近日，我室优秀出站博士后、青年海星学者李晓辉副研究员和我室与上海交通大学联合培养的博士生韩心海以共同第一作者在IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing上发表《Physics-Constrained Spatio-Temporal Attention FusionGAN: End-to-End Gridded Sea Surface Wind Fusion Over China Seas From Multimission GNSS-R Observations》。我室杨劲松研究员、中国科学院国家空间科学中心黄飞雄副研究员、中山大学王久珂教授为共同通迅作者，合作者还有加拿大海洋与渔业部韩国奇研究员和西班牙空间科学研究所李伟强研究员。

该研究构建了物理约束时空注意力融合生成对抗网络（FusionGAN）模型，攻克了多源GNSS-R卫星观测数据线状分布、空间缺失和卫星观测异质性等难题，无需依赖数值模式背景场，实现中国海区域稀疏GNSS-R观测到全覆盖网格化海面风场的端到端重建，为海洋气象监测、台风预警、海气相互作用研究提供了新的技术方案。

图1 FusionGAN物理约束时空注意力模型架构

该模型以U-Net作为生成器主干，嵌入卷积块注意力模块（CBAM）与自注意力机制，形成混合时空注意力结构，可自适应提取不同GNSS-R卫星数据的互补特征，兼顾海面风场局部细节与全局空间关联，突破传统卷积网络感受野受限的问题；判别器采用CBAM增强的PatchGAN结构，从局部分块维度约束风场空间连续性，有效区分真实风场与生成风场，抑制模型模式崩溃。

为解决纯数据驱动模型易产生违背海洋物理规律风场的问题，团队创新性地将多项海洋先验知识嵌入模型损失函数设计，构建了多分量物理约束损失体系。研究团队依次设计卫星轨道加权 L1 损失、结构相似性（SSIM）损失、多尺度 L1 损失、梯度损失与注意力加权损失，分别对风场空间连续性、全域结构一致性、多尺度特征、风速梯度分布、台风等区域融合精度进行强约束，让模型训练全程遵循海面风场动力学特性，从根源上消除轨道伪影、风速突变、结构失真等问题。同时，采用两阶段训练策略：即首先利用长达31年以上的CCMP全球融合风场数据集开展预训练，让模型学习风场补缺和融合的通用规律；再基于2024年FY-3系列、天目一号、CYGNSS真实GNSS-R观测数据进行微调，大幅提升模型对实测异源数据的适配能力。此外，研究引入海陆掩码矩阵，规避陆地像元干扰，进一步提升模型收敛效率与海洋区域融合精度。

经微调后的 Finetuned-FusionGAN 模型整体系统偏差（Bias）仅为- 0.03 m/s，均方根误差（RMSE）降至1.38 m/s，较FusionGAN模型降低 22%，相关系数 R 达到 0.90。在卫星轨道覆盖区域，模型将观测数据 RMSE 进一步压低至1.18 m/s，降幅达28.5%，相关系数提升至0.92；在无观测数据的非轨道间隙区域，融合后 RMSE为 1.45 m/s、相关系数0.89，精度与原始GNSS-R观测基本持平，成功实现稀疏观测区域的高精度补缺。该技术不依赖数值模式背景场，兼容国内外多型GNSS-R卫星数据，实现中国海区域多卫星GNSS-R观测端到端网格化风场融合。

图2 轨区域与非轨区域海面风速融合效果对比

本研究得到以下项目资助：国家自然科学基金项目（42530402、42192561）、卫星海洋环境监测预警全国重点实验室专项项目（SOEDZZ2527）以及南方海洋科学与工程广东省实验室（珠海）创新团队项目（311024004、SML2023SP202）。

论文引用：

1. Li, X. , Han, X. , Yang*, J. , et al. Physics-Constrained Spatio-Temporal Attention FusionGAN: End-to-End Gridded Sea Surface Wind Fusion Over China Seas From Multimission GNSS-R Observations[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2026, 19, 13408-13423.