海洋水色遥感机器学习模型应用现状及定标与真实性检验AI模型展望.pdfVIP

海洋水色遥感机器学习模型应用现状及定标与真实性检验AI模型展望.pdf

第56卷第1期海洋与湖沼Vol.56,No.1

2025年1月OCEANOLOGIAETLIMNOLOGIASINICAJan.2025

海洋水色遥感机器学习模型应用现状及定标与

真实性检验AI模型展望*

1,31,211,3

陈鹏厉运周赵志刚张思琪

张镇华1,3王军成1,2潘德炉1,3

（1.齐鲁工业大学(山东省科学院)山东青岛266061；2.崂山实验室山东青岛266237；

3.自然资源部第二海洋研究所浙江杭州310012）

摘要海洋水色遥感技术是观测海洋水色状况的高效工具，数十年来持续提供了全球海洋光学特

性、水色和生物地球化学参数的重要数据。随着人工智能的快速发展，基于机器学习模型的水色遥感

研究逐渐成为科研领域的新热点。本文回顾了海洋水色遥感中机器学习模型的现状与挑战，并评估了

这些模型在大气校正、水色反演、碳循环及数据重构中的应用效果。本文重点综述了机器学习在海洋

水色遥感应用中的进展。鉴于卫星传感器长期在轨运行中，可能遭受元器件老化等问题，本文强调了

对遥感器进行持续定标和真实性检验的必要性。这些检验工作是确保卫星遥感数据质量的基础，对于

卫星遥感应用至关重要。因此，本文还展望了未来在水色遥感定标与真实性检验中，人工智能大模型

的发展前景。

关键词水色遥感;大模型;机器学习;辐射定标;真实性检验;大气校正

中图分类号P731doi:10.11693/hyhz20240800178

在大数据时代背景下，大规模模型的训练和部署已HY-1C/D/E(在轨运行)、HY-1F(即将发射)]，并规划发

经成为全球研究者关注的焦点。深度学习技术的快速发展高轨静止水色卫星。海洋水色遥感技术通过遥感手

展，推动了以GPT(GenerativePre-trainedTransformer)、段捕捉海洋表层的水色信息，并据此推断出海洋中的

BERT(BidirectionalEncoderRepresentationsfrom溶解物质、悬浮物质和生物量等关键参数。这些参数

Transformers)(Yendurietal,2024)、XLNet(Yangetal,对于深入理解海洋生态系统状况、监测海洋环境变化

2019)、T5(Text-to-TextTransferTransformer)(Raffel以及有效管理海洋资源极为重要。在过去数十年，遥

etal,2020)为代表的大型语言模型的快速涌现。目前感技术凭借其卓越的空间分辨能力，为全球海洋信息

ChatGPT已经发展至4.0版。除ChatGPT外，国内产的获取提供了新的视角，极大地推动了海洋学研究的

品如“文心一言”“讯飞星火”“天工3.5”“百度Ernie革新。这项技术赋予了科学家们深入洞察海洋环境复

Bot”“华为盘古”“腾讯天机”“清华GLM”等也在大语杂动态变化的能力。然而，海量且多样化的遥感图像

言模型领域处于领先地位。中国正积极推动人工智能数据给数据分析和处理带来了前所未有的挑战。在这

在各个行业的广泛应用。种背景下，机器学习尤其是深度学习技术，已经成为应

我国已经建成了完善的海洋水色卫星观测体对这些挑战的关键工具，它们帮助我们挖掘并释放人

系，发射多颗海洋水色卫星[HY-1A/B(结束任务)、工智能的全部潜力。随着遥感技术和数据处理能力的