星載合成孔徑雷達海洋遙感與大數據

李曉明 黃冰清 賈童 覃婷婷

摘要星載合成孔徑雷達以其全天候、全天時、不受云雨影響的工作特性在空間對海觀測中起到了重要作用，又以其高空間分辨率、多極化、多成像模式的特點展示了其在海洋動力要素反演和海洋多尺度動力過程研究中獨特的魅力.起步于20世紀70年代末的星載合成孔徑雷達技術，迎來了發展的“黃金時期”，大數據和機器學習又賦予了星載合成孔徑雷達海洋遙感更強大的生命力.本文首先闡述了星載合成孔徑雷達大數據的5“V”特性，進而以高分辨率海面風場反演、海洋內波中尺度動力過程觀測兩類典型案例，闡述了大數據、機器學習等現代信息科學技術與衛星海洋遙感結合，實現海洋環境參數高精度反演和海洋動力過程科學深層次認知的研究.最后，展望了星載合成孔徑雷達海洋遙感與大數據的發展前景.關鍵詞星載合成孔徑雷達;海洋遙感;大數據;機器學習

中圖分類號TP79;TN958

文獻標志碼A

0引言

美國1978年發射的Seasat衛星是人類歷史上最早的海洋觀測衛星之一，雖然由于電路短路導致其僅僅在軌工作105 d，但是它為人類從空間觀測海洋拉開了序幕.Seasat衛星攜帶了星載合成孔徑雷達（Synthetic Aperture Radar，SAR），它以其高空間分辨率的二維成像能力，展示了諸多豐富、有趣的海洋過程和現象[1].

然而，直至1991年，歐空局（European Space Agency）發射了ERS-1，民用星載SAR才再次開始廣泛應用到海洋觀測.圖1所示為自ERS-1/SAR之后，在海洋觀測得到廣泛應用的星載SAR.

不受光照條件、不受云雨影響以及高空間分辨率（米級～10米級）、極化能力和二維成像能力的特點使得星載合成孔徑雷達在4個方面展現了其在空間對海觀測領域的支柱性作用.

1） 海洋動力參數遙感反演，包括海面風場、海浪和海表流場等的遙感反演，主要是獲取高精度、高空間分辨率動力參數信息;

2） 海洋過程和現象的遙感觀測，例如海洋內波、中尺度渦、淺海地形等動力過程的遙感觀測，主要是實現對動力過程的規律和機理的科學認知;

3） 海洋污染遙感監測，重點是針對溢油的遙感監測;

4） 海上目標遙感探測，主要是針對海上船只、艦艇和平臺等的探測.

“大數據”（big data）的概念出現于20世紀90年代[2-4].2016年左右，大數據被定義為具有“3V”特征的數據，即容量（Volume）、速度（Velocity）和多樣性（Variety）.又進一步發展到“4V”、“5V”，即增加了真實性（Veracity）和價值（Value）.大數據已經在科學研究、社會管理和經濟發展各個領域展示出了令人難以置信的優勢，同樣大數據對于地球科學這樣一門傳統而又現代的學科的發展帶來了新的機遇和挑戰[5].

衛星遙感的突出優勢是“全面、動態、快速和準確”.海洋是一個巨大而復雜的時變系統，這就決定了衛星遙感一定是海洋認知最重要的手段之一.隨著衛星遙感的快速發展，衛星遙感數據體現出越來越明顯的大數據特征.包括光學遙感數據、微波散射計、高度計和微波輻射計數據等在內的多種主被動傳感器數據都已經以大數據的理念在海洋認知中發揮了重要的作用[6-12].然而，“星載SAR大數據與海洋觀測”這一理念，尚未得到更充分的闡述.本文將從2個方面具體闡述：

1） 星載SAR發展與大數據;

2） 利用星載SAR大數據海洋觀測的典型案例.

1星載SAR發展與大數據

星載SAR無論是在陸地還是在海洋觀測方面都發揮著極為重要的作用，因此，并沒有專門針對海洋的星載SAR系統，更多的是在星載SAR系統設計中體現了陸地和海洋觀測需要的綜合.

ERS-1/SAR是第一顆廣泛應用于海洋觀測的星載SAR系統，其后續ERS-2/SAR與其具有一致的技術特點.雖然在現在看來，當時的ERS/SAR系統較為簡單，例如成像模式僅包括圖像模式和波模式，空間分辨率為25 m的中等分辨率.但是，100 km幅寬和25 m的空間分辨率，對于海岸帶海洋觀測是恰當的.星載SAR海洋觀測，尤其是海表動力參數和動力過程的定量遙感，起步于ERS-1/SAR.同一時代的海洋觀測星載SAR系統還包括Radarsat-1，相較于ERS-1/SAR和ERS-2/SAR，Radarsat-1的優勢是具有多種成像模式，對應空間分辨率也有所不同.

ENVISAT/ASAR（Advanced SAR）是星載SAR發展過程中具有代表性的傳感器，實現了單極化、雙極化和交叉極化，成像模式也擴展到波模式、圖像模式、寬幅模式和全球監測模式，成像幅寬最高可達到1 000 km.在軌工作近10年（2002年10月至2012年4月），而星載SAR海洋遙感正是在這期間取得了巨大的發展.同時代的ALOS/PALSAR是工作于L波段的星載SAR系統，根據布拉格共振原理[13]，不同波段電磁波對海面響應有所差異，因此L波段SAR與ERS/SAR、ENVISAT/ASAR和Radarsat-1等C波段SAR展示了不同海表特征.

TerraSAR-X、Cosmo-SkyMed和Radarsat-2被稱之為“新一代星載SAR”[14].相較于傳統的星載SAR系統，它們最突出的特點是：實現了全極化工作能力，空間分辨率可以達到1 m，甚至更高.全極化工作能力對于海上溢油、海岸帶灘涂等的觀測具有明顯的優勢;而空間分辨率1 m的聚束模式SAR數據則大大提高了對于海上目標探測的精細程度.我國的高分三號[15]是國家高分辨率對地觀測系統重大專項中唯一的民用微波遙感成像衛星，也是我國首顆自主研制的C波段多極化SAR衛星，突破了多項關鍵技術，空間分辨率最高可以達到1 m，成像模式達到12種.

從上述星載SAR發展過程，可以看出主要的發展趨勢有以下3點：

1）空間分辨率越來越高，從單極化到雙極化和交叉極化再到全極化.可供選擇的工作模態也越來越豐富.ERS-1/SAR和ERS-2/SAR只能提供波模式和圖像模式數據，而先進的SAR，比如TerraSAR-X和Cosmo-SkyMed，除上述模式外，還可以提供聚束模式（spot light），空間分辨率可以達到1 m.傳統的SAR都是右視，而先進的SAR傳感器，比如Radarsat-2和TerraSAR-X既可以右視又可以左視工作.除了C波段，L波段和X波段的SAR也開始出現.即使同一海洋現象，比如海洋表面的降雨，對不同波段的電磁波敏感程度也不一樣.這就為工作在不同波段的SAR觀測同一類型的海洋表面現象提供了豐富的數據來源.

2）各國和相關組織發射星載SAR具有連續性和持續性.比如歐空局的ERS-1/SAR、ERS-2/SAR、ENVISAT/ASAR和Sentinel-1A/1B，都工作于C波段（5.6 GHz）.日本JAXA的JERS-1/SAR、ALOS/PALSAR-1、PALSAR-2則都工作于L波段.加拿大空間局的Radarsat-1、Radarsat-2和2019年剛剛發射的Radarsat Constellation Mission （RCM）則使得數據持續不間斷積累超過20年.通常同一發射機構的后續衛星技術參數都會與前一顆衛星具有相似性，同時又推陳出新.這樣做既可以保證技術的連續性，又可以保證數據的持續性，以實現年際尺度到年代際尺度的積累，為星載SAR大數據研究奠定了堅實的基礎.

3）星載SAR編隊技術.利用兩顆甚至多顆SAR傳感器在較短的時間間隔內對同一地區進行覆蓋觀測.例如，ENVISAT/ASAR與ERS-2SAR前后觀測時間間隔大約是22 min，利用這個觀測上的時間差，可以觀測大尺度海洋、大氣現象的變化過程的時空變化.而Sentinel-1A和1B在軌運行后，重訪周期縮短至6 d.意大利空間局從2007年開始至2010年，共發射了4顆Cosmo-SkyMed衛星，極大地增加了衛星時間分辨率，可以在一天之內連續多次觀測某一地區或海域.德國宇航中心2010年發射的TanDEM-X與先前發射的TerraSAR-X組成編隊.兩顆同時在軌并且技術參數基本相同的SAR傳感器，既可以獨立工作，又可以相互通信，形成沿軌與交軌干涉.由于海洋強烈的時變特性，傳統單一星載SAR的重訪周期較長，而編隊技術的發展將大大縮短重訪周期，實現連續、動態監測，極大增強星載SAR海洋觀測能力.

在1991年ERS-1/SAR發射之后的幾年，甚至十幾年內，星載SAR對海觀測事實上面臨著數據缺少的狀態.僅有的幾顆星載SAR要面向陸地、災害、極地和海洋等多個應用領域.隨著星載SAR技術的迅猛發展，SAR衛星急劇增加，數據在呈指數形式增加.以下分別從5V來闡述星載SAR的大數據的基本特征.

1）容量（Volume）：毫無疑問，經過近30年的發展，星載SAR海洋觀測數據的積累已經達到年代際尺度.可以預計在未來10～20年，星載SAR在軌運行數量將保持在10顆以上，這其中歐空局、加拿大空間局和中國的星載SAR衛星將是主力.Sentinel-1從2014年以來發射1A到2018年年底已經發布了5.3 PB的數據.因此，星載SAR數據在數據量上已經充分體現了大數據特征.

2）速度（Velocity）：星載SAR數據獲取的速度取決于多方面因素.一方面取決于在軌運行的星載SAR數量.從表1可以看出，從2007年開始，在軌的星載SAR數目快速增加.另一方面取決于其本身獲取數據的效率，而星載SAR系統數據獲取效率又由星上存儲和下傳速率所決定.ENVISAT衛星上用于ASAR數據存儲的固態硬盤容量為60 Gbit，而Sentinel-1的星上存儲達到1.4 Tbit（固態硬盤）.Sentinel-1的X波段雙通道天線下傳數據速率達到每一個通道260 Mbit/s，TerraSAR-X則能夠達到300 Mbit/s，相比較于ENVISAT的100 Mbit/s速率有大幅度增加.Radarsat-1衛星每一軌可以工作28 min，而高分三號可以達到最長單次連續成像工作約50 min.因此，技術的發展使得星載SAR系統數據獲取速度顯著增加，例如Sentinel-1A和1B現在每天可以獲取8 TB/月的數據量.

3）多樣性（Variety）：第一，常用的星載SAR系統工作于C、L和X波段，歷史上也出現過S波段（Almaz）.德國宇航中心研制的P波段星載SAR系統也即將發射.因此，數據多樣性的第一個關鍵點是不同波段星載SAR數據.第二，SAR系統可以工作于不同極化方式，既可以單獨獲取某種極化方式的數據，也可以獲取多極化、全極化數據.第三，星載SAR數據既可以是復數據，同時記錄雷達回波信號的相位和幅度，也可以是強度數據.因此，星載SAR數據是衛星遙感數據多樣性的典型代表.

4）真實性（Veracity）：星載SAR獲取的每一景數據都是真實的，但是真實的數據和真實的地表信息存在著差異，而對于星載SAR海洋觀測來講，這種差異更為突出.第一，星載SAR海洋觀測數據質量會受到信噪比、扇貝效應[16]、條帶拼接等因素的影響.第二，星載SAR海洋觀測，尤其是海洋動力參數定量遙感對于星載SAR數據的輻射定標精度要求較高[17-20].然而，各類、各種星載SAR數據之間的輻射定標精度并不一致.第三，星載SAR對海觀測成像機理復雜，對于海洋要素的反演和海洋過程、現象的解譯存在較大的不確定性，這是限制星載SAR更廣泛地應用到海洋觀測的主要障礙.

5）價值（Value）：海量的星載SAR數據，毋庸置疑，包含著豐富的、有價值的，甚至是未知的海洋過程和現象的信息，其中相當一部分仍有待挖掘.而本文也將通過星載SAR海面風場遙感，側重于星載SAR海表動力參數定量遙感和海洋內波遙感，側重于海洋動力過程科學認知.通過這兩類典型案例可以進一步闡述從星載SAR海洋遙感大數據中獲得有價值的海洋信息.

2星載SAR大數據海洋遙感典型案例

2.1星載SAR海面風場遙感與機器學習

海面風場是全球海洋環流的主要動力來源[21]，高空間分辨率的海面風場資料對氣象預報、船舶探測和海上運輸及救援等應用有著重要作用.海面風場的常規觀測主要依賴于浮標、船舶、沿岸及島嶼自動氣象站等[22].隨著衛星遙感技術的快速發展，微波散射計、微波輻射計、合成孔徑雷達已經成為獲取區域或全球尺度海面風場的重要方式.

星載SAR具有全天時、全天候和高分辨率的特點，是獲取區域尺度高空間分辨率海面風場的重要手段.地球物理模式函數（Geophysical Model Function，GMF）描述了雷達后向散射系數與海面10 m高度處風速、風向以及雷達入射角之間的關系.目前，SAR海面風場反演通常是利用不同波段的GMF[23-28]，將已知的風向、雷達后向散射系數以及入射角等信息作為輸入，通過求解非線性方程來獲取海面風速.事實上，星載SAR反演海面風場所采用的GMF是來源于星載微波散射計海面風場的GMF，一般具有以下統一的形式：

σ0（θ，，u10）=a0（θ，u10）[1+a1（θ，u10）cos +a2（θ，u10）cos 2]p，（1）

式（1）表明了雷達后向散射截面（σ0）可以表達為雷達入射角（θ）與風速（u10）、相對風向（，方位角，即真實風向與雷達視線方向夾角）的非線性函數表達式.而其中，a0，a1，a2又是雷達入射角與海面風速的函數.因此，GMF雖然看起來表達形式較為簡潔，但其中包含若干線性、非線性子函數，而這些子函數，多數是基于大量觀測數據和雷達測量數據的擬合，并不能夠完全表達其物理意義.

GMF的建立是需要大量數據進行函數擬合的，而星載SAR數據獲取量要遠遠少于微波散射計，因此星載SAR海面風場反演通常都采用微波散射計海面風場反演的GMF，尤其是針對C波段SAR.如前所述，星載SAR數據的獲取量已經呈現幾何級數的增長，因此可以考慮建立完全針對于星載SAR海面風場反演的GMF.以往也有針對星載SAR海面風場反演建立GMF模式函數[27-29]，全部是基于大量觀測數據，以CMOD函數為基礎去擬合相應的函數關系式.本文，我們介紹利用機器學習方法的建立C波段SAR Sentinel-1（哨兵1號）水平極化數據海面風場反演的方法.BP神經網絡是一種多層前饋神經網絡，具有非線性映射能力、自學及自適應等能力.在無需了解具體機制的前提下，BP神經網絡可根據輸出結果與期望結果的誤差自動向上逐層調節網絡權重及閾值，創建“合適規則”，使網絡預測效果達到最佳.從CMOD函數的表達式（式（1））可知，雷達后向散射系數與入射角、方位角、風速和風向相關.為了反演風速，我們將σHH，cos ，cos 2，θ作為BP神經網絡的輸入層特征量，輸出層為海面風速（SSWS），隱藏層的節點數分別設置為6、10和8，其拓撲結構如圖2所示.

該神經網絡的訓練數據為微波散射計ASCAT海面風場數據和哨兵1號在北極獲取的超寬幅（Extra-Wide Swath）水平極化數據.2018年6月至2018年12月，共有2 277景哨兵1號SAR數據與ASCAT數據時空匹配，其空間分布如圖3a所示.選取哨兵1號SAR子圖像尺寸為2 km×

2 km，與ASCAT散射計25 km空間分辨率的海面風場匹配.在匹配得到239 190個數據對中，隨機抽取其中80%作為訓練集，剩余20%作為測試集.通過不斷調整網絡節點的權值，以最小均方根誤差為標準建立反演海面風速的最優BP神經網絡.圖4a所示為利用訓練好的神經網絡再次針對訓練數據反演海面風速，并與匹配的ASCAT散射計海面風速的比較，得到的偏差為-0.03 m/s，均方根誤差為1.33 m/s.圖4b為利用20%測試數據反演得到的海面風速結果與匹配的ASCAT散射計海面風速的比較，偏差為-0.01 m/s，均方根誤差為1.33 m/s.由此可以看出，訓練數據和測試數據得到的海面風速結果具有非常好的一致性.

我們也利用了浮標觀測數據來進一步驗證神經網絡模型反演得到的海面風速與利用GMF反演得到的海面風速的精度.圖3b所示為2014年10月至2018年12月在NDBC浮標獲取的哨兵1號超寬幅水平極化數據，共計130景數據.以浮標風向作為真實風向輸入神經網絡模型和CMODH模型，并將反演風速與浮標實測風速進行比較，結果如圖5a所示.BP神經網絡模型反演得到的海面風速略優于CMODH模型的結果（圖5b），偏差、均方根誤差和散射指數分別為0.10 m/s、1.38 m/s和19.85%.

圖6為利用2種模型對哨兵1號水平極化超寬幅數據進行北極海面風速反演的實例.哨兵1號數據獲取時間為2017年8月22日06：42 UTC，圖中疊加的箭頭表示同一天6：00 UTC時刻的ERA5再分析模式數據的風向.反演結果表明，2種模型反演的海面風速具有較好的一致性.圖中紅色五角星是當日06：42 UTC“雪龍號”科考船所在的位置.雪龍號船在20 m高度測得的風速換算成10 m高度處的風速為9.42 m/s，2種模型得到的與“雪龍號”船位置最近的SAR子圖像的海面風速分別為9.5 m/s（BP神經網絡模型）和8.21 m/s（CMODH模型）.

從上述研究中，我們可以看出，雖然BP神經網絡形式較為簡單，但是在星載SAR海面風場反演中取得了非常好的效果.這其中一個非常重要的原因應該歸結為，經過多年的研究，對于星載SAR海面風場與雷達后向散射系數、入射角等因素之間的物理關系已經非常明確，因此神經網絡輸入參數是明確的.存在較大不確定性的是反演所用地球物理模式函數及其包含的大量子函數都是非線性函數，且基于數據擬合，而這恰恰正是機器學習的優勢所在，即從大量數據中發現線性、非線性規律，從而更準確地從星載SAR反演海面風速.

2.2星載SAR與南海北部海洋內波動力過程科學認知

海洋內波是一種發生在海洋內部、沿密躍層傳播的波動現象[30]，它的最大振幅出現在海面以下，波動頻率介于慣性頻率和浮力頻率之間.海洋內波在海洋能量串級、物質和動量運輸過程中發揮著重要的作用，是海洋動力學過程中不可或缺的一環.海洋內波在傳播過程中會引發強烈的海水混合，從而將底層高鹽低溫的海水帶到表層，改變表層的生態環境，促進漁業的發展.除此之外，海洋內波與海洋水聲學、海洋軍事學、海洋水下建筑學等學科有著密切的聯系，例如內孤立波在傳播過程中會使得等密度面產生大振幅的垂向起伏、海面產生強烈的輻聚輻散、引發強烈的海流脈動而產生突發性強流，這些現象會對海軍潛艇、魚雷、輸油管道、鉆井平臺和水下聲吶系統等產生極大的危害.

遙感技術的發展，特別是星載合成孔徑雷達（SAR）由于具有全天候、全天時的能力而成為海洋內波遙感研究的重要手段.由于內波在傳播過程中會導致內波界面上、下兩層海水朝相反的方向運動，從而引發表層流場的輻聚、輻散現象.在表層流場的輻聚區，海面粗糙度增加，在 SAR 圖像上形成亮條紋;在表層流場的輻散區則相反，會形成暗條紋.所以最終內波在SAR圖像上形成明暗交替的條紋，可以基于此特征通過SAR圖像來識別海洋內波.

南海是我國最大的邊緣海，其劇烈變化的海底地形、具有較強分層結構的水體和太平洋強潮流的傳入等使得南海尤其是南海北部成為全球內波最強、發生最頻繁的海域之一.在南海北部，科學家們利用海量的大范圍高精度的遙感數據，特別是衛星SAR遙感數據，對海洋內波進行了諸多研究.

1）利用星載SAR數據的南海北部內波時空特征規律認知

海洋內波利用在星載SAR遙感圖像上表現出的明顯的明暗條紋特征來識別內波，利用大量星載SAR海洋內波觀測數據，可以刻畫內波的時空分布特征.大量的星載SAR內波數據統計表明內波廣泛存在于南海北部尤其是南海東北部.Hsu等[31]利用1993年到1998年期間幾百景ERS-1/SAR和ERS-2/SAR圖像繪制了首張南海東北部（呂宋海峽與南海大陸坡架之間）的空間分布圖，發現在南海東北部內波主要向西傳播;Wang等[32]利用2 500多景SAR數據和可見光數據分析了整個南海的內波分布和傳播方向特征，繪制了南海內波的傳播路徑圖;Zheng等[33]利用1995年至2001年期間的SAR數據統計發現在南海東北部，78%的內波分布在118°E以西，22%的內波分布在118°E以東.長時間序列星載SAR內波數據表明南海北部內波的發生存在季節性規律，通常在夏季比冬季更容易觀測到內波，其可能的原因是不同季節南海混合層深度和密度變化以及海面季風所致.Zheng等[33]的研究除了發現上述的南海東北部內波的空間分布規律，還發現南海北部內波甚至在不同年份（1995—2001年）的發生頻率都存在一定的差異，并推測黑潮的長期變化有可能導致南海北部內波發生頻率的年代變化.

2）基于星載SAR數據的南海內波產生源地與產生機制研究

雖然呂宋海峽已經被廣泛接受是南海北部（更準確地講是南海東北部）內波的主要產生地，但呂宋海峽復雜的地理環境導致南海北部的內波可能有多個產生源點和多種產生機制.Zhao 等[34]利用1995年到2001年期間的ERS-2/SAR、Radarsat和SPOT（光學遙感）數據在南海東北部觀測到了116組內波包，并將內波包分為兩種類型：含一組按序排列的內孤立波的波包和僅含一個內孤立波的波包，發現第二類波包僅出現在深水區的現象，提出內潮的非線性陡變是產生南海東北部內波的一種機制.Guo等[35]通過多幅Envisat ASAR寬刈幅模式數據分析了南海東北部短內波（波長為1.5 km，振幅為20 m）“騎行”于第二模態內波之上且跟隨在第一模態內波之后的現象，他們的研究表明這些短內波有兩個生成源：一個是在呂宋海峽附近，由潮-地機制生成的內涌裂變產生內波;另外一個是在呂宋海峽的更西邊，由于第一模態內波傳播速度更快導致第一模態和第二模態內波發生非線性相互作用而產生內波.除了南海東北部，南海西北部也是非線性內波的高發區，Liu等[36]依據1993—2000年間的SAR遙感數據繪制的內波空間分布圖，認為海南島附近海城的內波來自局地陸架坡折.Li等[37]通過分析多景Envisat ASAR圖像上內波波峰線的走向和正壓潮強迫在南海北部的分布，認為在海島東北部所觀測到的內波來源于呂宋海峽.

根據Wang等[32]基于2 500多景SAR和可見光數據繪制的南海內波的統計研究，我們分別估算了南海東沙島以東海域、東沙島以西海域、南海西北部海域（海南島附近）、越南東北部海域、越南東南部海域和南海南部海域6個熱點海域處可以觀測到的內波數量，繼而計算得到這幾個熱點海域的內波發生率，如圖7所示.從圖7中可以看出，東沙島附近海域和南海西北部海域是南海北部內波發生的高頻區域.

多源、長時間序列的高分辨的衛星SAR為我們研究海洋內波提供了豐富的數據源，下面我們基于年代際尺度星載SAR數據重點探究這2個區域的內波，從衛星SAR遙感大數據的視角綜合揭示這2個區域海洋內波的時空分布、傳播方向和可能產生源區等基本規律特征.

2.2.1基于年代際尺度SAR數據的南海東沙島礁海洋內波研究

在南海東沙島礁區域，我們從 2003 年到 2011 年期間上百景 Envisat ASAR 的寬刈幅模式數據中挑選出 61 幅在東沙島礁附近存在清晰海洋內波條紋的圖像，然后用這61幅圖像對東沙島礁區域的內波進行了時空特征分析.圖8是用這 61 幅Envisat/ASAR內波圖像繪制的南海北部東沙島礁區域海洋內波的空間分布圖，圖中黑色圓圈代表東沙島礁，東沙島形如馬蹄坐落在東沙島礁的西北部，灰色的弧線代表從 ASAR圖像中觀測到的波峰線，淺灰色的等值線代表水深等深線，黑色虛線代表東南-西北走向的東沙島的長軸延伸線.從圖8中可以看出內波經過東沙島礁后主要沿西北方向向大陸架傳播，并且內波波峰線在東沙島礁附近具有不同的波形和不同的出現位置.圖9是將ASAR內波圖像按月份統計的結果，可以看出一年四季中每個月都可以在SAR圖像上觀測到內波，但夏季（6—8月）內波在SAR圖像上出現的頻率最高.這種現象一方面是因為夏季相比其他季節海洋垂直層化更強，躍層深度更淺，淺的躍層深度能促進內波的產生，同時這也加強了海表面的輻聚、輻散效應，所以內波信號比較容易在SAR圖像上被觀測到;另一方面是因為夏季適宜的海面風速（小于10 m/s）也為內波在SAR圖像上成像提供了有利條件.

一般認為，內孤立波自呂宋海峽產生后向西傳播，然后與東沙島礁（116°42′E，20°43′N）相遇，在迎島的一面（島礁東側）可能會發生波反射（reflect），反射后的內孤立波向南海東部深海海域繼續傳播;在背島的一面（島礁西側），內孤立波與東沙島礁發生衍射（diffract）作用后，被分為南北兩支繼續向西傳播，傳播過程中由于地形和海水層化的變化而發生折射（refract），最終交叉匯合（reconnect）成新的波列，傳播至大陸架破碎消散，此過程參見圖10.

但是內孤立波經東沙島礁的衍射作用分成南北兩支繼續向西傳播時，交叉匯合的位置并不是一成不變的.所以我們從61幅ASAR東沙島礁區域內波圖像中挑選出30幅可以清楚看到南北兩支內孤立波在島礁背后交叉情況的內波圖像用于做交叉位置的統計分類研究，以東沙島的長軸延伸線為基準，可以將南北兩支內孤立波在東沙島礁背面區域的交叉位置大致分為4類：

交叉位置在東沙島西部、交叉位置相對東沙島長軸延伸線偏北、交叉位置相對東沙島長軸延伸線偏南、不交叉，這4類情況參見圖11所示.需要說明的是此處兩支內孤立波不交叉的類別指的是在 ASAR 圖像上我們未看到兩支內孤立波在東沙島礁背后交叉，這時存在兩種情況，一種情況是這兩支內孤立波可能在東沙島礁更西側交叉，另外一種情況是這兩支內孤立波不會發生交叉.在這30幅Envisat ASAR圖像中，交叉位置在東沙島西部的占30%，交叉位置相對東沙島長軸延伸線偏北的占26.7 %，交叉位置相對東沙島長軸延伸線偏南的占10%，兩支內孤立波不交叉的占33.3%.內孤立波的傳播過程是由傳播速度、傳播方向和初始位置這3個方面決定的，而海洋垂直層化、背景流場、內孤立波傳播到東沙島礁時的振幅、內孤立波傳播到東沙島礁時的波峰線的位置和形狀都通可以通過影響這3個方面從而改變內孤立波在東沙島礁背后的交叉位置[38].

2.2.2基于年代際尺度SAR數據的南海西北部海洋內波研究

以往對南海北部海域內波的研究大多集中于南海東北部，即東沙—呂宋海峽海域，對于南海西北部海域的內波研究較少.我們基于年代際尺度星載SAR數據，對南海西北部海域的內波主要發生區域和可能產生源區開展了初步研究.在南海西北部海域，

利用ENVISAT/ASAR（2004—2011年）和ALOS/PALSAR數據（2007—2009年），清晰地展示了該區域內波發生的空間分布狀態（圖12）.基于這些SAR數據可知，在南海西北部內波波峰線長度在15～200 km之間，以第一模態下凹型內波波包為主，主要分布在大陸架以西，大致與水深等值線平行，集中分布在4個區域（圖12中用虛線分割的區域），分別是海南島東北部海域、海南島東南部海域、海南島南部到越南北部沿岸海域和越南東北部沿岸海域.

南海西北部潮流以K1分潮為主，圖13給出了南海西北部海域K1分潮的潮流橢圓圖，潮流比較強并且潮流橢圓與局地等深線垂直的地方很有可能是內波的產生源區.結合內波分布圖和潮流橢圓分布圖，可以初步推斷內波的產生源區.在海南島東北部海域，內波主要沿東南—西北向岸傳播，波峰線分布相對稀疏，根據內波波峰線的走向，Li等[37]推測此處內波很有可能來自呂宋海峽，而徐振華[39]的研究表明這些內孤立波極有可能是由陸架坡折處的內潮因非線性和頻散效應而局地產生的.因此需要開展更多的研究來探究此處內波的產生機制.在海南島東南部海域，內波條紋分布非常密集，沿東南—西北向岸傳播，并且存在波峰線交叉現象，說明此處內波非常活躍并且可能來自不同源區，根據內波波峰線的走向和潮流橢圓分布圖，可以推測此處內波很有可能來自遠處，例如西沙群島、中沙群島等.在海南島南部到越南北部沿岸海域，內波條紋分布也相對比較密集，大部分也都沿西北向岸傳播，根據內波波峰線的走向和潮流橢圓分布圖，可以推測此處內波既有可能來自局地陸地坡折處，也有可能來自遠處，例如西沙群島、中沙群島等.在越南東北部沿岸海域內波沿東北—西南向岸傳播，根據內波波峰線的走向和潮流橢圓分布圖，可以推測此處內波很有可能來自遠處，例如西沙群島、中沙群島等.

從上述研究中我們可以看出，星載SAR大數據在南海北部海洋內波的時空特征規律和產生源地與產生機制研究中取得了非常好的效果.這是因為海洋內波的發生往往不是偶然性的，它通常是由潮流和地形的相互作用而驅動的規律性事件，星載SAR可以不受光照條件、不受云雨的限制，高空間分辨率和大面積地對海面內波的調制條紋二維成像，所以可以從大量的內波SAR數據中發現內波的運動傳播規律和動力發生機制，突破單點現場觀測手段在內波研究的時間和空間上的限制.

3結束語

星載合成孔徑雷達的發展處于“黃金時期”，新的傳感器技術層出不窮，在空間對海觀測體系中起到了越來越重要的作用.星載合成孔徑雷達數據在數據獲取量、數據獲取速度、數據多樣性、數據真實性和數據價值方面具有了大數據的特征，20世紀90年代的星載 SAR數據，尤其是用于海洋觀測的星載SAR數據較為匱乏，然而在短短不到30年時間內，星載SAR數據就呈現出了大數據特征.因此，在利用星載SAR數據開展海洋觀測研究中，我們應當用新的思路、新的視角、新的技術手段更深入地挖掘星載SAR數據的價值，更充分地體現其5V特性中的Value，更好地為海洋環境保護、海洋資源開發和利用、海洋科學認知提供科學支撐.

大數據與機器學習是一對天然的“CP（Couple）”，為了更好地體現星載SAR海洋遙感大數據的價值，機器學習必然是一種獨具優勢的技術手段.本文中建立的星載SAR海面風場反演神經網絡展現出了比傳統地球物理模式函數更準確的特點，有力地證明了這一點.我們相信，隨著機器學習技術的發展，我們可以從星載SAR數據中獲取更多有價值的海洋信息.但是，有一點需要明確的是，“粗暴”的機器學習，也許在某些情形下有一定作用，但是試圖在拋棄物理規律、物理模型，單純依靠機器學習解決星載SAR海洋遙感面臨的難題，不見得一定有效.機器學習從本質上講，目前看來還是一種“黑盒子”機制，以物理模型為指導的機器學習，或許是建立更有效的機器學習手段的一種方式.本文中，在清楚認知星載SAR海面風場反演基本物理規律前提下，準確地設定輸入參數，是利用神經網絡準確得到輸出的前提.

圖靈獎得主Judea Pearl教授認為：“當前所謂的人工智能所展示的，都是上一代人工智能場景下機器已然所能做到（在大規模數據中尋找到隱藏規律）的，只不過效率更高罷了.”簡言之，我們現在所取得機器學習優秀的結果，無非是更準確、更有效的curve fitting（曲線擬合），這其中的因果關系并不明確，而這恰恰是科學思考的基石.目前，星載SAR海洋觀測的一些機理、機制仍然不甚明確，而這些問題隨著星載SAR對海觀測就已經開始出現（最顯而易見的就是星載SAR海浪成像機理），未來有沒有可能通過人工智能的方式“反向”認知這些規律和機制，這是非常值得探索的問題.

參考文獻

References

[1]Fu L L，Holt B.Some examples of detection of oceanic mesoscale eddies by the SEASAT synthetic-aperture radar[J].Journal of Geophysical Research Atmospheres，1983，88（C3）：1844-1852

[2]Diebold F X.On the origin（s） and development of the term ‘Big Data[J].SSRN Electronic Journal，2012，DOI：10.2139/ssrn.2152421

[3]Weiss S M，Indurkhya N.Predictive data mining：a practical guide[M].Morgan Kaufmann，1998

[4]Diebold F X.Big data dynamic factor models for macroeconomic measurement and forecasting[C]∥Advances in Economics and Econometrics：Theory and Applications，Eighth World Congress of the Econometric Society，2003：115-122

[5]Guo H D，Liu Z，Jiang H，et al.Big earth data：a new challenge and opportunity for digital earth's development[J].International Journal of Digital Earth，2017，10（1）：1-12

[6]侯雪燕，洪陽，張建民，等.海洋大數據：內涵、應用及平臺建設[J].海洋通報，2017，36（4）：361-369

HOU Xueyan，HONG Yang，ZHANG Jianmin，et al.Marine big data：concept，applications and platform construction[J].Marine Science Bulletin，2017，36（4）：361-369

[7]錢程程，陳戈.海洋大數據科學發展現狀與展望[J].中國科學院院刊，2018，33（8）：884-891

QIAN Chengcheng，CHEN Ge.Big data science for ocean：present and future[J].Bulletin of Chinese Academy of Sciences，2018，33（8）：884-891

[8]Zhang X，Wang L，Jiang X Y，et al.Ocean big data acquiring and integration technologies[M]∥Modeling with Digital Ocean and Digital Coast.Springer，Cham，2017：11-33

[9]Xiao C J，Chen N C，Hu C L，et al.A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J].Environmental Modelling and Software，2019，120：104502

[10]Armstrong E M，Bourassa M A，Cram T A et al.An integrated data analytics platform[J].Frontiers in Marine Science，2019，6（10）：354

[11]Donlon C J，Martin M，Stark J，et al.The operational sea surface temperature and sea ice analysis （OSTIA） system[J].Remote Sensing of Environment，2012，116：140-158

[12]Kirches G，Paperin M，Klein H，et al.GRADHIST：a method for detection and analysis of oceanic fronts from remote sensing data[J].Remote Sensing of Environment，2016，181：264-280

[13]Valenzuela G R.Theories for the interaction of electromagnetic and oceanic waves：a review[J].Boundary-Layer Meteorology，1978，13（1/2/3/4）：61-85

[14]Moreira A，Bamler R.Foreword to the special issue on TerraSAR-X：mission，calibration，and first results[J].IEEE Transactions on Geoscience and Remote Sensing，2010，48（2）：603-604

[15]張慶君.高分三號衛星總體設計與關鍵技術[J].測繪學報，2017，46（3）：269-277

ZHANG Qingjun.System design and key technologies of the GF-3 satellite[J].Acta Geodaetica et Cartographica Sinica，2017，46（3）：269-277

[16]De Zan F，Guarnieri A M.TOPSAR：terrain observation by progressive scans[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44（9）：2352-2360

[17]Freeman A.SAR calibration：an overview[J].IEEE Transaction on Geoscience and Remote Sensing，1992，30（6）：1107-1121

[18]Williams D，Ledantec P，Chabot M，et al.RADARSAT-2 image quality and calibration update[C]∥European Conference on Synthetic Aperture Radar，2014：1-4

[19]Schwerdt M，Schmidt K，Ramon N T，et al.Independent verification of the Sentinel-1A system calibration[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9：994-1007

[20]Schwerdt M，Schmidt K，Tous Ramon N，et al.Independent system calibration of Sentinel-1B[J].Remote Sensing，2017，9（6）：511

[21]Pond S，Pickard G L.Currents with friction;wind-driven circulation[M]∥Introductory Dynamical Oceanography.Elsevier，1983：100-162

[22]Pierson W J Jr.Examples of，reasons for，and consequences of the poor quality of wind data from ships for the marine boundary layer：implications for remote sensing[J].Journal of Geophysical Research Atmospheres，1990，95（C8）：13313-13340

[23]Stoffelen A，Anderson D.Scatterometer data interpretation：estimation and validation of the transfer function CMOD4[J].Journal of Geophysical Research：Oceans，1997，102（C3）：5767-5780

[24]Quilfen Y，Chapron B，Elfouhaily T，et al.Observation of tropical cyclones by high-resolution scatterometry[J].Journal of Geophysical Research：Oceans，1998，103（C4）：7767-7786

[25]Hersbach H，Stoffelen A，Haan S D.An improved C-band scatterometer ocean geophysical model function：CMOD5[J].Journal of Geophysical Research：Oceans，2007，112（C3）：5767-5780

[26]Hersbach H.Comparison of C-band scatterometer CMOD5.N equivalent neutral winds with ECMWF[J].Journal of Atmospheric and Oceanic Technology，2010，27（4）：721-736

[27]Li X M，Lehner S.Algorithm for sea surface wind retrieval from TerraSAR-X and TanDEM-X data[J].IEEE Transactions on Geoscience and Remote Sensing，2014，52（5）：2928-2939

[28]Isoguchi O，Shimada M.An L-band ocean geophysical model function derived from PALSAR[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47（7）：1925-1936

[29]Zhang B，Mouche A，Lu Y，et al.A geophysical model function for wind speed retrieval from C-band HH-polarized synthetic aperture radar[J].IEEE Geoscience and Remote Sensing Letters，2019，99：1-5

[30]方欣華，杜濤.海洋內波基礎和中國海內波[M].青島：中國海洋大學出版社，2005

FANG Xinhua，DU Tao.Fundamentals of oceanic internal waves and internal waves in the China Seas[M].Qingdao：China Ocean University Press，2005

[31]Hsu M K，Liu A K.Nonlinear internal waves in the South China Sea[J].Canadian Journal of Remote Sensing，2000，26（2）：72-81

[32]Wang J，Huang W G，Yang J S，et al.Study of the propagation direction of the internal waves in the South China Sea using satellite images[J].Acta Oceanologica Sinica，2013，32（5）：42-50

[33]Zheng Q A，Susanto R D，Ho C R，et al.Statistical and dynamical analyses of generation mechanisms of solitary internal waves in the northern South China Sea[J].Journal of Geophysical Research Atmospheres，2007，112（C3）：C03021

[34]Zhao Z X，Klemas V，Zheng Q，et al.Remote sensing evidence for baroclinic tide origin of internal solitary waves in the Northeastern South China Sea[J].Geophysical Research Letters，2004，31（6），DOI：10.1029/2003gl019077

[35]Guo C，Vlasenko V，Alpers W，et al.Evidence of short internal waves trailing strong internal solitary waves in the northern South China Sea from synthetic aperture radar observations[J].Remote Sensing of Environment，2012，124：542-550

[36]Liu A K，Hsu M K.Internal wave study in the South China Sea using Synthetic Aperture Radar （SAR）[J].International Journal of Remote Sensing，2004，25（7/8）：1261-1264

[37]Li X F，Zhao Z X，Pichel W G.Internal solitary waves in the Northwestern South China Sea inferred from satellite images[J].Geophysical Research Letters，2008，35（13）：L13605

[38]Jia T，Liang J J，Li X M，et al.SAR observation and numerical simulation of internal solitary wave refraction and reconnection behind the Dongsha Atoll[J].Journal of Geophysical Research：Oceans，2018，123（1）：74-89

[39]徐振華.南海西北部陸架海域內孤立波特征及機理研究[D].青島：中國科學院海洋研究所，2009

XU Zhenhua.Characteristics and mechanisms of the internal solitary waves over Northwestern South China Sea shelf[D].Qingdao：The Institute of Oceanology，Chinese Academy of Sciences，2009

Ocean remote sensing by spaceborne synthetic aperture radar （SAR） and big data

LI Xiaoming1HUANG Bingqing1，2JIA Tong1，2QIN Tingting3

1Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing100094

2University of Chinese Academy of Sciences，Beijing100049

3College of Geomatics and Geoinformation，Guilin University of Technology，Guilin541006

AbstractThe spaceborne synthetic aperture radar （SAR） plays an important role in ocean observation owing to its capability of working all-day and being insusceptible to sunlight，cloudiness or rainfall.It has unique advantages in retrieval of ocean surface dynamic parameters and study of multi-scale ocean dynamic processes with high spatial resolution，multi-polarization，and multi-imaging modes.Since the late 1970s，spaceborne SAR technology has developed rapidly.When combined with big data and machine learning techniques，spaceborne SAR exhibits more powerful vitality in ocean observation.In this paper，the 5‘V characteristics of spaceborne SAR big data are elaborated.Then two typical cases，i.e.retrieval of the sea surface wind speed，and scientific recognition of mesoscale dynamic processes of ocean internal waves，are presented to demonstrate the integration of spaceborne SAR，machine learning，and big data in assistance of high-resolution inversion of ocean environmental factors and deep understanding of marine dynamic processes.Finally，the prospective of spaceborne SAR big data for ocean remote sensing is given.

Key wordsspaceborne synthetic aperture radar;ocean remote sensing;big data;machine learning

收稿日期2019-10-15

資助項目國家重點研發計劃項目（2018YFC1407102）

作者簡介李曉明，男，博士，研究員，博士生導師，研究方向為衛星海洋遙感.lixm@radi.ac.cn

1中國科學院數字地球重點實驗室/中國科學院空天信息創新研究院，北京，100094

2中國科學院大學，北京，100049

3桂林理工大學測繪地理信息學院，桂林，541006