高分辨率海面风场监测数据在海洋防灾减灾、海上清洁能源开发、海洋交通运输等领域均有应用需求，星载合成孔径雷达（SAR）是获取近海岸高分辨率海面风场的重要遥感数据来源。然而，由于SAR侧视成像的体制限制，难以通过多角度观测，实现海面风速和风向的联合反演，风向反演始终是制约SAR风场遥感业务化应用的国际难题。本研究基于深度学习框架，旨在消除现有SAR风向反演方法中的180°风向模糊问题，突破复杂海洋环境下无外部辅助信息的风场自动反演。
研究首先通过时空匹配构建了覆盖全球多海域的SAR图像与海上锚系浮标观测的匹配数据集。创新性地将风向反演重构为 360 类分类任务，设计基于 ResNet 的深度网络架构，并提出了为线角误差（LAE）与风向模糊准确率（WDA）两个适用于风向数据评估的新指标，从共线性和模糊消除能力两个维度综合评价模型性能。针对实际应用中存在的模糊残留和局部异常问题，开发了多步骤后处理流程：基于滑动窗口生成初步风向场后，通过主导风向统计校正180°偏差，最终通过局部众数计算输出风向产品。
图1 风向推理及后处理示意图（初步风向场中正确去模糊的风向用蓝色向量表示，而错误则用红色向量表示，极坐标直方图中的橙色向量是假定的主导风向。）
该流程在SAR图像验证中展现出与ERA5、ASCAT及COSMO-REA6数据的高度一致性（CRMSD < 17.3°），且在台风、雨胞、内波等复杂气象海洋现象干扰下仍保持稳健性。机理分析表明，模型在近岸非开阔区域的优异表现（LAE = 16.0°）得益于对陆地-风影特征的捕捉，而开阔海域性能波动与大气边界层稳定性密切相关——近中性条件下模型精度最高（LAE = 19.6°），稳定分层状态（Ri > 0.001）下模糊消除能力显著下降（WDA准确率55%）。通过Grad-CAM可视化进一步揭示了模型对和陆地-风影特征的响应机制。本研究为SAR 遥感风场反演提供了新的技术路径，尤其在复杂海况和高动态气象场景中展现出独特优势，为海洋精细化风能评估及灾害预警提供了可靠数据支撑。
相关研究成果已发表在《Remote Sensing of Environment》：Hongyu Yang , Chao Fang, Sheng Wang, Jianing Shao, Xiaofeng Yang*, On the ambiguity removal of wind direction derived from space-borne SAR imagery using deep learning, Remote Sensing of Environment, 308 (2024), 114202, https://doi.org/10.1016/j.rse.2024.114202.
