基于機器學習的內孤立波遙感探測研究綜述

孟俊敏，龍 瑞，3，孫麗娜，張 昊，3，曹澤祥，4

（1.自然資源部海洋遙測技術創新中心，山東 青島 266061；2.自然資源部第一海洋研究所，山東 青島 266061；3.中國石油大學（華東） 海洋與空間信息學院，山東 青島 266580；4.中國海洋大學 物理與光電工程學院，山東 青島 266100）

0 引言

海洋內孤立波是指發生在密度穩定層化的海洋中，最大振幅出現在海洋內部的波動[1]。通常情況下，內孤立波的波長可從幾百米到幾百千米不等，振幅一般在幾十米到上百米之間。當存在內孤立波時，海洋中密度躍層的上下層流速方向相反，使得內孤立波經過時具有強大的剪切力，對水下潛艇和海上石油平臺的安全造成威脅[2]，內孤立波傳播到陸架海區后受地形的影響將發生多種動力學與運動學特征的變化，并伴隨能量的耗散與衰減，是陸架海區海洋內部混合的重要能量來源。大量的現場與遙感觀測表明，內波可以傳播數百千米而保持波形不變，帶來巨大的能量輸運，在生產實踐、航海活動中扮演著重要的角色，并且與海洋聲學、海洋生物學、軍事海洋學等許多學科都有著密切關聯[3]。因此，對內孤立波的研究成為物理海洋、軍事海洋應用等領域的研究熱點。

內孤立波主要以現場觀測和遙感觀測2 種觀測手段為主。現場觀測主要利用溫度鏈[4]、ADCP[5]等設備直接觀測，獲取內波的時空特征。但現場觀測存在著諸多不足：觀測范圍小，設備成本較高，獲取的觀測數據有限，內波傳播信息難以完全追蹤和記錄，浮標的布防、實時監控記錄和回收工作受影響因素較多等。因此，難以開展大范圍和長時間的現場觀測，尤其是在難以到達的海域進行實驗時。遙感觀測手段的引入為我們開展研究提供了幫助。

遙感觀測是海洋內波觀測的重要手段，為重點海域的海洋內波分析與傳播預測提供了大量的數據支撐。光學傳感器和合成孔徑雷達（SAR）是目前觀測內波最為常見和有效的2 種手段。SAR 作為一種主動式傳感器，不受云雨條件的限制，具有全天時、遠距離、大范圍、高分辨率等優勢[6]。SAR遙感技術的應用改善了傳統直接觀測手段的局限性，可以展開大面積、長期的觀測；且由于內波調制海表面流場，形成輻聚輻散現象，能夠在SAR圖像上形成亮暗相間的條紋[7]，因此能在SAR 圖像上很好地觀測到海洋內波。自20 世紀70年代以來，多種波段、極化的機載SAR 和星載SAR 獲取了大量的內波圖像，提供了廣域的二維信息，對現場測量以及光學等觀測手段形成了有力補充，為內波探測提供了豐富的數據來源，成為海洋內波觀測的重要遙感手段。

在過去10年中，來自各種傳感器的衛星數據量呈指數級增長，這使得對內波的分析時間更長、規模更大。如何有效地挖掘隱藏在這些海量遙感數據中的稀疏內波信息仍然是一個熱點問題。近年來，隨著深度學習的快速發展，以深度學習為代表的機器學習方法由于自動快捷且不需要依賴單一閾值等優點，引起了越來越多研究者的注意，而將機器學習方法應用于內孤立波的研究成為了一個熱點。本文從海洋內孤立波的不同研究領域的角度，對現有基于機器學習的內孤立波研究進展進行系統綜述和分析總結，旨在為進一步發展智能高效的內孤立波研究方法提供參考依據。

1 內孤立波檢測和識別

從遙感圖像中準確檢測與識別內孤立波，對其認知和后續研究具有重要意義。20 世紀90年代以來，內孤立波遙感圖像檢測識別研究主要應用小波分析、邊緣檢測等圖像處理技術。2020年開始，以深度學習為主的機器學習方法被廣泛應用于內孤立波檢測和識別。而U-Net 和CNN 這2 種經典的網絡框架在海洋內波遙感數據中的像素級分類和目標級檢測任務中被廣泛應用，如圖1 和圖2所示。

圖1 卷積神經網絡框架Fig.1 Framework of Convolutional Neural Network

圖2 U-Net 框架Fig.2 Framework of U-Net

1.1 傳統內孤立波檢測識別

已經利用圖像處理技術發展了諸多SAR 圖像自動檢測內孤立波的算法。如 RODENAS 和GARELLO 提出了基于小波分析的方法來檢測和定位內孤立波特征，證明了小波分析適合從SAR圖像中自動檢測內孤立波[8-9]。此后，DOKKEN 等基于小波變換檢測了挪威海岸附近的內孤立波，比較了小波檢測、表征算法、傅里葉變換3 者的探測內孤立波效果[10]。SURAMPUDI 和SASANKA 利用傅里葉變換和小波變換方法分別對安達曼海和莫桑比克海峽的內孤立波圖像進行了檢測和識別，進一步比較了2 種方法對不同類型內孤立波研究的適用性[11]。SIMONIN 等結合小波、邊緣檢測等技術，從東大西洋地區獲取的SAR 圖像中提取了內孤立波特征[12]。MARGHANY 等使用粒子群優化算法和二維小波變換，從SAR 影像中自動檢測安達曼海和尼科巴群島的內孤立波[13]。KUREKIN等提出了一種結合空間處理和增強邊緣檢測算法，從英國大陸架獲取的數千幅ENVISAT ASAR 圖像中區分內孤立波特征[14]。

然而，這些方法是在單個傳感器的最小圖像上進行測試的，或者需要手動選擇參數才能獲得準確的提取結果，導致識別效果較差。而且，現在圖像處理技術并不能及時處理每天獲取的大量遙感數據，因此我們急需新的方法來開展研究。

1.2 基于機器學習的內孤立波檢測識別

近年來，深度學習等機器學習方法具有自動高效、無需人工干預等優勢，被廣泛用于從遙感圖像中提取像素級信息。基于深度學習可從遙感圖像中發現內孤立波特征并定位其位置信息。如 BAO 等提出了一種基于 Faster R-CNN 算法的內孤立波SAR 圖像檢測技術，分析了基于Faster R-CNN 的內孤立波SAR 圖像檢測網絡在不同區域、不同內孤立波形態下的檢測結果[15]。CELONA 等利用支持向量機（SVM）方法識別岸基X 波段雷達圖像中是否包含內孤立波，為選擇內孤立波雷達探測的理想環境因素提供了見解[16]。TAO 等開發了一種機器學習算法，對Sentinel-1 SAR 圖像上的內孤立波進行了檢測和分類，分析了不同內孤立波尺度和傳播方向對檢測識別的影響[17]。

此外，隨著深度學習技術的發展，深度學習方法在圖像分割任務中的速率和準確度得到了顯著的提高。同時，基于圖像檢測的結果也可以用于指導圖像分割算法，以提高分割的準確性和穩定性。如LI 等對幾種基于深度學習的框架進行了系統綜述，所提出的基于DCNN 的模型可以從靜止衛星圖像中提取內孤立波特征[18]。ZHENG 等利用支持向量機（SVM）方法從圖像中識別內孤立波并利用Canny 邊緣檢測對內孤立波條紋進行了分割，得到了內孤立波長度、面積和傳播方向等特征[19]。此后，ZHENG 等基于SegNet 模型對影像中的內孤立波進行分割，手動確定包含內孤立波的圖像并放大包含內孤立波的部分，從而獲取圖像中亮暗條紋的相對位置，進而確定內孤立波極性轉換的時間[20]。最近，MA 等提出了一種用于SAR 圖像的兩階段內孤立波特征分割算法。該算法主要包括基于決策融合的內孤立波圖像分類階段和基于像素注意力U-Net（PAU-Net）的條紋分割階段[21]。ZHANG 等基于DCNN提出一種IWE-Net深度學習模型，對ENVISAT、Terra/Aqua 和Himawari-8 內孤立波圖像進行檢測并提取出內孤立波的特征，并利用Tensor Voting算法填充了光學圖像下云遮檔導致內孤立波不連續的問題[22]。

需要指明的是，盡管基于機器學習的內孤立波遙感圖像檢測識別方法能夠有效增加檢測識別的準確度和降低檢測時間，但神經網絡的訓練等操作要耗費大量的時間和計算資源，對算力也有一定的要求。另外，由于現有數據集大都依賴人工標注，較難產生長期、大規模的內孤立波數據庫。

2 內孤立波參數反演

幾十年來，遙感已經顯示出它在研究內孤立波方面的潛力和優勢，內波誘導的海流會調制海面并產生輻聚和輻散區。通過Bragg 后向散射機制，SAR 圖像接收到的信號也會隨之增強和減弱。由于鏡面反射機制，被動光學圖像顯示出清晰的內波特征。因此，從衛星圖像中可以清楚地觀察到與內孤立波相關的表面特征。傳統的參數反演方法主要基于Korteweg-deVries（KdV）方程和內波的半寬特性。

SMALL 等推導出了內孤立波半振幅寬度與其SAR 圖像中波峰亮暗間距的關系[23]，即

式中：D為內孤立波半振幅寬度；L為波峰亮暗間距。

在2 層模式的假定下，KdV 方程可以得到內孤立波的解析解，其形式如式（1）所示。利用SAR圖像提取的波峰亮暗間距結合海洋分層條件（這些可從氣候態數據集中獲得），可以反演內孤立波的最大振幅，這是內波遙感探測的一個重要突破。KdV 方程是描述淺海內波的一種簡單形式，然而，在大多數情況下，內波具有比使用KdV 方程建模的特性復雜得多的特性。

隨著人工智能技術的發展，利用機器學習算法強大的非線性映射能力來學習內孤立波參數與多源數據之間的關系，進而反演內孤立波的參數儼然成為研究熱點。如PAN 等使用深度學習模型，基于大量光學遙感圖像反演了內孤立波振幅，模型反演結果與現場觀測結果吻合良好[24]。WANG 等基于支持向量機、隨機森林、卷積神經網絡和多層感知器，采用大量光學遙感圖像建立了4 種內孤立波振幅反演模型，并利用實測數據進行了驗證[25]。VASAVI 等使用U-Net 網絡提取了RADARSAT-1 SAR 影像中內孤立波的位置、波峰線長度等參數，然后基于 KdV 方程進一步得到內孤立波的速度等[26]。ZHANG 等結合實驗室實驗、衛星影像、現場測量結果，利用遷移學習模型反演了遙感圖像中的內孤立波振幅[27]。然而，由于現場觀測數據與遙感衛星影像相結合的內孤立波觀測很少，導致目前使用人工智能的方法開展內孤立波參數反演研究也很少。

3 內孤立波速度預測

除了對內孤立波進行檢測和識別、參數反演，人工智能技術也普遍用于內孤立波的傳播預測研究。一種基于機器學習的內波預測模型示意圖，如圖3所示。最初，JACKSON 等利用經驗模型來預測內孤立波速度，基于衛星圖像中觀測到的內孤立波特征（二維位置和傳播時間）來估計模型函數的參數，利用參數化的模型函數生成內孤立波的速度相位圖[28]。SHEN 等則提出了一個內孤立波速度矩陣模型，并利用水深測量來量化內孤立波速度，進而得到內孤立波傳播位置，并利用連續遙感圖像、理論分析和測深的經驗方法驗證了該模型的準確性[29]。而人工智能具有強大的非線性映射能力，可以幫助建立一個沒有確定關系的模型，內孤立波傳播速度與其影響因素之間也可以建立間接關系。如ZHANG 等基于人工智能方法在蘇祿-蘇拉威西海和安達曼海建立了2 個內孤立波傳播速度模型[30-31]。最近，ZHANG 等應用聚類算法將內孤立波樣本分組，利用回歸模型為每組建立內孤立波傳播速度模型。模型融入了內孤立波領域知識并解決內孤立波樣本分布不平衡問題。模型預測的內孤立波傳播顯示出良好的準確性[32]。

圖3 迭代預測模型示意圖Fig.3 Iterative prediction model

需要注意，由于不同海域的內孤立波所處的海洋環境各不相同，傳播特征也不同，因此，須在不同的海域用不同的初始條件或邊界條件重復模型設計。同時，不同的初始條件或邊界條件限制了數值模擬反演全球內孤立波速度的實現。因此，未來選擇哪些參數輸入到模型中，如何充分利用已有參數反演內孤立波速度是要考慮的問題。

4 基于機器學習的內孤立波研究存在的問題及未來發展

總的來說，人工智能在內孤立波研究方面已經取得一些進展，但還是存在3 個關鍵問題：

1）如何獲取豐富的、高質量的內孤立波數據是一大瓶頸，這需要不斷拓展開源生態庫，建立豐富的、多源的內孤立波數據集，解決小樣本數據的建模問題。

2）用于內孤立波探測的深度學習算法研究還處于初級階段，面臨模型可解釋性較差和對內孤立波知識了解不夠深入的問題，需要加快開發和創新，研究出高效且針對內孤立波圖像的神經網絡模型，提升深度學習在內孤立波領域應用的廣度和深度。同時，充分利用計算資源來減少訓練時間，提高效率。

3）現有人工智能理論與方法無法解析內孤立波數據特征的本質，反而阻礙了數據驅動的內孤立波知識發現。同時傳統理論方法存在局部失效性，也限制了對內孤立波認知水平的提高。所以，如何使兩者結合，用人工智能補充傳統理論的不足，以數據驅動為基礎開展面向內孤立波的智能預報研究，是未來研究的重點。

深度學習為遙感大數據的智能分析提供了重要的技術支持。隨著遙感大數據的不斷積累，深度學習和強化學習等算法的不斷優化，數據技術和人工智能技術相輔相成，與遙感相關的機器學習將具備理解、分析、發現數據并做出決策的能力，從而能夠從大量數據中獲得內孤立波遙感圖像中隱藏的信息，并挖掘出遙感數據背后的價值。同時，大量遙感數據的出現，也推動著機器學習的發展。

目前，人工智能主要專注于處理直觀感知類問題，而對于一些特定領域的知識，比如內波領域的知識，很難被納入模型設計中。此外，機器學習模型也可能存在偏見。要解決上述問題，我們可以利用深度學習來改進數值模型中嵌入的隱性內波知識，幫助我們更好地理解和分析，從而解決這些關鍵科學問題。通過機器學習方法，我們可以進一步深入研究內孤立波領域。

5 結束語

本文首先介紹了海洋內孤立波的檢測識別方法，傳統的內孤立波遙感圖像檢測識別研究主要應用小波分析、邊緣檢測等圖像處理技術，并指出其存在的問題。然后，論述了基于機器學習方法在內孤立波的檢測識別方面目前開展的研究，并與傳統方法相比較。隨后，還介紹了機器學習方法在內孤立波速度預測和參數反演方面的研究。

傳統方法在內孤立波的研究過程中發揮了重要作用，但近幾十年來，隨著空間和傳感器技術的不斷發展，海洋遙感已進入大數據時代，來自各種傳感器的衛星數據量呈指數增長，全球海洋遙感數據每天都在獲取大量衛星數據，傳統方法并不能處理每天獲得大量遙感圖像，越來越不能滿足科研人員日益增長的需求。

在大數據時代的背景下，基于大量衛星圖像數據利用機器學習等方法可以有效開展在內孤立波的檢測識別、速度預測和參數反演等領域的研究。采用基于機器學習的方法進行研究可以有效提升內孤立波研究的效率和性能。