近期，我室出站海星博士后李晓辉副研究员和我室与上海交通大学联合培养的博士研究生韩心海以共同一作在地球科学和遥感领域的顶级期刊IEEE Transactions on Geoscience and Remote Sensing上发表了题为“Transfer Learning-based Generative Adversarial Network Model for Tropical Cyclone Wind Speed Reconstruction from SAR Images” 的研究论文。通讯作者为我室杨劲松研究员和加拿大海洋与渔业部韩国奇研究员，合作者还包括中山大学王久珂教授。

为了进一步解决合成孔径雷达（SAR）观测中由雨带引起的C波段衰减和高风速下信号饱和所带来的低质量数据挑战，我们在前期论文“基于对抗生成网络的合成孔径雷达热带气旋风速重构（2023年5月在 Remote Sensing 期刊上发表）”的基础上，使用全球降水测量（GPM）的降雨量数据，对Radarsat-2和Sentinel-1A/B所获取的89幅SAR热带气旋图像进行质量评估，进而识别出其中的低质量数据区域，并引入了迁移学习的方法，利用大量HWRF（Hurricane Weather Research and Forecasting）数据进行预训练，然后将其迁移至捕捉到热带气旋的SAR图像上，以执行台风风速的重构任务。这一策略使得我们的机器学习模型能够有效地学习HWRF图像中模拟的低精度区域与全局特征之间的关系，从而更准确地重构真实SAR观测的热带气旋风速（如图1所示）。

图1 基于迁移学习的生成对抗网络（GAN）模型的实施和数据流程图。

考虑到不同降雨强度对SAR数据质量的潜在影响，利用训练好的机器学习模型重构台风高风速，与步进频率微波辐射计（SFMR）实测数据的比较显示，在降雨量超过7.62毫米/小时，所构建的机器学习模型展现出较好的适应性和稳定性，在0～60m/s风速范围的偏差为-0.69 m/s，均方根误差为4.08 m/s。与主被动土壤湿度监测卫星（SMAP）L波段辐射计的测量结果相比，均方根误差为3.78 m/s。图2展示了模型针对飓风Irma和Maria SAR图像的重构案例。研究结果表明，深度学习技术在SAR图像重构和监控热带气旋方面具备巨大的潜力和应用前景，重构的台风结构结果基于SAR实际观测数据，更加接近现实，可用于热带气旋强度估计、结构分析和提升预报精度。

图2 重构后台风风速与SFMR实测数据对比。

本研究得到了国家自然科学基金项目（42306200）、国家重点研发计划项目（2023YFC3008100）、中石化胜利油田公司科研项目（YG2203）和南方海洋科学与工程广东实验室（珠海）创新团队科研建设经费（311021004）的资助。

论文引用：Xiaohui Li, Xinhai Han, Jingsong Yang*, Jiuke Wang, and Guoqi Han*, Transfer Learning-based Generative Adversarial Network Model for Tropical Cyclone Wind Speed Reconstruction from SAR Images. IEEE Transactions on Geoscience and Remote Sensing. doi: 10.1109/TGRS.2024.3390392.

相关文章：Xinhai Han, Xiaohui Li, Jingsong Yang*, Jiuke Wang, Gang Zheng, Lin Ren, Peng Chen, He Fang, and Qingmei Xiao. 2023. "Dual-Level Contextual Attention Generative Adversarial Network for Reconstructing SAR Wind Speeds in Tropical Cyclones" Remote Sensing 15, no.9: 2454. doi: 10.3390/rs15092454.