SCAWaveNet：基于空间-通道注意力的全球显著性浪高检索网络
机器学习
2025-07-08 v2
摘要
近期空间载人卫星导航系统（GNSS）任务的进展产生了大量全球数据集，为基于深度学习的显著性浪高（SWH）检索提供了稳健的基础。虽然现有深度学习模型主要使用包含四通道信息的 CYGNSS 数据，但常采用单通道输入或简单通道拼接，未能充分利用训练期间跨通道信息交互的优势。为此，本文提出一种新型空间-通道注意力网络，称为 SCAWaveNet，用于 SWH 检索。具体而言，将每个通道的特征模型化为独立的注意力头，从而实现空间与通道级信息的融合。对于辅助参数，设计一种轻量级注意力机制，在空间和通道维度上分配权重。最终特征综合了空间与通道级特征。本文使用包含四通道的 CYGNSS 数据评估模型性能。当以 ERA5 为参考时，SCAWaveNet 的平均 RMSE 为 0.438 m；当使用 NDBC 浮标数据时，平均 RMSE 为 0.432 m。与当前最先进模型相比，SCAWaveNet 在 ERA5 数据集上将平均 RMSE 降低至少 3.52%，在 NDBC 浮标观测数据上降低 5.68%。该代码已公开于 https://github.com/Clifx9908/SCAWaveNet。
引用
@article{arxiv.2507.00701,
title = {SCAWaveNet: A Spatial-Channel Attention-Based Network for Global Significant Wave Height Retrieval},
author = {Chong Zhang and Xichao Liu and Yibing Zhan and Dapeng Tao and Jun Ni and Jinwei Bu},
journal= {arXiv preprint arXiv:2507.00701},
year = {2025}
}
备注
16 pages,6 tables,11 figures