多模态海洋水文监测系统研究.pdf

科技与创新Science and Technology&Innovation602023 年 第 17 期文章编号：2095-6835（2023）17-0060-04多模态海洋水文监测系统研究范儒彬1，廖国铭2，李学恒1，杨文佳1，孙活坤1，陈升敬2，李晓威2，吕建明3（1.广州市地质调查院，广东 广州 510440；2.广州赋安数字科技有限公司，广东 广州 510610；3.华南理工大学，广东 广州 510006）摘要：海洋水文要素信息是表征和反映海洋水文状态与现象的基本因素，包括海洋水温、透明度、叶绿素等。及时获取海洋水文信息，对海洋污染预测、海洋生态预警有重要意义。传统海洋水文要素信息分析系统多基于单一信息来源海洋数据的分析与处理，难以全面、准确地刻画海洋动态。提出了基于遥感影像数据、浮标水文数据多源数据融合的水文监测系统，构建多尺度时序预测、基于自编码器的异常分析和遥感跨模态反演 3 个核心算法模型，充分利用多源信息的差异性和互补性，实现对水文要素的智能预报和监管。基于真实多源海洋数据的实验表明，该系统可实现对海洋水文要素的有效监测，为海洋污染防治、海洋生态预警等提供辅助手段。关键词：海洋水文；数据融合；时序预测；注意力机制中图分类号：P641.7文献标志码：ADOI：10.15913/ki.kjycx.2023.17.017海洋是生命的基础，具有丰富的资源，合理地开发海洋资源对经济和社会发展有重大意义。然而海洋污染引起的环境问题和生态灾害对人类的生活及社会的进步造成了不同程度的影响，如海洋垃圾、赤潮灾害和海洋周边的工业废水泄漏等。海洋监测技术在海洋防灾减灾中起到决定性的作用1，对海洋立体监测数据的收集、分析和利用不仅可以推动海洋相关科学研究，也能够对各生产应用部门提供可靠的数据支持，如海洋生态环境监测部门、海洋灾难预警监测部门、国防安全部门、海洋个人消费领域等。目前世界各国都加大了对海洋监测的投入力度，中国也在“海洋强国”战略的号召下，对海洋要素的立体监测及分析应用领域的投入逐年增加。作为海洋监测常见的技术手段，海洋浮标1实现对海洋水文气象的近岸自动观测，能长期、全天候收集海洋水文水质参数信息。然而受限于浮标观测站点的部署密度，无法对海域所有位置进行全面观测；另一方面，近年来海洋遥感2也被常用于针对海域的大范围监测，相较于浮标海洋遥感具有覆盖范围广的显著优点。但遥感数据更新周期长、分析难度大，难以实时掌握海洋水文变化规律。目前，国内对海洋监管多采取单一方式（遥感或浮标）对海洋灾害预防进行研究及监管。然而，无论是单独从遥感还是浮标方面对海洋水文要素进行监测都具有显著的片面性。针对现有的海洋监测系统的局限性，本文提出基于浮标数据与遥感数据多源数据相融合的海洋水文要素监测系统，依靠不同模态数据之间的信息互补实现对海洋水文要素全方位、实时的监测、反演和预警。具体而言，本文的主要内容和贡献包括如下：构建融合遥感数据和浮标数据的多模态海洋水文监测系统。该平台由卫星遥感、多参数海洋监测浮标、海洋大数据服务系统、业务处理平台及 AI 分析平台 5 大模块组成，实现针对海域的全面监测。研究跨模态深度反演算法，基于浮标监测数据和遥感数据多模态数据融合，预测目标海域任意位置、任意时刻的遥感检测数值，解决了遥感数据的时间稀疏性和浮标数据的空间稀疏性的问题。基于 LSTM 与小波滤波的时序预测模型，以及基于自编码器的水文异常检测模型，实现对水文要素时序信号的多尺度、多视角智能分析和预测，提高监管效率。1相关工作近年来，中国海洋环测技术快速发展，基于海洋光学、水文学和数理统计学等多种方式的水文要素的预报方法得到深入研究，包括贝叶斯概率、回归分析、模糊数学和人工神经网络等方法。具体而言，2003 年，屈忠义等2提出基于 BP（Back Propagation，人工神经网络）算法的水文预测方法，为灌区区域地下水文预测应用提供解决方案；2006 年，盛春淑等3提出基于SWAT（Soil and WaterAssessment Tool，分布式水文预测模型）的水文预测方法，对流域径流、降雨进行预测，实验结果表明，其预测值和实测值高度拟合，具有较高精度；2011 年，刘章君等4提出了基于贝叶斯基金项目广东省海洋经济发展专项资金项目（粤自然资合202135 号）Science and Technology&Innovation科技与创新2023 年 第 17 期61的海洋水文时序预测分析方法，建立了在水文时间序列预测中的贝叶斯动态模型技术体系，结合主客观信息实现对涝期和风暴潮的实时预报；2020 年，张天一等5提出了海洋水温异常和盐度异常的预测模型，利用卫星遥感观测数据建立了基于 LightGBM 算法的海洋内部水温异常和盐度异常的单时相与时序的预测模型，为以后研究重建海洋次表层温盐场结构提供了技术支持；2021 年，黄妙芬等6建立了基于 Landsat 遥感数据和长短期记忆网络的海洋石油污染预测模型，并在海上油港推广使用，证明了该方法的有效性；2021年，衣学军等7建立了基于 db5 离散小波分解和非线性自回归神经网络的水文时序预测模型，并引入了贝叶斯正则化算法来泛化网络结构，展示了多尺度的水文变化规律。目前国内研究大多数以单一模态的数据（浮标或遥感）进行水文预测。受制于浮标数据的空间局限性和遥感时间局限性，现有的系统难以满足错综复杂的水文业务的发展需求。本文以浮标水文监测数据与遥感数据融合为基础，结合多种人工智能算法建立海洋水文时序预测、异常监测和地理反演等实际应用场景，对水文要素时序的变化趋势、异常状态、地理空间反演进行全天候立体联合监测。下文将围绕海洋立体监测平台系统设计和应用展开研究和讨论。2体系结构本文所提出的多模态海洋水文监测系统主要由卫星遥感、多参数海洋监测浮标、海洋大数据服务系统、业务处理平台及 AI 分析平台 5 大模块组成，如图 1 所示。海洋监测浮标与卫星遥感信息处理模块将观测数据存储到业务处理平台；业务处理平台定期将原始数据输送到 AI 分析平台用作海洋时空预测和异常检测分析；AI 分析平台再将算法分析结果返回给业务处理平台。海洋大数据服务系统最终以图表形式可视化展示真实和预测的比对数据，并通过 GIS（GeographicInformation System，地理信息系统）技术在遥感图层中叠加展示反演结果。系统所提供的主要功能包括数据可视化展示、时序预测、异常检测及地理反演等核心功能。该系统的主要技术路线如图 2 所示。以广东省海洋近海区域为例，针对海洋浮标水文要素实测数据以及多源高分辨率卫星遥感影像数据，本系统采用 ETL（Extract Transform Load，数据仓库技术）对多源异构数据进行清洗、转换和加载处理，随后基于 AI 算法对水文要素展开分析，获取各个模态时空数据的多尺度深度表征，实现对多模态时空数据的反演、预测和异常分析。图 1多模态海洋水文监测系统示意图图 2系统整体技术路线3关键技术海洋水文要素是影响海洋水环境的重要因素，如叶绿素 a 质量浓度是衡量水体富营养化的基本指标，海上悬浮物是造成海水浑浊的主要原因。本文针对海洋生态环境监测等实际场景，融合遥感、浮标等多模态数据，采用人工智能算法分析多类水文要素的空间分布规律和变化趋势，包括跨模态深度反演算法、多尺度水文时序预测算法和基于自编码器的水文异常检测算法。3.1跨模态深度反演算法浮标数据作为近岸自动观测的重要手段，具有能实时、全天候的优势。然而，浮标数据具有明显的空AI 分析平台业务处理平台多参数海洋监测浮标卫星遥感海洋大数据服务系统浮标数据多源遥感数据ETL 数据处理数据抽取数据装载数据时空对齐数据清洗基于自编码器的异常检测模型空洞卷积特征提取基于 LSTM 的浮标空间地理反演遥感模型数据转换基于 LSTM 与小波滤波的时序预测模型关联分析多模态数据融合水文时序动态变化分析水文要素地理空间反演水文异常状态分析科技与创新Science and Technology&Innovation622023 年 第 17 期间局限性，即受限于浮标观测站点的部署密度，无法对海域所有位置进行全面监测。另一方面，海洋遥感具有覆盖范围广的显著优点，却具有明显的时间局限性，即更新周期长、分析难度大，难以实时掌握海洋水文变化规律。本文提出了跨模态深度反演方法，通过融合浮标数据和遥感数据，实时推演连续海域空间、连续时间上的水文指标。具体而言，采用基于注意力机制的长短期记忆网络（Long-Short Term Memory，LSTM）7实现跨模态融合，如图 3 所示。给定任意时刻 t，该模型把该时刻所有浮标时序的特征向量作为输入数据，预测输出该时刻下任意位置的遥感数值。为简化模型计算，在建立模型之前，首先将监测区域空间划分成 mm 的离散网格，并对网格内的遥感数值取平均值。通过 LSTM网络提取每个浮标的时序特征，并引入注意力机制8，将计算输出目标区域和各个浮标所在区域的特征关联性作为加权参数，联合不同浮标的多源时序数据深度特征对目标区域的遥感数值进行预测，训练过程中采用梯度下降法迭代优化参数。图 3跨模态深度反演模型原理图3.2多尺度水文时序预测算法在海洋环境监测中，水文要素的时空分布规律和趋势尤为重要，水文预报在海洋资源开发、利用和预防污染等实际场景中有引导作用。考虑到传感器所获取的时序信号具有多尺度特性，为了更加充分地挖掘水文时序在不同时间周期下的信号特征，采用离散小波变换9-10获取不同分辨率的时序子序列，如图 4 所示。然后通过长短记忆神经网络获取所有子序列的时序特征，并最终通过注意力机制对它进行最终的融合。注意力机制的引入，有利于强化对预测结果有较强关联性的子序列的局部特征，并同时弱化一些无关紧要的信号。相较于单一尺度的时序预测算法而言，该预测方法可获得更高的预测精度。3.3基于自编码器的水文异常检测算法相较于传统的基于统计特征和阈值判定的水文时序异常分析方法，基于深度学习的异常检测模型能更好地捕捉深层次、多尺度的异常模式。鉴于此，本文提出了基于空洞卷积11网络的自编码器12-13模型和异常自动检测模型。分析过程包含了时序数据特征提取、自编码器异常数据判定和告警信息入库 3 个步骤，如图 5 所示。该模型采用空洞卷积网络构建编码器和解码器。在预训练阶段，通过空洞卷积网络对浮标正常数据进行编解码，同时在隐层中添加一些约束条件，例如域自适应和 Z-Score 正则化等，并通过最小化重构误差优化模型参数。在测试阶段，采用训练好的自编码器对测试数据进行编解码，并计算重构误差作为异常评判分数。异常分数越大，异常的可能性也就越大。图 4水文要素时序预测流程图图 5海洋水文要素异常检测流程4系统应用叙述了基于上述关键技术的系统功能设计和应用，包括水文要素反演预测、水文时序预测及数据变化异常监测。4.1水文要素反演预测本系统通过前述跨模态深度反演算法，实时反演监控海域任意空间位置的遥感监测数据，并根据反演数据在 GIS 信息系统上叠加热力图图层，同时以图表的形式提供任意位置的连续反演时序数据，实现对各类数据的充分利用和直观呈现，如图 6 所示。图 6海域温度热力图渲染采用所叠加的热力图层颜色的深浅来直观展示具Wnh（2）1W2h（1）1W1h（k）1st浮标 n 时序浮标 2 时序浮标 1 时序h（k）th（1）t历史遥感数据w（1）1w（2）t目标海域遥感数据w（2）1注意力机制w（3）1htuwuws1h1h2时间步长时间步长特征提取浮标指标多参数告警信息入库时序数据特征提取自编码器异常数据判定w（1）tSigmoidLSTMLSTMLSTMScience and Technology&Innovation科技与创新2023 年 第 17 期63体数值的大小，辅助管理部门从多个尺度不同视角全面观测各类指标的空间分布规律。系统同时支持通过鼠标交互点击目标海域上任意位置，并将反演数据可视化至图表上，实现对高效异构数据的跨模态应用。4.2水文要素时序预测基于前述的多尺度水文时序预测算法，本系统实现了对各项水文要素的时序预测。表 1 为基于广州海域4 个浮标站点 10 个指标在不同时间窗口下的预测结果。总体而言，系统具有较低的平均误差。相对而言，一些较为稳定的指标，如 pH 值、溶解氧质量浓度具有较高的预测精度，而叶绿素的质量浓度、藻红蛋白的质量浓度预测误差相对较大。随着时间窗口的加大，预测的误差会进一步加大，不可预知的复杂环境因素干扰增加。系统展示效果如图 7 所示。表 1多尺度融合海洋监测数据时序预测单位：%预测窗口水温误差电导误差pH 值误差浊度误差叶绿素质量浓度误差溶解氧质量浓度误差电压误差藻红蛋白质量浓度误差蓝绿藻质量浓度误差溶解性固体总量误差平均相对误差1 d4.38.43.03.09.73.24.910.210.08.56.32 d5.015.82.68.416.72.75.615.415.514.69.93 d8.919.13.89.520.95.47.019.719.818.513.0图 7水文要素时序预测效果图4.3水文要素异常监测本系统实现前述的基于自编码器的水文异常检测算法，对到达的时序数据进行实时分析，并为不同时间段的水文数据的异常指标赋分。对于异常数据，将产生异常事件并传递给业务处理平台进行相应的存储、索引，并提供根据时间、空间的实时检索交互功能。水文要素异常监测示意图如图 8 所示。（a）异常数据图表示例（b）异常点图层叠加图 8水文要素异常监测其中，图 8（a）以分段式折线图展示水文数值变化，并对异常区段进行高亮显示；图 8（b）将异常事件以图层的方式叠加至遥感图层，方便管理者直观查看异常事件的空间分布情况。5结论本文设计并实现了基于多源信息融合的海洋水文监测智慧系统，结合卫星遥感、浮标监测等多模态数据，面向广州海域开展海洋数据资源的实际应用，构建了跨模态深度反演模型、多尺度水文时序预测模型及基于自编码器的水文异常检测模型。测试结果表明，该系统能够实现对高精度水文变化趋势的预测、反演，并能自动检测水文异常，为海洋相关部门提供了有效的数据支撑。参考文献：1李晴.多参数海洋浮标监测系统研究D.上海：上海海洋大学，2017.2屈忠义，陈亚新，史海滨，等.地下水文预测中 BP 网络的模型结构及算法探讨J.水利学报，2004（2）：88-93.3盛春淑，罗定贵.基于 AVSWAT 丰乐河流域水文预测J.中国农学通报，2006，22（9）：493-496.4刘章君，郭生练，许新发，等.贝叶斯概率水文预报研究进展与展望J.水利学报，2019，50（12）：1467-1478.5张天一，苏华，杨欣，等.基于 LightGBM 的全球海洋次表层温盐遥感预测J.遥感学报，2020，24（10）：1255-1269.6黄妙芬，王江颖，邢旭峰，等.基于 LSTM 网络的海水石油污染含量遥感预测模型J.广东海洋大学学报，2021，41（5）：67-73.7衣学军，魏守科，石玉好，等.基于小波非线性自回归网络的水文预测模型J.计算机技术与发展，2021，31（3）：70-77.（下转第 67 页）警告2023-03-13T00：00：00预测值真实值2023-03-13T22：00：002023-03-13T11：00：002021-07-05T00：00：00 2021-07-06T07：00：00 2021-07-07T14：00：00异常点详情关闭异常类型：叶绿素超过阈值位置：113.633.22.742异常情况：异常实时预警：叶绿素异常Science and Technology&Innovation科技与创新2023 年 第 17 期67更好的生产效益。参考文献：1齐文娥，陈厚彬，罗滔，等.中国大陆荔枝产业发展现状、趋势与对策J.广东农业科学，2019，46（10）：132-139.2王弋，付灯恩，董晨，等.荔枝分枝调控基因 LcSMXL7的鉴定及功能分析J.热带作物学报，2023，44（3）：447-452.3张灵光.农产品质量分级标准是增强市场竞争力的基础J.中国标准化，2007（10）：59-62.4孙宝霞，汤林越，何志良，等.基于机器视觉的采后荔枝表皮微损伤实时检测J.农业机械学报，2016，47（7）：35-41.5庞丝丝，黄呈钺.基于卷积神经网络的图像分类研究J.现代计算机（专业版），2019（23）：40-44.6唐康健，文展，李文藻.基于卷积神经网络的垃圾图像分类模型研究应用J.成都信息工程大学学报，2021，36（4）：374-379.7郭章龙，李宜汀，赵维，等.深度学习驱动的农作物病害识别模型研究J.电脑知识与技术，2023，19（7）：18-20.8马鑫鑫，张巧雨，马越，等.基于深度学习的农田害虫识别研究J.信息与电脑（理论版），2022，34（24）：180-182.9陈石榕.国际鲜荔枝标准J.标准化信息，1997（4）：11-12.10王文成，蒋慧，乔倩，等.基于 ResNet50 网络的十种鱼类图像分类识别研究J.农村经济与科技，2019，30（19）：60-62.11曹振军，景军锋，苏泽斌，等.基于树莓派的深度学习色织物疵点检测研究J.棉纺织技术，2019，47（1）：11-15.12罗维平，徐洋，陈永恒，等.基于迁移学习和改进 ResNet50网络的织物疵点检测算法J.毛纺科技，2021，49（2）：71-78.作者简介：刘现（1985），女，福建福州人，硕士，助理研究员，研究方向为环境感知与智能控制。通信作者：张海佳（1976），男，福建漳州人，学士，高级工程师，研究方向为农业信息化。（编辑：丁琳）（上接第 63 页）8HOU Q，ZHOU D，FENG J.Coordinate attention forefficientmobilenetworkdesignC/2021IEEE/CVFconference on computer vision and pattern recognition（CVPR），2021.9刘长德，顾宇翔，张进丰.基于小波滤波和 LSTM 神经网络的船舶运动极短期预报研究J.船舶力学，2021，25（3）：299-310.10李勇，高小榕，郭爱雯.基于连续小波变化的心音信号时频分析J.清华大学学报（自然科学版），2001，41（3）：77-80.11候少麒，梁杰，殷康宁，等.基于空洞卷积金字塔的目标检测算法J.电子科技大学学报，2021，50（6）：843-851.12石鑫，朱永利，宁晓光，等.基于深度自编码网络的电力变压器故障诊断J.电力自动化设备，2016，36（5）：122-126.13来杰，王晓丹，向前，等.自编码器及其应用综述J.通信学报，2021，42（9）：218-230.作者简介：范儒彬（1986），男，学士，工程师，主要从事海洋灾害预警预报、海洋灾害调查评估、海洋经济运行评估分析等方面的工作。廖国铭（1998），男，学士，工程师，主要从事计算机视觉算法、机器学习、全栈开发等方面的工作。李学恒（1974），男，高级工程师，主要从事海域海岛动态监管、海洋生态修复、海域海岸带和海岛修复等方面的工作。杨文佳（1995），男，理学学士，高级工程师，主要从事测绘地理信息、信息化、海平面影响调查评估等方面的工作。孙活坤（1995），男，学士，助理工程师，主要从事海洋观测预报预警、海洋设备管理运维、海洋数据分析等方面的工作。陈升敬（1996），男，学士，高级工程师，主要从事计算机视觉、多模态融合表征、机器学习、软件开发与管理等方面的工作。李晓威（1997），男，学士，工程师，主要从事计算机视觉算法、软件开发等方面的工作。通信作者：吕建明（1980），男，博士，教授，主要从事多模态数据融合等方面的工作。（编辑：丁琳）