In this paper, we explore the possibility of detecting polar lows in C-band SAR images by means of deep learning. Specifically, we introduce a novel dataset consisting of Sentinel-1 images labeled as positive; representing a maritime mesocyclone, or negative; representing a normal sea state. The dataset is constructed using the ERA5 dataset as baseline and it consists of 2004 annotated images. To our knowledge, this is the first dataset of its kind to be publicly released. The dataset is used to train a deep learning model to classify the labeled images. Evaluated on an independent test set, the model yields an F-1 score of 0.95, indicating that polar lows can be consistently detected from SAR images. Interpretability techniques applied to the deep learning model reveal that atmospheric fronts and cyclonic eyes are key features in the classification. Moreover, experimental results show that the model is accurate even if: (i) such features are significantly cropped due to the limited swath width of the SAR, (ii) the features are partly covered by sea ice and (iii) land is covering significant parts of the images. By evaluating the model performance on multiple input image resolutions (pixel sizes of 500m, 1km and 2km), it is found that higher resolution yield the best performance. This emphasises the potential of using high resolution sensors like SAR for detecting polar lows, as compared to conventionally used sensors such as scatterometers.

翻译：在本文中,我们探索了通过深层学习探测C波段合成孔径雷达图像中极低点的可能性。 具体地说, 我们引入了一个新的数据集, 由Sentinel-1图像组成, 标记为正数; 代表海洋中子环球, 或负数; 代表正常的海洋状态。 数据集是使用ERA5数据集构建的, 由2004年的附加说明的图像组成。 据我们所知, 这是这类数据集中第一个要公开发布的数据集。 数据集用来训练一个深层学习模型, 以对标签图像进行分类。 在独立测试集中, 模型的F-1分为0.95, 表明可以从合成孔径雷达图像中持续检测极低点。 对深层学习模型应用的易读技术显示,大气前沿和环球眼是分类中的关键特征。 此外, 实验结果显示,即使:(一) 这些特征由于合成孔径雷达的宽度有限, 其特征部分被海冰覆盖, (三) 陆地覆盖了图像的重要部分。 通过评估模型, 使用高分辨率分辨率1 的模型和高分辨率,, 将模型 的分辨率 的分辨率 显示, 的 的 的 等 高分辨率 的 的 分辨率 的 的 的 的 等 的 的 的 分辨率 的 的 的 的 的 的 的 的 的 的 的 的 的 的 分辨率 分辨率 的 分辨率