中文标题：基于机器学习的Sentinel-1 SAR多普勒频移风、浪响应建模与海流反演

英文标题：Machine Learning-Based Modeling of Wind and Wave Responses in Sentinel-1 SAR Doppler Shifts for Ocean Current Retrieval

来源期刊：雷达学报

基金项目：国家自然科学基金(42206178)

作  者：车佳恒¹, 闫秋双¹, 范陈清², 孟俊敏², 张杰^{1, 2}

作者单位：1. 中国石油大学(华东) 青岛 266580
2. 自然资源部第一海洋研究所 青岛 266061

摘  要：海流在全球气候调节中具有重要作用。合成孔径雷达(SAR)凭借其对海表多普勒频移的观测能力，为高分辨率海流探测提供了有效的数据支撑。然而，SAR多普勒频移含有多种贡献项，要从中准确反演海流，需要进行非地球物理校正，并准确估算风-浪致多普勒频移的贡献。本研究基于Sentinel-1 SAR多普勒频移观测数据，在完成精确的非地球物理校正后，构建了经粒子群算法优化的BPNN与XGBoost模型描述SAR风-浪致多普勒频移与海面风-浪参数间的非线性映射关系，并通过系统对比评估确定了性能更优的模型，实现了海流流速的高精度反演。结果表明，与BPNN模型相比，XGBoost模型在性能上实现了显著提升。XGBoost模型估计的多普勒频移均方根误差(RMSE)约为4.043 Hz，较BPNN模型降低了2.898 Hz；与HYCOM海流相比，XGBoost模型反演海流的RMSE约为0.202 m/s，较BPNN模型降低了0.122 m/s；与HF雷达观测流速对比，XGBoost模型反演海流的RMSE为0.21 m/s，较BPNN降低了16%。本研究为星载SAR海流反演提供了一种更为精确的技术方法。

全文链接： https://radars.ac.cn/cn/article/doi/10.12000/JR25099