台风是全球最具破坏性的自然灾害之一，传统遥感手段在台风高风速（>30 m/s）和强降雨区域观测能力显著下降。新兴的全球导航卫星系统反射测量（GNSS-R）技术，尤其是CYGNSS任务，凭借L波段信号对降雨不敏感等优势，为台风监测提供了新视角。然而，现有风速反演产品在台风高风速条件下仍存在较大偏差。
         为此，本研究提出了一种物理引导的人工神经网络方法，用于从CYGNSS Level 1数据中反演台风海面风速。模型以WindSat台风风场数据为“真值”，通过引入风暴中心坐标信息以及基于物理模型的散射方位角一阶余弦形式作为额外输入，显著提升了精度。研究采用XGBoost和皮尔逊相关系数进行特征选择，最终确定了11个代表性输入变量。实验结果显示，该模型在独立测试集上整体偏差为-0.59 m/s，均方根误差为3.43 m/s，相较于CYGNSS官方产品分别降低了60.93%和20.05%，在高风速（>35 m/s）条件下改进尤为显著。敏感性分析表明，风暴中心坐标信息的引入对性能提升贡献更大。此外，对2023年超级台风“Koinu”和“Doksuri”的独立验证也表明，模型反演结果与SAR风和浮标观测数据具有良好一致性，证明了该方法在实时气旋监测中的可行性与实用价值。
 

台风,海面,GNSS-R,风速,反演