从条纹到机理：SAR与光学遥感如何“看见”海洋内波

1. 海洋内波：藏在海水深处的"隐形波浪"

第一次看到卫星拍摄的海洋内波图像时，我完全被那些神秘的条纹图案吸引住了。这些像指纹一样的亮暗条纹，其实是海面下数百米深处发生的"水下波浪"留下的痕迹。和我们熟悉的海面波浪不同，海洋内波发生在不同密度的水层之间，就像一杯没搅匀的鸡尾酒，当你轻轻晃动时，不同颜色的液体层之间会产生波动。

这种波动之所以重要，是因为它影响着整个海洋的生态环境。我在南海做调查时就遇到过这样的情况：渔船突然收获大量鱼群，正是因为内波把深海富含营养的海水推到了表层。但内波也可能带来危险，曾有潜艇在执行任务时遭遇强烈内波，差点失去控制。要研究这些"隐形波浪"，卫星遥感技术就成了我们的"千里眼"。

2. SAR遥感：用微波"触摸"海面的雷达眼

2.1 Bragg散射：SAR看见内波的秘密武器

SAR（合成孔径雷达）能穿透云层昼夜工作，这要归功于它独特的成像原理。记得我第一次处理SAR数据时，导师打了个形象的比方："SAR就像用微波在'触摸'海面。"它发射的电磁波与海面微小的波纹（厘米级）产生共振，这种现象叫做Bragg散射。当内波经过时，会改变海面这些小波纹的分布，SAR就能捕捉到这种细微变化。

实际操作中，我们会关注后向散射系数的变化。比如处理Sentinel-1数据时，我常用以下代码计算归一化雷达散射截面：

import numpy as np def calculate_sigma0(dn_values, calibration_factor): """ 计算归一化雷达散射截面(sigma0) :param dn_values: 数字数值矩阵 :param calibration_factor: 校准系数 :return: sigma0矩阵(dB) """ sigma0_linear = np.square(dn_values) * calibration_factor return 10 * np.log10(sigma0_linear)

2.2 亮暗条纹背后的海洋故事

SAR图像上那些亮暗条纹其实在讲述内波的"性格特征"。2018年处理南海数据时，我发现一个有趣现象：有些内波是亮条纹在前，有些则是暗条纹打头。后来才明白，这反映了内波的"极性"：

这种差异源于内波对海面粗糙度的调制。下降型内波会在传播方向先形成辐聚区（海面粗糙→亮），后跟辐散区（海面平滑→暗）。我在分析Radarsat-2数据时，就通过这种特征成功追踪了一组内波从深海到陆架的演变过程。

3. 光学遥感：捕捉太阳与海浪的"光影游戏"

3.1 太阳耀斑区的镜面魔术

光学遥感成像就像用相机给海洋拍照，但效果完全取决于太阳的位置。记得有次分析MODIS数据时，图像中突然出现一片亮得刺眼的区域——这就是太阳耀斑区。在这个特殊区域，平静的海面会像镜子一样反射阳光，形成过曝的亮斑。

有趣的是，内波会改变这种反射模式。当下降型内波通过耀斑区时：

1. 波前的辐聚使海面变粗糙 → 镜面反射减弱 → 图像变暗
2. 波后的辐散使海面变平滑 → 镜面反射增强 → 图像变亮

这就形成了独特的"暗-亮"条纹。我用SeaDAS软件处理过这样一组数据：

l2gen ifile=input.hdf ofile=output.nc l2prod=rhos_nnn

3.2 非耀斑区的漫反射密码

离开耀斑区后，光学遥感的游戏规则就变了。这里主导的是漫反射，就像雾天拍照的效果。在这种情况下，粗糙的海面反而会反射更多光线。所以同一组下降型内波，在非耀斑区会呈现"亮-暗"顺序，正好与耀斑区相反。

这种双重性格让光学遥感的内波解译充满挑战。我的经验是结合太阳几何参数来判断：

• 太阳高度角 > 45°时，耀斑区范围较小
• 传感器视角与太阳镜面反射角差值 < 5°时，进入强耀斑区

4. SAR与光学遥感的"双剑合璧"

4.1 时空互补的观测搭档

在实际研究中，我发现SAR和光学遥感就像一对完美搭档。2019年追踪吕宋海峡的内波时，SAR提供了夜间观测数据，而MODIS补充了白天的细节。二者的对比揭示了内波一天内的形态变化：

4.2 机理融合的深度解读

将两种数据结合分析，能发现更多内波的秘密。比如通过SAR确定内波极性后，再用光学数据计算传播速度。我常用的方法是跟踪波峰位置变化：

def calculate_velocity(position1, position2, time_diff): """ 计算内波传播速度 :param position1: 时刻1的波峰位置(像素坐标) :param position2: 时刻2的波峰位置 :param time_diff: 时间差(小时) :return: 传播速度(km/h) """ pixel_scale = 0.25 # 假设每像素代表0.25km distance = np.linalg.norm(position2 - position1) * pixel_scale return distance / time_diff

这种多源数据融合的方法，帮助我们在南海发现了多个新的内波生成源区。特别是在浅海区域，光学遥感捕捉到的内波表面特征，与SAR反映的底层流动特征相结合，让我们首次完整描绘了内波从生成到消亡的全过程。