一种基于星载微波辐射计的自适应湿对流层校正方法

《Remote Sensing》：An Adaptive Wet Tropospheric Correction Method Using a Spaceborne Microwave Radiometer

　　

高精度湿对流层校正（WTC）对于卫星测高和海洋动力环境监测至关重要。现有WTC方法通常依赖全局统一统计框架，难以充分表征随风速变化的海表微波辐射响应非线性，并且在观测分布不均匀条件下容易产生系统偏差。为解决这些局限性，本研究提出了一种自适应WTC方法，集成重叠风速分区建模、多尺度协同样本均衡以及模型软融合策略。首先，根据风速驱动的海表辐射响应变化，构建包含低风速、中风速和高风速分区及其重叠过渡带的建模框架，并分别独立训练各子模型。随后，设计结合全局权重与局部权重的多尺度样本均衡方法，以增强模型对稀疏样本的学习能力。最后，采用基于梯形隶属函数的软融合策略，对子模型输出进行动态加权，以保证过渡区内反演结果的连续性。基于HY-2C校准微波辐射计（CMR）观测数据，研究人员构建、训练并评估了该方法，并将其与模式推导的WTC及共址Jason-3 AMR-2观测进行对比。结果表明，所提方法提高了WTC反演的总体精度与稳定性，同时有效降低了稀疏风速区间下的系统偏差，为多种风速条件下实现高精度WTC反演提供了一种有效且稳健的方法。

该论文发表于《Remote Sensing》，研究聚焦于星载微波辐射计湿对流层校正（WTC）的精度提升问题。湿对流层路径延迟是影响雷达测高等空间对地观测系统测距精度的关键误差源，其反演准确性直接关系到海平面变化监测与海洋动力环境分析的可靠性。现有业务化WTC算法主要采用参数化对数线性模型或神经网络方法，利用微波辐射计亮温（TBs）与湿对流层改正量之间的统计映射实现反演。然而，海表微波发射率和散射特征会随风速变化而显著改变，使海表辐射响应呈现明显的分区依赖性和非线性特征。与此同时，全球海洋观测样本在风速维度上分布并不均匀，中等风速样本占主导，而极低风速与高风速样本相对稀缺，导致数据驱动模型在训练时更易偏向高密度区间，从而在极端风速条件下产生泛化能力不足与系统偏差。基于这些问题，研究人员围绕HY-2C校准微波辐射计（CMR）业务产品误差特征开展系统分析，进而提出一种面向风速分区、自适应融合和样本均衡的WTC新方法，以提升不同风速条件下的反演稳定性与精度。

就研究设计而言，研究人员首先利用HY-2C CMR 2022年6月1日至2023年5月31日的Level-2产品作为主要数据源，结合欧洲中期天气预报中心（ECMWF）的第五代大气再分析资料（ERA5）构建沿轨模式WTC参考值，并在开放海洋范围内进行质量控制，剔除陆地、海冰、降水污染及距海岸线50 km以内观测。随后，研究人员分析业务化WTC产品相对于ERA5推导WTC的误差分布，发现其在中等风速区间误差较小，而在低风速和高风速区间存在显著系统偏差。基于这一发现，论文提出自适应湿对流层校正框架，核心思想是将风速作为海表辐射非线性变化的主导分区依据，在低、中、高风速分区之间设置重叠过渡区，分别训练局部子模型，再通过软融合获得连续输出。结果表明，该方法在总体精度、稳定性和偏差控制方面均优于业务模型及对照模型，尤其在稀疏样本主导的低风速和高风速区间表现出更强的系统偏差抑制能力与独立验证泛化能力，对高质量卫星测高WTC产品生成具有重要意义。

本研究采用的主要技术方法包括：基于ERA5气压层资料，通过时空三线性插值构建HY-2C沿轨模式湿对流层校正参考值（WTC_model）；以多通道亮温、海表温度（SST）、纬度和年积日（DOY）等构建多源输入特征，并对周期性时空变量进行正余弦变换和归一化；以反向传播神经网络（BPNN，即反向传播神经网络）为基础，构建全局统一模型与风速分区子模型；通过全局与局部相结合的多尺度协同样本均衡机制校正风速维样本不平衡；最后利用基于梯形隶属函数的软融合策略实现重叠风速过渡区内子模型输出的连续加权集成。独立验证数据来自2022年6月至2023年5月HY-2C与Jason-3 AMR-2的同时天底点交会（SNO）样本，共160,166组匹配观测。

以下结合论文主体结构，对研究结果进行解读。

4.1. Contrastive Model Design
为系统评估样本均衡与风速分区建模对WTC反演性能的影响，研究人员设计了三个递进式对照模型：Global Unweighted Model（GUM）、Global Weighted Model（GWM）和Overlap Regime Weighted Model（ORWM）。其中，GUM为全风速范围统一建模基线；GWM在此基础上引入全局逆频率加权，以评估全局样本均衡的作用；ORWM进一步叠加重叠风速分区、局部样本再均衡与软融合机制，用于检验完整自适应框架的有效性。该设计使不同策略的贡献能够被逐层辨识。

4.2. Experimental Implementation
研究人员构建了多源特征向量，将TB18.7、TB23.8、TB37作为主要观测输入，辅以SST、纬度、DOY等环境信息，以加强模型对海气背景的表征能力。由于DOY和纬度具有周期性或地理连续性，论文采用正弦和余弦编码避免线性归一化带来的非物理跳变，并对全部输入输出变量实施最小—最大归一化，提高训练稳定性。在ORWM中，采用6 m/s和12 m/s作为低、中、高风速分区阈值，并在相邻分区边界设置宽度δ = 2 m/s的重叠带，以保证状态过渡的平滑性。研究还明确设定了全局与局部权重计算参数以及子样本数量不足时回退到全局权重的机制，从而兼顾稀疏样本学习与训练稳定性。

4.3. Network Architecture Configuration, Training Strategy, and Output Fusion
论文采用BPNN作为基础反演模型。GUM和GWM共享相同网络拓扑，ORWM则针对不同风速分区的样本规模与非线性复杂度采用差异化隐层规模，以降低低风速过拟合风险并增强高风速表达能力。训练阶段使用加权均方误差（WMSE）作为损失函数，并通过Levenberg–Marquardt（LM）算法优化参数。预测阶段，ORWM不采用硬阈值切换，而是利用梯形隶属函数在过渡区对相邻子模型输出进行动态加权，从而保证WTC结果在风速边界处的连续和平滑。

4.4. Assessment with Model-Derived WTC from ERA5
以ERA5推导的WTC_model为参考时，研究人员系统比较了业务模型（OM）与三种对照模型的性能。结果显示，OM的均方根误差（RMSE）和标准差（STD）最高，说明业务算法整体精度与稳定性较低。GUM和GWM均明显优于OM，表明神经网络建模以及全局样本均衡均能改善反演性能。ORWM取得最佳结果，RMSE为1.0653 cm，STD为1.0646 cm，相关系数R为0.9937，相比OM、GUM、GWM均进一步下降误差，显示风速分区、局部再均衡与软融合三者联合可有效提升反演质量。概率密度分布与双样本Kolmogorov–Smirnov（KS）检验进一步表明，ORWM相较OM具有显著更集中的误差分布，而相较GUM和GWM的优势虽更为渐进，但仍体现在最低RMSE和STD上。

在分风速区间评估中，OM在低风速区呈负偏差、在高风速区呈正偏差，反映出明显的风速分区依赖系统误差，其总体偏差较小主要是不同区间误差相互抵消所致。GUM和GWM在各风速区间均有所改善，说明统一模型经样本均衡后对稀疏区间的适应性提高。ORWM在低、中、高风速三个区间都获得最低RMSE与STD，并维持更小、更稳定的分区偏差，证明该方法能在不同风速背景下保持稳健反演能力，尤其强化了低风速和高风速稀疏样本条件下的偏差抑制效果。

4.5. Assessment with WTC Derived from Jason-3 AMR-2
为验证方法在独立观测条件下的可靠性，研究人员引入Jason-3 AMR-2湿对流层校正产品，通过同时天底点交会（SNO）构建独立验证样本，并采用严格的时空匹配与质量控制标准。结果显示，ORWM相对于WTC_Jason3同样获得最优总体性能，RMSE为0.8823 cm，STD为0.8803 cm，绝对偏差降至0.0601 cm，相关系数提高至0.9962。与OM相比，ORWM在误差、离散性及系统偏差方面均显著改善，证明该方法不仅对ERA5参考一致性更高，也能在跨卫星独立验证中保持优越性。

分风速区结果同样支持这一结论。GWM相较GUM在低、中、高风速区都降低了RMSE和STD，表明全局样本均衡对缓解观测分布不均具有稳定作用。ORWM在此基础上进一步提升，在全部风速分区实现最低RMSE与STD。特别是在高风速区，OM存在显著正偏差，而ORWM明显削弱这种高估现象，并维持更低的误差离散度。KS检验与误差概率密度分析也显示，ORWM对OM的分布改进最为显著，尤其体现在中高风速条件下；相对GUM和GWM的差异虽更细微，但仍体现为全风速范围更稳定的误差收敛表现。

讨论部分指出，当前全局统一模型难以同时刻画不同风速下海表辐射响应的非线性变化，并受样本分布失衡影响而出现系统偏差。针对这一问题，论文提出的ORWM将海表风速同时作为分区建模和输出融合的共同依据，在低、中、高风速区之间设置重叠过渡带，并在训练阶段引入全局与局部权重，在预测阶段借助梯形隶属函数动态融合子模型输出，从而兼顾局部适应性与全局连续性。实验结果表明，该框架在HY-2C CMR案例中实现了优于业务模型和多种对照模型的总体精度、稳定性与偏差控制能力，尤其适用于稀疏观测风速区间。论文同时强调，该方法目前仍依赖ERA5风速和SST等外部辅助数据，其性能可能受输入资料时空分辨率、匹配精度和可获取性的影响；此外，风速分区阈值与重叠宽度虽具有物理依据，但仍带有经验设定特征，尚需在更复杂场景中进一步验证。

研究结论部分可概括为：为克服现有全局统一模型在不同风速条件下难以充分表征海表辐射非线性变化、且受样本不均衡影响易产生系统偏差的问题，研究人员提出了一种融合重叠风速分区建模、多尺度协同样本均衡与软融合策略的自适应湿对流层校正方法。以HY-2C CMR为例开展建模、训练和验证后，结果表明，该方法在总体风速范围及各风速分区内均取得了更优的反演精度与稳定性，并在低风速和高风速稀疏样本条件下表现出更强的偏差抑制能力。与Jason-3 AMR-2的交叉验证进一步证明，该方法具有较高的独立泛化能力，为卫星测高任务生成高质量WTC产品提供了稳健而有效的技术路径。