FLWCN：基于场感知自适应可学习小波变换的鲁棒海表温度图像补全方法

《Applied Ocean Research》：FLWCN: A robust sea surface temperature image completion method based on a field-aware adaptive learnable wavelet transform

　　

FALWT根据局部梯度和结构自适应调整小波核，用于海表温度（SST）补全。GLA-Block捕获跨尺度依赖关系并保留低频趋势。FLWCN在各种缺失比例和噪声条件下优于主流方法。

海表温度（Sea Surface Temperature，SST）作为海洋环境变化的关键指标，在海洋气候研究、渔业资源评估和天气预报中具有重要作用。然而，实际观测中云覆盖、成像噪声和传感器视角限制常导致大面积空间数据缺失。传统方法如确定性插值、统计建模和数据同化受限于局部连续性假设或线性约束，难以恢复非线性结构（如锋面、涡旋边界）。深度学习方法虽具备非线性拟合能力，但多局限于空间域建模，缺乏对频率特征和跨尺度一致性的显式处理。为此，研究人员提出FLWCN（Field-aware Learnable Wavelet Completion Network）框架，集成场感知自适应可学习小波变换（FALWT）和全局-局部注意力块（GLA-Block），实现SST图像的结构化重建。实验表明，FLWCN在多种缺失比（8%–68%）和噪声水平（N/S=0.1–0.3）下均优于DINEOF、DINFNN、FMambaIR等主流方法，尤其在高度缺失和噪声条件下保持鲁棒性。该研究发表于《Applied Ocean Research》，为云覆盖区域的SST产品重建提供了可靠工具，可支持锋面监测、涡旋分析和数值预报输入。

研究人员主要采用以下关键技术方法（不超过250字，样本队列来源：NSOAS Level-4 SST产品，2022年1月至2023年4月，西大西洋23°N–26°N、70°W–67°W区域）：1）FALWT：利用SST场的梯度信息生成自适应权重矩阵，动态调制四个小波子带核（LL、LH、HL、HH），实现结构感知的频率分解。2）GLA-Block：通过递归更新的全局向量建立跨窗口和跨尺度的依赖关系，保持低频背景趋势一致性。3）编码器-解码器架构：使用场感知小波下采样（FALW-DS）和逆场感知小波上采样（IFALW-US）进行多尺度特征提取和渐进重建。4）损失函数：结合L1损失和小波损失（包括正交性约束L_orth和完美重建约束L_pr）。5）评估指标：均方根误差（RMSE）、决定系数（R²）、结构相似性指数（SSIM）和峰值信噪比（PSNR）。

**4.1 对比实验**：在NSOAS数据集上，将FLWCN与DINEOF、AIN、Phy_INN、DINFNN、SVIFNN、FMambaIR在四种缺失比（8%、25%、46%、68%）和三种噪声水平（N/S=0.1、0.2、0.3）下进行定量比较。结果表明，FLWCN在大多数设置下均取得最优RMSE、R²、SSIM和PSNR值。例如，在N/S=0.1且缺失比68%时，FLWCN将RMSE降低16.6%，R²提升13.2%，SSIM提升22.2%。视觉对比也显示，FLWCN能更好地保留锋面和涡旋等各向异性结构，而其他方法在高缺失比下易出现过平滑或结构失真。

**4.2 消融实验**：包括模块消融和超参数消融。模块消融设置三种变体：去除GLA-Block（用标准卷积替代）、去除全局向量G（改用常规窗口注意力）、去除FALWT（用标准离散小波变换替代）。在所有12种实验设置下，完整FLWCN均取得最佳性能。FALWT的去除导致最明显的性能下降，表明其对局部结构保持的关键作用；GLA-Block和全局向量主要贡献于全局一致性。超参数消融比较小波分解层数N=1–5，发现N=3在RMSE和R²上达到最优平衡，因此采用三层分解。

**4.3 复杂度分析**：将FLWCN与AIN、Phy_INN、DINFNN、SVIFNN、FMambaIR比较参数量、FLOPs和推理时间。FLWCN参数量最小（1.2458M），FLOPs为9.3420G，单样本推理时间0.0835秒，在轻量化和效率方面具有优势。

**4.4 有效性验证**：在黑潮延伸区（32°N–35°N、144°E–147°E）进行跨区域可视化实验。该区域具有更强的SST梯度和更复杂的多尺度变化。结果显示，FLWCN能较好地重建主要SST分布，在缺失区域保持空间连续性，并在强梯度区域清晰恢复锋面和涡旋结构，证明了其空间泛化能力。

**总结与讨论**：论文结论部分指出，FLWCN通过FALWT和GLA-Block实现了场感知频率分解和跨尺度一致性建模，在多种缺失和噪声条件下显著优于现有方法，具有实际应用潜力。讨论部分（Limitations）提到当前验证限于单一SST产品和64×64像素输入尺寸，未来将扩展到更大空间域和多源数据集（如GHRSST、AVHRR Pathfinder、OSTIA），并改进计算效率以适应高分辨率需求。**研究结论翻译**：本文针对云污染导致的SST遥感观测大面积缺失问题，提出了一种集成场感知可学习小波变换与跨尺度循环建模的SST补全框架FLWCN。从SST数据的非平稳特性和多尺度动力学结构出发，本研究系统分析了深度学习方法在局部结构适应性、跨区域依赖建模和尺度一致性方面的局限性，并针对海洋物理场特征构建了频率-空间联合建模路径。为实现对不同区域结构变化的自适应响应，研究人员提出场感知自适应可学习小波变换（FALWT），利用SST场的梯度信息调制四个小波子带，使小波核摆脱固定基约束，动态分离非平稳区域（如锋面和涡旋）中的背景趋势与扰动，从而为后续特征编码提供物理一致的多尺度表示。在此基础上，构建了场感知小波分解编码器（FALW-DS）和逆场感知小波重建解码器（IFALW-US），分别执行多尺度特征下采样和渐进式重建。通过FALWT频率分解与循环全局-局部注意力（GLA）机制的联合作用，编码器在每一尺度获得跨区域背景信息，解码器保持由粗到细的结构一致性。此外，在解码阶段跨尺度注入全局更新向量，进一步增强了重建结构、纹理和强梯度区域的稳定性。大量实验验证了该方法在不同云覆盖水平（8%–68%）和噪声条件（N/S=0.1–0.3）下的优越性：FLWCN在RMSE和R²上显著优于DINEOF、DINFNN、SVIFNN和FMambaIR等代表性方法，并在高度缺失和高噪声场景中表现出更强的鲁棒性。这些特性使FLWCN在持续云污染区域的实际SST产品重建中具有潜在应用价值，可为下游海洋监测提供连续、空间完整的SST场。例如，补全后的SST产品可支持区域热锋监测、涡旋相关SST结构分析，以及为数值海洋预报或数据同化系统制备无间隙SST输入。消融研究进一步表明，FALWT和GLA-Block是提升性能的关键组件，从而确认了该框架在SST补全任务中的有效性和必要性。