基于分段对数正态建模的Sentinel-1同-交叉极化相干性及风场贝叶斯反演应用

《Remote Sensing of Environment》：Piecewise log-normal modeling of Sentinel-1 co-cross polarization coherence and application to wind field Bayesian inversion

　　

本研究提出了一种新的分段对数正态公式化地球物理模型函数（PGMF-2），用于描述C波段合成孔径雷达（SAR）同-交叉极化相干性（CCPC）与风速和风向的关系，适用范围扩展至25 m/s。研究人员开发了一个通用的贝叶斯反演框架，具备动态可观测变量选择能力。通过蒙特卡洛模拟证明，CCPC可以在无需先验信息的情况下估计风向。反演结果通过与HY-2B散射计和浮标的匹配风场进行了验证。该方法被应用于对风暴“亚历克斯”（Storm Alex）的观测，作为风速和风向反演的概念验证。研究表明，CCPC相对于风向具有奇对称性，能够补充其他SAR衍生测量值的不足，从而有效解决SAR单天线观测带来的风场反演歧义性问题。

论文解读

研究背景与问题

海洋表面风场的精确估算在地球观测领域具有长期而重要的目标。准确的风场数据对于气象数据同化、极端天气事件近实时监测、海上交通运输以及绿色能源转型中的离岸风电场功率评估和风图谱创建等应用至关重要。合成孔径雷达（SAR）因其对海面粗糙度的敏感性，在研究海洋表面风场中发挥着重要作用。传统上，风速可以通过分析归一化雷达截面（NRCS）从SAR测量中推断出来，其与风速的关系由地球物理模型函数（GMF）建模。然而，与能够从不同方位角观测同一表面的散射计不同，SAR受限于单一固定天线，因此风场估算是一个具有挑战性的问题，因为给定一组输入可能存在多个解。为解决这一歧义性，需要在风场反演过程中引入外部辅助信息，例如来自大气模式的风向先验，但这些先验可能与真实风场存在诸多偏差。

近年来，同-交叉极化相干性（CCPC）因其相对于风向独特的奇对称行为而受到关注，能够补充其他SAR衍生测量值。Longepe等人提出了首个用于CCPC的极化地球物理模型函数（PGMF-1），但在0至14 m/s的风速范围内表现良好，由于缺乏强风事件的训练样本，多项式PGMF在更高风速下开始发散。因此，有必要开发一种新的公式化PGMF，使其在高风速条件下仍保持良好性能。

研究内容与结论

研究人员提出了一种新的CCPC极化地球物理模型函数公式化（PGMF-2），将其适用性扩展至25 m/s。新公式化受益于利用比先前公式化大三倍的数据集，并使用更新的仪器处理设施（IPF）版本进行处理，提供了更优的噪声估计和校准。在对σ_VV、σ_VH和ρ的标准差进行建模后，通过蒙特卡洛模拟证明，CCPC可用于在没有先验信息的情况下估算风向。反演进一步通过与HY-2B散射计的匹配风场进行了验证。该方法被应用于对风暴“亚历克斯”的观测，作为风速和风向反演的概念验证。该研究未尝试达到飓风级风力，因为在飓风级风力下占主导地位的额外物理机制可能导致CCPC的不同行为，将热带气旋SAR数据集的专门纳入留待未来工作。该论文发表于《Remote Sensing of Environment》。

关键技术方法

1. 1.
   分段对数正态建模：研究人员采用分段对数正态公式化来描述CCPC与风速和风向的关系，确保模型在高风速下保持稳定不发散。
2. 2.
   极化地球物理模型函数（PGMF-2）：建立新的PGMF公式化，用于建模CCPC及其标准差随入射角、风速和风向的变化。
3. 3.
   贝叶斯反演框架：开发通用贝叶斯反演框架，具备动态可观测变量选择能力，实现风场参数的最优估计。
4. 4.
   蒙特卡洛模拟：通过蒙特卡洛模拟评估CCPC在无先验信息条件下估算风向的能力。
5. 5.
   数据集来源：训练数据集包含来自ESAWAAI数据集的25,822幅Sentinel-1干涉宽幅（IW）观测图像，覆盖北海、挪威海、大西洋和地中海，时间跨度为2019年6月至2023年11月。

研究结果

2.1 分布

数据集包含25,822幅Sentinel-1 IW观测图像，覆盖250 km距离范围和约200 km方位角范围，入射角在29°至46°之间变化。地理上覆盖北海、挪威海、大西洋和地中海。IW产品采集于2019年6月26日至2023年11月4日之间，涵盖各个季节，对应IPF版本3.10至3.71。从IPF 2.91到3.10的过渡代表了噪声等效σ?（NESZ）标注的显著改进。

2.2 直方图组成

所有场景的风场信息由CYMS项目中使用的双极化反演提供。共约1,108,761个约17 km瓦片样本中，1.97%（21,895个样本）超过20 m/s，0.41%（4536个）超过25 m/s，0.09%（1038个）超过30 m/s，0.01%（147个）超过35 m/s。基于此，研究结论明确限制在约25 m/s以下的风速。研究人员创建了三维直方图，轴代表风速（0至40 m/s，步长1 m/s）、风向（0°至360°，步长6°）和入射角（31°至45°，步长2°）。

2.3 预处理

预处理包括将观测划分为瓦片以及校准以减少因接收天线不完善导致的同极化和交叉极化分量之间的串扰。

2.3.1 瓦片策略的选择

CCPC定义为同极化和交叉极化之间归一化互相关的最大似然估计，计算公式为ρ = ?S_co · S_cross^*? / √(?|S_co|²? · ?|S_cross|²?)，其中S_co和S_cross分别对应同极化和交叉极化的复数雷达信号，?·?表示瓦片上的平均，*表示复共轭。

讨论与结论

研究讨论指出，SAR传感器可通过分析粗糙度纹理（如风条纹，但存在180°歧义）或其他参数（如平均交叉谱MACS或多普勒频移）提供风向信息。结合不同的SAR可观测变量有助于补偿它们对风向的不同敏感性。同极化NRCS相对于风向呈偶对称，而交叉极化NRCS几乎与风向无关。CCPC相对于风向呈奇对称，能够有效补充其他SAR测量值，帮助解决单天线SAR观测带来的风场反演歧义性问题。

研究结论：研究人员成功建立了适用于高达25 m/s风速的CCPC分段对数正态PGMF-2模型，并通过蒙特卡洛模拟和与HY-2B散射计的匹配验证证明了其在风场反演中的有效性。该方法在风暴“亚历克斯”的观测中得到了概念验证，展示了从SAR数据中同时反演风速和风向的潜力，无需依赖外部风向先验信息。研究明确指出，对于超过25 m/s的更强风况（特别是热带气旋），需要未来的专门研究，因为高风速下的波破碎和海沫等额外物理机制可能导致CCPC的不同行为。