多模态海洋水文监测系统研究＊

范儒彬，廖国铭，李学恒，杨文佳，孙活坤，陈升敬，李晓威，吕建明

（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）

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：①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。②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。③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 Water Assessment 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。

图1 多模态海洋水文监测系统示意图

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m×m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。

图4 水文要素时序预测流程图

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：%

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。

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。