多模態海洋水文監測系統研究＊

范儒彬，廖國銘，李學恒，楊文佳，孫活坤，陳升敬，李曉威，呂建明

（1.廣州市地質調查院，廣東 廣州 510440；2.廣州賦安數字科技有限公司，廣東 廣州 510610；3.華南理工大學，廣東 廣州 510006）

海洋是生命的基礎，具有豐富的資源，合理地開發海洋資源對經濟和社會發展有重大意義。然而海洋污染引起的環境問題和生態災害對人類的生活及社會的進步造成了不同程度的影響，如海洋垃圾、赤潮災害和海洋周邊的工業廢水泄漏等。

海洋監測技術在海洋防災減災中起到決定性的作用[1]，對海洋立體監測數據的收集、分析和利用不僅可以推動海洋相關科學研究，也能夠對各生產應用部門提供可靠的數據支持，如海洋生態環境監測部門、海洋災難預警監測部門、國防安全部門、海洋個人消費領域等。目前世界各國都加大了對海洋監測的投入力度，中國也在“海洋強國”戰略的號召下，對海洋要素的立體監測及分析應用領域的投入逐年增加。

作為海洋監測常見的技術手段，海洋浮標[1]實現對海洋水文氣象的近岸自動觀測，能長期、全天候收集海洋水文水質參數信息。然而受限于浮標觀測站點的部署密度，無法對海域所有位置進行全面觀測；另一方面，近年來海洋遙感[2]也被常用于針對海域的大范圍監測，相較于浮標海洋遙感具有覆蓋范圍廣的顯著優點。但遙感數據更新周期長、分析難度大，難以實時掌握海洋水文變化規律。目前，國內對海洋監管多采取單一方式（遙感或浮標）對海洋災害預防進行研究及監管。然而，無論是單獨從遙感還是浮標方面對海洋水文要素進行監測都具有顯著的片面性。

針對現有的海洋監測系統的局限性，本文提出基于浮標數據與遙感數據多源數據相融合的海洋水文要素監測系統，依靠不同模態數據之間的信息互補實現對海洋水文要素全方位、實時的監測、反演和預警。具體而言，本文的主要內容和貢獻包括如下：①構建融合遙感數據和浮標數據的多模態海洋水文監測系統。該平臺由衛星遙感、多參數海洋監測浮標、海洋大數據服務系統、業務處理平臺及AI分析平臺5 大模塊組成，實現針對海域的全面監測。②研究跨模態深度反演算法，基于浮標監測數據和遙感數據多模態數據融合，預測目標海域任意位置、任意時刻的遙感檢測數值，解決了遙感數據的時間稀疏性和浮標數據的空間稀疏性的問題。③基于LSTM 與小波濾波的時序預測模型，以及基于自編碼器的水文異常檢測模型，實現對水文要素時序信號的多尺度、多視角智能分析和預測，提高監管效率。

1 相關工作

近年來，中國海洋環測技術快速發展，基于海洋光學、水文學和數理統計學等多種方式的水文要素的預報方法得到深入研究，包括貝葉斯概率、回歸分析、模糊數學和人工神經網絡等方法。具體而言，2003 年，屈忠義等[2]提出基于BP（Back Propagation，人工神經網絡）算法的水文預測方法，為灌區區域地下水文預測應用提供解決方案；2006 年，盛春淑等[3]提出基于SWAT（Soil and Water Assessment Tool，分布式水文預測模型）的水文預測方法，對流域徑流、降雨進行預測，實驗結果表明，其預測值和實測值高度擬合，具有較高精度；2011 年，劉章君等[4]提出了基于貝葉斯的海洋水文時序預測分析方法，建立了在水文時間序列預測中的貝葉斯動態模型技術體系，結合主客觀信息實現對澇期和風暴潮的實時預報；2020 年，張天一等[5]提出了海洋水溫異常和鹽度異常的預測模型，利用衛星遙感觀測數據建立了基于LightGBM 算法的海洋內部水溫異常和鹽度異常的單時相與時序的預測模型，為以后研究重建海洋次表層溫鹽場結構提供了技術支持；2021 年，黃妙芬等[6]建立了基于Landsat 遙感數據和長短期記憶網絡的海洋石油污染預測模型，并在海上油港推廣使用，證明了該方法的有效性；2021年，衣學軍等[7]建立了基于db5 離散小波分解和非線性自回歸神經網絡的水文時序預測模型，并引入了貝葉斯正則化算法來泛化網絡結構，展示了多尺度的水文變化規律。

目前國內研究大多數以單一模態的數據（浮標或遙感）進行水文預測。受制于浮標數據的空間局限性和遙感時間局限性，現有的系統難以滿足錯綜復雜的水文業務的發展需求。

本文以浮標水文監測數據與遙感數據融合為基礎，結合多種人工智能算法建立海洋水文時序預測、異常監測和地理反演等實際應用場景，對水文要素時序的變化趨勢、異常狀態、地理空間反演進行全天候立體聯合監測。下文將圍繞海洋立體監測平臺系統設計和應用展開研究和討論。

2 體系結構

本文所提出的多模態海洋水文監測系統主要由衛星遙感、多參數海洋監測浮標、海洋大數據服務系統、業務處理平臺及AI分析平臺5 大模塊組成，如圖1 所示。海洋監測浮標與衛星遙感信息處理模塊將觀測數據存儲到業務處理平臺；業務處理平臺定期將原始數據輸送到AI分析平臺用作海洋時空預測和異常檢測分析；AI分析平臺再將算法分析結果返回給業務處理平臺。海洋大數據服務系統最終以圖表形式可視化展示真實和預測的比對數據，并通過GIS（GeographicInformation System，地理信息系統）技術在遙感圖層中疊加展示反演結果。系統所提供的主要功能包括數據可視化展示、時序預測、異常檢測及地理反演等核心功能。

圖1 多模態海洋水文監測系統示意圖

該系統的主要技術路線如圖2 所示。以廣東省海洋近海區域為例，針對海洋浮標水文要素實測數據以及多源高分辨率衛星遙感影像數據，本系統采用ETL（Extract Transform Load，數據倉庫技術）對多源異構數據進行清洗、轉換和加載處理，隨后基于AI算法對水文要素展開分析，獲取各個模態時空數據的多尺度深度表征，實現對多模態時空數據的反演、預測和異常分析。

圖2 系統整體技術路線

3 關鍵技術

海洋水文要素是影響海洋水環境的重要因素，如葉綠素a 質量濃度是衡量水體富營養化的基本指標，海上懸浮物是造成海水渾濁的主要原因。本文針對海洋生態環境監測等實際場景，融合遙感、浮標等多模態數據，采用人工智能算法分析多類水文要素的空間分布規律和變化趨勢，包括跨模態深度反演算法、多尺度水文時序預測算法和基于自編碼器的水文異常檢測算法。

3.1 跨模態深度反演算法

浮標數據作為近岸自動觀測的重要手段，具有能實時、全天候的優勢。然而，浮標數據具有明顯的空間局限性，即受限于浮標觀測站點的部署密度，無法對海域所有位置進行全面監測。另一方面，海洋遙感具有覆蓋范圍廣的顯著優點，卻具有明顯的時間局限性，即更新周期長、分析難度大，難以實時掌握海洋水文變化規律。本文提出了跨模態深度反演方法，通過融合浮標數據和遙感數據，實時推演連續海域空間、連續時間上的水文指標。

具體而言，采用基于注意力機制的長短期記憶網絡（Long-Short Term Memory，LSTM）[7]實現跨模態融合，如圖3 所示。給定任意時刻t，該模型把該時刻所有浮標時序的特征向量作為輸入數據，預測輸出該時刻下任意位置的遙感數值。為簡化模型計算，在建立模型之前，首先將監測區域空間劃分成m×m的離散網格，并對網格內的遙感數值取平均值。通過LSTM網絡提取每個浮標的時序特征，并引入注意力機制[8]，將計算輸出目標區域和各個浮標所在區域的特征關聯性作為加權參數，聯合不同浮標的多源時序數據深度特征對目標區域的遙感數值進行預測，訓練過程中采用梯度下降法迭代優化參數。

圖3 跨模態深度反演模型原理圖

3.2 多尺度水文時序預測算法

在海洋環境監測中，水文要素的時空分布規律和趨勢尤為重要，水文預報在海洋資源開發、利用和預防污染等實際場景中有引導作用。考慮到傳感器所獲取的時序信號具有多尺度特性，為了更加充分地挖掘水文時序在不同時間周期下的信號特征，采用離散小波變換[9-10]獲取不同分辨率的時序子序列，如圖4 所示。然后通過長短記憶神經網絡獲取所有子序列的時序特征，并最終通過注意力機制對它進行最終的融合。注意力機制的引入，有利于強化對預測結果有較強關聯性的子序列的局部特征，并同時弱化一些無關緊要的信號。相較于單一尺度的時序預測算法而言，該預測方法可獲得更高的預測精度。

圖4 水文要素時序預測流程圖

3.3 基于自編碼器的水文異常檢測算法

相較于傳統的基于統計特征和閾值判定的水文時序異常分析方法，基于深度學習的異常檢測模型能更好地捕捉深層次、多尺度的異常模式。鑒于此，本文提出了基于空洞卷積[11]網絡的自編碼器[12-13]模型和異常自動檢測模型。分析過程包含了時序數據特征提取、自編碼器異常數據判定和告警信息入庫3 個步驟，如圖5 所示。該模型采用空洞卷積網絡構建編碼器和解碼器。在預訓練階段，通過空洞卷積網絡對浮標正常數據進行編解碼，同時在隱層中添加一些約束條件，例如域自適應和Z-Score 正則化等，并通過最小化重構誤差優化模型參數。在測試階段，采用訓練好的自編碼器對測試數據進行編解碼，并計算重構誤差作為異常評判分數。異常分數越大，異常的可能性也就越大。

圖5 海洋水文要素異常檢測流程

4 系統應用

敘述了基于上述關鍵技術的系統功能設計和應用，包括水文要素反演預測、水文時序預測及數據變化異常監測。

4.1 水文要素反演預測

本系統通過前述跨模態深度反演算法，實時反演監控海域任意空間位置的遙感監測數據，并根據反演數據在GIS 信息系統上疊加熱力圖圖層，同時以圖表的形式提供任意位置的連續反演時序數據，實現對各類數據的充分利用和直觀呈現，如圖6 所示。

圖6 海域溫度熱力圖渲染

采用所疊加的熱力圖層顏色的深淺來直觀展示具體數值的大小，輔助管理部門從多個尺度不同視角全面觀測各類指標的空間分布規律。系統同時支持通過鼠標交互點擊目標海域上任意位置，并將反演數據可視化至圖表上，實現對高效異構數據的跨模態應用。

4.2 水文要素時序預測

基于前述的多尺度水文時序預測算法，本系統實現了對各項水文要素的時序預測。表1 為基于廣州海域4 個浮標站點10 個指標在不同時間窗口下的預測結果?？傮w而言，系統具有較低的平均誤差。相對而言，一些較為穩定的指標，如pH 值、溶解氧質量濃度具有較高的預測精度，而葉綠素的質量濃度、藻紅蛋白的質量濃度預測誤差相對較大。隨著時間窗口的加大，預測的誤差會進一步加大，不可預知的復雜環境因素干擾增加。系統展示效果如圖7 所示。

表1 多尺度融合海洋監測數據時序預測單位：%

圖7 水文要素時序預測效果圖

4.3 水文要素異常監測

本系統實現前述的基于自編碼器的水文異常檢測算法，對到達的時序數據進行實時分析，并為不同時間段的水文數據的異常指標賦分。對于異常數據，將產生異常事件并傳遞給業務處理平臺進行相應的存儲、索引，并提供根據時間、空間的實時檢索交互功能。水文要素異常監測示意圖如圖8 所示。

圖8 水文要素異常監測

其中，圖8（a）以分段式折線圖展示水文數值變化，并對異常區段進行高亮顯示；圖8（b）將異常事件以圖層的方式疊加至遙感圖層，方便管理者直觀查看異常事件的空間分布情況。

5 結論

本文設計并實現了基于多源信息融合的海洋水文監測智慧系統，結合衛星遙感、浮標監測等多模態數據，面向廣州海域開展海洋數據資源的實際應用，構建了跨模態深度反演模型、多尺度水文時序預測模型及基于自編碼器的水文異常檢測模型。測試結果表明，該系統能夠實現對高精度水文變化趨勢的預測、反演，并能自動檢測水文異常，為海洋相關部門提供了有效的數據支撐。