工程中心涂刚毅教授课题组在IEEE Transactions on Geoscience and Remote Sensing发表题目为“Wind Velocity Profile Estimation Based on GAT–Transformer Model for Boundary Layer Radar Wind Profiler”的论文。传统边界层风廓线雷达反演风场时，谱矩估计依赖局部邻域追踪，难以捕捉垂直全局动力学结构，低信噪比及复杂湍流下精度骤降。
针对此问题，课题组赵迪博士提出一种基于图注意力网络与Transformer混合的深度学习框架。该模型将距离-多普勒（RD）谱中候选信号峰构建为图节点，通过潜在风切变约束与单距离门节点的竞争关系连接形成拓扑图结构，突破单点峰值筛选的局限。同时引入高度感知位置编码Transformer，捕捉垂直风场序列依赖，解决单点误判导致误差传播的问题。设计幅度加权损失缓解风速样本不平衡的问题，并将风切变阈值、对向波束平行训练及风矢量合成原理等物理约束嵌入训练，确保输出符合大气运动规律。
在美国大气辐射测量机构（ARM）三个典型气候站点测试中，模型在极地强风、沙尘干扰及复杂地形下均表现卓越，反演结果与探空仪真值高度一致，低信噪比环境估计误差控制在2 m/s以内，显著优于现有算法，鲁棒性与泛化能力满足业务化实时气象监测需求。
图1 基于GAT-Transformer混合框架的风廓线谱矩估计模型流程图
图2 纬向风、经向风与探测真值的一致性对比
图3 各月份风速估计误差箱型图对比
文章链接：
https://ieeexplore.ieee.org/document/11517559