世界各国在海洋探索领域的进展

随着海洋信息化的发展和各类探测设备的不断进步，海洋数据体量已经呈现出爆炸性增长的状态，海洋领域已经进入了大数据时代，全方位、连续、多源、立体的观测使得海洋数据的存量已经达到EB级别，日增量也达到了TB级别。世界各国都在积极推动海洋领域的发展，建立起覆盖全国甚至全球的海洋观测网络，通过形式多样的探测设备获取海洋实时的数据，形成数量庞大的海洋数据库。庞大的数据体量向从海量数据中挖掘信息的技术提出了更高的挑战，如何提取更有用的信息，并将其应用于海洋科学的各个领域，已经成了未来海洋科学发展的重点问题。本节从海洋大数据相关热点的三个方面进行介绍，分别是世界各国在海洋大数据的获取、海洋大数据的处理以及海洋大数据的应用。

1.2.1 国际组织

1.2.1.1 海洋大数据的获取

(1) 海洋观测网络
全球海洋观测系统(Global Ocean Observing System, GOOS),由4个国际机构发起并组织实施：政府间海洋学委员会(IOC)、世界气象组织、国际科学联合会理事会和联合国环境规划署，目标是建立一个全球性的海洋资料、产品、信息共享的国际系统，是目前世界上最大的全球性海洋观测系统。GOOS海洋观测由4个方面组成：志愿观测船(VOS)，海洋高空探测(ASAP)，漂浮浮标和系留浮标。GOOS系统由5个模块组成：气候模块、海洋健康模块、生物资源模块、沿岸模块和服务模块。GOOS治理模型分为三个层次：提供监督的跨国指导委员会，指导系统要求的科学专家小组以及实施全局统一网络执行的观察协调组。GOOS项目办公室促进了这些不同治理机构之间的协作[1-4]。
全球海洋实时观测网ARGO是由美国、法国和日本等国家大气、海洋科学家推出的一个大型海洋观测计划，该计划构想用3-4年时间在全球大洋中每隔300公里布置一个卫星跟踪浮标，截至2018年7月，布放在全球海洋中并处于工作状态的Argo剖面浮标已达到3762个。此项目计划在维持现有的观测内容的基础上，将Argo浮标观测范围扩大到海面2000m一下甚至海底，同时携带安装生物、地球、化学等新型传感器[1-3]。截止2016年，由Argo所得到的数据体量比20世纪海洋观测资料的总和还多，并且Argo采样密度及深度还在不断提高；Argo项目旨在快速、准确、大范围地收集全球海洋上层的海水温、盐度剖面资料，以提高气候预报的精度，有效防御全球日益严重的气候灾害给人类造成的威胁，被誉为“海洋观测手段的一场革命”。
海王星计划(NEPTUNE)由美国和加拿大合作建立，并于2007年投入运行。NEPTUNE计划在水下约3000m的海床上，用长达3000km的光缆线连接着20～30个观测站，每个观测站可能还有支路延伸至几千米远的各种仪器，可以长期观测海洋内部和海底各种物理、化学、生物和地质过程，使用年限至少20～30年。关键设备包括：潜标、CTD、ADCP、人工磁场海流计、波浪传感器、光源和相机、营养盐测量仪、地震仪，还有ROV、AUV、ROVER。其中，ROV用于水下仪器和网络的布放、安装和维护；AUV用于数据的转驳和能源的补充；ROVER用于各节点之间的空白区的观测。网络设计中，有“即插即用”接口，使仪器的更换和新仪器的使用更为方便。通过一系列先进设备的部署，NEPTUNE计划将从根本上改变人类研究海洋与地球的方式。
在全球环境与安全监测计划(GMES) 4D观测理念的指导下，英国、德国、法国等欧洲国家制定了“欧洲海床观测网络计划”(ESONET)，针对从北冰洋到黑海不同海域的科学问题, 在大西洋与地中海精选 11 个海区(北冰洋、挪威海、爱尔兰海、大西洋中央海岭、伊比利亚半岛海、利古利亚海、西西里海和科林恩海以及黑海等)设站建网, 进行长期实时海底观测。整个系统包括约5000km长的海底电缆。ESONET 将承担系列科学项目, 诸如评估挪威海海冰的变化对深水循环的影响以及监视北大西洋地区的生物多样性和地中海的地震活动等。该计划希望将来囊括从北冰洋到黑海的所有欧洲水域, 也将探索从冷水珊瑚到火山等更多的自然现象[4-1]

(2) 海洋观测技术
根据世界气象组织2010年的统计结果，截止到2010年，参加世界气象组织全球数据交换的具有代表性的全球观测系统主要部分为：

约11000个地面观测站。其中绝大部分台站至少每3个小时开展一次观测。其中约4000站构成了区域基本天气观测网络(RBSNs)和3000多个站组成的基本气候区域网络(RBCNs)；
1300个高空大气探测站；
4000艘自愿和商业船舶观测;
约1200个漂流浮标和200个系留浮标，以及3000剖面观测浮标(ARGOS);
3000架商用飞机观测(AMDAR)并发送实时数据；
6颗近极地轨道业务气象卫星、9颗地球静止轨道业务气象卫星和一系列研发卫星组成了强大的卫星观测网络。[3-1]

1.2.1.2 海洋大数据的处理

设在美国国家地球物理数据中心(NGDC）的国际海道测量组织(IHO)数字测深数据中心(DCDB)，是国际上最具代表性的数据存储与处理中心之一。该组织致力于数字测绘产品的开发与服务，主要关心深于100m的大洋海域，目标是建立世界数字海洋测深数据仓库，包括数据库的更新与质量控制，与其他国际组织协作，发展交换格式和标准以促进测深数据交换。IHO成员国和非成员国向中心提供所搜集到的数字测深数据，并可通过国际海道测量局提出数据产品的需求。DCDB近年来完成的主要工作项目和开发的产品包括数据服务、数字测线数据库建设、海洋地球物理数据库、地球物理数据库系统 (GEODAS) 软件开发、地球表面图像、NOS海洋测量数据库、NOS扫描数字渔业图、海岸地形模型(CRM)、全球地形图像集等。[1-12]
国际海洋数据和信息交换委员会(IODE) 目的是通过促进海洋学数据的交换和交流来加强海洋研究，开发和发展。经过一段时间的发展，IODE系统形成了一个面向全球服务的网络，该网络由DNA（指定的国家机构），NODC（国家海洋数据中心），RNDC（负责任的国家海洋数据中心）和WDC（世界数据中心–海洋学）组成。在过去的50年中，海委会成员国在许多国家建立了80多个海洋数据中心。该网络已经能够收集，控制数百万次海洋观测的质量并存档，并将其提供给会员国。

1.2.1.3 海洋大数据的应用

监测海洋生物多样性
哈佛大学拉德克利夫高等研究院、英国帝国学院计算机系、哈佛大学Wyss研究所的研究人员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。[1-1]
海冰分析预测
法国空间地理实验室（LOPS）和夏威夷大学、美国新罕布什尔大学海洋过程分析实验室、美国华盛顿大学华盛顿大学应用物理实验室合作，将深度学习方法应用于海洋星空合成孔径雷达(SAR)场景分类工作中，所使用的数据集描述了十种常见的大气和海洋过程，通过使用深度学习方法建立的模型定性分析了雨雪和海冰的区域格局，其结果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。[11-3]
气候分析预测
美国乔治亚州亚特兰大、佐治亚理工学院和意大利国家研究委员会地球科学与地球资源研究所、雅典国家天文台环境研究与可持续发展研究所合作，将数据挖掘的方法引入到了气候分析预测工作中来，并使用复杂的网络分析技术和降维技术等手段，来提取和分析气候领域的统计相互关系。

1.2.2 美国

1.2.2.1 海洋大数据的获取

(1) 海洋观测网络
美国的沿海海洋自动观测网(C-MAN)建于20世纪80年代，主要利用卫星、网络等通信手段，综合集成58个自动站、71个浮标和30个地面观测站，可迅速汇集各海域观测数据。C-GOOS系统是90年代发展的高度集成的、面向海洋生态环境观测的近岸海洋观测系统，该系统通过遥感、海洋仪器等手段获取海洋环境数据，提供多源数据的统一管理、预报模型优化、信息产品生成等众多功能[1-9]。
美国有代表性的区域性海洋环境观测系统主要有：美国缅因湾海洋观测系统(GOMOOS)、切撒皮克观测系统(CBOS)、墨西哥湾沿岸海洋观测系统(GCOOS)等，这些区域性观测系统后期被整合到综合海洋观测系统(IOOS)。[1-9]
美国国家海洋和大气局共同制定的综合海洋观测系统(IOOS),在原区域观测网络基础上进行整合形成大范围的国家级观测系统。该系统包括观测子系统、数据通讯子系统和应用服务子系统，可敏捷访问多学科海洋数据，为航运、打捞、海岸侵蚀、渔业等提供所需的数据、信息和相关服务，并建立联邦部门、州部门和私营部门之间横向交叉的伙伴关系和信息共享即使，提高了海洋数据采集、传输和业务使用的能力。[1-9]
20世纪90年代，美国形成了两大观测系统，从海洋科学前沿的研究目标出发，在基金委员会(NSF)的支持下，形成了以海底联网为基础的“大洋观测计划”——OOI，其中最引人瞩目的是东北太平洋的“海王星计划”；从近海环境资源的管理保护应用目标出发，由美国海洋大气署(NOAA)主持协调，形成了跨政府部门的“整合海洋观测系统”——IOOS，目标是海面观测为主的业务性观测[1-2]。

(2) 海洋观测技术
海洋观测网络的顺利运行，离不开形式多样的海洋观测技术。美国目前构建海洋观测网络的海洋观测技术主要有6种：岸基台站、浮标、水下滑翔机、AUV、高频雷达、卫星遥感、海洋测量船。

岸基台站：
岸基海洋观测台站系统由分布于沿岸、岛礁、灯塔和码头的自动观测传感器系统组网构成，是美国业务化的自动观测系统的主要部分。各岸基台站沿美国东西海岸线的平均间隔约为 40 km，基本全部实现了全天候、自动化无人观测。截至到2014年，美国境内11个区域性海洋观测系统空间范围内业务化的岸基台站共有535个。[1-7]
浮标：
浮标系统包括各类固定和移动浮标、海上固定或移动平台上的自动观测传感器系统等，是美国业务化的自动观测系统的另一主要部分。美国业务化浮标观测系统在布局上沿海岸线轮廓呈网状分布，由陆地向海洋方向逐渐稀疏。在阿拉斯加区域的主要为 6 m 船型锚系浮标，其余分别为12m、3m 和1.8m尺寸，可测量风向、风速、冰层、波浪、气温、气压、水温等指标；在墨西哥湾区则主要在海上固定、移动钻探平台和立柱上装置观测仪器，除气象观测外可观测剖面海流和波浪，此外也有少量的 3 m 和 10 m 浮标；在靠近低纬的加勒比区域，部分浮标装备热能指数传感器。截至2014年，美国在全球范围内多达1000余个浮标的浮标观测网是美国海洋业务化观测的主体。[1-7]
水下滑翔机：
自2005年起，美国开始了水下滑翔器的业务化试运行。目前部署的水下滑翔器主要为 Slocum 式和Spary式，观测温盐深参数。业务化运行的水下滑翔器的任务与目标同其所携带的传感器种类是密切相关的，除辅助飓风预报以外，串联水下滑翔器还可跟踪研究行进中的赤潮，以便更好地掌握如何跟踪和预测有害的藻华。[1-7]
AUV：
目前美国最具有代表性的水下无人航行器是WHOI研制的“远程环境监测装置”（REMUS），REMUS是一种低成本的近海环境调查监测和多任务作业平台，研究经费得到美国海洋大气局和海军研究署的支持，在军事上主要用于水雷探查、目标监测、情报搜集和军事海洋学研究。REMUS长1.32m，直径19cm，工作深度150m，空气中自重31kg（铅酸蓄电池），在水中时处于中性浮力，航速4节时的潜航周期为14h，三个推进马达产生0.68kg推力，能以4节的航速在10h内完成74km的航程，电源工作电压24V，输出功率32W，动力源是可充电的铅酸密封蓄电池或锂电池。REMUS搭载的设备主要有侧扫声纳前视声纳（DIDSON）、CTD和ADCP、视频浮游生物记录器、浮游生物泵、辐射计、生物荧光计、荧光计、光学后向散射计OBS以及浊度传感器等。[1-8]
高频雷达：
美国IOOS提出通过地球观测组织建立高频雷达网，在美国进行海洋观测业务化运行的就达132部，共分为4级观测分辨率，主要对应测量20km，45km，75km 和150 km 海域范围内的海流流场。测量20km海域的高分辨率（频率为40~45MHz）HF主要有5部，全部位于中北加州区的旧金山附近海域，从属于旧金山州立大学；测量45 km海域的较高分辨率（频率25MHz左右）的HF共有30部，除3部部署在中北加州区外，其余均部署在南加州和东北近岸区域；测量75km范围（频率为12~16.5MHz）的HF共有50部，主要分布在中北加州区、南加州区、东北区、东南区、加勒比和太平洋岛屿区；除在阿拉斯加区域北部仅有两座外，测量150km的远程HF（频率为 4.4~8.5 MHz）基本全部覆盖美国沿海。[1-7]
卫星遥感：
目前美国已经陆续发射了多颗海洋水色卫星、海洋地形卫星和海洋动力环境卫星。1997年8月，美国发射了SeaStar海洋水色卫星。星上装载有第二代海洋水色传感器，共有8个通道，前6个通道位于可见光范围，7、8通道位于近红外，中心波长分别为765nm和865nm；地面分辨率为1.1km，该卫星现仍在运行。1999年，美国发射了EOS-AM卫星，这系列卫星主要用于陆地和大气观测、物理和化学、气候环境调查。[1-8]
2002年5月，美国发射了EOS-PM第一颗卫星，并于后续发射了第二颗和第三颗卫星，EOS-PM卫星装载的仪器有：先进的微波探测器（AMSU）、微波湿度探测器（MHS）、云和地球辐射能量系统（CERES）、中分辨率成像光谱仪（MODIS-N）、大气红外探测器（AIRS）、多通道微波成像辐射器（MIMR）。EOS-AM1卫星装载五个主要仪器：中分辨率成像光谱仪（MODIS-N）、先进星载热发射和反射辐射器（ASTER）、多角度成像光谱仪（MI-SR）、云和地球辐射能量系统（CERES）和对流层污染仪（MOPITT）。[1-8]
海洋测量船：
美国拥有的海洋测量船型号多、技术新。1989～1994年短期内装备了6艘现代化测量船（usns系列）之后，又迅速在两年时间内建造了6艘更先进的5000吨级中远海测量船，每艘船上都装备了浅海回声测深仪、深海回声测深仪、海底浅层剖面仪、浅海多波束系统、深海多波束系统、多普勒声学测流仪、侧扫声呐、全球定位系统、遥控潜水器、重力仪、磁力仪等20多种海洋测量设备和多个测量工作站，可以详尽准确地探测海底地形、海底地貌、海底浅层剖面、海底表层地质等多种要素，在一些中型以上的测量船上还配置有海洋生物和海洋特性等专项调查设备。长期在我国南海活动的“无暇”号是美国海洋测量船的典型代表，其中配有约20名水手，10名技术人员和20名海军人员，装备有大型拖曳阵声纳，可以有效探测和跟踪安静型舰艇，此外，美国海军在航空母舰上也装有先进的测量设备。[1-8]

1.2.2.2 海洋大数据的处理

(1) 海洋大数据的存储管理
美国国家航空航天局（NASA）的地球观测中心建立了地球观测系统数据和信息系统，存储和管理全部数据，采用的是分布式开放的系统架构[1-3]。美国NOAA通过分布式网络管理多源异构数据，利用GIS和Web客户端访问空间数据库和传统关系数据库，空间数据访问利用ArcIMS 发布地图服务，基于Spatial SQL进行空间数据查询和操作，极大提高了数据的访问效率。[1-10]
大数据处理的核心技术包括分布式文件存储以及云计算。分布式文件存储即分布式文件系统+ NoSQL 数据库，美国典型的代表为 Hadoop 的 HDFS+ HBase 文件存储方案、谷歌的 GFS+BigTable。分布式计算从 Hadoop 的 MapReduce，发展到 Spark内存计算以及 Storm 流式计算或 SparkStreaming 流式计算等。随着云计算技术的发展，云计算作为一种网络应用模式，为海洋大数据存储和管理提供了有效的解决方案[1-5]。
(2) 海洋大数据的挖掘分析:
由于海洋大数据数据类型具有实时性和多样性的特点，在处理数据时应当根据数据类型和分析对象进行数据分析，自适应算法和模型就显得尤为重要。美国Google公司提出MapReduce计算模型，此模型适用于批处理过程，后续又提出Pregel模型，来弥补MapReduce模型的不足。Google公司还开发了许多大数据分析工具，比如PowerDrill和Dremel，前者适用于分析海量数据的核心子集，后者主要用于分析多数据集，它可以在几秒钟内处理多大PB数据，且可处理的数据类型也多于PowerDrill工具[1-13]。
(3) 海洋数据可视化：
在理论研究方面，美国的Jobard等人最早进行了基于纹理和粒子追踪的流场可视化方法研究，为复杂流场可视化奠定基础。NASA下属的科学可视化工作室目前已完成超过5 300个海洋可视化视频，其中利用流线技术完成的“Perpetual Ocean”视频，发布后引起了海洋学家的广泛关注。在标量场可视化算法方面，加州戴维斯马匡六团队在大规模体绘制、实时光照、多变量特征提取等方面都取得相应成果。
在科学可视化分析平台方面，google 公司的 google 地球中的 Google Ocean，美国国航空航天管理局（NASA）推出的 WorldWind，ESRI 公司的 ArcGlobe，Skyline 公司的Skyline 平台等都是比较好的交互式海洋地理分析软件，具有3D动态视图，能够完成空间数据分析制图等服务，而且具有相应的外接接口，具有良好的二次开发功能[1-6]。Vis5D 是由美国威斯康星大学开发的一个针对气象数据的交互式可视化软件系统。Vis5D 是基于 Linux 系统采用 C/C++编写的开源可视化软件系统，其中用户可以根据自己的需要修改和重新发布程序。它实现了栅格数据以及非栅格的矢量化数据的可视化分析及多数据集上的传统的气象数据可视化分析功能以及二维剖面分析等[1-11]。高级可视化系统 AVS（Advanced Visual System）是由美国 AVS 公司开发的一套基于面向对象技术开发的可视化开发工具套件。通过 AVS 用户可以快速构建交互式的可视化应用程序。AVS 具有强大的可复用性，实现了组件式开发，可以定制多种数据可视化方式。AVS 提供了大量的预设组建来完成不同的可视化和数据管理任务，并在开发层面支持 C、Fortran、C++等多种语言[1-11]。Google Earth是 Google 开发的三维地图服务软件，它采用了 C/S 软件架构，将海量的空间数据整合如三维地球球体中，用户只需安装一个客户端程序就能实现对全球范围内三维空间数据的快速浏览。它运用了成熟的分布式网络传输技术，能实时的为用户提供数据。Google Earth 简洁方面的交互界面和操作方式，以及详细的基础地理数据和良好的 3D 可视化性能，使它成为迄今应用最为广泛的网络数字地球系统 [1-11]。World Wind 是由美国航天宇航局发布的开源 GIS 平台。它可以将 Landsat 7、SRTM、MODIS，Landmark Set 等多颗卫星的数据及其它 WMS 服务商提供的图像通过一个三维的地球模型展现。World Wind 在客户端和服务器之间并非直接传输空间数据，而是传输影像图片和 XML 文档，这种技术大幅度的减少了信息传送量，减轻了网络负载，适用于网络地理信息系统。[1-11]

1.2.2.3 海洋大数据的应用

(1) 监测海洋生物多样性
美国加利福尼亚州立大学研究团队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。[1-5]
(2) 来源识别及定位
美国能源部水动力技术办公室和太平洋西北国家实验室（PNNL）的一项研究中，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。[2-7]
美国犹他州杨百翰大学和美国特拉华州大学合作，发现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。[2-8]
美国犹他州杨百翰大学学者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。[2-9]
(3) 声呐、卫星图像中的目标识别
美国康奈尔大学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。[5-1]
(4) 数据去噪以去除水深或数据中的异常值
美国乔治亚州佐治亚理工学院和美国斯伦贝谢有限公司合作，在海底调查工作中为了解决接收器稀疏的情况，并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。[5-4]
(5) 深海资源建模
南方卫理公会大学和美国德克萨斯A&M大学等将计算机视觉、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，并取得了很好的效果。[6-4]
美国约翰·霍普金斯大学应用物理实验室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”。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。[6-7]
美国缅因州东布斯贝海洋科学Bigelow实验室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。[6-8]
(6) 海浪分析预测
美国康奈尔大学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。[10-4]
美国康奈尔大学研究了一种方法，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。[10-8]

1.2.3 欧洲

1.2.3.1 海洋大数据的获取

(1) 海洋观测网络
英国CEFAS海洋观测系统由英国环境、渔业及水生物研究中心与英国气象局等单位合作建设，最初的目的是为海洋渔业服务。CEFAS拥有波浪观测站14个，温度和盐度观测站38个，智能化生态监测浮标19个，可以提供各种鱼群、鱼疾病以及鱼捕食的信息，以及英国海岸区域海浪、潮位以及生物化学信息。
希腊的爱琴海监测和预报系统成立于1997年，欧洲自由贸易联盟(EFTA)资助了85%的经费，系统建设由希腊Hellenic海洋研究中心的海洋研究所和Hellenic计算系统研究所承担。爱琴海监测和预报系统主要集中于物理过程(大气状态、波浪、海流)的监测，之后又补充了生物化学量等一系列监测能力。
爱尔兰海监测系统由英国环保局、环境渔业水产科学中心、气象局、威尔士乡村协会、当地政府、应急服务部、健康与安全执行委员会2002年联手创立，目的是去理解沿岸海域对自然行为和人为行为所产生的反应，该系统把实时或近实时监测数据与模型相结合，观测系统由高频雷达覆盖区、海洋雷达覆盖区、CTD监测阵、潮汐监测站、高频雷达站、主锚系和河水入海流量站等组成。观测的重点是暴雨、河流排放的变化、季节性变化及利物浦海域的富营养化。
大西洋观测网成立于2002-2005年的欧洲研究框架第五期，在大西洋沿岸的四个点建立了锚系观测站，目前这套系统归属2008年研究框架第七期开展的欧洲9个深海观测站整合项目。
地中海业务化海洋网同样成立于欧洲研究框架第五期，该项目整合了诸多系统，包括地中海志愿船观测系统，地中海Argo浮标，科里奥利观测系统，地中海Gloss系统，希腊的Poseidon系统，海表面温度、水色以及海面高度卫星遥感系统，克里特海、亚德里亚海以及利古里亚海的海上浮标系统，Puertos del Estado实时观测系统，地中海表面漂流观测系统。[2-1]
欧洲海洋观测和数据网络涵盖了欧洲海岸带、大陆架及周围海盆数据的管理，是对现有欧洲观测系统的网络整合。其主要任务是：建立和整合远海遥感观测系统、大陆架和海岸带观测系统；协调技术方法与战略，在协议原则下加强数据管理、数据格式和质量控制；确保数据（包括区域性数据转化、环境评估和模型等）能够持续地传输给用户。EMODNET系统提供端到端的系统，由传感器与平台、调查研究、通信系统、数据管理和信息工具等模块组成。在此框架下，欧盟委员会的海事和渔业总署（DG-MARE）签署了六项服务协议作为EMODNET的先行试点系统，分别是水温地理信息库、海洋地理信息库、化学信息库、生物信息库、寄生生物地图系统和物理信息库。之后海事和渔业总署又发起了七项服务协议，以促进七个领域的海洋数据、大数据和数据产品的发展整合及渠道建设和利用，这七个领域分别是：水深测量、地质学、物理性栖息地生物（physical habitats）、化学、物理和人类活动[2-2]。

(2) 海洋观测技术
浮标
挪威在欧共体尤里卡海洋计划支持下，研制和开发的SEAWATCH系统主要用于小区域的生态环境监测和预报，配有相应的应用软件，其中使用的TOBIS浮标，带有多种适于生态环境监测的传感器和仪器。
法国研制出带溶解氧式传感器的新型浮标Provor CT。该浮标由“法国海洋开发研究所”（IFRMER）与MARTEC集团合作研制，以满足ARGO国际研究计划的需要。最大深度可达2000m，可以预设漂浮深度和时间。浮标通过预先设定的程序，提供所处海洋环境的有关状况，收集有关含盐量、温度和压力的参数。浮标浮出水面之后，通过AR-GOS卫星将数据传出。浮标潜入水中的周期为十天。可以从一艘船上采用一般施放浮标的抛出器向海洋中施放，也可以采用专用的投放箱进行施放。
卫星
欧洲遥感卫星(ERS)是欧洲航天局(ESA)研制的对地观测卫星，用于环境监测。ERS-1于1991年7发射，后因故障退役。ERS-2于1995年发射，并于2003年退役。之后欧洲航天局又发射了Envisat系列卫星，它是ERS的后继卫星，与气象业务(MetOp)卫星同属于“极轨地球观测任务”。MetOp-A卫星上的先进甚高分辨率辐射计可用于获取海面温度和海冰信息[2-5]。
2009年3月，欧洲空间局发射了地球重力场和稳态海洋环流探测（GOCE）卫星。2009年11月2日，发射了世界上首颗为测绘海洋盐度图和监测整个地球土壤水份含量而设计的卫星。土壤湿度和海洋盐度（SMOS）观测任务将调查海洋、空气和陆地之间水循环的这些关键指数。这是首次从太空对这些指数进行全球性测量，SMOS在监测气候变化和预测恶劣天气事件方面扮演着重要的角色[2-5]。
贾森（Jason）系列卫星是法国国家空间研究中心（CNES）和美国NASA联合研制的海洋地形观测卫星，是TOPEX/Poseidon卫星的后继星，属美国EOS的高度计任务。用于海洋表面地形和海平面变化的测量。CNES 负责平台、载荷和DORIS 接收机的研制，NASA 负责卫星的发射。[2-5]
哥白尼计划是欧盟推出了海洋遥感观测技术的重中之重，从2014年发射“哨兵1号”卫星至今，白尼计划已经在太空中铺下了致密的“哨兵”卫星网络，并建立了许多地面观测站。哥白尼计划是欧盟发起的一项对地观测计划，利用遥感技术对陆地、水体（海洋、河流、湖泊）和大气进行监测。其总共涉及六个服务领域，包括大气监测，海洋环境监测，陆地监测，气候变化，应急管理，安全[2-3]。
AUV
英国国家海洋学中心（NOC）与英国自主水面航行器公司（Autonomous Surface Vehicles Ltd）和英国海洋一站式技术服务公司（Marine One Stop Technologies Ltd）合作开发的长航时无人驾驶水面航行器（Long Endurance Marine Unmanned Surface Vehicles，LEMUSV）于 2014年4月开始生产[2-6]。
英国南安普顿国家海洋中心(NOC)研制的Autosub6000，极限航程可达1000公里，最大工作深度为6000米，有效载荷通量巨大,多次在印度洋热液区执行科学考察任务[2-7]。
挪威Kongsberg公司生产的REMUS 6000,由伍兹霍尔海洋学研究所（WHOI）海洋系统实验室开发的四种REMUS AUV设计之一,最大值几个为0.68m，长度为4m，主要搜索传感器是Edgetech 120/410 kHz双频侧扫声纳。除侧扫声纳外，车辆还可携带电子静止照相机、多波束成像声纳或海底剖面仪。电子静态相机有多个分辨率设置，最大400万像素，在2010年成功搜寻到法航447的发动机残骸[2-8]。

1.2.3.2 海洋大数据的处理

(1) 海洋大数据的存储管理
欧洲航天局（ESA）建立采取基于任务的分布式存储的数据中心，采用了逻辑上集中，物理上分散的分布式服务器集群存储架构[1-3]；
欧洲在先进观测系统的基础上，建立了较为全面的数据信息管理和服务网站，并将它们在互联网上公开发布。欧洲发起的海洋搜索计划聚集了来自30个欧洲沿海国家的33个研究所/中心，数据的学科范围包括物理海洋学、海洋生物、海洋化学、水动力学等。海洋搜索计划的目标包括：(1) 建立、维护及电子发布3个元数据产品/目录以追踪海洋数据和信息的动态，并提高欧洲海洋数据和信息的知名度、总体概况及可获取性。这３个目录分别是：① 欧洲海洋环境数据集目录EDMED,一个索引和检索海洋环境相关数据集的欧洲标准，覆盖多个学科,目前，EDMED已经涵盖了来自超过574个资料中心的2814个数据集。② 航次总结报告CSR,一个通过调查船检索海洋航次信息的全球标准。它给出了这些航次所涉及的数据收集活动以及研究机构。③ 欧洲海洋环境研究计划目录EDMERP,提供正在进行的研究计划、数据收集活动、参与机构和科学家、成果产品等信息。目前，EDMERP包括了来自超过62个研究中心的320多个研究计划。
为了更方便地管理海洋数据，欧盟海洋数据网络(sea data net)计划应用而生，它的目标是建立一个标准化的系统来管理由海洋调查船和新型自动观测系统所收集的不同种类的海量数据集以及网络，并巩固现有基础设施，即来自35个欧洲国家的积极进行数据收集工作的40个国家海洋数据中心和卫星数据中心。这些专业数据中心的联合将产生一个独特的数据管理系统来在线提供统一质量标准的综合数据集。sea data net采用分布式网络方法对其数据资源实现综合协调的概述和访问，即通过制定和实施通用数据索引服务来为用户提供了跨越整个欧洲的不同数据中心的海洋数据的可用性和地域分布等详尽信息。[2-4]
(2) 海洋大数据的挖掘分析:
在数据处理方面，sea data net用于分析的算法在优先级参数、时间和空间尺度和现有的程序方面，充分考虑了在不同海洋区域的特殊环境条件和需要。不同区域产品之间的一致性问题，由逆变模型分析进行的交叉检查来确保，并且通过参考DIVA图形软件专家和国际专家来实现。目前的工作主要为进一步提高产品的可视化服务：用户将能够从产品目录中搜索到数据产品，然后在地图中查看以及下载产品。2011年，法国海洋数据实验室的Nephelae平台项目率先采用大数据和云计算的相关技术，在云端对用户的请求以及数据进行处理，并返回结果。
在元数据服务方面，欧洲海洋机构目录(EDMO)、欧洲海洋环境数据集目录(EDMED)、欧洲海洋环境研究项目目录(EDMERP)、航次总结报告(CSR)、欧洲海洋观测系统目录 (EDIOS)等个5欧元数据服务，给出了欧洲的海洋组织和他们在海洋研究项目、大型数据集管理，以及调查船和监测计划获取的欧洲海洋和全球海洋数据方面的概要。这些目录由各国协同编制，每个目录都有各自的来源，然sea data net将所有目录在使用语法、语义和工具上进行了统一。[2-4]
(3) 海洋数据可视化：
海洋数据中心提供的三大服务包括数据存储、数据可视化和数据质量控制。欧洲Escience研究计划的GODIVA研究项目在英国国家环境研究中心建立，对海洋盐度温度等数据进行处理分析和可视化。Daniel等提出了可视化分析流程，如图所示，起点是输入的数据，中间是对数据的可视化结果和从数据中提炼的数据模型，终点是提炼的知识，可对可视化结果进行交互的修正，也可调节参数以修正模型。[1-4]

在企业级软件方面，德国Alfred Wegener 研究所研发的ODV(Ocean Data View)是比较好的交互式地理分析软件，具有3D动态视图，能够完成空间数据分析制图等服务。而且具有相应的外接接口，具有良好的二次开发功能。[1-6]

1.2.3.3 海洋大数据的应用

(1) 监测海洋生物多样性
克罗地亚扎达尔大学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%。[1-6]
(2) 声呐、卫星图像中的目标识别
欧洲尼科西亚大学工程系海洋与碳实验室和KIOS研究中心提出了一种快速，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％。[4-4]
(3) 海冰分析预测
英国伦敦大学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。[11-1]
希腊色萨利大学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。[11-2]
(4) 气候分析预测
德国波茨坦气候影响研究所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。[12-5]
德国波茨坦气候影响研究所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。[12-10]
德国波茨坦气候影响研究所、捷克科学院和德国洪堡大学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。[12-11]
德国波茨坦气候影响研究所、挪威卑尔根卑尔根大学合作使用功能性古气候网络分析来研究北极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。[12-12]
(5) 海洋旋涡的检测
英国牛津大学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。[13-3]
德国波恩大学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。[13-4]
法国皮埃尔·西蒙·拉普拉斯研究所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。[13-8]

1.2.4 其他国家

1.2.4.1 海洋大数据的获取

(1) 海洋观测网络
日本在其附近海域建立了 8 个深海海底地球物理监测台网, 有的已经和近海、陆地台站相连接进行地震监测, 2003 年提出日本“实时海底检测网” 计划(Advanced Real-time Earth monitoring Network in the Area, ARENA), 用光缆连接沿着俯冲带海沟建造跨越板块边界的观测站网络, 进行海底实时监测, 主要应用于地震学和地球动力学研究、海洋环流研究、可燃冰监测、水热通量研究、生物学与渔业研究、海洋哺乳动物研究、深海微生物研究等.日本实时海底监测网络计划将每间隔 50km 设置一个相当于局域网 LAN 枢纽作用的海底网络观测站点, 在该观测站上安装有与观测目的相对应的海底地震仪、海啸测量仪、磁力仪、电位差仪、倾斜仪、流向流速仪、温度仪、地球测量用音响脉冲发生仪、摄像机、放射能传感器及各种化学传感装置等观测仪器, 它们通过水下潜器与水下离合接头连接[12]。由于采用的是水下离合式接头, 所以一旦出现故障时也不会因此影响到整个系统的工作,或导致整个网络系统的瘫痪,而仅在对故障中的仪器进行替换或维修的基础上就能保证ARENA网络的正常运行。在ARENA的观测站点上, 不仅仅有直接连接式的固定观测仪器设备,还会有AUV与浮标锚泊系统的连接方式。另外, 也还可连接以考察地球深部为目的的“地球”号考察船钻地深孔内部的孔内窥镜, 进行地球内部的观察[4-1]。
加拿大不列颠哥伦比亚南部的近岸海底观测系统——维多利亚海底实验观测网(Victoria Experimental Network Under the Sea, VENUS)在维多利亚海域安装了功能先进、综合完备、易于远程控制的传感器和观测仪器, 对海洋现象提供了连续、长期的检测手段, 用于发现由自然力和人为影响下海洋环境的改变。目前, 金星计划(VENUS) 除了能传输传统意义上海底的水文、生物、化学和地质等要素, 还可以把海底图像、声音以信号形式通过互联网和电信技术持续传输到数据管理中心, 从而实现对海洋环境的实时监测。金星计划主要有 3 个位置点, 分别是维多利亚北部的萨尼奇湾、弗雷泽河三角洲附近和格鲁吉亚的海峡深水区, 每一位置点都由电缆与光纤为各种海底检测仪器提供了充足电能和高速传输数据的介质, 并由光纤将采集的图像和数据传输给陆地上数据管理中心。金星计划中不同位置观测点除了提供海洋物理, 海洋化学和海洋生物的基本要素外, 还根据所在海区自身的特点装载着具有特色的仪器。萨尼奇湾的静态图像摄像系统能够在天然栖息地“无损伤地捕捉”动物; 而格鲁吉亚海峡的海峡水听器阵列包括了两台具有录音功能的水听器和一台在一定频率范围内能够分析多种声音强度的水听器[4-1]。
加拿大海底观测网（ONC）是由东北太平洋的NEPTUE Canada观测网和VENUS海底实验站（2006年建成）在2013年合并组建而成。NEPTUNE Canada观测网由5个海底主节点（单个节点具有10 kW供电能力和2.5 Gb带宽数据传输能力）构成的800 km环形主干网络，覆盖了离岸300 km范围内从20—2 660 m不同水深的典型海洋环境。VENUS海底实验站位于萨利什海沿岸，搭载的传感器用于研究300 m水深内的海洋和生物作用以及三角洲动力学；同时，作为一个海洋技术实验平台，可以对海洋观测研究技术、设备进行原型测试。
(2) 海洋观测技术
卫星
俄罗斯的海洋卫星分为两类：第一类遥感器以可见光、红外探测器为主，第二类遥感器主要为侧视雷达。1979年第一颗海洋卫星发射，用于卫星实验和海洋气象、大气物理参数的测量。1988年第一颗实用型海洋卫星(Okean-01)发射，共有4代卫星。Okean 系列卫星的用途是对海表温度、风速、海洋水色、冰覆盖等进行观测。俄罗斯气象卫星系列Meteor－M包括11颗业务化的卫星。Meteor－M系列中的 Meteor －MN3卫星用于海洋观测，主载荷有海洋水色扫描仪（OCS）、X 频段SAR和微波散射计等，能够提供海面风场、海冰类型等海洋环境信息。卫星计划 2021年发射，设计寿命 7 年[2-5]。
日本的第一个地球观测卫星系列——海洋观测卫星，共发射了2颗。一颗是试验型海洋观测卫星，用于测量海洋水色、海面温度和大气水汽含量。另一颗是应用型海洋卫星，用于观测海洋洋流、海面温度、海洋水色等。日本地球资源卫星（JERS）是日本发展的首颗对陆地表面进行观测的卫星，星上装载的合成孔径雷达可以用于海岸以及溢油的监测；高分辨率相机能够获取海洋资源信息。先进地球观测卫星（ADEOS）是日本的地球环境观测卫星，主要用于监测全球环境变化，能够获取海洋水色和海面温度信息。其中，搭载的先进微波扫描辐射计，可用于海面温度、海面风速和海冰分布观测；全球变化观测任务（GCOM）是日本开发的对地观测卫星，由 3 颗 GCOM － W 卫星和 3 颗 GCOM－C 卫星组成，旨在构建一个可以全面、有效进行全球环境变化监测的系统。卫星上搭载的载荷主要有：高性能微波辐射计－2 和新型圆锥扫描式微波辐射计，可用于海面风速、海面温度和海冰信息的获取[2-5]。
海洋卫星（Oceansat）是印度发展的专用海洋卫星，包括Oceansat－1和Oceansat－2，用于海洋环境探测，包括测量海面风场、叶绿素浓度、浮游植物以及海洋中的悬浮和沉淀物。Oceansat－1是印度遥感卫星系统（IRS）中首颗用于海洋观测的卫星，于1999年5月26日发射，2010年8月8日退役。Oceansat－2卫星2009年9月23日发射。Oceansat－1卫星和 Oceansat－2卫星的主要载荷有海洋水色监测仪、多频率扫描微波辐射计和扫描微波散射计[2-5]。
通信、海洋和气象卫星（COMS）是韩国发展的地球静止轨道卫星，用于朝鲜半岛及周边区域的海洋和气象监测。COMS－1卫星2010年6月26日发射，目前正在运行。COMS－2卫星正在研制。COMS－1卫星采用欧洲星E－3000平台，采用三轴稳定方式，天线指向精度优于0.11°。COMS－1卫星的主载荷是地球静止海洋水色成像仪，空间分辨率 500m×500m，谱段为 0.4 ~ 0.9μm，用于提供海岸带资源管理和渔业信息[2-5]。
科学应用卫星（SAC）是阿根廷国家空间计划的核心项目，共包括 4 颗卫星，其中 SAC－ A、SAC －C 和 SAC－D 具备对地观测能力。SAC－D卫星中的主载荷是 “宝瓶座”微波辐射计和散射计，NASA 负责研制，由 L 频段推扫式微波辐射计和 L 频段微波散射计组成，用于获取全球海面盐度信息，并用于研究海洋环流。另外，SAC－D卫星搭载的 Ka 频段微波辐射计可以用来测量海面风速以及海冰特征。SAC－D卫星2011年6 月10日发射，目前在轨运行[2-5]。
雷达卫星（RADARSAT）是加拿大航天局（CSA）研制的成像雷达卫星，主要用于地球环境监测和资源调查。RADARSAT卫星系列目前已经发射了 RADARSAT－1和RADARSAT－2两颗。 RADARSAT － 1 / 2 卫星的主载荷为合成孔径雷达（SAR），可用于海洋溢油和海冰的监测[2-5]。
海洋测量船：
俄罗斯的海洋测量船较多，几乎每两三年就造一艘，吨位也比较大，俄罗斯大型测量船常年保持全球海域活动，海洋作业项目是综合性的，主要有海洋测量、救生、地质、气象、水文，生物和化学等方面，搭载的测量设备数量多，但指标和功能一般，不如美、日等国先进。[1-8]
日本海上自卫队和海上保安厅管辖有20多艘各类测量船，包括“二见”级、“明石”级和“明洋”级等系列，数量位居世界前列，部分由军方管理，部分由地方部门管理。其中“明洋”号装有海底地形测绘系统，通过高频声呐进行海底地形测绘与海底地质探测，配合传感器以及声速仪等测量装备，可快速测量深度与大面积海底地形，建立三维空间海底图像，舰上还配备先进的磁力探测仪，通过水下磁力的对比，就能立刻分辨因潜艇水下活动造成的磁力异常，达到探测敌方潜艇的目的。日本测量船装备的测量设备都很先进，更新速度很快。日本测量船近来频频在周边国家近海出没，主要是探测这些地区海流等情报，这些情报可用作诸如潜艇巡航所需要的水文数据。此外，日本借助测量船成果已出版了1:20万和1:50万的大陆架海底地形图。日本无论是在测量船队的数量上，还是在最新的测量技术上，都努力保持海洋大国的地位。[1-8]
AUV
日本研制的无人潜航器主要用于民用的深海开发，极少用于军事领域。日本国际电信电话公司（KDD）研制成功能潜航至水下1000m，进行调查海底和海底电缆的新型水下机器人“水下探索者1000”号（简称AE1000）。AE1000能独立搜索到海底电缆，后连续追踪电缆踪迹，并记录下电缆情况，内装有传感器、微型计算机和蓄电池，其中，传感器主包括：水压传感器，用于反映潜航深度，判断自己行动；方位传感器，测量船首方向；高度传感器，测量海底表面高低；姿态传感器，测量本身运动；声纳，探察周围障碍物；多普勒声纳，用于识别自身航迹等8台设备，这些设备可使AE1000能沿着预定航线进行z字形高难度航行。[1-8]日本自治式深海探测器“浦岛”号可根据内置计算机预先设定的程序，计算自己的定位，自行走航。“浦岛”能够在更广阔的海域范围内自动收集研究全球气候变暖机制所必需的海水盐分浓度、水温等数据。万米级遥控无人探测器“海沟”号在建造完成后不久，于1995年3月就成功潜航至马里亚纳海沟10911m的深处，确认了海沟断崖和存活在3.5～10987m的深海极端环境下的6种有孔虫，并在马里亚纳海沟底部发现了约180种微生物。[4-2]

1.2.4.2 海洋大数据的处理

1.2.4.3 海洋大数据的应用

(1) 监测海洋生物多样性
在挪威研究委员会项目资助下，挪威卑尔根诺德尼斯海洋研究所将深度学习网络引入到摄像头系统检测的图像识别分类工作中，并开发了一种新的训练方法，结果显示，分类精度达到94%。[1-2]
挪威卑尔根诺德尼斯海洋研究所和法国尼斯索菲亚理工大学合作，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%。[1-3]
(2) 来源识别及定位
澳大利亚悉尼大学澳大利亚现场机器人技术中心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。[2-5]
(3) 数据去噪以去除水深或数据中的异常值
意大利理工学院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。[5-2]
(4) 深海资源建模
新加坡国立大学声学研究实验室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。[6-1]
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。新加坡国立大学声学研究实验室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。[6-2]
东京大学工业科学研究所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。[6-3]
日本地质调查局和日本海洋地球科学技术局合作研究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。[6-5]
(5) 潜水员探测与跟踪
克罗地亚萨格勒布萨格勒布大学水下系统和技术实验室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。[7-1]
(6) 船舶机器人的路径规划与导航
挪威北极大学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。[8-1]
(7) 海浪分析预测
泰国朱拉隆功大学工程学院和国王理工学院理学院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。[10-1]
(8) 气候分析预测
日本创价大学和非洲加纳大学合作，提出了展示了一种方法，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。[12-4]

[1-1] 美国水下信息系统发展现状分析

[1-2] 美国的两大海洋观测系统：OOI与IOOS

[1-3] 海洋大数据科学发展现状与展望

[1-4] 海洋大数据应用技术分析与趋势研究

[1-5] 《海洋大数据：内涵、应用及平台建设》

[1-6] 《海洋数据可视化平台设计与实现》

[1-7] 《我国业务化海洋观测发展研究 ——借鉴美国综合海洋观测系统》

[1-8] 《海洋观测技术现状综述》

[1-9] 《国外海洋环境观测系统和技术发展趋势》

[1-10] 《美国海洋测绘数据的共享和管理及对我国的启示》

[1-11] 《基于球面渲染环境的海洋数据多维动态可视化关键技术研究》

[1-12] 《海洋数据仓库及数据挖掘技术方法研究》

[1-13] 《Modeling and Analysis in Marine Big Data: Advances and Challenges》
[2-1] 《欧洲国家的海洋观测系统及其对我国的启示》

[2-2] 《欧洲海洋观测和数据网络(EMODNET)概况

[2-3] https://www.36kr.com/p/670612139401216

[2-4] 《欧洲海洋数据管理网络及服务》

[2-5] 《海洋遥感卫星及应用发展历程与趋势展望》

[2-6] 《英国海洋科技计划重点布局及对我国的启示》

[2-7] 《Autosub6000: A Deep Diving Long Range AUV 》

[2-8] 《Use of REMUS 6000 AUVs in the Search for the Air France Flight 447》
[3-1] 《世界气象组织综合观测系统(WIGOS)》
[4-1] 《国际海洋观测技术发展趋势与中国深海台站建设实践》
[4-2] 《世界各国深海探测技术的发展现状》