站数据验证表明，FFSAR的相关系数达到0.82，均方根误差（Root Mean Square Error，RMSE）为6.20 cm，优于UFSAR（0.76，7.55 cm）和PLRM（0.74，9.49 cm）。
该文发表于《Remote Sensing》，聚焦近岸卫星测高（coastal satellite altimetry）中长期存在的关键瓶颈：靠近海岸时，雷达回波易受陆地散射、复杂海况和非均匀背景噪声影响，导致波形形态显著偏离标准海洋波形，进而使传统重跟踪模型难以稳定收敛，海表高度（Sea Surface Height，SSH）反演精度下降、数据可用率受限。脉冲限幅雷达高度计在近岸区域横向分辨率较低，混合回波污染显著；合成孔径雷达（Synthetic Aperture Radar，SAR）测高虽然提升了分辨率与信噪比，但近岸复杂地表与海洋动力过程仍会造成异常峰、多峰、拖尾噪声和尖峰波形等复杂回波。全聚焦合成孔径雷达（Fully Focused Synthetic Aperture Radar，FFSAR）进一步提高了分辨率，为近岸精密测高提供了新机会，但其近岸观测仍不能完全避免陆地信号干扰，在离岸海域也会受到海洋起伏变化影响。因此，研究人员开展本研究，目的在于建立一套面向复杂近岸环境、兼顾波形识别、去噪与重跟踪的完整处理流程，以提升近岸SSH反演精度和有效数据保留能力。
研究人员以中国南海香港海域为研究区，选取2022年Sentinel-3A第260轨的Level-1A与Level-2数据，并结合香港Quarry Bay潮位站资料进行外部验证。在方法设计上，研究并未局限于针对单一污染波形提出局部修补算法，而是围绕“波形重建—波形分类—按类处理—结果评估”的完整技术链展开。研究首先利用SMAP-FFSAR对L1A原始数据进行全聚焦重建，获得FFSAR波形；随后基于实际波形形态分析构建17类波形体系，将近岸回波进一步细分为标准海洋波形、标准尖锐波形、异常峰波形、拖尾噪声波形、多峰波形及杂波等，从而避免将全部“异常波形”简单剔除造成有效信息浪费；在此基础上，研究提出Wave-Transformer分类器，对不同波形进行自动判别，再根据类别分别采取3σ异常峰剔除、Dijkstra最优前沿识别、子波形二次重跟踪和Modified-Adaptive重跟踪等策略。结果表明，该流程在提高重跟踪成功率、降低拟合误差、改善SSH稳定性及提升与潮位站观测一致性方面均取得了较好效果，说明FFSAR结合精细分类与差异化重跟踪具有较高应用潜力，尤其适用于复杂近岸带卫星测高场景。
就主要技术方法而言，研究主要采用了四类关键方法。其一，利用SMAP-FFSAR对Sentinel-3A Level-1A数据实施全聚焦处理，生成高分辨率FFSAR波形。其二，基于香港近海实际PLRM/SAR波形特征，结合Brown模型、SAMOSA模型和Adaptive模型构建17类、35,409条波形的模拟—真实混合数据集。其三，设计仅含编码器的Wave-Transformer分类模型，通过信号分块、位置编码、多头自注意力和分类头实现波形自动分类。其四，针对不同污染类型波形分别采用3σ准则、Dijkstra算法、ALES思想下的子波形重跟踪以及面向尖锐拖尾噪声波形的Modified-Adaptive模型，并以香港Quarry Bay潮位站小时SSH数据进行时空匹配验证。
在研究结果部分，论文首先给出了**3.1. Classification Results**。该部分基于真实波形分类结果分析了不同测高模式及离岸距离条件下的波形组成变化。结果显示，SAR模式中“干净”的标准波形占比更高，而随着离岸距离增加，标准海洋波形比例显著上升，杂波与尖锐波形迅速下降。距岸小于2 km时，LRM模式杂波比例高达48.61%，SAR模式仅为4.06%；当离岸距离达到10–20 km时，LRM海洋波形比例升至96.90%，SAR标准海洋波形可达99.20%，杂波基本消失。这说明近岸区域受陆地地形和复杂散射影响，回波组成高度异质，而离岸海域则以标准海洋波形为主。FFSAR在小于5 km近岸带噪声比例有所增加，但在5 km以外杂波比例快速下降，且干净波形比例高于UFSAR，说明FFSAR重建有助于改善较远近岸带的波形质量。
论文在**2.3.1. Constructing Simulation Dataset**与**2.3.2. Design of Wave-Transformer Classifier**中系统展示了分类模型的构建依据与性能。研究通过对香港海域实际PLRM与SAR波形的剖析，提炼出标准海洋、标准尖锐、异常峰、拖尾噪声、多峰及杂波等形态，并据此建立17类标签。模拟部分采用Brown模型生成LRM标准海洋波形，采用SAMOSA（Synthetic Aperture Radar Altimeter Mode Studies and Applications）模型生成SAR标准海洋与标准尖锐波形，并通过叠加Gaussian噪声和Rayleigh噪声构造异常峰、拖尾噪声和多峰波形。分类模型使用Transformer编码器结构，在加入位置编码后对波形序列进行全局特征建模。测试结果显示，总体分类精度达到89.16%，全部类别F1-score高于78%，其中LRM/SAR标准海洋波形、异常峰波形和拖尾噪声波形的F1-score均超过90%。与RNN和LSTM对比后，Transformer在Precision、Recall和F1-score方面整体最优，说明自注意力机制更适合复杂波形全局结构识别。分类误差主要集中于若干尖锐波形类别，原因是样本量较少且类别间特征重叠较高。
在**2.4. Noise Removal and Retracking**中，论文详细说明了分类后按类型处理的技术路线。对于标准波形，可直接重跟踪；而异常峰、拖尾噪声及多峰波形若直接拟合则易失败，因此需先去噪。异常峰处理通过检测回波功率差中的离群值识别异常峰位置，并将相应range gate置零后再进行最小二乘拟合。文中示例表明，原本因前沿大异常峰导致失败的海洋波形，在剔除异常峰后可成功重跟踪。多峰波形处理采用ASCR思路，先计算相邻窗口功率差以确定前沿范围，再根据0.1、0.2、0.5和0.9功率水平线交点筛选候选前沿，最终利用Dijkstra算法选取最优前沿，从而抑制波形起始处噪声干扰并提高定位精度。对于拖尾噪声海洋波形，研究借鉴ALES算法思想，先估计粗略有效波高（Significant Wave Height，SWH）和前沿中点位置，再利用经验截断门限仅对前沿及部分后沿子波形进行二次拟合，以削弱拖尾噪声影响。对于尖锐波形，研究发现SAMOSA模型难以获得理想拟合，而Adaptive模型更适用；但Adaptive模型同样易受拖尾噪声干扰，因此研究进一步提出Modified-Adaptive模型，通过首次重跟踪得到粗略SWH，并借助Monte Carlo模拟关系确定截断门限，再对截断后的子波形实施二次重跟踪。结果表明，这一改进可避免噪声主导尾缘拟合，提高尖锐污染波形的稳定重跟踪能力。
在**3.2. Retracking Results**中，论文从数据有效率、重跟踪成功率、MQE和SSH稳定性四个方面验证处理流程效果。数据有效率方面，FFSAR_SAMOSA与UFSAR_SAMOSA整体显著高于PLRM，平均均约为99.1%，而PLRM约为95.3%–95.5%。在距岸2 km处，FFSAR_SAMOSA达到97.42%，高于UFSAR_SAMOSA的96.79%，也明显高于PLRM的93.91%–95.51%；10 km以外，FFSAR_SAMOSA和UFSAR_SAMOSA几乎均可达到100%。这表明全聚焦处理结合SAR重跟踪有助于提高从近岸到外海的可用数据比例。重跟踪成功率方面，PLRM近岸表现较差，距岸2 km内成功率不足50%，10 km附近才接近95%；SAR模式则在10 km处已达到约99%。进一步比较显示，FFSAR与UFSAR在外海表现相近，但在5 km内FFSAR优势更明显：距岸2 km内，FFSAR成功率较UFSAR高11.57%；在2–5 km范围内高17.21%。MQE结果显示，UFSAR和FFSAR在整个研究区的拟合质量均优于PLRM，且5 km内FFSAR优于UFSAR；随着离岸距离增加，两者差异减小。研究据此认为，FFSAR在相同分辨率下尾缘更平滑，是其近岸拟合表现较优的重要原因。
同样在**3.2. Retracking Results**中，SSH稳定性分析进一步支持上述结论。研究利用重跟踪得到的卫星至海面距离，并结合对流层延迟、电离层延迟、海况偏差、固体潮、海潮、极潮、反气压改正和内部潮等改正项计算SSH。结果显示，在近岸区域，UFSAR与FFSAR的SSH标准差显著低于PLRM，尤其在5 km内最为明显：UFSAR与FFSAR约为7 cm，而PLRM约为12 cm。与UFSAR相比，FFSAR在10 km内标准差更低，大致可小约1 cm，说明FFSAR近岸测高更稳定；但10 km外UFSAR表现略优于FFSAR，标准差约低0.7 cm。论文将这一现象归因于海洋长波几何效应和多普勒子波束覆盖不同波相区域所引起的波形前沿不连续和测距噪声增强，并指出FFSAR采用相干平均，可能较UFSAR更容易受海洋起伏影响。这一结论在文中被明确限定为香港案例区结果，未被外推至所有开放海域。
在**3.3. Correlation with Tide Gauge Data**中，研究通过潮位站外部验证评估不同波形处理结果对海表高度异常（Sea Surface Height Anomaly，SSHA）的影响。研究将2022年1月至12月共13个周期的Sentinel-3A第260轨观测与香港Quarry Bay潮位站小时数据进行时空匹配，轨道与站点最小距离约5 km，并利用平均海面（Mean Sea Surface，MSS）和动态大气改正（Dynamic Atmospheric Correction，DAC）将潮位站水位外推到卫星星下点附近。结果表明，FFSAR重跟踪得到的SSH总体与潮位站观测变化趋势一致，大部分周期两者差异在0.2 m以内。转换为SSHA后，FFSAR结果波动更接近零。定量评估中，FFSAR的RMSE为6.20 cm，优于UFSAR的7.55 cm和PLRM的9.49 cm；相关系数方面，FFSAR达到0.82，高于UFSAR的0.76和PLRM的0.74。与此同时，论文还比较了PLRM和UFSAR处理前后的SSHA改进，发现相对于Level-2原始产品，沿用本文近岸处理流程后，UFSAR与潮位站SSHA差值标准差降低2.8 cm，PLRM降低3.3 cm，进一步证明该流程对近岸波形处理具有现实有效性。
在**4. Discussion**中，作者强调近岸环境具有高度空间异质性，海区、季节、轨道和海况差异均可能影响算法表现，因此当前结论仍需在更多海域和更多周期上进一步检验。这一讨论并未否定本文结果，而是将结论适用性限定在案例研究尺度上，体现出对方法泛化能力的谨慎判断。
研究结论部分可译述如下：本研究构建了一套适用于近岸区域的完整数据处理流程，包括全聚焦波形重建、波形分类、去噪和重跟踪。首先，基于香港近海实际波形，将回波划分为17类，包括标准LRM/SAR海洋波形、标准LRM/SAR尖锐波形、带异常峰的LRM/SAR海洋与尖锐波形、带拖尾噪声的LRM/SAR海洋与尖锐波形、带多峰的LRM/SAR海洋与尖锐波形以及杂波，并构建了包含35,409条波形的数据集。其次，提出Wave-Transformer波形分类器，测试精度达到89.16%，全部类别F1-score均高于78%，其中标准海洋波形、异常峰波形和拖尾噪声波形的F1-score均高于90%；并将该分类器应用于实际PLRM、SAR和FFSAR波形分类，分析了类别占比随离岸距离的变化。再次，针对不同波形类型提出了差异化去噪方法：异常峰利用3σ准则剔除，多峰波形利用Dijkstra算法识别最优前沿后重跟踪，拖尾噪声波形采用子波形二次重跟踪，针对带拖尾噪声的尖锐波形则提出Modified-Adaptive模型，有效避免了拖尾噪声对拟合的干扰。最后，多指标评估表明，在本案例近岸带中，FFSAR在约5–10 km范围内表现出优势，而UFSAR在更远外海某些条件下可能更稳定；在距岸10 km范围内，FFSAR的SSH在RSS意义下较UFSAR低4.31 cm。潮位站SSHA验证结果显示，FFSAR的相关系数为0.82、RMSE为6.20 cm，均优于UFSAR和PLRM，表明所提出近岸处理流程具有较好的可靠性与应用潜力。
