多模態(tài)海洋水文監(jiān)測(cè)系統(tǒng)研究＊

范儒彬，廖國(guó)銘，李學(xué)恒，楊文佳，孫活坤，陳升敬，李曉威，呂建明

（1.廣州市地質(zhì)調(diào)查院，廣東 廣州 510440；2.廣州賦安數(shù)字科技有限公司，廣東 廣州 510610；3.華南理工大學(xué)，廣東 廣州 510006）

海洋是生命的基礎(chǔ)，具有豐富的資源，合理地開(kāi)發(fā)海洋資源對(duì)經(jīng)濟(jì)和社會(huì)發(fā)展有重大意義。然而海洋污染引起的環(huán)境問(wèn)題和生態(tài)災(zāi)害對(duì)人類的生活及社會(huì)的進(jìn)步造成了不同程度的影響，如海洋垃圾、赤潮災(zāi)害和海洋周邊的工業(yè)廢水泄漏等。

海洋監(jiān)測(cè)技術(shù)在海洋防災(zāi)減災(zāi)中起到?jīng)Q定性的作用[1]，對(duì)海洋立體監(jiān)測(cè)數(shù)據(jù)的收集、分析和利用不僅可以推動(dòng)海洋相關(guān)科學(xué)研究，也能夠?qū)Ω魃a(chǎn)應(yīng)用部門提供可靠的數(shù)據(jù)支持，如海洋生態(tài)環(huán)境監(jiān)測(cè)部門、海洋災(zāi)難預(yù)警監(jiān)測(cè)部門、國(guó)防安全部門、海洋個(gè)人消費(fèi)領(lǐng)域等。目前世界各國(guó)都加大了對(duì)海洋監(jiān)測(cè)的投入力度，中國(guó)也在“海洋強(qiáng)國(guó)”戰(zhàn)略的號(hào)召下，對(duì)海洋要素的立體監(jiān)測(cè)及分析應(yīng)用領(lǐng)域的投入逐年增加。

作為海洋監(jiān)測(cè)常見(jiàn)的技術(shù)手段，海洋浮標(biāo)[1]實(shí)現(xiàn)對(duì)海洋水文氣象的近岸自動(dòng)觀測(cè)，能長(zhǎng)期、全天候收集海洋水文水質(zhì)參數(shù)信息。然而受限于浮標(biāo)觀測(cè)站點(diǎn)的部署密度，無(wú)法對(duì)海域所有位置進(jìn)行全面觀測(cè)；另一方面，近年來(lái)海洋遙感[2]也被常用于針對(duì)海域的大范圍監(jiān)測(cè)，相較于浮標(biāo)海洋遙感具有覆蓋范圍廣的顯著優(yōu)點(diǎn)。但遙感數(shù)據(jù)更新周期長(zhǎng)、分析難度大，難以實(shí)時(shí)掌握海洋水文變化規(guī)律。目前，國(guó)內(nèi)對(duì)海洋監(jiān)管多采取單一方式（遙感或浮標(biāo)）對(duì)海洋災(zāi)害預(yù)防進(jìn)行研究及監(jiān)管。然而，無(wú)論是單獨(dú)從遙感還是浮標(biāo)方面對(duì)海洋水文要素進(jìn)行監(jiān)測(cè)都具有顯著的片面性。

針對(duì)現(xiàn)有的海洋監(jiān)測(cè)系統(tǒng)的局限性，本文提出基于浮標(biāo)數(shù)據(jù)與遙感數(shù)據(jù)多源數(shù)據(jù)相融合的海洋水文要素監(jiān)測(cè)系統(tǒng)，依靠不同模態(tài)數(shù)據(jù)之間的信息互補(bǔ)實(shí)現(xiàn)對(duì)海洋水文要素全方位、實(shí)時(shí)的監(jiān)測(cè)、反演和預(yù)警。具體而言，本文的主要內(nèi)容和貢獻(xiàn)包括如下：①構(gòu)建融合遙感數(shù)據(jù)和浮標(biāo)數(shù)據(jù)的多模態(tài)海洋水文監(jiān)測(cè)系統(tǒng)。該平臺(tái)由衛(wèi)星遙感、多參數(shù)海洋監(jiān)測(cè)浮標(biāo)、海洋大數(shù)據(jù)服務(wù)系統(tǒng)、業(yè)務(wù)處理平臺(tái)及AI分析平臺(tái)5 大模塊組成，實(shí)現(xiàn)針對(duì)海域的全面監(jiān)測(cè)。②研究跨模態(tài)深度反演算法，基于浮標(biāo)監(jiān)測(cè)數(shù)據(jù)和遙感數(shù)據(jù)多模態(tài)數(shù)據(jù)融合，預(yù)測(cè)目標(biāo)海域任意位置、任意時(shí)刻的遙感檢測(cè)數(shù)值，解決了遙感數(shù)據(jù)的時(shí)間稀疏性和浮標(biāo)數(shù)據(jù)的空間稀疏性的問(wèn)題。③基于LSTM 與小波濾波的時(shí)序預(yù)測(cè)模型，以及基于自編碼器的水文異常檢測(cè)模型，實(shí)現(xiàn)對(duì)水文要素時(shí)序信號(hào)的多尺度、多視角智能分析和預(yù)測(cè)，提高監(jiān)管效率。

1 相關(guān)工作

近年來(lái)，中國(guó)海洋環(huán)測(cè)技術(shù)快速發(fā)展，基于海洋光學(xué)、水文學(xué)和數(shù)理統(tǒng)計(jì)學(xué)等多種方式的水文要素的預(yù)報(bào)方法得到深入研究，包括貝葉斯概率、回歸分析、模糊數(shù)學(xué)和人工神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)）算法的水文預(yù)測(cè)方法，為灌區(qū)區(qū)域地下水文預(yù)測(cè)應(yīng)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(yù)測(cè)模型）的水文預(yù)測(cè)方法，對(duì)流域徑流、降雨進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，其預(yù)測(cè)值和實(shí)測(cè)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(shí)序預(yù)測(cè)分析方法，建立了在水文時(shí)間序列預(yù)測(cè)中的貝葉斯動(dòng)態(tài)模型技術(shù)體系，結(jié)合主客觀信息實(shí)現(xiàn)對(duì)澇期和風(fēng)暴潮的實(shí)時(shí)預(yù)報(bào)；2020 年，張?zhí)煲坏萚5]提出了海洋水溫異常和鹽度異常的預(yù)測(cè)模型，利用衛(wèi)星遙感觀測(cè)數(shù)據(jù)建立了基于LightGBM 算法的海洋內(nèi)部水溫異常和鹽度異常的單時(shí)相與時(shí)序的預(yù)測(cè)模型，為以后研究重建海洋次表層溫鹽場(chǎng)結(jié)構(gòu)提供了技術(shù)支持；2021 年，黃妙芬等[6]建立了基于Landsat 遙感數(shù)據(jù)和長(zhǎng)短期記憶網(wǎng)絡(luò)的海洋石油污染預(yù)測(cè)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(xué)軍等[7]建立了基于db5 離散小波分解和非線性自回歸神經(jīng)網(wǎng)絡(luò)的水文時(shí)序預(yù)測(cè)模型，并引入了貝葉斯正則化算法來(lái)泛化網(wǎng)絡(luò)結(jié)構(gòu)，展示了多尺度的水文變化規(guī)律。

目前國(guó)內(nèi)研究大多數(shù)以單一模態(tài)的數(shù)據(jù)（浮標(biāo)或遙感）進(jìn)行水文預(yù)測(cè)。受制于浮標(biāo)數(shù)據(jù)的空間局限性和遙感時(shí)間局限性，現(xiàn)有的系統(tǒng)難以滿足錯(cuò)綜復(fù)雜的水文業(yè)務(wù)的發(fā)展需求。

本文以浮標(biāo)水文監(jiān)測(cè)數(shù)據(jù)與遙感數(shù)據(jù)融合為基礎(chǔ)，結(jié)合多種人工智能算法建立海洋水文時(shí)序預(yù)測(cè)、異常監(jiān)測(cè)和地理反演等實(shí)際應(yīng)用場(chǎng)景，對(duì)水文要素時(shí)序的變化趨勢(shì)、異常狀態(tài)、地理空間反演進(jìn)行全天候立體聯(lián)合監(jiān)測(cè)。下文將圍繞海洋立體監(jiān)測(cè)平臺(tái)系統(tǒng)設(shè)計(jì)和應(yīng)用展開(kāi)研究和討論。

2 體系結(jié)構(gòu)

本文所提出的多模態(tài)海洋水文監(jiān)測(cè)系統(tǒng)主要由衛(wèi)星遙感、多參數(shù)海洋監(jiān)測(cè)浮標(biāo)、海洋大數(shù)據(jù)服務(wù)系統(tǒng)、業(yè)務(wù)處理平臺(tái)及AI分析平臺(tái)5 大模塊組成，如圖1 所示。海洋監(jiān)測(cè)浮標(biāo)與衛(wèi)星遙感信息處理模塊將觀測(cè)數(shù)據(jù)存儲(chǔ)到業(yè)務(wù)處理平臺(tái)；業(yè)務(wù)處理平臺(tái)定期將原始數(shù)據(jù)輸送到AI分析平臺(tái)用作海洋時(shí)空預(yù)測(cè)和異常檢測(cè)分析；AI分析平臺(tái)再將算法分析結(jié)果返回給業(yè)務(wù)處理平臺(tái)。海洋大數(shù)據(jù)服務(wù)系統(tǒng)最終以圖表形式可視化展示真實(shí)和預(yù)測(cè)的比對(duì)數(shù)據(jù)，并通過(guò)GIS（GeographicInformation System，地理信息系統(tǒng)）技術(shù)在遙感圖層中疊加展示反演結(jié)果。系統(tǒng)所提供的主要功能包括數(shù)據(jù)可視化展示、時(shí)序預(yù)測(cè)、異常檢測(cè)及地理反演等核心功能。

圖1 多模態(tài)海洋水文監(jiān)測(cè)系統(tǒng)示意圖

該系統(tǒng)的主要技術(shù)路線如圖2 所示。以廣東省海洋近海區(qū)域?yàn)槔?，針?duì)海洋浮標(biāo)水文要素實(shí)測(cè)數(shù)據(jù)以及多源高分辨率衛(wèi)星遙感影像數(shù)據(jù)，本系統(tǒng)采用ETL（Extract Transform Load，數(shù)據(jù)倉(cāng)庫(kù)技術(shù)）對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換和加載處理，隨后基于AI算法對(duì)水文要素展開(kāi)分析，獲取各個(gè)模態(tài)時(shí)空數(shù)據(jù)的多尺度深度表征，實(shí)現(xiàn)對(duì)多模態(tài)時(shí)空數(shù)據(jù)的反演、預(yù)測(cè)和異常分析。

圖2 系統(tǒng)整體技術(shù)路線

3 關(guān)鍵技術(shù)

海洋水文要素是影響海洋水環(huán)境的重要因素，如葉綠素a 質(zhì)量濃度是衡量水體富營(yíng)養(yǎng)化的基本指標(biāo)，海上懸浮物是造成海水渾濁的主要原因。本文針對(duì)海洋生態(tài)環(huán)境監(jiān)測(cè)等實(shí)際場(chǎng)景，融合遙感、浮標(biāo)等多模態(tài)數(shù)據(jù)，采用人工智能算法分析多類水文要素的空間分布規(guī)律和變化趨勢(shì)，包括跨模態(tài)深度反演算法、多尺度水文時(shí)序預(yù)測(cè)算法和基于自編碼器的水文異常檢測(cè)算法。

3.1 跨模態(tài)深度反演算法

浮標(biāo)數(shù)據(jù)作為近岸自動(dòng)觀測(cè)的重要手段，具有能實(shí)時(shí)、全天候的優(yōu)勢(shì)。然而，浮標(biāo)數(shù)據(jù)具有明顯的空間局限性，即受限于浮標(biāo)觀測(cè)站點(diǎn)的部署密度，無(wú)法對(duì)海域所有位置進(jìn)行全面監(jiān)測(cè)。另一方面，海洋遙感具有覆蓋范圍廣的顯著優(yōu)點(diǎn)，卻具有明顯的時(shí)間局限性，即更新周期長(zhǎng)、分析難度大，難以實(shí)時(shí)掌握海洋水文變化規(guī)律。本文提出了跨模態(tài)深度反演方法，通過(guò)融合浮標(biāo)數(shù)據(jù)和遙感數(shù)據(jù)，實(shí)時(shí)推演連續(xù)海域空間、連續(xù)時(shí)間上的水文指標(biāo)。

具體而言，采用基于注意力機(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）[7]實(shí)現(xiàn)跨模態(tài)融合，如圖3 所示。給定任意時(shí)刻t，該模型把該時(shí)刻所有浮標(biāo)時(shí)序的特征向量作為輸入數(shù)據(jù)，預(yù)測(cè)輸出該時(shí)刻下任意位置的遙感數(shù)值。為簡(jiǎn)化模型計(jì)算，在建立模型之前，首先將監(jiān)測(cè)區(qū)域空間劃分成m×m的離散網(wǎng)格，并對(duì)網(wǎng)格內(nèi)的遙感數(shù)值取平均值。通過(guò)LSTM網(wǎng)絡(luò)提取每個(gè)浮標(biāo)的時(shí)序特征，并引入注意力機(jī)制[8]，將計(jì)算輸出目標(biāo)區(qū)域和各個(gè)浮標(biāo)所在區(qū)域的特征關(guān)聯(lián)性作為加權(quán)參數(shù)，聯(lián)合不同浮標(biāo)的多源時(shí)序數(shù)據(jù)深度特征對(duì)目標(biāo)區(qū)域的遙感數(shù)值進(jìn)行預(yù)測(cè)，訓(xùn)練過(guò)程中采用梯度下降法迭代優(yōu)化參數(shù)。

圖3 跨模態(tài)深度反演模型原理圖

3.2 多尺度水文時(shí)序預(yù)測(cè)算法

在海洋環(huán)境監(jiān)測(cè)中，水文要素的時(shí)空分布規(guī)律和趨勢(shì)尤為重要，水文預(yù)報(bào)在海洋資源開(kāi)發(fā)、利用和預(yù)防污染等實(shí)際場(chǎng)景中有引導(dǎo)作用。考慮到傳感器所獲取的時(shí)序信號(hào)具有多尺度特性，為了更加充分地挖掘水文時(shí)序在不同時(shí)間周期下的信號(hào)特征，采用離散小波變換[9-10]獲取不同分辨率的時(shí)序子序列，如圖4 所示。然后通過(guò)長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)獲取所有子序列的時(shí)序特征，并最終通過(guò)注意力機(jī)制對(duì)它進(jìn)行最終的融合。注意力機(jī)制的引入，有利于強(qiáng)化對(duì)預(yù)測(cè)結(jié)果有較強(qiáng)關(guān)聯(lián)性的子序列的局部特征，并同時(shí)弱化一些無(wú)關(guān)緊要的信號(hào)。相較于單一尺度的時(shí)序預(yù)測(cè)算法而言，該預(yù)測(cè)方法可獲得更高的預(yù)測(cè)精度。

圖4 水文要素時(shí)序預(yù)測(cè)流程圖

3.3 基于自編碼器的水文異常檢測(cè)算法

相較于傳統(tǒng)的基于統(tǒng)計(jì)特征和閾值判定的水文時(shí)序異常分析方法，基于深度學(xué)習(xí)的異常檢測(cè)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(wǎng)絡(luò)的自編碼器[12-13]模型和異常自動(dòng)檢測(cè)模型。分析過(guò)程包含了時(shí)序數(shù)據(jù)特征提取、自編碼器異常數(shù)據(jù)判定和告警信息入庫(kù)3 個(gè)步驟，如圖5 所示。該模型采用空洞卷積網(wǎng)絡(luò)構(gòu)建編碼器和解碼器。在預(yù)訓(xùn)練階段，通過(guò)空洞卷積網(wǎng)絡(luò)對(duì)浮標(biāo)正常數(shù)據(jù)進(jìn)行編解碼，同時(shí)在隱層中添加一些約束條件，例如域自適應(yīng)和Z-Score 正則化等，并通過(guò)最小化重構(gòu)誤差優(yōu)化模型參數(shù)。在測(cè)試階段，采用訓(xùn)練好的自編碼器對(duì)測(cè)試數(shù)據(jù)進(jìn)行編解碼，并計(jì)算重構(gòu)誤差作為異常評(píng)判分?jǐn)?shù)。異常分?jǐn)?shù)越大，異常的可能性也就越大。

圖5 海洋水文要素異常檢測(cè)流程

4 系統(tǒng)應(yīng)用

敘述了基于上述關(guān)鍵技術(shù)的系統(tǒng)功能設(shè)計(jì)和應(yīng)用，包括水文要素反演預(yù)測(cè)、水文時(shí)序預(yù)測(cè)及數(shù)據(jù)變化異常監(jiān)測(cè)。

4.1 水文要素反演預(yù)測(cè)

本系統(tǒng)通過(guò)前述跨模態(tài)深度反演算法，實(shí)時(shí)反演監(jiān)控海域任意空間位置的遙感監(jiān)測(cè)數(shù)據(jù)，并根據(jù)反演數(shù)據(jù)在GIS 信息系統(tǒng)上疊加熱力圖圖層，同時(shí)以圖表的形式提供任意位置的連續(xù)反演時(shí)序數(shù)據(jù)，實(shí)現(xiàn)對(duì)各類數(shù)據(jù)的充分利用和直觀呈現(xiàn)，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(lái)直觀展示具體數(shù)值的大小，輔助管理部門從多個(gè)尺度不同視角全面觀測(cè)各類指標(biāo)的空間分布規(guī)律。系統(tǒng)同時(shí)支持通過(guò)鼠標(biāo)交互點(diǎn)擊目標(biāo)海域上任意位置，并將反演數(shù)據(jù)可視化至圖表上，實(shí)現(xiàn)對(duì)高效異構(gòu)數(shù)據(jù)的跨模態(tài)應(yīng)用。

4.2 水文要素時(shí)序預(yù)測(cè)

基于前述的多尺度水文時(shí)序預(yù)測(cè)算法，本系統(tǒng)實(shí)現(xiàn)了對(duì)各項(xiàng)水文要素的時(shí)序預(yù)測(cè)。表1 為基于廣州海域4 個(gè)浮標(biāo)站點(diǎn)10 個(gè)指標(biāo)在不同時(shí)間窗口下的預(yù)測(cè)結(jié)果?？傮w而言，系統(tǒng)具有較低的平均誤差。相對(duì)而言，一些較為穩(wěn)定的指標(biāo)，如pH 值、溶解氧質(zhì)量濃度具有較高的預(yù)測(cè)精度，而葉綠素的質(zhì)量濃度、藻紅蛋白的質(zhì)量濃度預(yù)測(cè)誤差相對(duì)較大。隨著時(shí)間窗口的加大，預(yù)測(cè)的誤差會(huì)進(jìn)一步加大，不可預(yù)知的復(fù)雜環(huán)境因素干擾增加。系統(tǒng)展示效果如圖7 所示。

表1 多尺度融合海洋監(jiān)測(cè)數(shù)據(jù)時(shí)序預(yù)測(cè)單位：%

圖7 水文要素時(shí)序預(yù)測(cè)效果圖

4.3 水文要素異常監(jiān)測(cè)

本系統(tǒng)實(shí)現(xiàn)前述的基于自編碼器的水文異常檢測(cè)算法，對(duì)到達(dá)的時(shí)序數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，并為不同時(shí)間段的水文數(shù)據(jù)的異常指標(biāo)賦分。對(duì)于異常數(shù)據(jù)，將產(chǎn)生異常事件并傳遞給業(yè)務(wù)處理平臺(tái)進(jìn)行相應(yīng)的存儲(chǔ)、索引，并提供根據(jù)時(shí)間、空間的實(shí)時(shí)檢索交互功能。水文要素異常監(jiān)測(cè)示意圖如圖8 所示。

圖8 水文要素異常監(jiān)測(cè)

其中，圖8（a）以分段式折線圖展示水文數(shù)值變化，并對(duì)異常區(qū)段進(jìn)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(jié)論

本文設(shè)計(jì)并實(shí)現(xiàn)了基于多源信息融合的海洋水文監(jiān)測(cè)智慧系統(tǒng)，結(jié)合衛(wèi)星遙感、浮標(biāo)監(jiān)測(cè)等多模態(tài)數(shù)據(jù)，面向廣州海域開(kāi)展海洋數(shù)據(jù)資源的實(shí)際應(yīng)用，構(gòu)建了跨模態(tài)深度反演模型、多尺度水文時(shí)序預(yù)測(cè)模型及基于自編碼器的水文異常檢測(cè)模型。測(cè)試結(jié)果表明，該系統(tǒng)能夠?qū)崿F(xiàn)對(duì)高精度水文變化趨勢(shì)的預(yù)測(cè)、反演，并能自動(dòng)檢測(cè)水文異常，為海洋相關(guān)部門提供了有效的數(shù)據(jù)支撐。