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, Ron 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 obrvatories 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 agrass: 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Noi09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
shaq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]
diphallia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 supervid 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 nsor[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).
好放[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, Neiln T B, Knobles D P, et al. A feedforward neural network for source range and ocean abed 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, Neiln T B, et al. A deep learning approach to source localization and abed classification using pressure time-ries 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.
goldman
[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.认为英文
(4) 声纳、卫星图像中的⽬标识别(Target identification in sonar images )
新视野大学英语1读写教程课后答案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 DenNet（FC-DenNet）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]
spt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 Bad on Deep Generation Network and Transfer Learning with Small Amount of Sonar Images[C]//2019 IEEE 8th Data Driven Control and Learning S
ystems 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 Rearch, 2019, 26(17): 17091-17099.
外语学习软件(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 reprentation[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 datat cleaning. IET Computer Vision, 12: 162–170.
[3] Liu Q, Xu L, Zhang Z. The Downscaling of the SMOS Global Sea Surface Salinity Product Bad 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 bad ocean bottom ismic wavefield recovery[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2232-2237.
禽流感最新人数
(6) 深海资源建模(Modeling of deep-a 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”（Goodllow 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 Ferromangane 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 Bad Method for Estimating Hectare-scale Distributions of Deep Sea Cobalt-rich Mangane Crust Deposits,” OCEANS 2019 - Marille, Marille, France, 2019, pp. 1-6.
naj[4] De La Houssaye B, Flaming P, Nixon Q, et al. Machine Learning and Deep Learning Applications for International Ocean Discovery Program Geoscience Rearch[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-bad 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]
