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(shù)創(chuàng)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(xué)（華東） 海洋與空間信息學(xué)院，山東 青島 266580；4.中國海洋大學(xué) 物理與光電工程學(xué)院，山東 青島 266100）

0 引言

海洋內(nèi)孤立波是指發(fā)生在密度穩(wěn)定層化的海洋中，最大振幅出現(xiàn)在海洋內(nèi)部的波動[1]。通常情況下，內(nèi)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(dāng)存在內(nèi)孤立波時，海洋中密度躍層的上下層流速方向相反，使得內(nèi)孤立波經(jīng)過時具有強(qiáng)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(nèi)孤立波傳播到陸架海區(qū)后受地形的影響將發(fā)生多種動力學(xué)與運動學(xué)特征的變化，并伴隨能量的耗散與衰減，是陸架海區(qū)海洋內(nèi)部混合的重要能量來源。大量的現(xiàn)場與遙感觀測表明，內(nèi)波可以傳播數(shù)百千米而保持波形不變，帶來巨大的能量輸運，在生產(chǎn)實踐、航?；顒又邪缪葜匾慕巧?，并且與海洋聲學(xué)、海洋生物學(xué)、軍事海洋學(xué)等許多學(xué)科都有著密切關(guān)聯(lián)[3]。因此，對內(nèi)孤立波的研究成為物理海洋、軍事海洋應(yīng)用等領(lǐng)域的研究熱點。

內(nèi)孤立波主要以現(xiàn)場觀測和遙感觀測2 種觀測手段為主?，F(xiàn)場觀測主要利用溫度鏈[4]、ADCP[5]等設(shè)備直接觀測，獲取內(nèi)波的時空特征。但現(xiàn)場觀測存在著諸多不足：觀測范圍小，設(shè)備成本較高，獲取的觀測數(shù)據(jù)有限，內(nèi)波傳播信息難以完全追蹤和記錄，浮標(biāo)的布防、實時監(jiān)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(xiàn)場觀測，尤其是在難以到達(dá)的海域進(jìn)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(nèi)波觀測的重要手段，為重點海域的海洋內(nèi)波分析與傳播預(yù)測提供了大量的數(shù)據(jù)支撐。光學(xué)傳感器和合成孔徑雷達(dá)（SAR）是目前觀測內(nèi)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(yuǎn)距離、大范圍、高分辨率等優(yōu)勢[6]。SAR遙感技術(shù)的應(yīng)用改善了傳統(tǒng)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(nèi)波調(diào)制海表面流場，形成輻聚輻散現(xiàn)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(nèi)波。自20 世紀(jì)70年代以來，多種波段、極化的機(jī)載SAR 和星載SAR 獲取了大量的內(nèi)波圖像，提供了廣域的二維信息，對現(xiàn)場測量以及光學(xué)等觀測手段形成了有力補(bǔ)充，為內(nèi)波探測提供了豐富的數(shù)據(jù)來源，成為海洋內(nèi)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(wèi)星數(shù)據(jù)量呈指數(shù)級增長，這使得對內(nèi)波的分析時間更長、規(guī)模更大。如何有效地挖掘隱藏在這些海量遙感數(shù)據(jù)中的稀疏內(nèi)波信息仍然是一個熱點問題。近年來，隨著深度學(xué)習(xí)的快速發(fā)展，以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法由于自動快捷且不需要依賴單一閾值等優(yōu)點，引起了越來越多研究者的注意，而將機(jī)器學(xué)習(xí)方法應(yīng)用于內(nèi)孤立波的研究成為了一個熱點。本文從海洋內(nèi)孤立波的不同研究領(lǐng)域的角度，對現(xiàn)有基于機(jī)器學(xué)習(xí)的內(nèi)孤立波研究進(jìn)展進(jìn)行系統(tǒng)綜述和分析總結(jié)，旨在為進(jìn)一步發(fā)展智能高效的內(nèi)孤立波研究方法提供參考依據(jù)。

1 內(nèi)孤立波檢測和識別

從遙感圖像中準(zhǔn)確檢測與識別內(nèi)孤立波，對其認(rèn)知和后續(xù)研究具有重要意義。20 世紀(jì)90年代以來，內(nèi)孤立波遙感圖像檢測識別研究主要應(yīng)用小波分析、邊緣檢測等圖像處理技術(shù)。2020年開始，以深度學(xué)習(xí)為主的機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于內(nèi)孤立波檢測和識別。而U-Net 和CNN 這2 種經(jīng)典的網(wǎng)絡(luò)框架在海洋內(nèi)波遙感數(shù)據(jù)中的像素級分類和目標(biāo)級檢測任務(wù)中被廣泛應(yīng)用，如圖1 和圖2所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)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(tǒng)內(nèi)孤立波檢測識別

已經(jīng)利用圖像處理技術(shù)發(fā)展了諸多SAR 圖像自動檢測內(nèi)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(nèi)孤立波特征，證明了小波分析適合從SAR圖像中自動檢測內(nèi)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(nèi)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(nèi)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(dá)曼海和莫桑比克海峽的內(nèi)孤立波圖像進(jìn)行了檢測和識別，進(jìn)一步比較了2 種方法對不同類型內(nèi)孤立波研究的適用性[11]。SIMONIN 等結(jié)合小波、邊緣檢測等技術(shù)，從東大西洋地區(qū)獲取的SAR 圖像中提取了內(nèi)孤立波特征[12]。MARGHANY 等使用粒子群優(yōu)化算法和二維小波變換，從SAR 影像中自動檢測安達(dá)曼海和尼科巴群島的內(nèi)孤立波[13]。KUREKIN等提出了一種結(jié)合空間處理和增強(qiáng)邊緣檢測算法，從英國大陸架獲取的數(shù)千幅ENVISAT ASAR 圖像中區(qū)分內(nèi)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(jìn)行測試的，或者需要手動選擇參數(shù)才能獲得準(zhǔn)確的提取結(jié)果，導(dǎo)致識別效果較差。而且，現(xiàn)在圖像處理技術(shù)并不能及時處理每天獲取的大量遙感數(shù)據(jù)，因此我們急需新的方法來開展研究。

1.2 基于機(jī)器學(xué)習(xí)的內(nèi)孤立波檢測識別

近年來，深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法具有自動高效、無需人工干預(yù)等優(yōu)勢，被廣泛用于從遙感圖像中提取像素級信息?；谏疃葘W(xué)習(xí)可從遙感圖像中發(fā)現(xiàn)內(nèi)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(nèi)孤立波SAR 圖像檢測技術(shù)，分析了基于Faster R-CNN 的內(nèi)孤立波SAR 圖像檢測網(wǎng)絡(luò)在不同區(qū)域、不同內(nèi)孤立波形態(tài)下的檢測結(jié)果[15]。CELONA 等利用支持向量機(jī)（SVM）方法識別岸基X 波段雷達(dá)圖像中是否包含內(nèi)孤立波，為選擇內(nèi)孤立波雷達(dá)探測的理想環(huán)境因素提供了見解[16]。TAO 等開發(fā)了一種機(jī)器學(xué)習(xí)算法，對Sentinel-1 SAR 圖像上的內(nèi)孤立波進(jìn)行了檢測和分類，分析了不同內(nèi)孤立波尺度和傳播方向?qū)z測識別的影響[17]。

此外，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)方法在圖像分割任務(wù)中的速率和準(zhǔn)確度得到了顯著的提高。同時，基于圖像檢測的結(jié)果也可以用于指導(dǎo)圖像分割算法，以提高分割的準(zhǔn)確性和穩(wěn)定性。如LI 等對幾種基于深度學(xué)習(xí)的框架進(jìn)行了系統(tǒng)綜述，所提出的基于DCNN 的模型可以從靜止衛(wèi)星圖像中提取內(nèi)孤立波特征[18]。ZHENG 等利用支持向量機(jī)（SVM）方法從圖像中識別內(nèi)孤立波并利用Canny 邊緣檢測對內(nèi)孤立波條紋進(jìn)行了分割，得到了內(nèi)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(nèi)孤立波進(jìn)行分割，手動確定包含內(nèi)孤立波的圖像并放大包含內(nèi)孤立波的部分，從而獲取圖像中亮暗條紋的相對位置，進(jìn)而確定內(nèi)孤立波極性轉(zhuǎn)換的時間[20]。最近，MA 等提出了一種用于SAR 圖像的兩階段內(nèi)孤立波特征分割算法。該算法主要包括基于決策融合的內(nèi)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(xué)習(xí)模型，對ENVISAT、Terra/Aqua 和Himawari-8 內(nèi)孤立波圖像進(jìn)行檢測并提取出內(nèi)孤立波的特征，并利用Tensor Voting算法填充了光學(xué)圖像下云遮檔導(dǎo)致內(nèi)孤立波不連續(xù)的問題[22]。

需要指明的是，盡管基于機(jī)器學(xué)習(xí)的內(nèi)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(zhǔn)確度和降低檢測時間，但神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(xiàn)有數(shù)據(jù)集大都依賴人工標(biāo)注，較難產(chǎn)生長期、大規(guī)模的內(nèi)孤立波數(shù)據(jù)庫。

2 內(nèi)孤立波參數(shù)反演

幾十年來，遙感已經(jīng)顯示出它在研究內(nèi)孤立波方面的潛力和優(yōu)勢，內(nèi)波誘導(dǎo)的海流會調(diào)制海面并產(chǎn)生輻聚和輻散區(qū)。通過Bragg 后向散射機(jī)制，SAR 圖像接收到的信號也會隨之增強(qiáng)和減弱。由于鏡面反射機(jī)制，被動光學(xué)圖像顯示出清晰的內(nèi)波特征。因此，從衛(wèi)星圖像中可以清楚地觀察到與內(nèi)孤立波相關(guān)的表面特征。傳統(tǒng)的參數(shù)反演方法主要基于Korteweg-deVries（KdV）方程和內(nèi)波的半寬特性。

SMALL 等推導(dǎo)出了內(nèi)孤立波半振幅寬度與其SAR 圖像中波峰亮暗間距的關(guān)系[23]，即

式中：D為內(nèi)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(nèi)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(jié)合海洋分層條件（這些可從氣候態(tài)數(shù)據(jù)集中獲得），可以反演內(nèi)孤立波的最大振幅，這是內(nèi)波遙感探測的一個重要突破。KdV 方程是描述淺海內(nèi)波的一種簡單形式，然而，在大多數(shù)情況下，內(nèi)波具有比使用KdV 方程建模的特性復(fù)雜得多的特性。

隨著人工智能技術(shù)的發(fā)展，利用機(jī)器學(xué)習(xí)算法強(qiáng)大的非線性映射能力來學(xué)習(xí)內(nèi)孤立波參數(shù)與多源數(shù)據(jù)之間的關(guān)系，進(jìn)而反演內(nèi)孤立波的參數(shù)儼然成為研究熱點。如PAN 等使用深度學(xué)習(xí)模型，基于大量光學(xué)遙感圖像反演了內(nèi)孤立波振幅，模型反演結(jié)果與現(xiàn)場觀測結(jié)果吻合良好[24]。WANG 等基于支持向量機(jī)、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)和多層感知器，采用大量光學(xué)遙感圖像建立了4 種內(nèi)孤立波振幅反演模型，并利用實測數(shù)據(jù)進(jìn)行了驗證[25]。VASAVI 等使用U-Net 網(wǎng)絡(luò)提取了RADARSAT-1 SAR 影像中內(nèi)孤立波的位置、波峰線長度等參數(shù)，然后基于 KdV 方程進(jìn)一步得到內(nèi)孤立波的速度等[26]。ZHANG 等結(jié)合實驗室實驗、衛(wèi)星影像、現(xiàn)場測量結(jié)果，利用遷移學(xué)習(xí)模型反演了遙感圖像中的內(nèi)孤立波振幅[27]。然而，由于現(xiàn)場觀測數(shù)據(jù)與遙感衛(wèi)星影像相結(jié)合的內(nèi)孤立波觀測很少，導(dǎo)致目前使用人工智能的方法開展內(nèi)孤立波參數(shù)反演研究也很少。

3 內(nèi)孤立波速度預(yù)測

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

圖3 迭代預(yù)測模型示意圖Fig.3 Iterative prediction model

需要注意，由于不同海域的內(nèi)孤立波所處的海洋環(huán)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(fù)模型設(shè)計。同時，不同的初始條件或邊界條件限制了數(shù)值模擬反演全球內(nèi)孤立波速度的實現(xiàn)。因此，未來選擇哪些參數(shù)輸入到模型中，如何充分利用已有參數(shù)反演內(nèi)孤立波速度是要考慮的問題。

4 基于機(jī)器學(xué)習(xí)的內(nèi)孤立波研究存在的問題及未來發(fā)展

總的來說，人工智能在內(nèi)孤立波研究方面已經(jīng)取得一些進(jìn)展，但還是存在3 個關(guān)鍵問題：

1）如何獲取豐富的、高質(zhì)量的內(nèi)孤立波數(shù)據(jù)是一大瓶頸，這需要不斷拓展開源生態(tài)庫，建立豐富的、多源的內(nèi)孤立波數(shù)據(jù)集，解決小樣本數(shù)據(jù)的建模問題。

2）用于內(nèi)孤立波探測的深度學(xué)習(xí)算法研究還處于初級階段，面臨模型可解釋性較差和對內(nèi)孤立波知識了解不夠深入的問題，需要加快開發(fā)和創(chuàng)新，研究出高效且針對內(nèi)孤立波圖像的神經(jīng)網(wǎng)絡(luò)模型，提升深度學(xué)習(xí)在內(nèi)孤立波領(lǐng)域應(yīng)用的廣度和深度。同時，充分利用計算資源來減少訓(xùn)練時間，提高效率。

3）現(xiàn)有人工智能理論與方法無法解析內(nèi)孤立波數(shù)據(jù)特征的本質(zhì)，反而阻礙了數(shù)據(jù)驅(qū)動的內(nèi)孤立波知識發(fā)現(xiàn)。同時傳統(tǒng)理論方法存在局部失效性，也限制了對內(nèi)孤立波認(rèn)知水平的提高。所以，如何使兩者結(jié)合，用人工智能補(bǔ)充傳統(tǒng)理論的不足，以數(shù)據(jù)驅(qū)動為基礎(chǔ)開展面向內(nèi)孤立波的智能預(yù)報研究，是未來研究的重點。

深度學(xué)習(xí)為遙感大數(shù)據(jù)的智能分析提供了重要的技術(shù)支持。隨著遙感大數(shù)據(jù)的不斷積累，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等算法的不斷優(yōu)化，數(shù)據(jù)技術(shù)和人工智能技術(shù)相輔相成，與遙感相關(guān)的機(jī)器學(xué)習(xí)將具備理解、分析、發(fā)現(xiàn)數(shù)據(jù)并做出決策的能力，從而能夠從大量數(shù)據(jù)中獲得內(nèi)孤立波遙感圖像中隱藏的信息，并挖掘出遙感數(shù)據(jù)背后的價值。同時，大量遙感數(shù)據(jù)的出現(xiàn)，也推動著機(jī)器學(xué)習(xí)的發(fā)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(lǐng)域的知識，比如內(nèi)波領(lǐng)域的知識，很難被納入模型設(shè)計中。此外，機(jī)器學(xué)習(xí)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(xué)習(xí)來改進(jìn)數(shù)值模型中嵌入的隱性內(nèi)波知識，幫助我們更好地理解和分析，從而解決這些關(guān)鍵科學(xué)問題。通過機(jī)器學(xué)習(xí)方法，我們可以進(jìn)一步深入研究內(nèi)孤立波領(lǐng)域。

5 結(jié)束語

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

傳統(tǒng)方法在內(nèi)孤立波的研究過程中發(fā)揮了重要作用，但近幾十年來，隨著空間和傳感器技術(shù)的不斷發(fā)展，海洋遙感已進(jìn)入大數(shù)據(jù)時代，來自各種傳感器的衛(wèi)星數(shù)據(jù)量呈指數(shù)增長，全球海洋遙感數(shù)據(jù)每天都在獲取大量衛(wèi)星數(shù)據(jù)，傳統(tǒng)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(shù)據(jù)時代的背景下，基于大量衛(wèi)星圖像數(shù)據(jù)利用機(jī)器學(xué)習(xí)等方法可以有效開展在內(nèi)孤立波的檢測識別、速度預(yù)測和參數(shù)反演等領(lǐng)域的研究。采用基于機(jī)器學(xué)習(xí)的方法進(jìn)行研究可以有效提升內(nèi)孤立波研究的效率和性能。