专家研究 | 深度学习在海洋遥感及渔业中的应用

随着海洋遥感技术的发展,卫星遥感海洋渔业研究也发展起来。因为海洋环境中许多因素同鱼类行为关系密切,如水温、海流、光、盐度、饵料生物、气象因素等。通过分析海洋环境要素与鱼类行为、渔业资源的关系,可以评估海洋渔业资源、预测海洋渔场变动,以达到对渔业资源进行合理的开发利用、管理与保护。

随着卫星数量的增加导致海洋卫星数据的数量迅速增加。此外,由于各种传感器的空间、时间和光谱分辨率的提高,海洋卫星数据的种类也在增加。海洋遥感具有典型的“五V”大数据(volume体积,variety种类,value值,velocity速度和veracity准确性)特征。随之出现的一个难题是,大数据并不总是能保证人们从中获得更有价值的信息,因为有用的信息通常稀疏地隐藏在大量海洋卫星数据中。在过去的40年里,人们投入了大量的精力来开发和验证检索算法,以生成许多标准的长时间序列的全球海洋参数。目前,我们需要高效甚至智能的方法来提高信息提取能力,如内波和涡旋等一些海洋现象是局部产生的,它们的特征只包含很小比例的海洋遥感图像,无法从卫星直接测量的标准化海洋参数(海表温度等)产品中提取这类信息。其次,在这些长时间的序列数据中隐藏着许多必要的信息,这就需要开发新的数据驱动的信息挖掘算法。此外,从高速下行的卫星数据流中提取这些信息需要高速的数据处理。

深度学习作为人工智能中发展迅速的方法,可以有效地解决这些问题。深度学习基于人工神经网络(ANN)计算模型,从给定的训练样本中学习输入输出间的关系。随着卷积层和池化层在20世纪80年代的引入,深度神经网络(DNNs)在21世纪初开始流行,其中卷积层的引入主要通过局部连接和权值共享来减少网络参数的数量,池化层通过降采样来减少特征图的大小。DNN训练就是在大量标记样本的基础上找到最优的网络结构和系数。经过训练后,DNN可以比传统的人工方法更好地提取数据特征、设计规则,然后挖掘数据背后的信息。在2012年的ImageNet大规模视觉识别挑战(ILSVRC)中,DNN比传统分类方法取得了显著优势,并在随后的几年中主导了ILSVRC。

在本文中,我们介绍了人工智能的关键理论与方法,并从海洋遥感和渔业两个方面总结了深度学习在海洋环境参数反演、遥感图像的分类识别、海洋现象预测、种群识别、渔业生物学和渔情预报方面的研究进展,并对未来深度学习在海洋遥感和渔业的发展进行展望。

深度学习在海洋遥感中的应用主要包括环境参数反演、海上目标分类与识别和海洋现象预报等方面。

1.1 环境参数反演

利用海洋遥感数据反演环境参数一直是海洋遥感研究中最重要的部分,通过海洋环境参数有助于人们更好地了解海洋现象及其动态变化,为海洋管理、资源开发、灾害预警提供技术帮助。传统的海洋环境参数反演方法为物理数值算法,模型参数拟合复杂,对不同海域的适应性差。深度学习则不需要考虑复杂的物理机制,只需从数据出发进行大量样本的训练,并具有自学习、非线性和高精度的特点。可以更好地完成海表温度、海洋水色、海面高度、海面风场、海表盐度等的反演。如艾波等[39]以渤海海域为研究区域,选取该海域晴空下的MODIS遥感影像并结合实测浮标数据,建立了海表温度的遥感反演模型,精度较好;Wu等[40]对灵山岛的实际海面后向散射系数序列数据进行了有效波高反演,在三层隐含层条件下,迭代100次,精度达到99.01%;Shen等[41]利用U-Net模型成功对高风速风场进行反演,并且在两条带结合处具有较好的连续性。

采用深度学习对海洋环境参数反演方法总结为:首先确定模型的遥感输入参数,对数据进行预处理,获得遥感参数与环境因子对应的反演数据集并确定模型的输入与输出的对应模式;然后对该数据集的数据进行随机排序,并将其纳入基于深层神经网络建立的反演模型中,训练模型;最后根据一部分实测环境数据对反演结果进行精度验证,若精度欠佳则调整模型参数,反复训练模型并调整参数,最终确定最优反演模型。

1.2 分类与识别

传统上的海洋遥感图像的信息的分类与识别指的是监督分类与目标检测。监督分类是指根据给定的类别对图像或像素(通常指样本)进行分类。像素级的监督分类是监督语义分割的一种,是海洋卫星图像应用中经常遇到的方法。石油泄漏、海冰、涡旋和藻华在卫星图像上通常具有可识别的不规则形状图案,提取这类信息本质上是一种有监督的语义分割,包括光谱组合、偏振分解、共生矩阵等方法。海洋遥感图像中的目标检测通常是指检测与周围图像背景区分开来的目标(船舶、石油钻塔等)。恒定虚警率(CFAR)是海洋遥感图像中船舶检测最常用的统计方法。但是由于传统的监督分类和目标检测方法不考虑空间结构特征或使用由人为设计的操作者提取的特征,因此对于特定的端到端(数据到信息)问题,这些方法可能不是最优的。深度神经网络(DNNs)可以帮助解决这一问题,并得到更好和快速的结果,其卷积层的引入主要通过局部连接和权值共享来减少网络参数的数量,池化层通过降采样来减少特征图的大小。卷积层和池化层交替的深度结构使得DNN能够有效地从图像中提取抽象特征,在大量标记样本的基础上找到最优的结构和系数,从而实现端对端处理。

2.3 海洋现象预报

以往的海洋现象预报长期依赖于基于物理方程的数值模型,挑战在于,为了理解复杂的现象,需要考虑许多自然过程。相比之下,现象发展过程的规则已经嵌入到时间序列观测本身中。深度学习技术从大量的卫星遥感数据中进行样本训练,有效地深入挖掘出序列中的复杂规律并进行提取,可有效作为传统数值模型的强大替代方案。

如Ham等[52]成功对ENSO事件进行了巧妙的预测,显示出了深度学习在解决这一复杂科学问题的巨大潜力;Cloud等[53]提出了一种前馈神经网络(FFNN)用于热带气旋(TC)的路径和强度的短期预测;Zheng等[54]开发了一个纯卫星数据驱动的深度学习模型,对热带不稳定波相关的海表温度场演化进行准确有效地预测。Jórges等[55]开发一种基于长短时记忆(Longshort-termMemory,LSTM)神经网络的机器学习模型,首次整合水深数据,用于近岸有效波高的重建和短期和长期预测。Su等[56]提出一种双向长短时记忆(Bi-LSTM)神经网络,结果表明在预测深海和次表层温度和盐度结构的时间序列建模方面更有优势;Immas等[57]利用LSTM实时地预测现场位置的洋流,大大减少传统上基于物理模型的计算成本。从海洋现象预报的研究中可以看出,深度学习已成为一种新型的、热门的工具与方法,尤其在处理复杂的海洋现象问题方面表现出很大的潜力。

深度学习在渔业中的应用主要包括种群识别、渔业生物学和渔情预报方面。

2.1 种群识别

海洋物种是海洋的重要组成部分,在生态系统的营养链中起着至关重要的作用。海洋物种的检测和鉴定是探索海洋生物多样性的重要途径之一。传统的生物识别方法是基于形态学和分子遗传学,甚至是在实验室的电子显微镜下进行最先进的脱氧核糖核酸(DNA)测序。虽然这些方法是准确的,但在实际的海洋环境中无法进行这样的实验。并且,人为活动会影响生物的正常生活规律,导致生物体变得不活跃或死亡从而影响判别结果。深度学习可以有效地解决这些问题,DNN不仅在卫星图像分类方面具有显著优势,同样也可以应用于水下相机的图像分类。

如Villon等[58]利用CNN框架对鱼类进行检测和分类,结果显示CNN的分类性能优于传统的支持向量机SVM分类器;Xu等[59]对计算机视觉技术进行了全面综述从分类和检测两个角度对海洋物种进行识别,比较了机器学习技术和深度学习技术,并讨论了这两种方法之间的互补问题;Saqib等[60]采用端到端的Faster-RCNN对海洋动物进行监测和种群估计,显著提高了模型的准确度。

3.2 渔业生物学

渔业经济物种的基础生物学研究,对于掌握资源变化规律、资源可持续发展与资源的评估管理起着至关重要的作用。但对于物种的基础生物学测量依旧是人为定义划分,人为进行测量,不仅工作量大,耗时久,而且存在着很大的测量误差。随着深度学习在计算机视觉中的强大图像处理能力的快速发展,生物学参数自动化测量成为可能并一步步走向完善。

如Fernandes等[61]设计了一种计算机视觉系统(CVS),用于自动测量尼罗罗非鱼体面积(a)、长度、高度和偏心度,并且能够正确地将鱼体与背景和鱼鳍区分开来,提取的鱼体区域,用于鱼体重量和胴体重量的预测;Álvarez-Ellacuría等[62]使用R-CNN进行无监督的欧洲鳕鱼长度估计,成功解决了人工抽样高成本的问题;Bravata等[63]对劳伦提安五大湖共有的22种不同种类的694种鱼进行了人工智能自动识别系统的测量,测量参数包括长度、周长和体重。此外,Ditria等[64]通过检测生态上重要的鱼类以及栖息地(海草或珊瑚礁),正确地估算了生态丰度指数。Saleh等[65]通过对复杂鱼类栖息地的分类标签,训练DCNN模型,自动监测出鱼的数量、位置和个体大小,为实现可持续渔业提供技术支撑。

3.3 渔情预报

远洋渔业的渔情预报分析是以经验知识与科学知识相融合的研究。在海洋遥感的大数据时代发展下,渔情预报也逐渐走向人工智能时代。由于渔汛、渔场、资源量变化受气候事件、环境因子的调控,且这个变化是复杂的、综合的、动态的,随着渔业数据量不断地积累,传统的统计学方法在处理这些问题上逐渐陷入瓶颈。深度学习的强大数据处理能力以及非线性的权值共享为渔情预报提供了新的思路。

如徐洁等[66]利用BP神经网络对西北太平洋柔鱼中心渔场的CPUE(单位捕捞努力量渔获量)进行预测,但神经网络模型的隐含层只有一层,并没有利用深度学习挖掘提取特征信息。Cavieses等[67]结合官方捕鱼量上岸量报告、卫星图像和海洋数据,对墨西哥的小型有鳍鱼渔业渔获量进行预测,模型精度较好且成本低;袁红春等[68-69]分别利用双向长短时记忆神经网络(EMD-BiLSTM)、深度卷积神经网络(DCNN)和门控循环(RGU)对大眼金枪鱼和长鳍金枪鱼渔场的CPUE进行预测,并取得了较好的效果。

海洋遥感和渔业已进入具有典型“五v”特征的大数据时代。在这个时代,需要从庞大的海洋遥感和渔业数据中进行挖掘,精确、高效地提取出稀疏但有价值的信息,同时大大节省人力成本。从近期的研究进展来看,深度学习技术成功地满足了上述要求,并有不俗的表现,在信息处理和提取上有很大的发展前景。