arXiv

SWOT卫星首次实现全球海洋二维高分辨率海面高度观测，但微小尺度信号易受噪声干扰。本研究利用轻量级U-Net深度学习模型，在模拟数据上训练后成功泛化到真实SWOT观测，去噪同时保留15公里尺度海洋结构，为充分利用SWOT数据揭示亚中尺度动力过程提供了关键技术支撑。

👥 作者：Gaetan Meis、Anaelle Treboutte、Maxime Ballarotta、Marie-Isabelle Pujol、Gerald Dibarboure 📅 发布日期：2026-10-08 🆔 arxiv ID：2610.03739

📝 论文摘要

卫星测高技术因SWOT卫星的发射而彻底变革。自2022年12月起，SWOT通过Ka波段雷达干涉仪（KaRIn）在全球海洋提供120公里宽、250米和2公里分辨率的二维海面高度（SSH）观测，首次实现了对海洋中尺度至亚中尺度动力过程的二维高分辨率成像。然而，尽管KaRIn精度空前，更小尺度的海洋特征仍受高频噪声影响，该噪声由随机仪器误差和地球物理校正残差共同构成。为抑制噪声中的随机部分，本研究采用Treboutte等（2023）提出的卷积神经网络，基于eNATL60高分辨率海洋环流模型的模拟数据进行训练，模拟噪声经过精心设计以再现真实SWOT测量的统计与空间特性。所采用的轻量级U-Net架构成功学习了合成样本中的噪声模式，并展现出对真实SWOT观测的稳健泛化能力。为评估去噪质量，研究构建了包含多项定量与定性指标的基准测试。U-Net v3.0滤波器在该基准上取得满意结果，未发现明显问题。定性分析表明，网络在去除噪声的同时未改变 underlying 物理信号，即使对15公里尺度结构亦然。但在高浪条件下，特征噪声信号尚未被完美处理，内波也未被完全处理。

🔍 详细解读

研究背景

2022年12月，由法国国家空间研究中心（CNES）、美国国家航空航天局（NASA）以及英国和加拿大航天机构联合开发的SWOT卫星成功发射，标志着卫星测高进入全新纪元。SWOT搭载的Ka波段雷达干涉仪（KaRIn）能够以250米和2公里的分辨率，在全球海洋提供120公里宽的二维海面高度（SSH）观测，首次让海洋学家能够同时观测从大中尺度到亚中尺度的海洋动力过程。 KaRIn的设计精度旨在捕捉小至15公里的海洋结构，但早期研究表明，更小尺度的结构也可能被观测到。这种前所未有的精度还揭示了内波、亚中尺度涡旋和近岸流等精细动力过程。然而，正是这些微小尺度特征最容易受到高频噪声的干扰——噪声来源于随机仪器误差和地球物理校正残差的叠加。 如何在保留真实物理信号的同时有效去除噪声，成为充分利用SWOT数据的关键挑战。传统的滤波方法（如Lanczos滤波）虽然能在一定程度上平滑噪声，但往往以损失小尺度信号为代价，难以满足科学需求。

核心问题

本研究旨在解决一个核心问题：能否利用深度学习技术，在真实SWOT海面高度观测中有效去除高频噪声，同时完整保留15公里及以上尺度的海洋动力信号？换言之，如何训练一个神经网络，使其在合成数据上学习噪声模式后，能够稳健地泛化到真实SWOT观测中？

研究方法

研究团队采用Treboutte等（2023）提出的卷积神经网络架构，核心是一个轻量级的U-Net模型。U-Net因其编码器-解码器结构和跳跃连接，在图像去噪任务中表现优异，能够同时捕捉全局噪声分布和局部细节特征。 训练数据来自eNATL60高分辨率海洋环流模型的模拟输出。关键在于，研究团队精心设计了模拟噪声的统计和空间特性，使其尽可能接近真实SWOT测量中观测到的噪声特征。这种"仿真到真实"的训练策略，使网络能够在没有真实干净标签的情况下学习去噪。 为评估去噪效果，研究构建了一个包含多项定量和定性指标的基准测试体系。定量指标包括信噪比、均方根误差等，定性评估则通过视觉对比分析去噪前后海洋结构的保真度。

主要发现

U-Net v3.0滤波器在基准测试中取得了令人满意的结果，未发现明显问题。定性分析表明，网络在去除噪声的同时，整体上未改变 underlying 的物理信号，即使对15公里尺度的海洋结构也能较好地保留。这意味着去噪后的SWOT图像仍能真实反映海洋动力特征。 然而，研究也发现了一些局限性。在高浪条件下，SWOT观测中特有的噪声信号尚未被网络完美处理，去噪效果有所下降。此外，内波信号也未被完全处理——这可能是因为内波具有独特的波状结构，与随机噪声的统计特性不同，网络难以将其与噪声区分。尽管如此，该方法仍优于标准的Lanczos滤波。

创新亮点

本研究的核心创新在于将深度学习去噪方法成功应用于真实SWOT观测数据。与已有工作相比，主要有三方面优势：一是采用轻量级U-Net架构，计算效率高，便于业务化应用；二是通过精心设计的模拟噪声训练策略，实现了从合成数据到真实观测的稳健泛化；三是构建了系统的基准测试体系，为后续研究提供了可比较的评估框架。

研究意义

该研究为SWOT卫星数据的高质量应用提供了重要技术支撑。去噪后的海面高度数据能够更准确地揭示亚中尺度海洋动力过程，对改进海洋环流模型、提升气候预测能力具有重要意义。同时，该方法也可为其他卫星测高任务的数据处理提供参考。

未来展望

未来研究需要进一步改进高浪条件下的去噪效果，并探索对内波等特定信号的保留策略。此外，如何将物理约束融入神经网络训练，以及如何将该方法推广到全球不同海况区域，都是值得深入的方向。

🔑 关键词

SWOT卫星 海面高度 深度学习 去噪 U-Net 亚中尺度 卫星测高 卷积神经网络

📎 论文链接：https://arxiv.org/abs/2610.03739

📅 发布时间：2026-10-08

论文来源 arxiv.org | 由 AI 自动翻译整理