机器学习及深度学习技术在海洋科学方面的应用
目前机器学习及深度学习技术在海洋科学方面的应用大概有以下几方面：
（1）监测海洋生物多样性(Monitoring marine biodiversity)
Bermant P C等人将机器学习技术运用到对抹香鲸生物声学的研究，利用卷积网络来构造回声定位点击检测器，旨在对抹香鲸声学数据生成的频谱图进行分类。实验结果展示点击检测器在对650个频谱图进行分类时达到了99.5％的准确度。[1] 。
为了解决对摄像头系统中检测到的图像中的物种进行分类，Allken引入了深度学习网络，并开发了一种新的训练方法，在实验中，对蓝鳕鱼，大西洋鲱鱼和大西洋鲭鱼的分类，结果显示，分类精度达到94%。[2]
Siddiqui等人提出一种基于深度学习的视觉方法，用于对细粒度鱼类进行分类，提出了一种使用预训练卷积神经网络作为广义特征检测器的跨层池化算法，从而避免了对大量训练数据的需求，实验中对来自西澳大利亚州海岸的典型水下视频图像中的鱼类进行分类，准确度达到94.3%。[3]
Glotin H使用AutoEncoders卷积神经网络（CNN）学习一条抹香鲸的声音并进行去噪，然后建立了回声位置图，以阐明这种独特动物在不同环境和不同船声水平下随时间的声音行为的变化。[4]
Al-Barazanchi H A 提出了一个基于卷积神经网络（CNN）的智能机器学习系统用于浮游生物图像分类。与大多数现有图像分类算法不同，基于CNN的系统不依赖于要素工程，它们可以有效地扩展以包含新的类，实验结果表明，这种方法具有更高的精度。[5]
Reus G提出了一种用于自动估计海底海草覆盖率的机器学习方法, 研究了CNN来描述海草的斑块和超像素.实验采用由自己提供的海草图像数据集，最终结果表明，此方法对海草分割的精度达到94.5%。[6]
[1] Bermant P C, Bronstein M M, Wood R J, et al. Deep machine learning techniques for the detection and classification of sperm whale bioacoustics[J]. Scientific reports, 2019, 9(1): 1-10.
[2] Allken V, Handegard N O, Rosen S, et al. Fish species identification using a convolutional neural network trained on synthetic data[J]. ICES Journal of Marine Science, 2019, 76(1): 342-349.
[3] Siddiqui S. A., Salman A., Malik M. I., Shafait F., Mian A., Shortis M. R., Harvey E. S. 2018. Automatic fish species classification in underwater videos: exploiting pre-trained deep neural network models to compensate for limited labelled data. ICES Journal of Marine Science, 75: 374–389.
[4]Glotin H, Spong P, Symonds H, et al. Deep learning for ethoacoustical mapping: Application to a single Cachalot long term recording on joint observatories in Vancouver Island[J]. The Journal of the Acoustical Society of America, 2018, 144(3): 1776-1777.
[5] Al-Barazanchi H A, Verma A, Wang S X. Intelligent plankton image classification with deep learning[J]. IJCVR, 2018, 8(6): 561-571.
[6] Reus G, Möller T, Jäger J, et al. Looking for seagrass: Deep learning for visual coverage estimation[C]//2018 OCEANS-MTS/IEEE Kobe Techno-Oceans (OTO). IEEE, 2018: 1-6.
(2) 来源识别及定位(Source identification/localization)
浅海环境中的源定位一直使用诸如匹配场处理之类的优化技术来完成。 但是，这种优化取决于海洋环境的参数化。在2017年的工作中，Niu H 等将机器学习应用到海洋声学中的源定位领域。通过将垂直线性阵列接收的压力构造的归一化样本协方差矩阵进行预处理，并用作三种机器学习方法的输入：前馈神经网络（FNN），支持向量机（SVM）和随机森林（RF） 。在实验中将Noise09实验的范围估计结果与FNN，SVM，RF和常规匹配场处理进行了比较，并证明了机器学习在水下源定位中的潜力。[1] 同年的工作中，Niu H又将机器学习分类器运用到基于海洋声学的船舶航程估计问题上，实验证明，在没有准确的环境信息的情况下， 分类器在10 km / km的范围内表现良好，而常规的匹配场处理在4 km / km的范围内失败。[2] 在2019年的工作中，Niu H使用单个水听器在海底波导中确定底部参数从而定位宽带声源，将深度学习神经网络引入到声源定位的工作中，在通过声传播模型生成的大量声场副本上训练的几个50层残差神经网络，用于处理源定位中的底部不确定性。 提出了两步训练策略以改进深度模型的训练，演示了在不确定环境中仅模拟幅度多频率数据的深度学习方法，并在中国黄海进行了实验验证。实验证明，该方法的性能与SAGA相当，而计算速度却快得多。[3]
Y. Wang等人则在引入机器学习的同时，还引入了广义回归神经网络(GRNN)来解决源定位中存在的问题，作为前馈网络，使用具有固定结构和配置的训练数据来构建GRNN。 在多个快照上形成的归一化样本协方差矩阵（SCM）和相应的源位置用作GRNN的输入和输出。 可以直接使用GRNN从标准化SCM估算源位置；实验将GRNN的回归方法与前馈神经网络的分类方法（FNN）以及来自SWellEx-96实验的垂直阵列数据的经典匹配场处理方法（MFP）进行了比较。 结果表明，GRNN取得了令人满意的定位性能，优于FNN和MFP。 [4]
Ferguson E L 提出使用卷积神经网络（CNN）定位浅水多径环境中的宽带声辐射噪声源（例如机动船）。 结果表明，当传统无源测距方法的源定位性能下降时，在倒谱图和广义互相关图输入上运行的CNN能够更可靠地估计正在行驶的机动船的瞬时航程和方位。 使用海上实验收集的真实数据证明了源定位性能的随之提高。[5]
Huang Z等人提出将DNN应用于浅水环境中的源定位，提出了两种方法来估计通过不同神经网络架构的宽带源的范围和深度。 第一种采用经典的两阶段方案，其中特征提取和DNN分析是独立的步骤。 提取与模态信号空间相关的特征向量作为输入特征。 然后，利用时延神经网络对长期特征表示进行建模，并建立回归模型。 第二个问题涉及卷积神经网络-前馈神经网络（CNN–FNN）体系结构，该体系结构通过将原始的多通道波形作为输入直接训练网络。 期望CNN以类似于时域滤波器的操作对多通道信号执行空间滤波。 CNN的输出总和作为FNN的输入。 在模拟和实验数据上进行了几次实验，以评估所提出方法的性能。 结果表明，在复杂多变的水环境中，DNN可以有效地进行水源定位，尤其是在缺乏精确的环境信息时。[6]
Rauchenstein L T将机器学习分类和回归算法用来校准基于到达时间差（TDOA）的声传感器阵列的定位误差，首先使用近似最大似然算法跟踪固定和移动声学标签的位置。 接下来，分类树的集成成功地识别并过滤了具有较大定位误差的数据点。 该预过滤步骤允许创建机器学习的回归模型函数，该函数将固定轨道的中值距离误差降低了50％，将移动轨道的中值距离误差降低了34％。 它还将以前的亚米定位精度范围从坝面（接收器）的水平距离从100 m扩展到250 m。[7]
尽管基于分类和回归的机器学习算法显示出希望，但是在不确定的海洋环境中进行声源测距是一个复杂的问题。Van Komen D F在他的工作中发现，前馈神经网络（FNN）经过训练，可以使用提取的时域特征对源-接收器范围和海底海床类型进行分类或回归。生成压力时间序列以模拟在三个不同海洋环境中不同范围接收的信号，分别代表沙质，泥泞和混合沉积物海底。 从这些波形中提取出四个特征：峰值电平，积分电平，信号长度和衰减时间。 这四个功能用于训练FNN以进行范围和环境类型的分类和回归，并将结果与在时间波形上训练的网络进行比较。 即使对于少量的训练数据，压力时间序列也比提取的特征提供更高的精度。 这些结果为与更昂贵的卷积神经网络进行比较奠定了基础。[8]
同样是源定位的工作，Acree M C提出了卷积神经网络（CNN），以使用来自垂直线阵列的压力时间序列波形同时更好地预测震源定位和海床分类。使用CNN进行研究的基础上，该方法仅使用一个水听器的波形对源区域和海床类型进行了分类，该方法已扩展到16个元素的垂直线阵列。 额外的水听器从系统中添加了更多的物理信息，并且为CNN提供了更多的功能来了解源范围，深度和海床类型。[9]
[1] Niu H, Reeves E, Gerstoft P. Source localization in an ocean waveguide using supervised machine learning[J]. The Journal of the Acoustical Society of America, 2017, 142(3): 1176-1188.
[2] Niu H, Ozanich E, Gerstoft P. Ship localization in Santa Barbara Channel using machine learning classifiers[J]. The Journal of the Acoustical Society of America, 2017, 142(5): EL455-EL460.
[3] Niu H, Gong Z, Ozanich E, et al. Deep learning for ocean acoustic source localization using one sensor[J]. arXiv preprint arXiv:1903.12319, 2019.
[4] Y. Wang and H. Peng, “Underwater acoustic source localization using generalized regression neural network,” J. Acoust. Soc. Am. 143(4), 2321–2331 (2018).
[5] Ferguson E L, Williams S B, Jin C T. Sound source localization in a multipath environment using convolutional neural networks[C]//2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2018: 2386-2390.
[6] Huang Z, Xu J, Gong Z, et al. Source localization using deep neural networks in a shallow water environment[J]. The Journal of the Acoustical Society of America, 2018, 143(5): 2922-2932.
[7] Rauchenstein L T, Vishnu A, Li X, et al. Improving underwater localization accuracy with machine learning[J]. Review of Scientific Instruments, 2018, 89(7): 074902.
[8] Van Komen D F, Neilsen T B, Knobles D P, et al. A feedforward neural network for source range and ocean seabed classification using time-domain features[C]//Proceedings of Meetings on Acoustics 177ASA. Acoustical Society of America, 2019, 36(1): 070003.
[9] Acree M C, Van Komen D F, Neilsen T B, et al. A deep learning approach to source localization and seabed classification using pressure time-series from a vertical array[J]. The Journal of the Acoustical Society of America, 2019, 146(4): 2961-2961.
(3) 鱼类的捕捉和检测(Fish catch forecasting)
由于海洋环境不受限制，水下目标识别是一项艰巨的任务。对于大型数据集，深度学习方法已成功应用于空中物体的图像识别。但是，深度神经网络（DNN）容易遭受小样本过拟合的困扰。 水下图像采集总是需要大量的人力和成本，这使得很难获得足够的样本图像来训练DNN。 此外，水下相机拍摄的图像通常会因噪音而变差。因此，Jin L提出了在小样本情况下水下图像识别的框架。首先，一种新颖的改进的中值滤波器被用于抑制鱼图像的噪声。 然后，使用了卷积神经网络，并使用来自世界上最大的图像识别数据库ImageNet的图像进行了预训练。 最后，使用预处理过的鱼图像来微调预先训练的神经网络并测试分类性能。 实验结果表明，该方法能够识别鱼类，为小样本情况下的识别任务提供了有效的途径。[1]
同样是识别鱼类的工作，Li X则提出了一种深度却轻巧的神经网络来检测鱼类。在ImageCLEF的数据集上实现了最新的鱼类检测精度，该数据集包含12277个类别的24277个鱼类图像。 与常用的检测网络（如Faster R-CNN）相比，我们通过使用一些构建块（包括串联的ReLU，Inception和HyperNet）来更改卷积层的结构。 最终网络获得了89.95％mAP（平均精度）的最佳结果，比同一数据集上的Faster R-CNN网络高出7.25％。[2]
在清洁能源发展迅速的今天，随着潮汐涡轮机和溪流涡轮机等新技术的发展，海洋和河流的清洁能源已成为现实，这些新技术可以从自然流动的水中发电。 正在使用水下视频监控这些新技术对鱼类和其他野生动植物的影响。 需要用于自动分析水下视频的方法，以降低分析成本并提高准确性。Xu W提出的深度学习模型YOLO受过训练，可以使用在真实水力发电站记录的三个截然不同的数据集来识别水下视频中的鱼。使用来自所有三个数据集的示例进行的培训和测试得出的平均平均精度（mAP）得分为0.5392。
[1] Jin L, Liang H. Deep learning for underwater image recognition in small sample size situations[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-4.
[2] Li X, Tang Y, Gao T. Deep but lightweight neural networks for fish detection[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-5.
[3] Xu W, Matzner S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). IEEE, 2018: 313-318.
(4) 声纳、卫星图像中的目标识别(Target identification in sonar images )
Lima E等人研究了将深度学习方法应用于海滨识别任务的工作，从大量数据集中提取CNN模型的深层知识，然后将其知识转移到在有限遥感（RS）图像上的海面识别任务中。实验结果表明，此方法均显示出比其他方法更高的准确性。[1]
然而，由于缺乏基准数据集和决定使用哪种语义分割模型的困难，使用深度学习技术进行海域分割仍然是一项艰巨的任务。Yang T通过深度学习技术中的语义分割，提供了一个对Landsat-8 OLI图像进行海陆分割的比较框架。然后研究了三个问题：（1）使用Landsat-8陆地陆地成像仪（OLI）图像构建海陆基准数据集，该图像由18,000 km2的中国海岸线组成； （2）通过比较最先进的DCNNs方法的准确性，时间复杂性，空间复杂性和稳定性，评估海域分割的可行性和性能； （3）根据Akaike信息准则（AIC）和贝叶斯信息准则（BIC）模型选择，选择最适合的海域语义分割模型。 结果表明，平均测试准确度达到了99％以上的准确度，并且工会的平均交集（平均IoU）高于92％。 这些发现表明，基于AIC和BIC，Fully Convolutional DenseNet（FC-DenseNet）在海域分割方面比其他最新方法表现更好。 考虑到训练时间效率，DeeplabV3 +在海陆分割方面表现更好。[2]
深度学习声纳目标检测的应用由于声纳图像数量少而受到严重限制，尤其是对于海难。 为了克服训练问题的过拟合和提高检测精度，Xu L提出了一种结合深度生成网络和转移学习的声纳沉船检测方法。 具体来说，在深度生成网络中，使用相似性度量来改进优化，从而生成高质量的伪图像，并为数据奠定了进一步的基础。 然后，在转移学习检测中，采用多层自适应和多核MMD进行微调和冻结的预训练模型，防止过度拟合的问题，提高了系统的通用性和稳定性。 并且结合区域建议和回归方法进行目标检测，以保证目标检测的准确性。 最后，对声纳沉船进行对比实验，证明了该方法的有效性。[3]
在环保方面，Kylili K提出了一种快速，可扩展且具有潜在成本效益的方法，用于自动识别浮动海洋塑料。 在对三类塑料海洋垃圾（即瓶，桶和稻草）进行培训时，分类器能够成功识别出之前的漂浮物体，成功率约为86％。[4]
[1] Lima E, Sun X, Dong J, et al. Learning and transferring convolutional neural network knowledge to ocean front recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(3): 354-358.
[2] Yang T, Jiangde S, Hong Z, et al. Sea-land Segmentation Using Deep Learning Techniques for Landsat-8 OLI Imagery[J]. Marine Geodesy, 2020 (just-accepted): 1-25.
[3] Xu L, Wang X, Wang X. Shipwrecks Detection Based on Deep Generation Network and Transfer Learning with Small Amount of Sonar Images[C]//2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS). IEEE, 2019: 638-643.
[4] Kylili K, Kyriakides I, Artusi A, et al. Identifying floating plastic marine debris using a deep learning approach[J]. Environmental Science and Pollution Research, 2019, 26(17): 17091-17099.
(5) 数据去噪以去除水深或数据中的异常值(Data de-noising to remove outliers from bathymetric or sonar data)
Thomas M提出了一个卷积神经网络，该网络能够对三种鲸鱼，非生物噪声源和与环境噪声有关的等五类的发声进行分类。 以此方式，分类器能够检测声学记录中鲸鱼发声的存在与否。 通过转移学习证明了分类器能够学习高级表示，并且可以推广到其他物种。 Thomas M还提出了一种新颖的声音信号表示方法，它通过对使用不同的短时傅立叶变换（STFT）参数产生的多个频谱图进行插值和叠加，在常用的频谱图表示形式上进行构建。 对于要分类的声音事件对STFT的参数敏感的海洋哺乳动物物种分类的任务，建议的表示形式特别有效。[1]
Beyan等人提出了一个端到端的框架，用卷积神经网络对卫星图像进行了密集的像素级分类，设计了卷积的架构，并通过两步训练方法来解决训练数据不完善的问题，同时考虑了大量的上下文来提供细粒度的分类映射。[2]
Liu Q设计了一种基于深度学习的降尺度方法来提高土壤水分和海洋盐度卫星全球海表盐度(SSS)产物的空间分辨率。该算法能够有效地利用高空间分辨率中分辨率成像光谱仪(MODIS)卫星数据，提高SMOS SSS产品的空间分辨率。[3]
在海底调查工作中为了解决接收器稀疏的情况，Siahkoohi A提出一种基于深度学习的方法，使用卷积神经网络将接收器置于与源相同的空间网格。 通过利用源接收器互易性，使用随机训练掩码通过人工对完全采样的单接收器频率切片进行二次采样来构造训练对，然后，部署受过训练的神经网络来填补单源频率切片中的空白。实验结果表明此方法能够针对90％丢失的接收器（随机或定期丢失）恢复接收器，并且在中低频率下对随机情况有更好的恢复。[4]
[1] Thomas M, Martin B, Kowarski K, et al. Marine mammal species classification using convolutional neural networks and a novel acoustic representation[J]. arXiv preprint arXiv:1907.13188, 2019.
[2] Beyan C., Katsageorgiou V.-M., Fisher R. B. 2018. Extracting statistically significant behaviour from fish tracking data with and without large dataset cleaning. IET Computer Vision, 12: 162–170.
[3] Liu Q, Xu L, Zhang Z. The Downscaling of the SMOS Global Sea Surface Salinity Product Based on MODIS Data Using a Deep Convolution Network Approach[C]//Proceedings of the 2019 3rd International Conference on Advances in Image Processing. 2019: 97-100.
[4] Siahkoohi A, Kumar R, Herrmann F J. Deep-learning based ocean bottom seismic wavefield recovery[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2232-2237.
(6) 深海资源建模(Modeling of deep-sea resources )
W. L. Jie等人提出了一种基于人工神经网络ANN的新技术，可使用侧扫声纳数据的纹理变化来估计多金属结核PMN丰度。与光学摄像机相比，侧面扫描声纳提供了更大的覆盖范围，实际上可以在给定的时间内大幅增加AUV所测量的范围。实验证明，网络的测试准确度为84％，这表明它可以用作估算侧扫声纳中PMN丰度的有效工具。 这种方法可以更快地评估结节丰度，以便将来进行勘探，而无需水下相机。[1]
在太平洋克拉兰-克利伯顿带(CCZ)发现的深海锰铁结核是镍、钴和锰等金属的一个巨大的潜在来源。这些结核的空间模拟对于更好地科学认识它们的形成和分布以及对它们的开采进行可行性研究至关重要。但是，关于CCZ内结核的数量和质量分布的数据很少，而且往往不会泄露，传统的空间建模技术的准确性受到这种数据缺乏的限制。V. N等提出了一种基于人工神经网络的方法，利用开放域有限的数据对CCZ中的结节参数进行建模。此模型可以预测小和大的结核变化，这是进行深海捕捞评价必不可少的。而且还讨论了模型中各因素的贡献，结果表明结合局部地形可以有效地预测小尺度的结核参数变化。[2]
U. Neettiyath等描述了一种通过结合使用自主水下航行器（AUV）收集的多模式传感器数据来估算富钴锰结壳（Mn-结壳）的体积分布的方法。 AUV使用次底部声纳计算Mn结壳的厚度，并使用光剖分贴图系统生成海底3D颜色重建。 使用机器学习分类器将3D地图分类为3种类型的海底之一-地壳，沉积物和结核。 沿海底样线进行厚度测量，而3D地图的宽度约为1.5 m，具体取决于AUV高度。 然后，通过定义影响区域，将厚度测量值外推到声纳未扫描的区域，该区域是预计锰结壳厚度不会显着变化的区域。 沿AUV横断面基于推断的厚度确定Mn结壳的百分比覆盖率和Mn结壳的质量每单位面积的估计值。 这种方法提供了一种新颖的方法来估计大面积锰结壳的分布。[3]
De La Houssaye B等将计算机视觉、机器学习和深度学习应用程序中的现代编程技术与传统的地球科学线性回归架构相结合，并对数据进行了端到端的训练，以预测海洋沉积物随时间变化的地质年龄的独立全球代理O18 / O16同位素比。（δ18O），并取得了很好的效果。[4]
Itaki T等开发了配备有深度学习软件的自动纤维图像收集器作为微化石分析的新工具，深度学习分类模型有5个类别构成，在基于该模型的几个测试载玻片的分类结果中，超过90%的分类是正确的，使用此系统可以有效地获得SO中戴维斯梭菌％曲线的高分辨率记录。[5]
Sun X等人提出了一个多尺度的深层框架，以满足对自动海面探测和细粒度定位的需求。首先设计一种多尺度扫描仪，将海洋分为不同尺度的小区域。然后引入深度模型，并将全局图像转换为各种粒度的二进制图像，最后将所有二进制图像按比例加权融合到一张图像中。通过实验证明此框架的有效性。[6]
Ratto C提出了一种通过机器学习进行海洋射线追踪的替代方法，特别是“生成对抗网络”（Goodsellow et al。 2014]。 实验结果证明证明了在光线跟踪模型产生的数千个小场景上训练的GAN可用于以一致的波谱和最少的处理伪影更快地生成百万像素的场景。[7]
Grasso I等展示了一种新的机器学习方法，用于高分辨率预测麻痹性贝类毒素的积累。此方法使深度学习神经网络来提供美洲特定地点的毒性水平预测，此算法是在由一系列有毒化合物测量值组成的每个位置上由化学指纹构建的图像上进行训练的。在各种预测配置下，该预测具有较高的准确性，通常> 95％，结果表明，将化学分析测量结果与新的机器学习工具相结合是一种有前途的方式。[8]
在恶劣的海洋环境条件下，海上浮动平台具有很强的非线性特性。 利用样机监测信息预测海洋环境负荷和平台运动响应具有实际意义和工程价值。 同时，在平台的高频六自由度（DOF）运动的相互作用下。
基于南海半潜式平台的长期原型监测数据，本文主要研究以下两个方面：
1，基于长短时记忆（LSTM）神经网络结合现场监测数据，研究了考虑时间相关性的海洋环境负荷预测方法。 预测结果与实测结果的比较表明，该预测方法具有较高的准确性和较低的计算成本。 此外，该方法可以扩展到其他环境负荷的短期预测。
2，基于深度学习方法建立了海洋环境载荷与漂浮物运动之间的非线性映射关系。 仿真结果表明，通过利用预报样机监测数据和海洋天气信息，该映射关系可用于高精度预测平台的六个自由度运动。 基于这项研究和对环境负荷的短期预测，我们可以对未来的漂浮物运动进行短期研究。[9]
[1] Jie W L, Kalyan B, Chitre M, et al. Polymetallic nodules abundance estimation using sidescan sonar: A quantitative approach using artificial neural network[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-6.
[2] V. N. Hari, B. Kalyan, M. Chitre and V. Ganesan, “Spatial Modeling of Deep-Sea Ferromanganese Nodules With Limited Data Using Neural Networks,” in IEEE Journal of Oceanic Engineering, vol. 43, no. 4, pp. 997-1014, Oct. 2018.
[3] U. Neettiyath et al., “An AUV Based Method for Estimating Hectare-scale Distributions of Deep Sea Cobalt-rich Manganese Crust Deposits,” OCEANS 2019 - Marseille, Marseille, France, 2019, pp. 1-6.
[4] De La Houssaye B, Flaming P, Nixon Q, et al. Machine Learning and Deep Learning Applications for International Ocean Discovery Program Geoscience Research[J]. SMU Data Science Review, 2019, 2(3): 9.
[5] Itaki T, Taira Y, Kuwamori N, et al. A new tool for microfossil analysis in the Southern Ocean-automatic image collector equipped with deep learning[J]. AGUFM, 2018, 2018: PP23E-1550.
[6] Sun X, Wang C, Dong J, et al. A Multiscale Deep Framework for Ocean Fronts Detection and Fine-Grained Location[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 16(2): 178-182.
[7] Ratto C, Szeto M, Slocum D, et al. OceanGAN: a deep learning alternative to physics-based ocean rendering[M]//ACM SIGGRAPH 2019 Posters. 2019: 1-2.
[8] Grasso I, Archer S D, Burnell C, et al. The hunt for red tides: Deep learning algorithm forecasts shellfish toxicity at site scales in coastal Maine[J]. Ecosphere, 2019, 10(12): e02960.
[9] Yao J, Wu W, Zhao Z. Motion and Load Prediction of Floating Platform in South China Sea Using Deep Learning and Prototype Monitoring Information[C]//International Conference on Offshore Mechanics and Arctic Engineering. American Society of Mechanical Engineers, 2019, 58783: V003T02A014.
(7) 潜水员探测与跟踪(Diver detection and tracking)
Kvasić I提出一种可靠的声纳图像处理方法，以使用卷积神经网络检测和跟踪人类潜水员。 机器学习算法在计算机视觉应用中产生了巨大的影响，但在声纳图像处理方面并不总是被考虑。 在介绍了常用的图像处理技术之后，本文将重点介绍最先进的机器学习算法，并探讨它们在自定义声纳图像数据集处理中的性能。 最后，将在一组声纳记录上比较这些算法的性能，以确定它们在实时操作中的可靠性和适用性。[1]
Zheng X等为了确定水下航行器的航行状态，提出了一种基于复杂网络的水下航行器数据分析方法。 首先，通过投影密度峰聚类算法（Pro-DPCA）消除了AUV导航数据中的噪声，并构造了去噪数据的加权复杂网络。 网络的节点表征AUV导航状态。 随后，我们计算复杂网络的拓扑统计数据以获得AUV导航数据的波动模式。 这用于分析AUV导航状态。实验结果表明，复杂网络的拓扑统计准确地描述了AUV在不同深度的航行状态。[2]
[1] Kvasić I, Mišković N, Vukić Z. Convolutional Neural Network Architectures for Sonar-Based Diver Detection and Tracking[C]//OCEANS 2019-Marseille. IEEE, 2019: 1-6.
[2] Zheng X, Feng C, Li T, et al. Analysis of Autonomous Underwater Vehicle (AUV) navigational states based on complex networks[J]. Ocean Engineering, 2019, 187: 106141.
(8) 船舶机器人的路径规划和导航(Path-planning and navigation in marine robotics)
Perera L P提出了一个结构化的技术框架，以解决自动驾驶船的导航注意事项，包括避免碰撞。这个框架系统智能应考虑本地化的决策模块，以促进分布式智能类型策略，该策略可支持基于代理的未来船只中不同的航行情况。 该代理的主要核心是深度学习型技术，该技术已在其他运输系统（即自动驾驶汽车）中取得了可喜的成果。[1]
[1] Perera L P. Deep Learning Toward Autonomous Ship Navigation and Possible COLREGs Failures[J]. Journal of Offshore Mechanics and Arctic Engineering, 2020, 142(3).
(9) 海温、海浪、海冰、气候分析预测
海面温度（SST）是全球海洋的至关重要的参数，它可以深刻影响气候和海洋生态系统。 为了实现对SST短期和中期领域的准确而全面的预测，Xiao C提出了一种时空深度学习模型，该模型可以捕获SST跨时空的相关性。 该模型使用卷积长短期记忆（ConvLSTM）作为构建基块，并以端到端的方式进行训练。 在东海分区中使用36年的卫星SST数据进行的实验表明，当使用多种方法进行判断时，所提出的模型优于持久性模型，线性支持向量回归（SVR）模型和两个具有不同设置的LSTM模型 统计数据并从不同角度进行。 结果表明，所提出的模型对于准确，方便地进行短期和中期的日SST场预测具有很高的前景。[1]
Xin S等基于复杂网络理论对于海面温度进行了分析。将海洋划分为网格，并计算海表温度的年平均值以反映相应网格区域的属性， 互信息和Pearson相关系数用于测量不同区域之间的相似性， 可以建立反映全球海洋气候站的非线性和线性复杂网络模型，最后介绍了一些流行的度量方法，包括度分布，聚类系数和中间性，以发现海洋现象，例如海洋的能量转移，并分析了系统的鲁棒性和海洋动力学的季节性变化。[2]
Jiang G等人展示了一种基于神经网络算法的参数化方案，该方案可以潜在地应用于天气预报模型中以估计台风引起的海洋冷却(TOC).结果证明，此方案在预测海洋温度变化方面得到了显著改善，使得模型模拟的风暴强度提高了约20%。同时应用这种基于神经网络的海洋冷却方案可以纠正原本由于大气模式噪声的高估风暴强度。[3]
[1] Xiao C, Chen N, Hu C, et al. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J]. Environmental Modelling & Software, 2019, 120: 104502.
[2] Xin S, Zhenhua L, Junyu D. Complex Network Modeling and Visualization Analysis for Ocean Observation Data[J]. Journal of System Simulation, 2018, 30(7): 2445.
[3] Jiang G, Wei J. A parameterization scheme for typhoon-ocean interaction based on a deep learning neural network[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 4419-4422.
(10) 海浪分析预测
海面海流预测对于开展各种海洋活动都是很重要的，Thongniran N提出了一种新型的海流预测模型，该模型是卷积神经网络（CNN）提取空间特征与门控循环单元（GRU）之间的一种组合，以找到时间特征的关系。 该数据集由GISTDA于2014年至2016年通过位于泰国沿海沿岸的高频（HF）雷达站收集。结果表明，此网络在均方误差（RMSE）方面的表现几乎都超过了所有基准。[1]
Feng J等在文章中建立了两个与流向和法向量速度分量相对应的空间网络，其中节点表示物理域的体积部分，对于每个网络，如果节点对之间的相应速度分量的相关系数足够高，则链接处于活动状态，从而揭示最强的运动学关系。 为了探索节点及其邻居之间的相互关系，研究了几种网络措施。 此外，从对节点之间的间接连接进行分析得出，远程链接在运动信息流中起着至关重要的中介作用。 所提出的方法为研究湍流动力学的空间结构提供了一个框架，显示了复杂网络的全部潜力。 尽管网络分析是基于两点关联的，但它可以通过利用各个方向上的活动链接创建的纹理来提高信息级别。 基于观察到的发现，当前的方法可以为增强湍流动力学的空间解释铺平道路。[2]
Duan W等提出一种利用卷积神经网络进行海浪遥感的方法。CNN模型用于从仿真雷达图像中检索海浪参数，验证是基于模拟波雷达数据进行的，实验结果表明，在预测海浪参数方面挺高了相当大的精度，为准确的电波遥感提供了另一种可行的方法。[3]
Bayindir C等使用深度学习来分析洋流的可预测性，将长短期记忆LSTM应用到了马萨诸塞湾国家海洋和大气管理局（NOAA）收集的数据集，还讨论了训练数据集对于预测误差和预测频谱特性的影响，其结果可应用与预测潮汐能的变化，控制海洋结构的电流感应振动以及混沌海洋和环流来估计波阻点。[4]
Riazi A提出了一种简单有效的深度神经网络，该网络可以根据影响潮汐范围的力和因素来估算未来的潮汐水平。 所提出的方法的主要优点是可以将输入层保持得尽可能小，可以访问输入数据，并且由于输入数据基于潮汐的主要原因，因此可以将一个网络用于不同的海滩。[5]
Wu T等人通过使用深度学习技术对实际海面后向散射系数训练数据集进行了重要波高的反演，在三个隐藏层并且迭代100次的情况下，已经达到99.01%的精度，测试数据集均方根误差小于0.1，表明深度学习可用于有效波高反演。[6]
内部波的振幅是遥感检测的重要参数。 但是，目前还没有基于光学遥感图像的内波振幅反演的解析方法。Pan X引入了深度学习模型，以基于大量光学遥感图像来反演内部波的振幅。 计算了图像的峰峰距离和15种纹理特征参数，研究了内波振幅与遥感图像特征参数之间的关系。 另外，基于这些参数和幅度之间的相关性差异，通过选择不同的参数作为输入变量来建立三种类型的深度学习模型。 结果表明，模型中内部波的反振幅与内部波的原位数据具有很好的一致性，两者之间的平均误差分别约为6.7％，4.9％和3.6％，这表明 学习模型对基于光学遥感图像的内波振幅反演有效。[7]
O’Donncha F研究了一种方法，该方法通过基于相对于稀疏观测数据的历史准确性来更新预测来提高计算轻量级代理模型的准确性。 使用轻量级的海浪预测模型，在为期两年的研究期内，创建了许多带有扰动输入的模型集合。 使用机器学习算法将预测汇总，该算法将来自多个独立模型的预测合并为真实状态的单个“最佳估计”预测。 该框架已应用于加利福尼亚州蒙特雷湾的案例研究站点。 [8]
[1] Thongniran N, Vateekul P, Jitkajornwanich K, et al. Spatio-Temporal Deep Learning for Ocean Current Prediction Based on HF Radar Data[C]//2019 16th International Joint Conference on Computer Science and Software Engineering (JCSSE). IEEE, 2019: 254-259.
[2] Feng J, Li N, Zhao Y, et al. Finite-time synchronization analysis for general complex dynamical networks with hybrid couplings and time-varying delays[J]. Nonlinear Dynamics, 2017, 88(4): 2723-2733.
[3] Duan W, Yang K, Huang L. Numerical Investigations on Sea States Estimation Based on the Convolution Neural Networks Deep Learning Technique[C]//The 29th International Ocean and Polar Engineering Conference. International Society of Offshore and Polar Engineers, 2019.
[4] Bayindir C. Predicting the Ocean Currents using Deep Learning[J]. arXiv preprint arXiv:1906.08066, 2019.
[5] Riazi A. Accurate tide level estimation: A deep learning approach[J]. Ocean Engineering, 2020, 198: 107013.
[6] Wu T, Cao Y H, Wu Z S, et al. Deep learning for inversion of significant wave height based on actual sea surface backscattering coefficient model[J]. Multimedia Tools and Applications, 2019: 1-21.
[7] Pan X, Wang J, Zhang X, et al. A deep-learning model for the amplitude inversion of internal waves based on optical remote-sensing images[J]. International Journal of Remote Sensing, 2018, 39(3): 607-618.
[8] O’Donncha F, Zhang Y, Chen B, et al. Ensemble model aggregation using a computationally lightweight machine-learning model to forecast ocean waves[J]. Journal of Marine Systems, 2019, 199: 103206.
(11) 海冰分析预测
Gregory W等使用复杂网络统计方法预测了北极区域9月平均海冰范围，该方法通过构造时空同质性（节点）区域，然后推导时空同质性（节点）区域，并随后推导他们之间的远程连接，来利用气候事件序列数据中的关系，在加大那群岛、东西伯利亚、卡拉海中获得较高的预测效果。[1]
N.Krishna kumar等采用最小资源分配网络(MRAN)和生长剪枝径向基函数(GAP-RBF)两种连续学习算法对不同地理区域的日波高进行预测，结果证明，MRAN和GAP-RBF在网络资源最少的情况下均优于SVP和ELM。[2]
Wang C等将深度学习方法应用于海洋星空合成孔径雷达(SAR)场景分类，数据集描述了十种常见的大气和海洋过程，建立的模型定性分析了雨雪和海冰的区域格局，发现他们与独立的遥感数据集相一致。这类自动SAP分类为更广泛的地球物理应用开辟道路。[3]
[1] Gregory W, Tsamados M, Stroeve J, et al. Regional September Sea Ice Forecasting with Complex Networks and Gaussian Processes[J]. Weather and Forecasting, 2020 (2020).
[2] Charakopoulos A K, Katsouli G A, Karakasidis T E. Dynamics and causalities of atmospheric and oceanic data identified by complex networks and Granger causality analysis[J]. Physica A: Statistical Mechanics and its Applications, 2018, 495: 436-453.
[3] Wang C, Tandeo P, Mouche A, et al. Classification of the global Sentinel-1 SAR vignettes for ocean surface process studies[J]. Remote Sensing of Environment, 2019, 234: 111457.
(12) 气候分析与预测
U.Ozturk等人提出了一种新技术，即径向秩，来捕捉快速发展的大气事件，即台风。它基于日本事件同步的强度参数来检测台风正向的一般模式。 根据强度参数对选定网格周围的高相关性圆形区域进行子集化， 沿该区域内矢量的强度参数的径向总和，针对潜在方向测量径向秩，这使我们能够长时间跟踪网络通量。 我们还使用事件同步的delay参数来识别和分离正面风暴和台风的个体行为。[1]
之后又使用由非线性同步措施定义的复杂网络来跟踪日本岛屿的极端降雨，提出一种径向秩方法，显示了极端降雨路径遵循台风的整体西南向东北运动和日本的平均降雨梯度。[2]
同年的工作中，Öztürk U等基于卫星分析的降雨数据（TRMM-3B42V7），使用网络分析来比较日本极端降雨的空间特征。首先将时间序列分为两个子集：6月至7月（JJ）和8月至11月（ASON），以专注于Baiu前沿季节（JJ）和热带风暴季节（ASON）。 论文评估了这两种不同机制所涉及的空间尺度，并定义了两个季节内连贯降雨的区域，通过使用径向统计量来追踪长距离的网络通量，这使观察到极端降雨径迹的一般模式成为可能。 与贝乌相关的极端事件相比，与热带风暴有关的极端降雨显示出较小的空间尺度（在100 km范围内）。还发现，热带风暴径眼的极端降雨始终存在偏差。[3]
Broni-Bedaiko C等展示了一种方法，该方法基于使用从具有LSTM神经网络的气候网络中提取的各种复杂网络指标来预测厄尔尼诺-南方涛动ENSO现象，结果表明，作为预测变量提取的12个网络指标具有预测能力，并且预测ENSO现象的潜力更长。[4]
Agarwal A等在解决全球气候系统中存在的多尺度复杂关系问题上，首先在不同时间范围内构件多个网络，使用小波方法分解不同时间尺度上的数据，然后通过Pearson的相关性构建相应的网络。此方法可以为理解和扩展多尺度复杂多元过程提供了重要的依据。[5]
Wang L等提出一种将海洋多个时间序列融合为图像的映射方法，并利用不同图像之间的相似性构造一个复杂的网络。 此外，通过选择适当的阈值来构建一个由海洋多个时间序列组成的复杂网络。[6]
Bracco A使用基于复杂网络分析的特定方法δ-MAPS。 δ-MAPS特别适用于调查气候数据中的本地和非本地统计相互关系，实现了对于大型气候数据集的挖掘。[7]
Martín Gómez V为了解决“海温异常在热带海洋如何集体相互作用并反过来导致降雨的变化”这一问题，构建了一个气候网络，将表征热带海洋的不同指数和SESA上的降水指数作为网络节点，研究了他们的集体交互作用，结果表明，在上个世纪，网络节点之间存在着两个具有不同交互特征的同步阶段（30s和60s）。SESA降水的更强的连通性表明，由于人为的强迫作用，热带海洋对SESA降水的影响增加，这可以增强其季节可预测性。[8]
Ebert-Uphoff等将复杂网络的框架应用于极端依赖关系，以获得对极端天气和气候事件的新见解，在确定最合适的现有气候网络类型(事件同步网络),基于极值理论（χ网络）引入了新的网络类型，计算了样本χ网络，从而为预测极端天气提供了依据。[9]
Ekhtiari N等采用复杂网络来研究两个或多个气候变量之间的相互作用可以更好地理解不同变量，区域或特定模式之间的相互作用。 在这项工作中，Ekhtiari N借助多层复杂网络研究海洋与大气的耦合。 具体来说，论文调查了不同类型的ENSO事件对南美不同气候变量的相互作用和相互影响的影响。结显示了部分海洋与大气之间的气候变异性之间的相关性，并通过不同的网络测量方法量化这些相似性的强度。[10]
Donner R V等尝试将使用网络分析来消除多尺度气候变化的问题，引入特定规模气候网络的概念，该该概念包括一系列不同时间尺度变化之间的统计并关联结构的网络。考虑全球地面空气温度再分析数据，并对每个网格点的相应时间系列进行复数值连续小波变换。所获得的结果表明，系统地开发特定规模的气候网络是潜在有用的。[11]
Franke J G使用功能性古气候网络分析[1,2]来研究北极2k数据库中来自北欧的高分辨率高分辨率古气候记录集合之间统计相似性模式的变化.通过构建复杂网络，以捕获在树环、冰芯和胡泊沉积物中记录的年际温度变化的相互统计相似性，观测到的协变模式最终与北大西洋大气环流有关，最重要的是与北大西洋涛动的年代际变化有关，并发现一个趋势，即由一个明显的和延长的负NAO间隔中断一个主导的NAO正相。 在不同时期，包括小冰期，中世纪气候异常和黑暗时期的小冰期，两种行为之间的转换相对较快。[12]
Jiang G Q等提出了两种基于机器学习神经网络的算法-浅层学习（S-L）和深度学习（D-L）算法，这两种算法可用于大气台风预报模型，为台风预报提供流相关的台风诱导海面温度冷却(SSTC)，实验结果表明，S-L算法不能正确表示台风-海洋物理相互作用。 它倾向于产生不稳定的SSTC分布，任何扰动都可能导致SSTC模式和强度的变化。而D-L算法将最大风强度误差提高了60–70％。[13]
在对热带气旋(TC)的分析工作中，Lee J等提出了一种使用多光谱卫星图像的基于深度学习的强度估计方法。此方法尝试使用卷积神经网络（CNN）根据TC强度找出图案的重要效果，结果表明，此模型的性能比使用单个长波红外图像的现有方法高出约15％，这种方法有助于实时分析周围大气条件和海洋条件之间的关系。[14]
[1] Ozturk U, Marwan N, Kurths J. Identifying Typhoon Tracks based on Event Synchronization derived Spatially Embedded Climate Networks[C]//EGU General Assembly Conference Abstracts. 2017, 19: 3245.
[2] Ozturk U, Marwan N, Korup O, et al. Complex networks for tracking extreme rainfall during typhoons[J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2018, 28(7): 075301.
[3] Öztürk U, Malik N, Marwan N, et al. Comparison of tropical and frontal storms using complex networks[C]//EGU General Assembly Conference Abstracts. 2018, 20: 7237.
[4] Broni-Bedaiko C, Katsriku F A, Unemi T, et al. El Niño-Southern Oscillation forecasting using complex networks analysis of LSTM neural networks[J]. Artificial Life and Robotics, 2019, 24(4): 445-451.
[5] Agarwal A, Maheswaran R, Marwan N, et al. Wavelet-based multiscale similarity measure for complex networks[J]. The European Physical Journal B, 2018, 91(11): 296.
[6] Wang L, Huang Z, Shi S, et al. Marine Multiple Time Series Relevance Discovery Based on Complex Network[C]//International Conference on Neural Information Processing. Springer, Cham, 2018: 36-45.
[7] Bracco A, Falasca F, Nenes A, et al. Advancing climate science with knowledge-discovery through data mining[J]. npj Climate and Atmospheric Science, 2018, 1(1): 1-6.
[8] Martín Gómez V. A complex networks perspective of the past and future coupling between the tropical oceans and precipitation over Southeastern South America[J]. 2017.
[9] Ebert-Uphoff I, Huang W, Mitra A, et al. Studying extremal dependence in climate using complex networks[C]//Proceedings of the 8th International Workshop on Climate Informatics (CI 2018), Boulder, CO. 2018.
[10] Ekhtiari N, Ciemer C, Widermann M, et al. Ocean-atmospheric interactions in South America revealed by two-layer complex climate network analysis[C]//EGU General Assembly Conference Abstracts. 2017, 19: 15235.
[11] Donner R V, Jajcay N, Wiedermann M, et al. Decoding the spatial signatures of multi-scale climate variability-a climate network perspective[C]//AGU Fall Meeting Abstracts. 2017.
[12] Franke J G, Werner J, Donner R V. Reconstructing the leading mode of multi-decadal North Atlantic variability over the last two millenia using functional paleoclimate networks[C]//EGU General Assembly Conference Abstracts. 2017, 19: 7071.
[13] Jiang G Q, Xu J, Wei J. A deep learning algorithm of neural network for the parameterization of typhoon‐ocean feedback in typhoon forecast models[J]. Geophysical Research Letters, 2018, 45(8): 3706-3716.
[14] Lee J, Im J, Cha D H, et al. Deep learning based Tropical cyclone intensity estimation method using Communication, Ocean and Meteorological Satellite (COMS)[J]. AGUFM, 2019, 2019: A33M-2963.
海洋旋涡、海洋锋的分析预测
Yunyan D等人在分析海洋旋涡工作中，引入空间数据挖掘的社区网络划分方法，将涡旋过程看作复杂的移动网络，对涡旋移动的聚集性特征进行探索和分析。对近20年的南海海洋涡旋移动数据进行组织，基于图论模型构建了涡旋瞬时移动（TP），涡旋移动起止点（OD），涡旋最小描述距离的特征点移动网（MDL）和涡旋过程移动再生数据（RSP）4种状态的海洋涡旋的移动网络图其次，采用基于快速模块度优化的区域划分方法分别得到4种状态下涡旋移动的聚集性区域；最后，利用弦图对区域内和区域间涡旋移动规律进行了可视化分析，发现海洋涡旋的RSP数据能够弥补原始涡旋移动数据在区域划分方法中呈现的数量不足的问题，能够在足够数据量的情况下，有效地发现从起点到终点的主要移动通道和涡旋移动的聚集性区域，这些区域反映了南海涡旋从其产生、发展到结束整个演化过程的聚集性特征。[1]
Wang Y H基于Petrel-II滑翔机获得的高分辨率的连续观测数据构建了一个复杂网络，该复杂网络方法被改进以构建具有多层结构的新型海洋观测复杂网络（OOCN）。 获得了中尺度涡的分层结构，部分验证了涡的三室结构。 结果表明，这种复杂网络结构可以对中尺度涡旋和其他复杂海洋现象进行动态结构分析。[2]
Bolton T等使用机器学习来观测数据和拟合模型，进而预测未解决的湍流过程和底下流场。结果证明，卷积神经网络成功地复制了亚网格涡动量强迫的时空变化，能够推广到一系列动力学行为，并且可以被迫尊重全局动量守恒。 我们的卷积神经网络的训练数据可以被抽样到原始大小的10％到20％，而准确性没有明显下降。这为成功设计海洋涡旋参数化提供了证据，以实现在粗分辨率气候模型中的应用。[3]
Franz K等展示了一种基于深度学习的涡流分析方法，开发了两种主要基于卷积神经网络特征学习的涡流识别和跟踪框架。在澳大利亚地区和东澳大利亚州进行了当前海平面异常数据的检测和跟踪，并与当前方法进行了比较。[4]
George T等使用深度卷积神经网络证明中尺度湍流的SSH表达式包含足够的信息来预测约64％的涡流通量变化，而CNN的性能明显优于其他传统的数据驱动技术。 研究结果表明，深度CNN可以为有效监控涡流的通量提供有效途径。[5]
Duo Z等基于目标检测网络构建了中尺度涡流自动识别定位网络OEDNet，首先使用2D图像处理技术来增强海洋专家注释的少量准确涡流样本的数据，以生成训练组。 然后，针对海洋中尺度涡旋中的小样本和复杂区域，设计并优化了具有深残留网络，以特征金字塔网络为主要结构的物体检测模型。 实验结果表明，与传统的检测方法相比，该模型具有更好的识别能力，在不同海域具有良好的泛化能力。[6]
X. Bai提出了一种通过深度神经网络的涡流检测新方法，以提高涡流检测的准确性。 首先，我们提出一种基于流径的方法，从洋流数据构建大规模的涡流图像数据集，并将我们的数据集应用于涡流检测。 其次，通过将神经网络中的多层特征与涡流的特征相结合，我们获得了竞争性检测结果，mAP为90.64％，平均SDR为98.91％，其性能优于以前的方法。 第三，通过增强的涡流可视化方法，我们解决了在稀疏流径区域很难检测到涡流的问题。[7]
Lguensat R展示了一种基于深度学习的体系结构EddyNet，可根据哥白尼海洋与环境监测服务（CMEMS）提供的海面高度（SSH）地图自动进行涡流检测和分类。 EddyNet由卷积编码器-解码器和随后的逐像素分类层组成。 输出是一个具有与输入相同大小的贴图，其中像素具有以下标签{‘0’：非涡旋，‘1’：反气旋涡旋，‘2’：气旋涡旋。[8]
Du Y展示了如何使用深度学习来可靠地提取高级特征，然后融合多尺度特征以识别涡旋，而不论其结构和尺度如何。 首先使用两个主成分分析卷积层来学习涡流特征，然后通过二进制哈希层和逐块直方图对特征进行非线性转换。 为了解决合成孔径雷达（SAR）图像上空间可变性的难题，作者引入了空间金字塔模型以允许多尺度特征融合。 最后，线性支持向量机分类器识别出涡流。 此方法称为DeepEddy，是针对20,000个SAR图像样本的数据集进行基准测试的，检测精度达到97.8±1％。[9]
Huang D提出了一种简单的深度架构DeepEddy，以自动检测海洋涡流，并且没有专家知识。 DeepEddy可以分层学习海洋涡流的高级和不变特征。 它的设计包括两个用于涡流特征学习的主成分分析（PCA）卷积层，一个用于非线性变换的二进制哈希层，一个使用块状直方图和空间金字塔池来解决海洋结构和姿态复杂性的特征池层 涡流，以及用于最终涡流识别的分类器。 我们通过对高空间分辨率合成孔径雷达（SAR）图像进行综合实验，验证了该架构的准确性。 我们达到了96.68％的最新精度。[10]
[1] Yunyan D, Yang M, Huimeng W, et al. Exploring the propagation characteristics of ocean eddies from the perspective of complex networks: A case study in the South China Sea[J]. 海洋学报, 2017, 39(7): 110-123.
[2] Wang Y H, Shen X R, Yang S Q, et al. Three-dimensional dynamic analysis of observed mesoscale eddy in the South China Sea based on complex network theory[J]. EPL (Europhysics Letters), 2020, 128(6): 60005.
[3] Bolton T, Zanna L. Applications of deep learning to ocean data inference and subgrid parameterization[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(1): 376-399.
[4] Franz K, Roscher R, Milioto A, et al. Ocean eddy identification and tracking using neural networks[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 6887-6890.
[5] George T, Manucharyan G, Thompson A. Deep learning to infer eddy heat fluxes from sea surface height patterns of mesoscale turbulence[J]. 2019.
[6] Duo Z, Wang W, Wang H. Oceanic Mesoscale Eddy Detection Method Based on Deep Learning[J]. Remote Sensing, 2019, 11(16): 1921.
[7] X. Bai, C. Wang and C. Li, “A Streampath-Based RCNN Approach to Ocean Eddy Detection,” in IEEE Access, vol. 7, pp. 106336-106345, 2019.
[8] Lguensat R, Sun M, Fablet R, et al. EddyNet: A deep neural network for pixel-wise classification of oceanic eddies[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 1764-1767.
[9] Du Y, Song W, He Q, et al. Deep learning with multi-scale feature fusion in remote sensing for automatic oceanic eddy detection[J]. Information Fusion, 2019, 49: 89-99.
[10] Huang D, Du Y, He Q, et al. DeepEddy: A simple deep architecture for mesoscale oceanic eddy detection in SAR images[C]//2017 IEEE 14th International Conference on Networking, Sensing and Control (ICNSC). IEEE, 2017: 673-678.
(13) 海洋锋分析预测
Lima E等提出了一种用于海洋锋自动识别的深度学习方法，即使用一种与现有体系结构相比层数层数更少的深度网络，该网络有5个可学习的层，并将此深度网络进行扩展，然后对网络进行了评估和分析，实验结果表明，该模型可以产生准确的识别结果。[1]
海洋锋在很多领域都有着重要的影响，获得准确的海洋锋定位意义重大，因此，海洋锋探测是一项非常重要的任务。然而，传统的边缘检测算法并不能很好地检测到海洋前沿的弱边缘信息。针对这一问题，Li Q收集了相关的海洋前缘梯度图像，并找到相关专家对海洋前缘数据进行校准以获得groundtruth，并提出了一种用于海洋前缘检测的弱边缘识别网(WEIN)。无论是定性的还是定量的，此方法都是有效的。[2]
[1] Lima E, Sun X, Yang Y, et al. Application of deep convolutional neural networks for ocean front recognition[J]. Journal of Applied Remote Sensing, 2017, 11(4): 042610.
[2] Li Q, Zhong G, Xie C. Weak Edge Identification Nets for Ocean Front Detection[J]. arXiv preprint arXiv:1909.07827, 2019.
目前机器学习及深度学习技术在海洋科学方面的应用大概有以下几方面：
（1）监测海洋生物多样性(Monitoring marine biodiversity)
Bermant P C等人将机器学习技术运用到对抹香鲸生物声学的研究，利用卷积网络来构造回声定位点击检测器，旨在对抹香鲸声学数据生成的频谱图进行分类。实验结果展示点击检测器在对650个频谱图进行分类时达到了99.5％的准确度。[1] 。
为了解决对摄像头系统中检测到的图像中的物种进行分类，Allken引入了深度学习网络，并开发了一种新的训练方法，在实验中，对蓝鳕鱼，大西洋鲱鱼和大西洋鲭鱼的分类，结果显示，分类精度达到94%。[2]
Siddiqui等人提出一种基于深度学习的视觉方法，用于对细粒度鱼类进行分类，提出了一种使用预训练卷积神经网络作为广义特征检测器的跨层池化算法，从而避免了对大量训练数据的需求，实验中对来自西澳大利亚州海岸的典型水下视频图像中的鱼类进行分类，准确度达到94.3%。[3]
Glotin H使用AutoEncoders卷积神经网络（CNN）学习一条抹香鲸的声音并进行去噪，然后建立了回声位置图，以阐明这种独特动物在不同环境和不同船声水平下随时间的声音行为的变化。[4]
Al-Barazanchi H A 提出了一个基于卷积神经网络（CNN）的智能机器学习系统用于浮游生物图像分类。与大多数现有图像分类算法不同，基于CNN的系统不依赖于要素工程，它们可以有效地扩展以包含新的类，实验结果表明，这种方法具有更高的精度。[5]
Reus G提出了一种用于自动估计海底海草覆盖率的机器学习方法, 研究了CNN来描述海草的斑块和超像素.实验采用由自己提供的海草图像数据集，最终结果表明，此方法对海草分割的精度达到94.5%。[6]
[1] Bermant P C, Bronstein M M, Wood R J, et al. Deep machine learning techniques for the detection and classification of sperm whale bioacoustics[J]. Scientific reports, 2019, 9(1): 1-10.
[2] Allken V, Handegard N O, Rosen S, et al. Fish species identification using a convolutional neural network trained on synthetic data[J]. ICES Journal of Marine Science, 2019, 76(1): 342-349.
[3] Siddiqui S. A., Salman A., Malik M. I., Shafait F., Mian A., Shortis M. R., Harvey E. S. 2018. Automatic fish species classification in underwater videos: exploiting pre-trained deep neural network models to compensate for limited labelled data. ICES Journal of Marine Science, 75: 374–389.
[4]Glotin H, Spong P, Symonds H, et al. Deep learning for ethoacoustical mapping: Application to a single Cachalot long term recording on joint observatories in Vancouver Island[J]. The Journal of the Acoustical Society of America, 2018, 144(3): 1776-1777.
[5] Al-Barazanchi H A, Verma A, Wang S X. Intelligent plankton image classification with deep learning[J]. IJCVR, 2018, 8(6): 561-571.
[6] Reus G, Möller T, Jäger J, et al. Looking for seagrass: Deep learning for visual coverage estimation[C]//2018 OCEANS-MTS/IEEE Kobe Techno-Oceans (OTO). IEEE, 2018: 1-6.
(2) 来源识别及定位(Source identification/localization)
浅海环境中的源定位一直使用诸如匹配场处理之类的优化技术来完成。 但是，这种优化取决于海洋环境的参数化。在2017年的工作中，Niu H 等将机器学习应用到海洋声学中的源定位领域。通过将垂直线性阵列接收的压力构造的归一化样本协方差矩阵进行预处理，并用作三种机器学习方法的输入：前馈神经网络（FNN），支持向量机（SVM）和随机森林（RF） 。在实验中将Noise09实验的范围估计结果与FNN，SVM，RF和常规匹配场处理进行了比较，并证明了机器学习在水下源定位中的潜力。[1] 同年的工作中，Niu H又将机器学习分类器运用到基于海洋声学的船舶航程估计问题上，实验证明，在没有准确的环境信息的情况下， 分类器在10 km / km的范围内表现良好，而常规的匹配场处理在4 km / km的范围内失败。[2] 在2019年的工作中，Niu H使用单个水听器在海底波导中确定底部参数从而定位宽带声源，将深度学习神经网络引入到声源定位的工作中，在通过声传播模型生成的大量声场副本上训练的几个50层残差神经网络，用于处理源定位中的底部不确定性。 提出了两步训练策略以改进深度模型的训练，演示了在不确定环境中仅模拟幅度多频率数据的深度学习方法，并在中国黄海进行了实验验证。实验证明，该方法的性能与SAGA相当，而计算速度却快得多。[3]
Y. Wang等人则在引入机器学习的同时，还引入了广义回归神经网络(GRNN)来解决源定位中存在的问题，作为前馈网络，使用具有固定结构和配置的训练数据来构建GRNN。 在多个快照上形成的归一化样本协方差矩阵（SCM）和相应的源位置用作GRNN的输入和输出。 可以直接使用GRNN从标准化SCM估算源位置；实验将GRNN的回归方法与前馈神经网络的分类方法（FNN）以及来自SWellEx-96实验的垂直阵列数据的经典匹配场处理方法（MFP）进行了比较。 结果表明，GRNN取得了令人满意的定位性能，优于FNN和MFP。 [4]
Ferguson E L 提出使用卷积神经网络（CNN）定位浅水多径环境中的宽带声辐射噪声源（例如机动船）。 结果表明，当传统无源测距方法的源定位性能下降时，在倒谱图和广义互相关图输入上运行的CNN能够更可靠地估计正在行驶的机动船的瞬时航程和方位。 使用海上实验收集的真实数据证明了源定位性能的随之提高。[5]
Huang Z等人提出将DNN应用于浅水环境中的源定位，提出了两种方法来估计通过不同神经网络架构的宽带源的范围和深度。 第一种采用经典的两阶段方案，其中特征提取和DNN分析是独立的步骤。 提取与模态信号空间相关的特征向量作为输入特征。 然后，利用时延神经网络对长期特征表示进行建模，并建立回归模型。 第二个问题涉及卷积神经网络-前馈神经网络（CNN–FNN）体系结构，该体系结构通过将原始的多通道波形作为输入直接训练网络。 期望CNN以类似于时域滤波器的操作对多通道信号执行空间滤波。 CNN的输出总和作为FNN的输入。 在模拟和实验数据上进行了几次实验，以评估所提出方法的性能。 结果表明，在复杂多变的水环境中，DNN可以有效地进行水源定位，尤其是在缺乏精确的环境信息时。[6]
Rauchenstein L T将机器学习分类和回归算法用来校准基于到达时间差（TDOA）的声传感器阵列的定位误差，首先使用近似最大似然算法跟踪固定和移动声学标签的位置。 接下来，分类树的集成成功地识别并过滤了具有较大定位误差的数据点。 该预过滤步骤允许创建机器学习的回归模型函数，该函数将固定轨道的中值距离误差降低了50％，将移动轨道的中值距离误差降低了34％。 它还将以前的亚米定位精度范围从坝面（接收器）的水平距离从100 m扩展到250 m。[7]
尽管基于分类和回归的机器学习算法显示出希望，但是在不确定的海洋环境中进行声源测距是一个复杂的问题。Van Komen D F在他的工作中发现，前馈神经网络（FNN）经过训练，可以使用提取的时域特征对源-接收器范围和海底海床类型进行分类或回归。生成压力时间序列以模拟在三个不同海洋环境中不同范围接收的信号，分别代表沙质，泥泞和混合沉积物海底。 从这些波形中提取出四个特征：峰值电平，积分电平，信号长度和衰减时间。 这四个功能用于训练FNN以进行范围和环境类型的分类和回归，并将结果与在时间波形上训练的网络进行比较。 即使对于少量的训练数据，压力时间序列也比提取的特征提供更高的精度。 这些结果为与更昂贵的卷积神经网络进行比较奠定了基础。[8]
同样是源定位的工作，Acree M C提出了卷积神经网络（CNN），以使用来自垂直线阵列的压力时间序列波形同时更好地预测震源定位和海床分类。使用CNN进行研究的基础上，该方法仅使用一个水听器的波形对源区域和海床类型进行了分类，该方法已扩展到16个元素的垂直线阵列。 额外的水听器从系统中添加了更多的物理信息，并且为CNN提供了更多的功能来了解源范围，深度和海床类型。[9]
[1] Niu H, Reeves E, Gerstoft P. Source localization in an ocean waveguide using supervised machine learning[J]. The Journal of the Acoustical Society of America, 2017, 142(3): 1176-1188.
[2] Niu H, Ozanich E, Gerstoft P. Ship localization in Santa Barbara Channel using machine learning classifiers[J]. The Journal of the Acoustical Society of America, 2017, 142(5): EL455-EL460.
[3] Niu H, Gong Z, Ozanich E, et al. Deep learning for ocean acoustic source localization using one sensor[J]. arXiv preprint arXiv:1903.12319, 2019.
[4] Y. Wang and H. Peng, “Underwater acoustic source localization using generalized regression neural network,” J. Acoust. Soc. Am. 143(4), 2321–2331 (2018).
[5] Ferguson E L, Williams S B, Jin C T. Sound source localization in a multipath environment using convolutional neural networks[C]//2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2018: 2386-2390.
[6] Huang Z, Xu J, Gong Z, et al. Source localization using deep neural networks in a shallow water environment[J]. The Journal of the Acoustical Society of America, 2018, 143(5): 2922-2932.
[7] Rauchenstein L T, Vishnu A, Li X, et al. Improving underwater localization accuracy with machine learning[J]. Review of Scientific Instruments, 2018, 89(7): 074902.
[8] Van Komen D F, Neilsen T B, Knobles D P, et al. A feedforward neural network for source range and ocean seabed classification using time-domain features[C]//Proceedings of Meetings on Acoustics 177ASA. Acoustical Society of America, 2019, 36(1): 070003.
[9] Acree M C, Van Komen D F, Neilsen T B, et al. A deep learning approach to source localization and seabed classification using pressure time-series from a vertical array[J]. The Journal of the Acoustical Society of America, 2019, 146(4): 2961-2961.
(3) 鱼类的捕捉和检测(Fish catch forecasting)
由于海洋环境不受限制，水下目标识别是一项艰巨的任务。对于大型数据集，深度学习方法已成功应用于空中物体的图像识别。但是，深度神经网络（DNN）容易遭受小样本过拟合的困扰。 水下图像采集总是需要大量的人力和成本，这使得很难获得足够的样本图像来训练DNN。 此外，水下相机拍摄的图像通常会因噪音而变差。因此，Jin L提出了在小样本情况下水下图像识别的框架。首先，一种新颖的改进的中值滤波器被用于抑制鱼图像的噪声。 然后，使用了卷积神经网络，并使用来自世界上最大的图像识别数据库ImageNet的图像进行了预训练。 最后，使用预处理过的鱼图像来微调预先训练的神经网络并测试分类性能。 实验结果表明，该方法能够识别鱼类，为小样本情况下的识别任务提供了有效的途径。[1]
同样是识别鱼类的工作，Li X则提出了一种深度却轻巧的神经网络来检测鱼类。在ImageCLEF的数据集上实现了最新的鱼类检测精度，该数据集包含12277个类别的24277个鱼类图像。 与常用的检测网络（如Faster R-CNN）相比，我们通过使用一些构建块（包括串联的ReLU，Inception和HyperNet）来更改卷积层的结构。 最终网络获得了89.95％mAP（平均精度）的最佳结果，比同一数据集上的Faster R-CNN网络高出7.25％。[2]
在清洁能源发展迅速的今天，随着潮汐涡轮机和溪流涡轮机等新技术的发展，海洋和河流的清洁能源已成为现实，这些新技术可以从自然流动的水中发电。 正在使用水下视频监控这些新技术对鱼类和其他野生动植物的影响。 需要用于自动分析水下视频的方法，以降低分析成本并提高准确性。Xu W提出的深度学习模型YOLO受过训练，可以使用在真实水力发电站记录的三个截然不同的数据集来识别水下视频中的鱼。使用来自所有三个数据集的示例进行的培训和测试得出的平均平均精度（mAP）得分为0.5392。
[1] Jin L, Liang H. Deep learning for underwater image recognition in small sample size situations[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-4.
[2] Li X, Tang Y, Gao T. Deep but lightweight neural networks for fish detection[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-5.
[3] Xu W, Matzner S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). IEEE, 2018: 313-318.
(4) 声纳、卫星图像中的目标识别(Target identification in sonar images )
Lima E等人研究了将深度学习方法应用于海滨识别任务的工作，从大量数据集中提取CNN模型的深层知识，然后将其知识转移到在有限遥感（RS）图像上的海面识别任务中。实验结果表明，此方法均显示出比其他方法更高的准确性。[1]
然而，由于缺乏基准数据集和决定使用哪种语义分割模型的困难，使用深度学习技术进行海域分割仍然是一项艰巨的任务。Yang T通过深度学习技术中的语义分割，提供了一个对Landsat-8 OLI图像进行海陆分割的比较框架。然后研究了三个问题：（1）使用Landsat-8陆地陆地成像仪（OLI）图像构建海陆基准数据集，该图像由18,000 km2的中国海岸线组成； （2）通过比较最先进的DCNNs方法的准确性，时间复杂性，空间复杂性和稳定性，评估海域分割的可行性和性能； （3）根据Akaike信息准则（AIC）和贝叶斯信息准则（BIC）模型选择，选择最适合的海域语义分割模型。 结果表明，平均测试准确度达到了99％以上的准确度，并且工会的平均交集（平均IoU）高于92％。 这些发现表明，基于AIC和BIC，Fully Convolutional DenseNet（FC-DenseNet）在海域分割方面比其他最新方法表现更好。 考虑到训练时间效率，DeeplabV3 +在海陆分割方面表现更好。[2]
深度学习声纳目标检测的应用由于声纳图像数量少而受到严重限制，尤其是对于海难。 为了克服训练问题的过拟合和提高检测精度，Xu L提出了一种结合深度生成网络和转移学习的声纳沉船检测方法。 具体来说，在深度生成网络中，使用相似性度量来改进优化，从而生成高质量的伪图像，并为数据奠定了进一步的基础。 然后，在转移学习检测中，采用多层自适应和多核MMD进行微调和冻结的预训练模型，防止过度拟合的问题，提高了系统的通用性和稳定性。 并且结合区域建议和回归方法进行目标检测，以保证目标检测的准确性。 最后，对声纳沉船进行对比实验，证明了该方法的有效性。[3]
在环保方面，Kylili K提出了一种快速，可扩展且具有潜在成本效益的方法，用于自动识别浮动海洋塑料。 在对三类塑料海洋垃圾（即瓶，桶和稻草）进行培训时，分类器能够成功识别出之前的漂浮物体，成功率约为86％。[4]
[1] Lima E, Sun X, Dong J, et al. Learning and transferring convolutional neural network knowledge to ocean front recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(3): 354-358.
[2] Yang T, Jiangde S, Hong Z, et al. Sea-land Segmentation Using Deep Learning Techniques for Landsat-8 OLI Imagery[J]. Marine Geodesy, 2020 (just-accepted): 1-25.
[3] Xu L, Wang X, Wang X. Shipwrecks Detection Based on Deep Generation Network and Transfer Learning with Small Amount of Sonar Images[C]//2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS). IEEE, 2019: 638-643.
[4] Kylili K, Kyriakides I, Artusi A, et al. Identifying floating plastic marine debris using a deep learning approach[J]. Environmental Science and Pollution Research, 2019, 26(17): 17091-17099.
(5) 数据去噪以去除水深或数据中的异常值(Data de-noising to remove outliers from bathymetric or sonar data)
Thomas M提出了一个卷积神经网络，该网络能够对三种鲸鱼，非生物噪声源和与环境噪声有关的等五类的发声进行分类。 以此方式，分类器能够检测声学记录中鲸鱼发声的存在与否。 通过转移学习证明了分类器能够学习高级表示，并且可以推广到其他物种。 Thomas M还提出了一种新颖的声音信号表示方法，它通过对使用不同的短时傅立叶变换（STFT）参数产生的多个频谱图进行插值和叠加，在常用的频谱图表示形式上进行构建。 对于要分类的声音事件对STFT的参数敏感的海洋哺乳动物物种分类的任务，建议的表示形式特别有效。[1]
Beyan等人提出了一个端到端的框架，用卷积神经网络对卫星图像进行了密集的像素级分类，设计了卷积的架构，并通过两步训练方法来解决训练数据不完善的问题，同时考虑了大量的上下文来提供细粒度的分类映射。[2]
Liu Q设计了一种基于深度学习的降尺度方法来提高土壤水分和海洋盐度卫星全球海表盐度(SSS)产物的空间分辨率。该算法能够有效地利用高空间分辨率中分辨率成像光谱仪(MODIS)卫星数据，提高SMOS SSS产品的空间分辨率。[3]
在海底调查工作中为了解决接收器稀疏的情况，Siahkoohi A提出一种基于深度学习的方法，使用卷积神经网络将接收器置于与源相同的空间网格。 通过利用源接收器互易性，使用随机训练掩码通过人工对完全采样的单接收器频率切片进行二次采样来构造训练对，然后，部署受过训练的神经网络来填补单源频率切片中的空白。实验结果表明此方法能够针对90％丢失的接收器（随机或定期丢失）恢复接收器，并且在中低频率下对随机情况有更好的恢复。[4]
[1] Thomas M, Martin B, Kowarski K, et al. Marine mammal species classification using convolutional neural networks and a novel acoustic representation[J]. arXiv preprint arXiv:1907.13188, 2019.
[2] Beyan C., Katsageorgiou V.-M., Fisher R. B. 2018. Extracting statistically significant behaviour from fish tracking data with and without large dataset cleaning. IET Computer Vision, 12: 162–170.
[3] Liu Q, Xu L, Zhang Z. The Downscaling of the SMOS Global Sea Surface Salinity Product Based on MODIS Data Using a Deep Convolution Network Approach[C]//Proceedings of the 2019 3rd International Conference on Advances in Image Processing. 2019: 97-100.
[4] Siahkoohi A, Kumar R, Herrmann F J. Deep-learning based ocean bottom seismic wavefield recovery[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2232-2237.
(6) 深海资源建模(Modeling of deep-sea resources )
W. L. Jie等人提出了一种基于人工神经网络ANN的新技术，可使用侧扫声纳数据的纹理变化来估计多金属结核PMN丰度。与光学摄像机相比，侧面扫描声纳提供了更大的覆盖范围，实际上可以在给定的时间内大幅增加AUV所测量的范围。实验证明，网络的测试准确度为84％，这表明它可以用作估算侧扫声纳中PMN丰度的有效工具。 这种方法可以更快地评估结节丰度，以便将来进行勘探，而无需水下相机。[1]
在太平洋克拉兰-克利伯顿带(CCZ)发现的深海锰铁结核是镍、钴和锰等金属的一个巨大的潜在来源。这些结核的空间模拟对于更好地科学认识它们的形成和分布以及对它们的开采进行可行性研究至关重要。但是，关于CCZ内结核的数量和质量分布的数据很少，而且往往不会泄露，传统的空间建模技术的准确性受到这种数据缺乏的限制。V. N等提出了一种基于人工神经网络的方法，利用开放域有限的数据对CCZ中的结节参数进行建模。此模型可以预测小和大的结核变化，这是进行深海捕捞评价必不可少的。而且还讨论了模型中各因素的贡献，结果表明结合局部地形可以有效地预测小尺度的结核参数变化。[2]
U. Neettiyath等描述了一种通过结合使用自主水下航行器（AUV）收集的多模式传感器数据来估算富钴锰结壳（Mn-结壳）的体积分布的方法。 AUV使用次底部声纳计算Mn结壳的厚度，并使用光剖分贴图系统生成海底3D颜色重建。 使用机器学习分类器将3D地图分类为3种类型的海底之一-地壳，沉积物和结核。 沿海底样线进行厚度测量，而3D地图的宽度约为1.5 m，具体取决于AUV高度。 然后，通过定义影响区域，将厚度测量值外推到声纳未扫描的区域，该区域是预计锰结壳厚度不会显着变化的区域。 沿AUV横断面基于推断的厚度确定Mn结壳的百分比覆盖率和Mn结壳的质量每单位面积的估计值。 这种方法提供了一种新颖的方法来估计大面积锰结壳的分布。[3]
De La Houssaye B等将计算机视觉、机器学习和深度学习应用程序中的现代编程技术与传统的地球科学线性回归架构相结合，并对数据进行了端到端的训练，以预测海洋沉积物随时间变化的地质年龄的独立全球代理O18 / O16同位素比。（δ18O），并取得了很好的效果。[4]
Itaki T等开发了配备有深度学习软件的自动纤维图像收集器作为微化石分析的新工具，深度学习分类模型有5个类别构成，在基于该模型的几个测试载玻片的分类结果中，超过90%的分类是正确的，使用此系统可以有效地获得SO中戴维斯梭菌％曲线的高分辨率记录。[5]
Sun X等人提出了一个多尺度的深层框架，以满足对自动海面探测和细粒度定位的需求。首先设计一种多尺度扫描仪，将海洋分为不同尺度的小区域。然后引入深度模型，并将全局图像转换为各种粒度的二进制图像，最后将所有二进制图像按比例加权融合到一张图像中。通过实验证明此框架的有效性。[6]
Ratto C提出了一种通过机器学习进行海洋射线追踪的替代方法，特别是“生成对抗网络”（Goodsellow et al。 2014]。 实验结果证明证明了在光线跟踪模型产生的数千个小场景上训练的GAN可用于以一致的波谱和最少的处理伪影更快地生成百万像素的场景。[7]
Grasso I等展示了一种新的机器学习方法，用于高分辨率预测麻痹性贝类毒素的积累。此方法使深度学习神经网络来提供美洲特定地点的毒性水平预测，此算法是在由一系列有毒化合物测量值组成的每个位置上由化学指纹构建的图像上进行训练的。在各种预测配置下，该预测具有较高的准确性，通常> 95％，结果表明，将化学分析测量结果与新的机器学习工具相结合是一种有前途的方式。[8]
在恶劣的海洋环境条件下，海上浮动平台具有很强的非线性特性。 利用样机监测信息预测海洋环境负荷和平台运动响应具有实际意义和工程价值。 同时，在平台的高频六自由度（DOF）运动的相互作用下。
基于南海半潜式平台的长期原型监测数据，本文主要研究以下两个方面：
1，基于长短时记忆（LSTM）神经网络结合现场监测数据，研究了考虑时间相关性的海洋环境负荷预测方法。 预测结果与实测结果的比较表明，该预测方法具有较高的准确性和较低的计算成本。 此外，该方法可以扩展到其他环境负荷的短期预测。
2，基于深度学习方法建立了海洋环境载荷与漂浮物运动之间的非线性映射关系。 仿真结果表明，通过利用预报样机监测数据和海洋天气信息，该映射关系可用于高精度预测平台的六个自由度运动。 基于这项研究和对环境负荷的短期预测，我们可以对未来的漂浮物运动进行短期研究。[9]
[1] Jie W L, Kalyan B, Chitre M, et al. Polymetallic nodules abundance estimation using sidescan sonar: A quantitative approach using artificial neural network[C]//OCEANS 2017-Aberdeen. IEEE, 2017: 1-6.
[2] V. N. Hari, B. Kalyan, M. Chitre and V. Ganesan, “Spatial Modeling of Deep-Sea Ferromanganese Nodules With Limited Data Using Neural Networks,” in IEEE Journal of Oceanic Engineering, vol. 43, no. 4, pp. 997-1014, Oct. 2018.
[3] U. Neettiyath et al., “An AUV Based Method for Estimating Hectare-scale Distributions of Deep Sea Cobalt-rich Manganese Crust Deposits,” OCEANS 2019 - Marseille, Marseille, France, 2019, pp. 1-6.
[4] De La Houssaye B, Flaming P, Nixon Q, et al. Machine Learning and Deep Learning Applications for International Ocean Discovery Program Geoscience Research[J]. SMU Data Science Review, 2019, 2(3): 9.
[5] Itaki T, Taira Y, Kuwamori N, et al. A new tool for microfossil analysis in the Southern Ocean-automatic image collector equipped with deep learning[J]. AGUFM, 2018, 2018: PP23E-1550.
[6] Sun X, Wang C, Dong J, et al. A Multiscale Deep Framework for Ocean Fronts Detection and Fine-Grained Location[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 16(2): 178-182.
[7] Ratto C, Szeto M, Slocum D, et al. OceanGAN: a deep learning alternative to physics-based ocean rendering[M]//ACM SIGGRAPH 2019 Posters. 2019: 1-2.
[8] Grasso I, Archer S D, Burnell C, et al. The hunt for red tides: Deep learning algorithm forecasts shellfish toxicity at site scales in coastal Maine[J]. Ecosphere, 2019, 10(12): e02960.
[9] Yao J, Wu W, Zhao Z. Motion and Load Prediction of Floating Platform in South China Sea Using Deep Learning and Prototype Monitoring Information[C]//International Conference on Offshore Mechanics and Arctic Engineering. American Society of Mechanical Engineers, 2019, 58783: V003T02A014.
(7) 潜水员探测与跟踪(Diver detection and tracking)
Kvasić I提出一种可靠的声纳图像处理方法，以使用卷积神经网络检测和跟踪人类潜水员。 机器学习算法在计算机视觉应用中产生了巨大的影响，但在声纳图像处理方面并不总是被考虑。 在介绍了常用的图像处理技术之后，本文将重点介绍最先进的机器学习算法，并探讨它们在自定义声纳图像数据集处理中的性能。 最后，将在一组声纳记录上比较这些算法的性能，以确定它们在实时操作中的可靠性和适用性。[1]
Zheng X等为了确定水下航行器的航行状态，提出了一种基于复杂网络的水下航行器数据分析方法。 首先，通过投影密度峰聚类算法（Pro-DPCA）消除了AUV导航数据中的噪声，并构造了去噪数据的加权复杂网络。 网络的节点表征AUV导航状态。 随后，我们计算复杂网络的拓扑统计数据以获得AUV导航数据的波动模式。 这用于分析AUV导航状态。实验结果表明，复杂网络的拓扑统计准确地描述了AUV在不同深度的航行状态。[2]
[1] Kvasić I, Mišković N, Vukić Z. Convolutional Neural Network Architectures for Sonar-Based Diver Detection and Tracking[C]//OCEANS 2019-Marseille. IEEE, 2019: 1-6.
[2] Zheng X, Feng C, Li T, et al. Analysis of Autonomous Underwater Vehicle (AUV) navigational states based on complex networks[J]. Ocean Engineering, 2019, 187: 106141.
(8) 船舶机器人的路径规划和导航(Path-planning and navigation in marine robotics)
Perera L P提出了一个结构化的技术框架，以解决自动驾驶船的导航注意事项，包括避免碰撞。这个框架系统智能应考虑本地化的决策模块，以促进分布式智能类型策略，该策略可支持基于代理的未来船只中不同的航行情况。 该代理的主要核心是深度学习型技术，该技术已在其他运输系统（即自动驾驶汽车）中取得了可喜的成果。[1]
[1] Perera L P. Deep Learning Toward Autonomous Ship Navigation and Possible COLREGs Failures[J]. Journal of Offshore Mechanics and Arctic Engineering, 2020, 142(3).
(9) 海温、海浪、海冰、气候分析预测
海面温度（SST）是全球海洋的至关重要的参数，它可以深刻影响气候和海洋生态系统。 为了实现对SST短期和中期领域的准确而全面的预测，Xiao C提出了一种时空深度学习模型，该模型可以捕获SST跨时空的相关性。 该模型使用卷积长短期记忆（ConvLSTM）作为构建基块，并以端到端的方式进行训练。 在东海分区中使用36年的卫星SST数据进行的实验表明，当使用多种方法进行判断时，所提出的模型优于持久性模型，线性支持向量回归（SVR）模型和两个具有不同设置的LSTM模型 统计数据并从不同角度进行。 结果表明，所提出的模型对于准确，方便地进行短期和中期的日SST场预测具有很高的前景。[1]
Xin S等基于复杂网络理论对于海面温度进行了分析。将海洋划分为网格，并计算海表温度的年平均值以反映相应网格区域的属性， 互信息和Pearson相关系数用于测量不同区域之间的相似性， 可以建立反映全球海洋气候站的非线性和线性复杂网络模型，最后介绍了一些流行的度量方法，包括度分布，聚类系数和中间性，以发现海洋现象，例如海洋的能量转移，并分析了系统的鲁棒性和海洋动力学的季节性变化。[2]
Jiang G等人展示了一种基于神经网络算法的参数化方案，该方案可以潜在地应用于天气预报模型中以估计台风引起的海洋冷却(TOC).结果证明，此方案在预测海洋温度变化方面得到了显著改善，使得模型模拟的风暴强度提高了约20%。同时应用这种基于神经网络的海洋冷却方案可以纠正原本由于大气模式噪声的高估风暴强度。[3]
[1] Xiao C, Chen N, Hu C, et al. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J]. Environmental Modelling & Software, 2019, 120: 104502.
[2] Xin S, Zhenhua L, Junyu D. Complex Network Modeling and Visualization Analysis for Ocean Observation Data[J]. Journal of System Simulation, 2018, 30(7): 2445.
[3] Jiang G, Wei J. A parameterization scheme for typhoon-ocean interaction based on a deep learning neural network[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 4419-4422.
(10) 海浪分析预测
海面海流预测对于开展各种海洋活动都是很重要的，Thongniran N提出了一种新型的海流预测模型，该模型是卷积神经网络（CNN）提取空间特征与门控循环单元（GRU）之间的一种组合，以找到时间特征的关系。 该数据集由GISTDA于2014年至2016年通过位于泰国沿海沿岸的高频（HF）雷达站收集。结果表明，此网络在均方误差（RMSE）方面的表现几乎都超过了所有基准。[1]
Feng J等在文章中建立了两个与流向和法向量速度分量相对应的空间网络，其中节点表示物理域的体积部分，对于每个网络，如果节点对之间的相应速度分量的相关系数足够高，则链接处于活动状态，从而揭示最强的运动学关系。 为了探索节点及其邻居之间的相互关系，研究了几种网络措施。 此外，从对节点之间的间接连接进行分析得出，远程链接在运动信息流中起着至关重要的中介作用。 所提出的方法为研究湍流动力学的空间结构提供了一个框架，显示了复杂网络的全部潜力。 尽管网络分析是基于两点关联的，但它可以通过利用各个方向上的活动链接创建的纹理来提高信息级别。 基于观察到的发现，当前的方法可以为增强湍流动力学的空间解释铺平道路。[2]
Duan W等提出一种利用卷积神经网络进行海浪遥感的方法。CNN模型用于从仿真雷达图像中检索海浪参数，验证是基于模拟波雷达数据进行的，实验结果表明，在预测海浪参数方面挺高了相当大的精度，为准确的电波遥感提供了另一种可行的方法。[3]
Bayindir C等使用深度学习来分析洋流的可预测性，将长短期记忆LSTM应用到了马萨诸塞湾国家海洋和大气管理局（NOAA）收集的数据集，还讨论了训练数据集对于预测误差和预测频谱特性的影响，其结果可应用与预测潮汐能的变化，控制海洋结构的电流感应振动以及混沌海洋和环流来估计波阻点。[4]
Riazi A提出了一种简单有效的深度神经网络，该网络可以根据影响潮汐范围的力和因素来估算未来的潮汐水平。 所提出的方法的主要优点是可以将输入层保持得尽可能小，可以访问输入数据，并且由于输入数据基于潮汐的主要原因，因此可以将一个网络用于不同的海滩。[5]
Wu T等人通过使用深度学习技术对实际海面后向散射系数训练数据集进行了重要波高的反演，在三个隐藏层并且迭代100次的情况下，已经达到99.01%的精度，测试数据集均方根误差小于0.1，表明深度学习可用于有效波高反演。[6]
内部波的振幅是遥感检测的重要参数。 但是，目前还没有基于光学遥感图像的内波振幅反演的解析方法。Pan X引入了深度学习模型，以基于大量光学遥感图像来反演内部波的振幅。 计算了图像的峰峰距离和15种纹理特征参数，研究了内波振幅与遥感图像特征参数之间的关系。 另外，基于这些参数和幅度之间的相关性差异，通过选择不同的参数作为输入变量来建立三种类型的深度学习模型。 结果表明，模型中内部波的反振幅与内部波的原位数据具有很好的一致性，两者之间的平均误差分别约为6.7％，4.9％和3.6％，这表明 学习模型对基于光学遥感图像的内波振幅反演有效。[7]
O’Donncha F研究了一种方法，该方法通过基于相对于稀疏观测数据的历史准确性来更新预测来提高计算轻量级代理模型的准确性。 使用轻量级的海浪预测模型，在为期两年的研究期内，创建了许多带有扰动输入的模型集合。 使用机器学习算法将预测汇总，该算法将来自多个独立模型的预测合并为真实状态的单个“最佳估计”预测。 该框架已应用于加利福尼亚州蒙特雷湾的案例研究站点。 [8]
[1] Thongniran N, Vateekul P, Jitkajornwanich K, et al. Spatio-Temporal Deep Learning for Ocean Current Prediction Based on HF Radar Data[C]//2019 16th International Joint Conference on Computer Science and Software Engineering (JCSSE). IEEE, 2019: 254-259.
[2] Feng J, Li N, Zhao Y, et al. Finite-time synchronization analysis for general complex dynamical networks with hybrid couplings and time-varying delays[J]. Nonlinear Dynamics, 2017, 88(4): 2723-2733.
[3] Duan W, Yang K, Huang L. Numerical Investigations on Sea States Estimation Based on the Convolution Neural Networks Deep Learning Technique[C]//The 29th International Ocean and Polar Engineering Conference. International Society of Offshore and Polar Engineers, 2019.
[4] Bayindir C. Predicting the Ocean Currents using Deep Learning[J]. arXiv preprint arXiv:1906.08066, 2019.
[5] Riazi A. Accurate tide level estimation: A deep learning approach[J]. Ocean Engineering, 2020, 198: 107013.
[6] Wu T, Cao Y H, Wu Z S, et al. Deep learning for inversion of significant wave height based on actual sea surface backscattering coefficient model[J]. Multimedia Tools and Applications, 2019: 1-21.
[7] Pan X, Wang J, Zhang X, et al. A deep-learning model for the amplitude inversion of internal waves based on optical remote-sensing images[J]. International Journal of Remote Sensing, 2018, 39(3): 607-618.
[8] O’Donncha F, Zhang Y, Chen B, et al. Ensemble model aggregation using a computationally lightweight machine-learning model to forecast ocean waves[J]. Journal of Marine Systems, 2019, 199: 103206.
(11) 海冰分析预测
Gregory W等使用复杂网络统计方法预测了北极区域9月平均海冰范围，该方法通过构造时空同质性（节点）区域，然后推导时空同质性（节点）区域，并随后推导他们之间的远程连接，来利用气候事件序列数据中的关系，在加大那群岛、东西伯利亚、卡拉海中获得较高的预测效果。[1]
N.Krishna kumar等采用最小资源分配网络(MRAN)和生长剪枝径向基函数(GAP-RBF)两种连续学习算法对不同地理区域的日波高进行预测，结果证明，MRAN和GAP-RBF在网络资源最少的情况下均优于SVP和ELM。[2]
Wang C等将深度学习方法应用于海洋星空合成孔径雷达(SAR)场景分类，数据集描述了十种常见的大气和海洋过程，建立的模型定性分析了雨雪和海冰的区域格局，发现他们与独立的遥感数据集相一致。这类自动SAP分类为更广泛的地球物理应用开辟道路。[3]
[1] Gregory W, Tsamados M, Stroeve J, et al. Regional September Sea Ice Forecasting with Complex Networks and Gaussian Processes[J]. Weather and Forecasting, 2020 (2020).
[2] Charakopoulos A K, Katsouli G A, Karakasidis T E. Dynamics and causalities of atmospheric and oceanic data identified by complex networks and Granger causality analysis[J]. Physica A: Statistical Mechanics and its Applications, 2018, 495: 436-453.
[3] Wang C, Tandeo P, Mouche A, et al. Classification of the global Sentinel-1 SAR vignettes for ocean surface process studies[J]. Remote Sensing of Environment, 2019, 234: 111457.
(12) 气候分析与预测
U.Ozturk等人提出了一种新技术，即径向秩，来捕捉快速发展的大气事件，即台风。它基于日本事件同步的强度参数来检测台风正向的一般模式。 根据强度参数对选定网格周围的高相关性圆形区域进行子集化， 沿该区域内矢量的强度参数的径向总和，针对潜在方向测量径向秩，这使我们能够长时间跟踪网络通量。 我们还使用事件同步的delay参数来识别和分离正面风暴和台风的个体行为。[1]
之后又使用由非线性同步措施定义的复杂网络来跟踪日本岛屿的极端降雨，提出一种径向秩方法，显示了极端降雨路径遵循台风的整体西南向东北运动和日本的平均降雨梯度。[2]
同年的工作中，Öztürk U等基于卫星分析的降雨数据（TRMM-3B42V7），使用网络分析来比较日本极端降雨的空间特征。首先将时间序列分为两个子集：6月至7月（JJ）和8月至11月（ASON），以专注于Baiu前沿季节（JJ）和热带风暴季节（ASON）。 论文评估了这两种不同机制所涉及的空间尺度，并定义了两个季节内连贯降雨的区域，通过使用径向统计量来追踪长距离的网络通量，这使观察到极端降雨径迹的一般模式成为可能。 与贝乌相关的极端事件相比，与热带风暴有关的极端降雨显示出较小的空间尺度（在100 km范围内）。还发现，热带风暴径眼的极端降雨始终存在偏差。[3]
Broni-Bedaiko C等展示了一种方法，该方法基于使用从具有LSTM神经网络的气候网络中提取的各种复杂网络指标来预测厄尔尼诺-南方涛动ENSO现象，结果表明，作为预测变量提取的12个网络指标具有预测能力，并且预测ENSO现象的潜力更长。[4]
Agarwal A等在解决全球气候系统中存在的多尺度复杂关系问题上，首先在不同时间范围内构件多个网络，使用小波方法分解不同时间尺度上的数据，然后通过Pearson的相关性构建相应的网络。此方法可以为理解和扩展多尺度复杂多元过程提供了重要的依据。[5]
Wang L等提出一种将海洋多个时间序列融合为图像的映射方法，并利用不同图像之间的相似性构造一个复杂的网络。 此外，通过选择适当的阈值来构建一个由海洋多个时间序列组成的复杂网络。[6]
Bracco A使用基于复杂网络分析的特定方法δ-MAPS。 δ-MAPS特别适用于调查气候数据中的本地和非本地统计相互关系，实现了对于大型气候数据集的挖掘。[7]
Martín Gómez V为了解决“海温异常在热带海洋如何集体相互作用并反过来导致降雨的变化”这一问题，构建了一个气候网络，将表征热带海洋的不同指数和SESA上的降水指数作为网络节点，研究了他们的集体交互作用，结果表明，在上个世纪，网络节点之间存在着两个具有不同交互特征的同步阶段（30s和60s）。SESA降水的更强的连通性表明，由于人为的强迫作用，热带海洋对SESA降水的影响增加，这可以增强其季节可预测性。[8]
Ebert-Uphoff等将复杂网络的框架应用于极端依赖关系，以获得对极端天气和气候事件的新见解，在确定最合适的现有气候网络类型(事件同步网络),基于极值理论（χ网络）引入了新的网络类型，计算了样本χ网络，从而为预测极端天气提供了依据。[9]
Ekhtiari N等采用复杂网络来研究两个或多个气候变量之间的相互作用可以更好地理解不同变量，区域或特定模式之间的相互作用。 在这项工作中，Ekhtiari N借助多层复杂网络研究海洋与大气的耦合。 具体来说，论文调查了不同类型的ENSO事件对南美不同气候变量的相互作用和相互影响的影响。结显示了部分海洋与大气之间的气候变异性之间的相关性，并通过不同的网络测量方法量化这些相似性的强度。[10]
Donner R V等尝试将使用网络分析来消除多尺度气候变化的问题，引入特定规模气候网络的概念，该该概念包括一系列不同时间尺度变化之间的统计并关联结构的网络。考虑全球地面空气温度再分析数据，并对每个网格点的相应时间系列进行复数值连续小波变换。所获得的结果表明，系统地开发特定规模的气候网络是潜在有用的。[11]
Franke J G使用功能性古气候网络分析[1,2]来研究北极2k数据库中来自北欧的高分辨率高分辨率古气候记录集合之间统计相似性模式的变化.通过构建复杂网络，以捕获在树环、冰芯和胡泊沉积物中记录的年际温度变化的相互统计相似性，观测到的协变模式最终与北大西洋大气环流有关，最重要的是与北大西洋涛动的年代际变化有关，并发现一个趋势，即由一个明显的和延长的负NAO间隔中断一个主导的NAO正相。 在不同时期，包括小冰期，中世纪气候异常和黑暗时期的小冰期，两种行为之间的转换相对较快。[12]
Jiang G Q等提出了两种基于机器学习神经网络的算法-浅层学习（S-L）和深度学习（D-L）算法，这两种算法可用于大气台风预报模型，为台风预报提供流相关的台风诱导海面温度冷却(SSTC)，实验结果表明，S-L算法不能正确表示台风-海洋物理相互作用。 它倾向于产生不稳定的SSTC分布，任何扰动都可能导致SSTC模式和强度的变化。而D-L算法将最大风强度误差提高了60–70％。[13]
在对热带气旋(TC)的分析工作中，Lee J等提出了一种使用多光谱卫星图像的基于深度学习的强度估计方法。此方法尝试使用卷积神经网络（CNN）根据TC强度找出图案的重要效果，结果表明，此模型的性能比使用单个长波红外图像的现有方法高出约15％，这种方法有助于实时分析周围大气条件和海洋条件之间的关系。[14]
[1] Ozturk U, Marwan N, Kurths J. Identifying Typhoon Tracks based on Event Synchronization derived Spatially Embedded Climate Networks[C]//EGU General Assembly Conference Abstracts. 2017, 19: 3245.
[2] Ozturk U, Marwan N, Korup O, et al. Complex networks for tracking extreme rainfall during typhoons[J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2018, 28(7): 075301.
[3] Öztürk U, Malik N, Marwan N, et al. Comparison of tropical and frontal storms using complex networks[C]//EGU General Assembly Conference Abstracts. 2018, 20: 7237.
[4] Broni-Bedaiko C, Katsriku F A, Unemi T, et al. El Niño-Southern Oscillation forecasting using complex networks analysis of LSTM neural networks[J]. Artificial Life and Robotics, 2019, 24(4): 445-451.
[5] Agarwal A, Maheswaran R, Marwan N, et al. Wavelet-based multiscale similarity measure for complex networks[J]. The European Physical Journal B, 2018, 91(11): 296.
[6] Wang L, Huang Z, Shi S, et al. Marine Multiple Time Series Relevance Discovery Based on Complex Network[C]//International Conference on Neural Information Processing. Springer, Cham, 2018: 36-45.
[7] Bracco A, Falasca F, Nenes A, et al. Advancing climate science with knowledge-discovery through data mining[J]. npj Climate and Atmospheric Science, 2018, 1(1): 1-6.
[8] Martín Gómez V. A complex networks perspective of the past and future coupling between the tropical oceans and precipitation over Southeastern South America[J]. 2017.
[9] Ebert-Uphoff I, Huang W, Mitra A, et al. Studying extremal dependence in climate using complex networks[C]//Proceedings of the 8th International Workshop on Climate Informatics (CI 2018), Boulder, CO. 2018.
[10] Ekhtiari N, Ciemer C, Widermann M, et al. Ocean-atmospheric interactions in South America revealed by two-layer complex climate network analysis[C]//EGU General Assembly Conference Abstracts. 2017, 19: 15235.
[11] Donner R V, Jajcay N, Wiedermann M, et al. Decoding the spatial signatures of multi-scale climate variability-a climate network perspective[C]//AGU Fall Meeting Abstracts. 2017.
[12] Franke J G, Werner J, Donner R V. Reconstructing the leading mode of multi-decadal North Atlantic variability over the last two millenia using functional paleoclimate networks[C]//EGU General Assembly Conference Abstracts. 2017, 19: 7071.
[13] Jiang G Q, Xu J, Wei J. A deep learning algorithm of neural network for the parameterization of typhoon‐ocean feedback in typhoon forecast models[J]. Geophysical Research Letters, 2018, 45(8): 3706-3716.
[14] Lee J, Im J, Cha D H, et al. Deep learning based Tropical cyclone intensity estimation method using Communication, Ocean and Meteorological Satellite (COMS)[J]. AGUFM, 2019, 2019: A33M-2963.
海洋旋涡、海洋锋的分析预测
Yunyan D等人在分析海洋旋涡工作中，引入空间数据挖掘的社区网络划分方法，将涡旋过程看作复杂的移动网络，对涡旋移动的聚集性特征进行探索和分析。对近20年的南海海洋涡旋移动数据进行组织，基于图论模型构建了涡旋瞬时移动（TP），涡旋移动起止点（OD），涡旋最小描述距离的特征点移动网（MDL）和涡旋过程移动再生数据（RSP）4种状态的海洋涡旋的移动网络图其次，采用基于快速模块度优化的区域划分方法分别得到4种状态下涡旋移动的聚集性区域；最后，利用弦图对区域内和区域间涡旋移动规律进行了可视化分析，发现海洋涡旋的RSP数据能够弥补原始涡旋移动数据在区域划分方法中呈现的数量不足的问题，能够在足够数据量的情况下，有效地发现从起点到终点的主要移动通道和涡旋移动的聚集性区域，这些区域反映了南海涡旋从其产生、发展到结束整个演化过程的聚集性特征。[1]
Wang Y H基于Petrel-II滑翔机获得的高分辨率的连续观测数据构建了一个复杂网络，该复杂网络方法被改进以构建具有多层结构的新型海洋观测复杂网络（OOCN）。 获得了中尺度涡的分层结构，部分验证了涡的三室结构。 结果表明，这种复杂网络结构可以对中尺度涡旋和其他复杂海洋现象进行动态结构分析。[2]
Bolton T等使用机器学习来观测数据和拟合模型，进而预测未解决的湍流过程和底下流场。结果证明，卷积神经网络成功地复制了亚网格涡动量强迫的时空变化，能够推广到一系列动力学行为，并且可以被迫尊重全局动量守恒。 我们的卷积神经网络的训练数据可以被抽样到原始大小的10％到20％，而准确性没有明显下降。这为成功设计海洋涡旋参数化提供了证据，以实现在粗分辨率气候模型中的应用。[3]
Franz K等展示了一种基于深度学习的涡流分析方法，开发了两种主要基于卷积神经网络特征学习的涡流识别和跟踪框架。在澳大利亚地区和东澳大利亚州进行了当前海平面异常数据的检测和跟踪，并与当前方法进行了比较。[4]
George T等使用深度卷积神经网络证明中尺度湍流的SSH表达式包含足够的信息来预测约64％的涡流通量变化，而CNN的性能明显优于其他传统的数据驱动技术。 研究结果表明，深度CNN可以为有效监控涡流的通量提供有效途径。[5]
Duo Z等基于目标检测网络构建了中尺度涡流自动识别定位网络OEDNet，首先使用2D图像处理技术来增强海洋专家注释的少量准确涡流样本的数据，以生成训练组。 然后，针对海洋中尺度涡旋中的小样本和复杂区域，设计并优化了具有深残留网络，以特征金字塔网络为主要结构的物体检测模型。 实验结果表明，与传统的检测方法相比，该模型具有更好的识别能力，在不同海域具有良好的泛化能力。[6]
X. Bai提出了一种通过深度神经网络的涡流检测新方法，以提高涡流检测的准确性。 首先，我们提出一种基于流径的方法，从洋流数据构建大规模的涡流图像数据集，并将我们的数据集应用于涡流检测。 其次，通过将神经网络中的多层特征与涡流的特征相结合，我们获得了竞争性检测结果，mAP为90.64％，平均SDR为98.91％，其性能优于以前的方法。 第三，通过增强的涡流可视化方法，我们解决了在稀疏流径区域很难检测到涡流的问题。[7]
Lguensat R展示了一种基于深度学习的体系结构EddyNet，可根据哥白尼海洋与环境监测服务（CMEMS）提供的海面高度（SSH）地图自动进行涡流检测和分类。 EddyNet由卷积编码器-解码器和随后的逐像素分类层组成。 输出是一个具有与输入相同大小的贴图，其中像素具有以下标签{‘0’：非涡旋，‘1’：反气旋涡旋，‘2’：气旋涡旋。[8]
Du Y展示了如何使用深度学习来可靠地提取高级特征，然后融合多尺度特征以识别涡旋，而不论其结构和尺度如何。 首先使用两个主成分分析卷积层来学习涡流特征，然后通过二进制哈希层和逐块直方图对特征进行非线性转换。 为了解决合成孔径雷达（SAR）图像上空间可变性的难题，作者引入了空间金字塔模型以允许多尺度特征融合。 最后，线性支持向量机分类器识别出涡流。 此方法称为DeepEddy，是针对20,000个SAR图像样本的数据集进行基准测试的，检测精度达到97.8±1％。[9]
Huang D提出了一种简单的深度架构DeepEddy，以自动检测海洋涡流，并且没有专家知识。 DeepEddy可以分层学习海洋涡流的高级和不变特征。 它的设计包括两个用于涡流特征学习的主成分分析（PCA）卷积层，一个用于非线性变换的二进制哈希层，一个使用块状直方图和空间金字塔池来解决海洋结构和姿态复杂性的特征池层 涡流，以及用于最终涡流识别的分类器。 我们通过对高空间分辨率合成孔径雷达（SAR）图像进行综合实验，验证了该架构的准确性。 我们达到了96.68％的最新精度。[10]
[1] Yunyan D, Yang M, Huimeng W, et al. Exploring the propagation characteristics of ocean eddies from the perspective of complex networks: A case study in the South China Sea[J]. 海洋学报, 2017, 39(7): 110-123.
[2] Wang Y H, Shen X R, Yang S Q, et al. Three-dimensional dynamic analysis of observed mesoscale eddy in the South China Sea based on complex network theory[J]. EPL (Europhysics Letters), 2020, 128(6): 60005.
[3] Bolton T, Zanna L. Applications of deep learning to ocean data inference and subgrid parameterization[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(1): 376-399.
[4] Franz K, Roscher R, Milioto A, et al. Ocean eddy identification and tracking using neural networks[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 6887-6890.
[5] George T, Manucharyan G, Thompson A. Deep learning to infer eddy heat fluxes from sea surface height patterns of mesoscale turbulence[J]. 2019.
[6] Duo Z, Wang W, Wang H. Oceanic Mesoscale Eddy Detection Method Based on Deep Learning[J]. Remote Sensing, 2019, 11(16): 1921.
[7] X. Bai, C. Wang and C. Li, “A Streampath-Based RCNN Approach to Ocean Eddy Detection,” in IEEE Access, vol. 7, pp. 106336-106345, 2019.
[8] Lguensat R, Sun M, Fablet R, et al. EddyNet: A deep neural network for pixel-wise classification of oceanic eddies[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 1764-1767.
[9] Du Y, Song W, He Q, et al. Deep learning with multi-scale feature fusion in remote sensing for automatic oceanic eddy detection[J]. Information Fusion, 2019, 49: 89-99.
[10] Huang D, Du Y, He Q, et al. DeepEddy: A simple deep architecture for mesoscale oceanic eddy detection in SAR images[C]//2017 IEEE 14th International Conference on Networking, Sensing and Control (ICNSC). IEEE, 2017: 673-678.
(13) 海洋锋分析预测
Lima E等提出了一种用于海洋锋自动识别的深度学习方法，即使用一种与现有体系结构相比层数层数更少的深度网络，该网络有5个可学习的层，并将此深度网络进行扩展，然后对网络进行了评估和分析，实验结果表明，该模型可以产生准确的识别结果。[1]
海洋锋在很多领域都有着重要的影响，获得准确的海洋锋定位意义重大，因此，海洋锋探测是一项非常重要的任务。然而，传统的边缘检测算法并不能很好地检测到海洋前沿的弱边缘信息。针对这一问题，Li Q收集了相关的海洋前缘梯度图像，并找到相关专家对海洋前缘数据进行校准以获得groundtruth，并提出了一种用于海洋前缘检测的弱边缘识别网(WEIN)。无论是定性的还是定量的，此方法都是有效的。[2]
[1] Lima E, Sun X, Yang Y, et al. Application of deep convolutional neural networks for ocean front recognition[J]. Journal of Applied Remote Sensing, 2017, 11(4): 042610.
[2] Li Q, Zhong G, Xie C. Weak Edge Identification Nets for Ocean Front Detection[J]. arXiv preprint arXiv:1909.07827, 2019.