综述：海洋颜色遥感：从二维的传统技术迈向三维、人工智能驱动的未来

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Ocean color remote sensing: From 2D legacy to the 3D, AI-driven future

　　彭晨|张振华
自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室，中国杭州博楚北路36号，310012

**摘要**
近半个世纪以来，海洋颜色遥感技术极大地改变了我们对海洋生态系统的理解。本文综述了该领域50年的发展历程，重点关注了光谱、空间和时间观测能力以及核心算法的演变。我们强调了这些进步在从监测生物碳泵到管理沿海水质等关键应用中的重要作用。展望未来，我们指出了三个技术前沿：1）通过机载激光雷达从二维表面观测向定量三维剖面检测的飞跃；2）利用偏振技术增强大气校正和水中物质区分能力；3）人工智能作为多源数据融合的整合引擎的崛起。我们得出结论，未来的发展将依赖于一个综合的、多维度的全球观测系统，以应对21世纪的环境挑战。

**1. 引言：全球海洋的脉动**
海洋作为地球气候系统的关键组成部分，主要通过浮游植物的光合作用调节全球碳循环（Denman等人，2007；DeVries，2022；H?der和Gao，2017；Heinze等人，2015；Khan和Dhadse，2025；Marinov和Sarmiento，2004；Stock等人，2020），吸收了大约四分之一的人为二氧化碳排放（Gruber等人，2019）。对于社会而言，海洋颜色数据对于管理提供食物、调节天气和支持经济的海洋生态系统至关重要（Groom等人，2019；IOCCG，2008；McCauley等人，2025）。1970年，Clarke等人揭示了开阔海域水体光谱反射率与叶绿素a浓度之间的基本联系，这一发现引发了海洋科学的革命（Clarke等人，1970）。这一发现为从太空观测广阔而动态的海洋奠定了基础。然而，随着该领域的发展，研究重点正从二维（2D）表面测绘转向三维（3D）垂直剖面测量，以捕捉海洋内部的“隐藏生物量”。1978年，NASA发射的Nimbus-7卫星搭载了海岸带颜色扫描仪（CZCS），首次提供了全球海洋叶绿素a分布的概览图，彻底改变了我们对海洋生态系统的理解（Gordon等人，1980）。

在接下来的几十年里，一系列日益先进的传感器在国际合作的推动下投入使用，包括SeaWiFS（Cannizzaro等人，2013；Franz等人，2005；Hu等人，2001；O'Reilly等人，1998）、MODIS（Carder等人，2004；Chaves等人，2015；Franz等人，2007；Hu，2011；Joo等人，2015）、MERIS（Curran和Steele，2005；Doerffer和Schiller，2007；Gower等人，2008；Rast等人，1999；Schiller和Doerffer，1999）以及OLCI（Hieronymi等人，2017；Nieke等人，2012；Pahlevan等人，2020a；Smith等人，2018；Su等人，2021；Zibordi等人，2022）等任务，提供了连续的多十年海洋颜色记录（见图1和表1）。这些宝贵的数据集在IOCCG等机构的协调下（Bracher等人，2015；IOCCG，1998；Zibordi等人，2019），不仅对基础科学研究（如监测海洋初级生产力（Balch等人，1992；Carr等人，2006；Gregg和Rousseaux，2019；Lee等人，2015；Saba等人，2011）和评估海洋对气候变化的响应）至关重要，而且也应用于海洋管理（如渔业管理（Zhong等人，2022）、有害藻类暴发监测（Dai等人，2023）以及关键栖息地保护（McCauley等人，2025）等实际领域。长期记录揭示的一个最显著的气候驱动趋势是贫营养环流的扩张（即“海洋生物沙漠”），如图2所示（1998年与现在的对比）。最初的研究集中在全球“Case-1”水域（Alvain等人，2005；Lee和Hu，2006；Loisel和Morel，1998；Morel等人，2007），逐渐扩展到“Case-2”水域（Darecki等人，2003；Doerffer和Schiller，2007；Hieronymi等人，2016；Schroeder等人，2007）（例如沿海区域、河口和内陆湖泊），这些地方的人类活动和气候变化影响最为显著（He和Silliman，2019）。应对这些复杂环境需要从纯经验算法转向基于物理的模型，最近则引入了人工智能（AI）来解析复杂的光谱信号。

**图1. 主要海洋颜色卫星任务的时间线**
该时间线展示了自1978年CZCS以来的关键海洋颜色卫星任务。红色条表示已终止的任务，蓝色条表示仍在运行的任务，绿色条表示计划中的未来任务。图表突出了从实验性任务向持续运行的全球观测系统的演变过程，这一系统由国际机构共同维护，以确保气候数据记录的连续性。

**表1. 主要海洋颜色卫星任务的特征**
| 任务/传感器 | 机构 | 运行周期 | 关键海洋颜色波段（纳米） | 空间分辨率（近地面） | 全球覆盖范围 | 主要科学目标 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| CZCS | NASA | 1978–1986 | 443, 520, 550, 670 | 825米 | 证明概念，叶绿素a估算（Hovis，1981；Lawrence，1987） |
| SeaWiFS | NASA | 1997–2010 | 412, 443, 490, 510, 555, 670, 765, 865 | 1.1公里 | 全球生物地球化学循环，气候数据记录（Acker等人，2002；Gordon和Wang，1994b） |
| MODIS (Terra/Aqua) | NASA | 2000/2002–至今 | 36个波段，包括9个海洋颜色波段 | 1公里 | 全面陆地、海洋、大气观测（Barnes等人，2003；Xiong等人，2005） |
| MERIS | ESA | 2002–2012 | 15个可编程波段，包括红边波段 | 300米（FR）/ 1.2公里（RR） | 沿海水域，叶绿素荧光（Curran和Steele，2005；Rast等人，1999） |
| VIIRS (Suomi-NPP/JPSS) | NASA/NOAA | 2011–至今 | 22个波段，包括9个海洋颜色波段 | 750米 | 运行中的海洋与天气观测，数据连续性（Cao等人，2013；Xiong等人，2014） |
| OLCI (Sentinel-3) | ESA | 2016–至今 | 21个波段，包括荧光和吸收特征 | 300米（FR）/ 1.2公里 | <2天（双卫星） | 科普尼库斯运行服务，沿海和内陆观测（Nieke等人，2012；Zibordi等人，2022） |
| HY-1C/D (COCTS/CZI) | CNSA | 2018/2020–至今 | 8个波段（COCTS），4个波段（CZI） | 1.1公里 / 50米 | 约1天（星座） | 全球和沿海观测（Chen等人，2020） |
| HY-1EC | CNSA | 2023–至今 | 增强的多光谱能力 | 250米 / 20米 | 约1天（星座） | 数据连续性和改进的沿海监测（Hu等人，2025） |
| PACE/OCI | NASA | 2024–至今 | 340–890纳米（高光谱，约2.5纳米）+ 7个SWIR波段 | 1公里 | 浮游植物功能类型，气溶胶-云-海洋相互作用（Gorman等人，2019） |

**图2. 1998年与2025年全球海洋叶绿素a趋势及平均叶绿素a浓度**
(a) 全球海洋叶绿素a趋势（1997–2021年）：该趋势图基于ESA海洋颜色气候变化倡议（Sathyendranath等人，2019）制作的第五版全球气候质量叶绿素a时间序列，并由CMEMS分发（Sathyendranath等人，2018）。趋势检测方法基于Vantrepotte和Mélin（2009）描述的Census-I算法，将时间序列分解为固定季节周期、线性趋势成分和残差成分。线性趋势以每年百分比表示，其显著性（p）通过t检验计算。仅包含显著趋势（p < 0.05）。
(b) 和 (c) 对比1998年（来自SeaWiFS数据）和2025年（基于CMEMS数据的现代多传感器融合产品）的全球年平均表面叶绿素a浓度。这一对比直观展示了气候变化对海洋生物学的关键影响：低叶绿素a（贫营养）环流的扩张，表现为紫色和蓝色区域。这一趋势与全球变暖导致的海洋分层增加有关，强调了持续、高质量、多十年的海洋颜色数据记录对于监测海洋生态系统健康的重要性。

本文综述了近50年的海洋颜色技术，分析了推动该领域发展的科学驱动力。我们没有详细介绍硬件工程，而是探讨了传感器观测维度和核心处理算法的协同演变。我们强调了从表面（2D）成像到海洋内部（3D）剖面测量的范式转变，这将成为未来十年海洋观测的发展方向。为确保主题的连贯性，本文结构如下：第2节追溯了卫星传感器的历史演变，涵盖了从多光谱时代到高光谱革命的转变，以及时间和空间观测维度的重大进步；第3节评估了大气校正和反演算法的关键进展，这些进展使得在日益复杂的“Case-2”水域中进行准确观测成为可能；第4节探讨了这些数据的多尺度科学应用，包括物理-生物相互作用、碳泵、生态系统生物多样性以及沿海管理；最后，第5节指出了将定义未来十年海洋观测的新前沿。我们特别强调了通过激光雷达革命从表面（2D）成像到海洋内部（3D）剖面测量的范式转变，多角度偏振提供的扩展信息内容，以及人工智能（AI）和机器学习（ML）作为未来多模态、四维观测系统的整合引擎的崛起。

**2. 观测能力的演变：一场主题性的旅程**
海洋颜色遥感的历史是一部不断创新的历史，其动力源于数据连续性和增强能力以满足新科学需求的双重需求。

**2.1. 光谱分辨率：从关键波段到全光谱**
光谱波段的选择对传感器设计至关重要。早期的海洋颜色任务主要是为了验证是否可以从太空平台获取生物信号而设计的概念验证实验。这一旅程始于开创性的海岸带颜色扫描仪（CZCS）（Hovis，1981），它仅使用四个窄可见光波段和825米的空间分辨率，首次证明可以通过蓝绿色光谱中的几个关键波段使用简单的波段比率算法（例如OCx）来反演叶绿素a（O'Reilly等人，1998）。尽管这些早期传感器的光谱范围有限，辐射灵敏度低于现代标准，但它们建立了今天仍在使用的大气校正和生物光学建模的基本框架。随后，SeaWiFS的八个波段（Acker等人，2002）成为了一代传感器的实际标准（MODIS（Barnes等人，2003；Salomonson等人，2002；Xiong等人，2005）；VIIRS（Cao等人，2013；Hlaing等人，2013；Xiong等人，2014；COCTS（Chen等人，2020）），实现了稳健的大气校正，并通过增加412纳米波段（Gordon和Wang，1994b）反演了其他参数，如有色溶解有机物（CDOM）。Global Imager（GLI）和第二代Global Imager（SGLI）也做出了重要贡献，它们使用380纳米波段增强了气溶胶和溶解有机物的表征（Matsuoka等人，2022）。虽然这种多波段方法在清澈的开阔海域非常成功，但沿海和内陆水域的光学复杂性要求更复杂的工具。为了更好地表征这些水域，MERIS（Rast等人，1999）、OLCI（Nieke等人，2012）以及中国的新一代COCTS2（Hu等人，2025）和PMRIS（Wu等人，2024）等传感器增加了额外的波段。620纳米波段改善了悬浮沉积物的监测（Matos等人，2024），而红边区域（650–750纳米）的波段支持叶绿素a荧光线高度（FLH）算法（Nardelli和Twardowski，2016；Xing等人，2007；Zhao等人，2022），为浑浊水域提供了另一种反演方法。

最新的发展标志着该领域的真正革命：从添加几个离散波段到捕获整个光谱。最近发射的NASA Plankton、Aerosol、Cloud、Ocean Ecosystem（PACE）任务及其海洋颜色仪器（OCI）代表了这一范式的转变（Gorman等人，2019）。OCI提供了从紫外线（UV）到短波红外（SWIR）的连续光谱覆盖，分辨率约为2.5纳米。这种高光谱能力将使我们能够区分不同类型的浮游植物，为海洋生物多样性和生物地球化学循环提供前所未有的洞察。中国的PMRIS仪器也具备高光谱模式（Wu等人，2024），表明全球正朝着这一先进技术发展。图3展示了从离散波段到连续光谱的这一飞跃，显著增强了我们区分水中不同物质的能力。

**图3. 多光谱与高光谱观测的对比**
该图对比了传统多光谱传感器（左侧面板：CZCS、SeaWiFS、MODIS、VIIRS）的离散光谱波段与现代高光谱成像仪（右侧面板：PACE/OCI）的连续光谱覆盖。从少数关键波段到全波段的这一技术飞跃极大地提高了区分水中不同成分的能力，使数据产品从单一的叶绿素-a含量发展到更精细的参数，如浮游植物群落组成、颗粒大小和生理状态。2.2 时间分辨率：地球静止轨道的优势虽然极轨卫星可以提供全球覆盖，但它们的重访周期为1-2天，不足以分辨具有高度日变化的动态过程。第三种策略是通过利用地球静止轨道来优先实现高时间分辨率，从而进行区域过程监测，这具有独特优势。韩国的地球静止轨道海洋颜色成像仪（GOCI）（Faure等人，2008年；Yang和Song，2012年）及其后续型号GOCI-II（Choi等人，2021年；Park等人，2021年）是世界上首批地球静止轨道海洋颜色成像仪，能够对东亚的固定区域进行每小时一次的观测。这种高频覆盖对于监测潮汐周期、有害藻华（HABs）的形成和传输以及河流产生的沉积物羽流等现象非常理想，其优势在IOCCG报告12中进行了系统总结（IOCCG，2012年）。此外，每天多次观测同一地点的能力显著增加了获得无云观测数据的机会，而这正是极轨传感器的主要限制（Groom等人，2019年）。即将推出的NASA地球静止轨道海岸成像和监测辐射计（GLIMR）（Bloomer等人，2023年；Dierssen等人，2023年；Schaeffer等人，2023年）以及未来的中国地球静止轨道任务将把这种强大的“地球静止轨道优势”扩展到全球其他关键沿海地区。2.3 空间分辨率：从公里级到米级海洋颜色传感器的空间分辨率已经逐步提高，以满足科学界对分辨更细微特征的需求，特别是在沿海和内陆水域。早期的全球任务如CZCS（825米）、SeaWiFS（1.1公里）和MODIS（1公里）旨在观测开阔海洋中的大尺度生物地球化学过程。尽管在当时具有革命性，但它们的公里级分辨率对于沿海区域的异质环境来说是不够的（Balsamo等人，2018年）。为了监测河口、珊瑚礁和小湖泊等复杂生态系统，需要开发更高分辨率的传感器（Xu等人，2025年）。欧洲航天局的MERIS及其后续型号OLCI代表了重大进步，提供了300米分辨率的数据，大大增强了研究沿海动态的能力（Zibordi等人，2022年）。此外，像SGLI和GOCI-II这样的传感器的引入进一步推动了这一能力的发展，提供了250米分辨率，使得对中尺度和亚中尺度特征进行更详细的观测成为可能（Choi等人，2021年；Ishizaka等人，2022年；Park等人，2021年）。这种向更高分辨率发展的趋势是现代任务的关键特征。例如，中国的新一代HY-3系列采用了多尺度观测策略，配备了500米（COCTS2）、100米（PMRIS）甚至20米（CZI2）分辨率的成像仪（Hu等人，2025年）。重要的是，这些仪器是专门为海洋颜色应用设计的，保持了高信噪比（SNR）和辐射测量精度，以分辨水生环境中的微弱信号。虽然NASA的PACE/OCI和中国的PMRIS代表了全球高光谱海洋颜色的最新技术，提供了连续的光谱覆盖以区分浮游植物的功能类型，但该领域还增加了另一类传感器：高空间分辨率的高光谱任务。与全球成像仪的公里级分辨率不同，像意大利的PRISMA（30米）和德国的EnMAP（30米）这样的传感器提供了复杂光学环境的“微观”视图。这种“变焦镜头”能力通过结合连续的光谱采样和米级空间细节，能够检测到小尺度特征，如狭窄的河流羽流和局部的藻类丝状物。这些平台提供了对复杂光学环境的“微观”视图，使得能够检测到通常被低分辨率全球传感器模糊的小尺度特征。这种“变焦镜头”能力使得从开阔海洋到近岸栖息地的观测无缝进行。从公里级到米级分辨率的这一演变对于监测小型水库的水质（Jaywant和Arif，2024年）、绘制海草床地图（Pham等人，2019年）以及追踪与有害藻华相关的细小丝状物（Dai等人，2023年）等应用至关重要。更重要的是，这种空间细节的提高也增强了在复杂近岸环境中数据反演的基本准确性。通过更好地分辨陆地-水界面并避免云层或陆地特征的像素污染，更高分辨率的图像能够进行更精确的大气校正，这是准确反演水柱成分的关键第一步（Huang等人，2018年）（见框1）。框1 观测能力的关键挑战。• 平衡权衡：一个主要的工程挑战是在提高光谱、空间和时间分辨率的同时，保持必要的高信噪比（SNR），以检测海洋颜色的微妙变化。• 确保气候质量稳定性：为气候研究创建无缝的、多十年的数据记录需要克服来自不同机构的不同传感器的交叉校准这一巨大挑战，因为每种传感器都有其独特的特性和退化模式。• 解决沿海区域的问题：将空间分辨率从公里级提高到米级对于准确观测经常受到陆地邻接效应和云层覆盖影响的沿海和内陆水域的动态和异质环境至关重要。2.4 辐射测量分辨率和SNR：区分专用海洋颜色传感器和通用光学传感器虽然图1展示了专用海洋颜色（OC）任务的演变历程，但另一个重要趋势是通用光学传感器（如Landsat系列（TM/ETM+/OLI）、Sentinel-2多光谱仪器（MSI）和高分辨率商业星座（如PlanetScope）被用于水生研究。然而，必须根据它们的不同设计理念和辐射测量规格来区分这些平台和专用OC仪器。最显著的技术差异在于SNR和辐射测量灵敏度；专用OC传感器是专门设计来检测海洋的“微弱回声”的，其中水出射辐射通常只占总大气信号的不到10%，而通用传感器则针对陆地表面的显著更高反射率进行了优化。例如，像Landsat-8/OLI这样的陆地传感器在可见光波段的SNR通常约为200-300，而专用任务如MODIS和OLCI的SNR超过1000，即将推出的PACE/OCI即使在更窄的光谱宽度（5纳米）下也能保持高SNR（>1000）。SNR的要求与目标水体的光学复杂性密切相关。在贫营养的开阔海洋（Case-1水域）中，水体较暗且生物信号极弱，通常需要至少1000的SNR来区分微妙的叶绿素-a变化和传感器噪声。相反，在浑浊的内陆和沿海水域（Case-2水域）中，悬浮沉积物的浓度较高，会产生更强的后向散射信号，而CDOM主要贡献于光吸收。虽然这些环境可能容忍较低的绝对SNR（例如300-600），但它们对辐射测量动态范围和位深度（例如12位或14位）有更严格的要求，以避免在明亮的沉积物羽流上饱和传感器，同时保持足够的灵敏度来分辨暗色、高吸收特征。因此，许多陆地成像系统固有的较低SNR和辐射测量稳定性往往使得在大气校正和清晰“Case-1”水域中微妙叶绿素-a变化的分辨变得复杂。此外，尽管这些通用传感器提供了优于专用任务的空间分辨率（从10米到30米），但这一优势通常需要牺牲较低的时间重访频率（地球静止轨道传感器除外）和较少的光谱波段数量。尽管像Sentinel-2这样的现代传感器改进已经开始缩小这一差距，但由于严格的替代校准和稳定性，专用OC任务仍然是维持多十年、气候质量记录的主要标准。3. 从信号到科学：核心算法的演变将卫星传感器的原始信号转化为具有科学价值的地球物理产品需要一系列复杂的算法过程。其中，大气校正和生物光学建模是处理链中最关键的环节。3.1 辐射传输框架整个海洋颜色遥感领域建立在辐射传输原理之上，这些原理描述了阳光从太阳出发，穿过地球大气层，进入海洋，最终散射回卫星传感器的过程（Mobley，2001年）。基本物理过程由辐射传输方程（RTE）控制，该方程考虑了光所经历的所有吸收和散射过程（Zhao和Liu，2018年）。传感器测量的总信号称为大气顶层（TOA）辐射，是由多种贡献混合而成的。最大的组成部分来自大气本身，由空气分子（瑞利散射）和气溶胶引起的散射。其他不需要的贡献包括直接从海面反射的阳光（太阳闪光）和从白沫反射的光。具有科学价值的信号是水出射辐射（Yang和Gordon，1997年），这是穿透海洋表面、与水成分相互作用并散射回来的微弱光线。这一信号与水的表观光学特性（AOPs）直接相关（Casey等人，2020年），如遥感反射率（Rrs），而这些特性又由固有光学特性（IOPs）决定——即浮游植物、沉积物和溶解物质的吸收和散射系数。所有海洋颜色算法的核心挑战是准确建模并去除强烈的大气信号，以分离出微弱但信息丰富的水出射辐射（Gao等人，2006年）。表2提供了该领域使用的几种关键辐射传输模型的总结。表2. 主要海洋颜色辐射传输模型的比较。模型名称主要开发者Ocean-Atmosphere CouplingRough Sea SurfacePolarization Capability主要机构/应用6S / 6SV（Vermote和Kotchenova，2008年）E. F. Vermote否否是KIOST（GOCI）AF（Ahmad和Fraser，1982年）Z. Ahmad否是是NASASCIATRAN（Rozanov等人，2014年）Rozanov等人。是是否GeneralAccuRT（Hamre等人，2017年；Stamnes等人，2018年）K. Stamnes等人。是是否GeneralHydrolight（Mobley和Sundman，2008年）C.D. Mobley是（仅限水）是否General（水中）COART（Jin等人，2005年；Jin等人，2022年）Zhonghai Jin是是否GeneralMOMO（Fell和Fischer，2001年）Frank Fell是是否ESAOSOAA（Chami等人，2015年）M. Chami是是是GeneralPCOART（He等人，2018年）Xianqiang He是是是SIO，MNR（中国）3.2 大气校正：分离海洋的微弱回声大气校正仍然是海洋颜色遥感中的主要挑战，其理论基础和技术方法在IOCCG报告10中进行了全面回顾（IOCCG，2010年）。卫星传感器接收到的总信号大约90%来自大气中的散射和反射，只有不到10%是携带水体信息的水出射辐射（Jaywant和Arif，2024年）（图4）。从总信号中准确减去大气贡献是获得高质量海洋颜色产品的先决条件。表3提供了不同大气校正方法性能的比较。下载：下载高分辨率图像（124KB）下载：下载全尺寸图像图4. 海洋颜色遥感中的大气校正挑战。该图展示了卫星传感器接收到的总大气顶层辐射（Lt）的组成部分。来自大气的信号，由分子（瑞利散射）和气溶胶（La）引起的散射构成，占信号的大部分（>90%）。富含信息的水出射辐射（Lw），携带了海洋的生物光学特征，是一个极其微弱的成分（<10%）。因此，准确去除大气贡献是获取高质量海洋颜色产品的核心挑战。表3。大气校正方法比较

| 方法类型 | 基本原理 | 优点 | 缺点 | 代表性算法/传感器 |
|---------|-----------|-------|-------|-----------|
| 经典黑像素法 | 假设近红外（NIR）/短波红外（SWIR）波段中的水反射率为零；该信号归因于大气，并用于将气溶胶效应外推到可见光波段 | 成熟、计算效率高、在情况1（开阔海域）下表现稳健 | 在浑浊/富营养化情况2（水体）下失效；对吸收性气溶胶敏感 | Gordon & Wang（SeaWiFS、MODIS-NIR）、基于SWIR的算法（MODIS、VIIRS）（Gordon, 1997） |

| 光谱优化/耦合反演法 | 将大气和海洋视为一个耦合系统，同时反演两者参数以最佳拟合观测到的卫星信号 | 更基于物理原理，能够处理情况2水体，可以同时反演多个参数 | 依赖于生物光学模型的准确性；计算量大；可能存在非唯一解 | POLYMER（Zhang等人，2019）、MEETC2（Saulquin等人，2016） |

| 机器学习/神经网络法 | 使用大量模拟或实地数据集训练模型，建立从大气顶层信号到地表反射率的非线性映射 | 计算速度快；能处理复杂的非线性关系；不依赖于特定的物理模型 | 性能和泛化能力很大程度上取决于训练数据集的代表性；可能成为“黑箱”，物理解释性较差 | C2X（Brockmann等人，2016）、OC-SMART（Fan等人，2021） |

| 多角度/偏振法 | 利用多角度或偏振观测为气溶胶特性提供额外约束，提高校正精度 | 显著改善气溶胶类型（尤其是吸收性气溶胶）和垂直分布的表征 | 需要专用传感器；数据处理和辐射传输模型更复杂 | POLDER（Mitomi等人，2002）、MISR（Abdou等人，2006）、SGLI（Murakami，2020）、PACE（Frouin等人，2019） |

Gordon和Wang（1994）提出的算法是基于近红外（NIR）波段的“黑像素”假设，是大气校正领域的一个里程碑（Gordon and Wang, 1994b）。该算法假设在情况1（开阔海域）水体中，水的反射率为零，因此这些波段接收到的任何信号都归因于大气和海气界面的贡献。通过建模NIR中的气溶胶，可以将其效应外推到可见光波段，从而实现大气校正。这种方法在SeaWiFS和MODIS等传感器上取得了巨大成功（Wang and Shi, 2007）。然而，在复杂的环境条件下，标准算法常常失效，导致数据缺失。

3.2.1 应对复杂条件
最近的研究突破，得益于先进的辐射传输模型，专注于从受复杂条件影响的先前无法使用的图像中检索有效数据：
1. 高浑浊度水体：在光学复杂的沿海和内陆水体中，“黑像素”假设失效，因为高浓度的悬浮物导致NIR波段中的水出射辐射不为零。为了解决这个问题，研究人员利用水在短波红外（SWIR）波段的强吸收特性，提出了基于SWIR的算法。像MODIS和VIIRS这样的传感器配备了SWIR波段（Chen等人，2014；Wang等人，2009），即使在非常浑浊的水体中也能找到“黑像素”。更近期的方法进一步发展了结合UV-SWIR的算法，显著提高了最具有挑战性的沿海和内陆地区的大气校正精度（Bai等人，2023）。除了这些波段转换策略外，ACOLITE也成为内陆和沿海水文社区的重要工具。ACOLITE专为高分辨率传感器（如Sentinel-2和Landsat-8/9）设计，采用暗光谱拟合（DSF）大气校正算法（Vanhellemont和Ruddick，2016）。与依赖特定“暗”波段的传统方法不同，DSF方法根据整个光谱自适应选择最佳波段和气溶胶模型。在NIR“黑像素”假设完全失效的极端浑浊水体中，这种方法表现出极高的鲁棒性，无需手动选择暗像素。最新的IOCCG报告21（IOCCG，2025）对各种大气校正算法在此类浑浊环境中的性能进行了系统评估。
2. 吸收性气溶胶：标准算法难以处理强吸收性气溶胶，如沙漠尘埃和工业污染，这些在许多沿海地区很常见。先进的算法现在结合了这些气溶胶的垂直结构预测模型，从而在受尘埃羽流和其他具有挑战性的气溶胶类型影响的区域获得更准确的反演结果（Song等人，2023）。
3. 低光照条件（黄昏和极地冬季）：基于平面平行大气模型的传统算法在高太阳天顶角下无效。通过实施考虑地球曲率的球形辐射传输模型，现在可以在黎明/黄昏和极地冬季的低光照条件下进行大气校正。这一创新首次使得在冬季月份生成极地海域的海洋颜色产品成为可能，填补了40年的数据空白（Li等人，2022）。

随着传感器技术的进一步发展，出现了更复杂的大气校正方法。多角度观测（例如POLDER（Deschamps等人，2002）、MISR（Diner等人，1989；Garay等人，2020））和偏振信息（例如POLDER、SGLI（Salem等人，2025；Tanaka等人，2010）、PACE（Gorman等人，2019）的使用，可以对气溶胶的光学特性（如颗粒大小、形状和折射率）进行更精确的约束，从而减少对气溶胶模型的依赖（Frouin等人，2019）。此外，基于机器学习的方法（例如神经网络）显示出巨大潜力，因为它们可以从大量数据集中学习大气辐射传输的复杂非线性关系，为未来的大气校正提供了新的途径（见表4，比较了传统算法和AI/ML算法在海洋颜色遥感中的性能）。国际对比练习（如ACIX-Aqua）的结果表明，不同算法在不同水体类型中的表现各不相同，没有一种算法在所有条件下都表现最佳（Pahlevan等人，2021）。

表4. 传统算法和AI/ML算法在海洋颜色遥感中的性能比较

| 应用 | 算法类型 | 关键性能/优点 | 参考文献 |
|---------|-----------|---------|---------|
| 大气校正 | 经典黑像素法 | 情况1水体的基线方法。在浑浊（情况2）水体中失效；在恶劣条件下平均绝对百分比差异（MAPD）可能超过80% | （Gordon and Wang, 1994a） |
| AI/ML | 神经网络（NN） | 优点：在复杂情况2水体中显著提高精度。MAPD降低多达25%（蓝光波段）；在高太阳天顶角下保持稳定 | （Fan等人，2017）；（Li等人，2020） |
| 大气校正（一致性） | 传统方法 | 标准传感器特定的AC | 卫星之间的基线一致性；SeaWiFS和MODIS-Aqua之间的Rrs MAPD为10.1–55.1% | （Lee等人，2024） |
| AI/ML | 跨卫星AC（CSAC） | 优点：大幅提高Rrs一致性。SeaWiFS和MODIS-Aqua之间的MAPD降低到5.9–22.2% | （Lee等人，2024） |
| 叶绿素a反演 | 传统方法 | OCx（波段比率） | 在情况1水体中表现稳健（R2 ≈ 0.84）。在光学复杂水体中性能显著下降（MAPD > 60%） | （O'Reilly等人，1998）；（Cao等人，2020） |
| AI/ML | 混合密度网络（MDN） | 优点：在不同水体类型中表现优异。MAPD比OC算法提高了2–3倍 | （Pahlevan等人，2020b） |
| 水质反演 | 传统方法 | 多步骤（AC + 反演） | 易于累积误差。与参考数据的一致性较差（R2 = 0.11，MAPD = 25.6%） | （Qiao等人，2025） |
| AI/ML | 一步反演（DN2WP） | 优点：绕过传统步骤。对于同一传感器，实现了更高的一致性（R2 = 0.73，MAPD = 14.9%） | （Qiao等人，2025） |

3.2.2 复杂环境中的干扰因素
除了算法选择外，近岸和内陆水体中反演的准确性经常受到四个主要干扰因素的影响：邻近效应、混合像素、太阳眩光和云层覆盖。邻近效应发生在高反射率陆地表面将光子散射到相邻暗水像素的传感器视场中，导致Rrs系统性高估，尤其是在NIR波段（Pan等人，2022）。混合像素问题在狭窄的河口和破碎的栖息地中最为严重，单个像素捕获了水、植被和陆地的复合信号，需要亚像素解混以进行准确映射。太阳眩光——阳光的镜面反射——可能会淹没水出射信号；虽然基于NIR的校正很常见，但高光谱传感器提供了更严格的眩光去除方法。最后，云层覆盖仍然是数据连续性的主要障碍，需要采用多传感器数据融合和时空间隙填充（例如DINEOF）等新兴策略来创建气候尺度分析所需的一致数据集。

3.3 生物光学模型：将颜色转换为定量值
成功进行大气校正后，得到的遥感反射率（Rrs）必须通过生物光学模型与水体成分（如叶绿素a、总悬浮物、CDOM）的浓度联系起来（见表5）。

表5. 生物光学建模方法比较

| 方法类型 | 基本原理 | 主要产品 | 优点 | 挑战与缺点 | 代表性算法 |
|---------|-----------|---------|---------|-----------|
| 经验方法 | 建立遥感反射率（R_rs）或其波段比率与水体成分浓度之间的统计回归关系，基于实地数据 | 叶绿素a（Chl）、总悬浮固体（TSS）、CDOM吸收 | 简单、计算速度快、在情况1水体中表现稳健 | 依赖于广泛的实地校准；强烈的区域和季节性依赖性，泛化能力有限；物理基础较弱 | OCx系列（OC3（Winarso和Marini，2014）、OC4（O'Reilly和Werdell，2019b） |
| 半解析方法 | 基于辐射传输理论，将R_rs与水的固有光学特性（IOPs：a、bb）联系起来，然后将其光谱分解为各成分的贡献 | 固有光学特性（IOPs），进而得到叶绿素a、POC、颗粒大小分布等 | 物理上明确；可以同时反演多个参数；更适应不同水体类型 | 复杂、计算量大；IOP参数化存在不确定性；光谱反演的病态性质 | GSM（Shanmugam等人，2010）、QAA（Lee等人，2002） |
| 混合/机器学习方法 | 结合物理模型和机器学习（例如神经网络），使用辐射传输模型生成大量训练数据以将Rrs映射到水体参数 | 可以处理复杂的非线性关系；可以融合多源信息；在特定区域训练时可能具有高精度 | 依赖于训练数据的质量和代表性；可能成为“黑箱”，物理解释性较差 | C2X（Brockmann等人，2016）、OC-SMART（Fan等人，2021） |

最早且使用最广泛的是经验算法，它们建立了Rrs（或其比率）与水体成分浓度之间的直接统计关系。最著名的例子是OCx系列算法（例如OC3（Winarso和Marini，2014）、OC4（O'Reilly和Werdell，2019a）用于叶绿素a反演，在情况1水体中表现优异且计算效率高（O'Reilly等人，1998）。然而，这些算法通常具有很强的区域性和季节性，当应用于其开发区域之外时，精度会显著下降。为了克服经验算法的局限性，开发了半解析方法。这些算法基于辐射传输理论，将Rrs与水的固有光学特性（IOPs，即吸收和后向散射系数）联系起来。然后使用特定的IOP模型将IOPs分解为各个水体成分的贡献。代表性算法包括GSM（Shanmugam等人，2010）和QAA（Lee等人，2002），两者都遵循IOCCG报告5（IOCCG，2006）中详细规定的半解析反演固有光学特性的标准指南。半解析方法的优点是它们具有更强的物理基础，能够同时反演多个参数，并且更能适应不同水体类型。然而，它们面临IOP参数化的不确定性和光谱反演的病态性质等挑战。

高光谱传感器的出现为生物光学模型带来了革命性的机会。与多光谱数据相比，高光谱图像的主要优势在于其能够分辨狭窄的光谱特征。连续的高分辨率光谱数据允许解析更细的光谱特征（如吸收峰（Cael等人，2020）和荧光线（Zhao等人，2022）），从而应用更复杂的反演技术。这使得能够区分具有重叠色素的浮游植物功能类型（PFTs）（Moisan等人，2012）并通过其独特的吸收峰准确识别特定的有害藻类（例如Karenia brevis），这对于深入理解浮游植物生理、海洋生态系统功能和生物地球化学循环至关重要。然而，转向高光谱观测也引入了重大的技术挑战。首先，较窄的带宽通常导致信噪比（SNR）低于集成多光谱波段，需要更复杂的去噪技术。其次，数据量的大幅增加给实时处理和存储带来了挑战。最后，从算法角度来看，高光谱数据可能受到“维数灾难”的影响，传统经验模型变得过度确定，需要使用机器学习或先进的半解析模型来有效提取全部信息内容。

补充这些算法进步的是从二元情况1/情况2范式向更细致的光学水体类型（OWT）分类框架的转变。现代系统不再应用单一的通用模型，而是利用聚类技术根据具体的光谱特征将水体分类为不同的OWT（Moore等人，2014；Syrakos等人，2018）。这种分类作为算法融合的关键“集成开关”，允许在像素级别动态调整和融合不同模型——例如对清澈水体使用经验比率，对浑浊的沿海区域使用半解析反演——以确保在全球光学梯度上的最佳反演精度（Bi和Hieronymi，2024）。除了提高数据质量外，OWT框架还为水生生态系统研究提供了强大的工具，使研究人员能够追踪光学状态的空间和时间变化及其对环境变化的生态响应（见框2）。框2中提到了核心算法面临的主要挑战：

• “90%问题”：大气校正：海洋颜色处理中最核心且最困难的任务是准确去除大气信号，这一信号通常占卫星测量辐射的90%以上，以便分离出从水面反射的微弱（<10%）但信息丰富的信号。
• 复杂水域中的算法鲁棒性：标准的“开阔海洋”算法在光学复杂的沿海和内陆水域（案例2）中会失效，因为高浓度的沉积物和溶解有机物会掩盖浮游植物的信号，因此需要开发更先进和适应性更强的算法。
• 反演挑战：将测量到的水面辐射转换为特定水成分（如叶绿素-a或浮游植物类型）的准确浓度是一个经典的“病态”反问题，因为不同物质的组合可以产生非常相似的光学信号。

4. 关键科学应用和持续存在的挑战
海洋颜色遥感技术的进步使得一系列应用成为可能，这些应用极大地改变了我们对海洋生物地球化学和生态学的理解（Groom等人，2019年；McClain，2009年）。通过提供全球海洋的概览性和连续性视图，这些观测数据使该领域从静态气候学发展到对海洋健康和碳循环的动态理解（IOCCG，2008年）。然而，每个应用领域都面临着独特的挑战——从沿海水域的光学复杂性到需要长期一致的气候数据记录（Brewin等人，2023年；Groom等人，2019年；McCauley等人，2025年；Purkis和Chirayath，2022年；Siegel等人，2023年），这些挑战反过来又推动了传感器和算法的未来创新。以下部分综合了这些应用的发展，基于基础理论，并结合了高维数据分析（Bracher等人，2017年）和跨平台集成（Groom等人，2019年）的最新突破。

4.1. 多尺度上的物理-生物相互作用
连续海洋颜色数据的一个重大突破是能够研究海洋生物学与物理动力学的耦合，这是通过卫星高度计（海面高度）（Herrmann等人，2017年）和海表温度（SST）（Li和He，2014年）以及海洋颜色数据的协同使用实现的。在最长时间尺度上，数十年的卫星记录对于检测全球变暖对海洋初级生产力的影响至关重要，例如观察到与亚热带环流中垂直分层增加相关的叶绿素-a减少（Behrenfeld等人，2006年）。在流域尺度上，卫星数据提供了对大规模气候振荡（如厄尔尼诺-南方涛动（ENSO））的生物响应的前所未有的视图（Tensubam等人，2024年），捕捉到了赤道太平洋浮游植物大量繁殖的剧烈崩溃和随后的恢复（McClain，2009年）。在中尺度上，海洋颜色数据揭示了涡旋和罗斯贝波如何调节营养物质的供应和浮游植物的分布。研究表明，气旋涡旋会抬升营养层，促进强烈的繁殖，而风与涡旋之间的相互作用即使在反气旋特征中也能够刺激生产力（McClain，2009年）。这些观测提供了以前只能通过稀疏的船基测量才能观察到的过程的首个概览性证据。

此外，地球静止卫星和高分辨率极地轨道卫星的出现将研究范围扩展到了亚中尺度细丝和高频率的偶发事件。在沿海海湾和河口，地球静止卫星观测（例如来自GOCI的数据）现在允许研究人员解析由潮汐周期和太阳强迫驱动的日变化（Choi等人，2012年）。例如，最近的研究利用每小时一次的地球静止数据结合先进的图像分割技术，绘制了中国东部海域水透明度的快速日变化图，揭示了风速和SST等环境因素如何驱动水质的每小时变化（Ding等人，2022年）。这些观测提供了从百年尺度的气候变化到每小时沿海动态的真正多尺度视角。

4.2. 监测生物碳泵
生物碳泵（BCP）是一系列将有机碳从阳光照射的海面输送到深海的过程，在那里它可以被封存数百年（Le Moigne，2019年）。卫星数据对于在全球范围内量化BCP至关重要，因为它们提供了其关键表面组分的估计（Claustre等人，2021年）。主要的输出途径是颗粒有机碳（POC）的重力沉降，主要由浮游植物及其聚集体组成（Buesseler等人，2020年）。基于卫星的模型，如VGPM（Behrenfeld和Falkowski，1997年）和CbPM（Westberry等人，2008年），利用海洋颜色、温度和光数据估计净初级生产力（NPP），这种有机碳的年来源量约为50 GtC（Siegel等人，2023年）。这些模型已经从早期的基于叶绿素的经验方法发展到结合复杂生理学的方法。垂直广义生产模型（VGPM）主要根据叶绿素-a、光和温度依赖性的光合作用参数来估计NPP（Behrenfeld和Falkowski，1997年）。相比之下，基于碳的生产模型（CbPM）通过结合浮游植物生理学进行了重大改进；它利用后向散射得出的碳与叶绿素-a的比例来解释生长率和细胞色素水平的变化（Westberry等人，2008年）。此外，基于吸收的模型也取得了重要进展，可以直接从浮游植物的吸收系数估计NPP，从而绕过了叶绿素-a反演中固有的不确定性（Lee等人，2011年）。值得注意的是，早期的努力，如Kameda和Ishizaka（2005年）的模型，引入了浮游植物大小组假设的概念来改进NPP估计（Kameda和Ishizaka，2005年），为现代功能型方法奠定了基础。

同时，算法可以检索POC的存量。决定输出效率的一个关键因素是颗粒大小分布（PSD）；较大、下沉速度较快的颗粒更有可能到达深海（L. De La Rocha和Passow，2007年）。卫星光学的进步使得可以直接从太空检索PSD斜率，从而建立了后向散射特性与大颗粒与小颗粒相对丰度之间的联系（Kostadinov等人，2009年）。因此，一个核心挑战是使用卫星数据不仅估计总POC，还要推断其大小结构，通常是通过识别主导的浮游植物功能类型来实现的（Moisan等人，2012年）。通过将卫星衍生的表面场（NPP、POC、PSD）与颗粒沉降模型以及来自BGC-Argo浮标的现场数据相结合，科学家可以估计碳进入海洋内部的全球通量（Siegel等人，2023年）。

4.3. 生态系统组成和生物多样性
一个主要的前沿是从测量总叶绿素-a转向识别特定浮游植物类型（PFTs）和颗粒大小分布（PSDs）（Kostadinov等人，2010年），这一转变在IOCCG报告15中系统地进行了概述（IOCCG，2014年）。这一点至关重要，因为不同的浮游植物群在海洋食物网和生物地球化学循环中扮演着截然不同的角色（Lobus和Kulikovskiy，2023年）。值得注意的是，这一转变主要是由监测有害藻华（HABs）的必要性推动的，在这种情况下，区分特定分类群的能力对于早期预警系统至关重要。早期的综合框架使用多光谱传感器分析HAB光谱和时空模式（Shen等人，2012年），而现代进展则整合了人工智能驱动的方法。例如，深度学习领域的最新突破，如Volterra卷积神经网络（VCNN），在分类微囊藻和卡伦藻等复杂藻类方面表现出高准确性，显著减少了对手动显微镜的依赖，并实现了实时自动化监测（Mahalakshmi Priya等人，2026年）。

连续的卫星记录首次生成了全球主要浮游植物群的地图，例如显示固氮蓝细菌如Trichodesmium在热带海洋中最普遍（McKinna，2015年），而颗石藻的大量繁殖是高纬度分层水域的特征（Balch，2018年；Moore等人，2012年）。虽然多光谱数据已经显示出这种能力，但PACE任务的高光谱数据（Gorman等人，2019年）有望彻底改变这一领域，允许进行更详细的群落分析。主要挑战在于开发能够解卷积来自多种浮游植物群和碎屑物质的混合光学信号的强大算法（Bracher等人，2017年）。

4.4. 沿海和内陆水质监测
监测沿海区域、河口和湖泊对水资源管理、水产养殖和公共卫生具有巨大的社会经济价值（Massoud等人，2004年）。卫星用于监测水质参数，如总悬浮固体（TSS）（Kobayashi等人，2011年；Zhou等人，2020年）、有色有机物（CDOM）（Zheng等人，2015年）和浊度（Shi和Wang，2010年），这些内容在IOCCG报告17中的全球水质监测综合框架中有详细说明（IOCCG，2018年），并且是检测和追踪有害藻华的关键工具（Purkis和Chirayath，2022年），这一主题在IOCCG报告20中有专门讨论（IOCCG，2021年）。在这些光学复杂的水域中，主要挑战包括标准大气校正算法的失效（Emberton等人，2016年）、分离多种共存物质（如CDOM和浮游植物）的光学信号的难度（Tzortziou等人，2007年），以及需要更高的空间和时间分辨率来捕捉小水体和偶发事件的动态（Shi等人，2013年）。

4.5. 海洋管理和保护中的应用
除了基础科学研究之外，卫星海洋数据正成为应用海洋管理和保护不可或缺的工具，架起了观测与行动之间的桥梁（McCauley等人，2025年）。一个关键应用是评估沿海富营养化，这是一个由人为营养负荷驱动的全球性问题。通过利用基于云的工具评估卫星衍生的叶绿素-a的长期趋势，研究人员现在可以在全球范围内识别富营养化的潜力，为缺乏传统监测程序的地区提供关键数据（Maúre等人，2021年）。这些见解对于管理海洋保护区（MPAs）至关重要，卫星提供了一种成本效益高的方式来监督广阔且通常偏远的区域（McGeady等人，2023年）。海洋颜色数据可以追踪生态系统健康的变化，例如叶绿素-a的增加表明恢复或压力，而高分辨率图像可以监测关键栖息地，如珊瑚礁（Reichstetter等人，2015年）和海带林（Volent等人，2007年）。当与船舶跟踪数据（例如AIS）结合时，卫星还可以通过检测保护范围内的非法捕鱼活动来帮助执行法规（McCauley等人，2025年）。这种不同卫星数据流的协同作用也在改变可持续渔业的管理（Forget等人，2009年）。海洋颜色、SST和高度计数据有助于识别生产力高、鱼类资源丰富的区域，而船舶跟踪数据提供了关于捕鱼努力的信息。将这些数据集整合起来，可以采取更加动态和基于生态系统的方法来管理鱼类资源。

这种基于生态系统的方法的基础在于关键栖息地的健康状况，特别是蓝碳生态系统。像红树林、海草和盐沼这样的沿海栖息地是强大的“蓝碳”汇（Alongi，2023年；Mcleod等人，2011年）。虽然目前对这些栖息地的测绘主要依赖于通用光学传感器，因为它们的空间分辨率在十米级别，但这一领域代表了专门海洋颜色研究的重要前沿。这些平台的十米级空间分辨率对于解析复杂的陆水界面和这些“蓝碳”汇的小尺度斑块至关重要。因此，来自这些平台和商业提供商的高分辨率卫星图像现在是全球范围内绘制这些生态系统范围的主要工具。这些信息对于国家碳核算、优先考虑保护和恢复工作以及制定利用这些栖息地应对气候变化的政策至关重要（McCauley等人，2025年）。

然而，要超越简单的范围测绘，进一步评估植被生理学和碳封存率，就需要更高精度的专用海洋颜色传感器。虽然面向陆地的传感器提供了高空间分辨率，但在观测海洋时，它们的信噪比通常较低，辐射量化也较粗糙，因为从水面反射的辐射通常只占大气顶部总信号的不到10%。集成更高分辨率的专用传感器，如中国的HY-1C/D和新一代HY-3系列，提供了“变焦镜头”功能，保持了高辐射精度，同时实现了细至20米的空间分辨率。此外，基于机器学习的数据融合技术的兴起使得专用传感器的频繁时间覆盖与通用成像仪的高空间细节能够协同工作，为更准确地监测沿海生物多样性和有害藻类细丝提供了途径。

最后，除了监测栖息地外，卫星还是跟踪直接威胁（如全球海洋垃圾问题）的新兴工具。全球塑料污染问题需要一个全球性的监测解决方案（L?hr等人，2017年；Vince和Stoett，2018年）。虽然目前大多数利用高分辨率光学卫星进行垃圾检测的方法都颇具挑战性，但专用海洋颜色遥感的未来贡献在于其高信噪比，这对于区分漂浮塑料的微妙光谱特征与海洋复杂的光学背景至关重要（McCauley等人，2025年）。这种增强的灵敏度对于从强大的大气路径辐射中分离出微弱的塑料信号至关重要，而这通常超出了通用成像仪的辐射测量能力（见框3）。

**框3 科学应用中的关键挑战：**
- **量化生物碳泵：**一个主要的科学前沿是超越表面测量，可靠地估计输送到深海的碳通量。这需要创新的方法，从表面卫星数据中推断出次表层过程和关键颗粒特性（例如，大小、组成、沉降速率）。
- **从总叶绿素a到生物多样性：**一个关键挑战是分离整合的光学信号，以区分不同的浮游植物类型（PFTs）。这对于理解海洋生态系统的健康和功能至关重要，但由于混合群落中不同浮游植物组的光学相似性，这一任务变得复杂。
- **在人类尺度上监测水质：**有效管理沿海和内陆水资源需要在高空间和时间分辨率下进行监测，以捕捉洪水、有害藻类爆发等事件的影响。

**未来展望与新兴前沿：**
尽管当前的范式已经取得了显著的成功，但下一代海洋科学要求超越二维表面观测（Jamet等人，2019年），朝着一个全面的四维（三维空间+时间）海洋环境图像迈进。地球观测的未来在于协调的多模态系统，这些系统将被动和主动传感器与现场平台和生物地球化学模型相结合（IOCCG，2020年）。如图5所示，所有数据流越来越多地被输入到中央的“数据同化”引擎中，创建出能够解析复杂生态系统动态的海洋内部的“数字孪生”。综合最近的文献和专家共识（Brewin等人，2023年；Groom等人，2019年；McCauley等人，2025年；Purkis和Chirayath，2022年；Siegel等人，2023年），我们确定了未来十年海洋颜色遥感的关键优先方向（见表6）。

**下载：**下载高分辨率图像（608KB）
**下载：**下载全尺寸图像

**图5. 用于沿海生态系统的协调多模态观测系统。**这个概念性图表展示了未来协调海洋观测系统的愿景。它整合了来自多个平台和尺度的数据：用于广域表面成像的被动光学卫星、用于垂直剖面的主动激光雷达卫星，以及用于高保真地面验证的现场平台（例如BGC-Argo浮标）。所有数据流都被输入到中央的“数据同化”引擎中，该引擎使用先进算法融合多源信息，最终创建出从表面到海洋内部的全面四维（三维空间+时间）的海洋生态系统视图。

**表6. 未来十年海洋颜色遥感的优先方向：**

| 优先领域 | 具体挑战与目标 | 关键行动与机会 |
| --- | --- | --- |
| 1. 现场观测网络 | 1. 提高全球现场数据的空间和时间覆盖范围，特别是在像南大洋这样的稀疏区域。统一和标准化测量协议，以提高数据质量和可比性。开发用于新型变量的自主传感器（例如，浮游植物碳、颗粒大小）。 | 1. 扩展BGC-Argo浮标、滑翔机和系泊装置等自主平台的网络。建立符合FAIR原则的国际共享的高质量数据库。加强多平台协调现场活动的国际合作。 |
| 2. 算法与产品精度 | 1. 开发适用于全球所有水体类型（从沿海到开阔海域）的稳健大气校正算法。提高高级产品（如PFTs和PSDs）的检索精度。为所有卫星产品提供像素级别的不确定性量化。 | 1. 利用高光谱和偏振数据（例如来自PACE的数据）开发下一代算法。将机器学习与物理模型相结合，以提高算法的通用性和可解释性。进行系统的多算法比较和验证练习（例如ACIX风格）。 |
| 3. 多源数据融合与模型集成 | 1. 解决卫星、现场数据和模型数据之间的时空尺度不匹配问题。有效地将卫星数据整合到地球系统模型中，以提高预测能力。从表面观测重建三维海洋环境。 | 1. 开发先进的数据同化技术，以协同整合多源数据。使用机器学习在不同数据源之间创建传输模型。结合主动（激光雷达）和被动遥感来探测海洋的垂直结构。 |
| 4. 新兴技术与前沿探索 | 1. 实现对海洋垂直剖面的直接观测。增加对沿海和内陆水域动态过程（例如潮汐、藻类爆发）的监测频率。探索新的遥感技术，以克服传统光学的局限性。 | 1. 促进星载海洋激光雷达任务的发展和发射。部署地球静止轨道的高光谱海洋颜色卫星星座。研究颠覆性技术，如流体透镜和光声地形学。 |

**5.1 第三维：海洋剖面的激光雷达革命**
海洋的大部分生物量和生物地球化学活动发生在表面之下，这是一个传统被动光学传感器无法触及的“隐藏维度”。下一个主要前沿是使用星载激光雷达的主动遥感，这代表了从二维表面成像向定量三维剖面的范式转变（Wang和Menenti，2021年）。这项技术直接解决了被动辐射测量的最大限制：它无法解析水柱的垂直结构，而这是理解表面过程与深海碳封存之间联系的关键（Hostetler等人，2018年）。

**CALIOP/ICESat-2：从偶然发现到光子计数精度**
早期的先驱证明了其可行性。该领域始于CALIPSO/CALIOP（2006–2023年），它意外地证明了从太空检测海洋次表层信号的潜力。然而，CALIOP是一种弹性后向散射激光雷达，从根本上面临“病态问题”：它提供了一个测量值（衰减信号）来求解两个耦合的未知数（颗粒后向散射系数bbp和扩散衰减系数Kd），导致结果高度依赖于外部假设。
技术上的飞跃体现在ICESat-2/ATLAS（2018年）的光子计数技术上。其532纳米激光器提供了前所未有的垂直分辨率（大约0.3米）和灵敏度。这一能力是革命性的，使得在高条件下能够进行高精度的近岸水深测量（RMSE小于0.5米）。对于生物学而言更重要的是，通过与被动海洋颜色数据的协同作用，它实现了首次从太空检索到次表层叶绿素a的垂直剖面，填补了被动传感器最大的观测空白。尽管最初是为冰冻圈科学设计的，ICESat-2卫星及其ATLAS光子计数激光雷达已成为海洋学的革命性工具（Zhang等人，2025年）。ICESat-2已经展示了绘制浅水水深图（Le等人，2024年）的高精度能力，并且关键的是，能够检索到光学特性的垂直剖面甚至叶绿素a（Zhang等人，2024a；Zheng等人，2022年），这些数据已经通过BGC-Argo浮标进行了验证。ICESat-2的主动剖面与被动多光谱图像（例如用于高分辨率沿海绘制的Sentinel-2或用于操作性海洋颜色的Sentinel-3）的协同作用，为未来的主动-被动数据融合提供了强大的模型，让我们得以一窥上层海洋的三维结构。

**HSRL：解决“病态问题”的定量时代**
高光谱分辨率激光雷达（HSRL）实现了剖面精度的最终进步。与传统的弹性后向散射激光雷达不同，后者提供一个衰减信号来求解两个耦合的未知数——颗粒后向散射和衰减，HSRL通过利用分子散射的独特光谱特征解决了这一根本的“病态问题”（Churnside等人，2018年）。通过使用专门的超窄带光谱滤波器，HSRL将光谱扩展的分子（瑞利-布里渊）返回信号与窄带颗粒（米氏）信号分开。这种分离允许直接且独立地测量每个深度区间的颗粒消光与后向散射比率，这在弹性系统中通常被假设为常数。这一转变标志着海洋剖面从基于外部假设的定性估计向物理上严谨的定量测量的演变。因此，HSRL系统提供了准确量化次表层碳库和深层叶绿素最大值代谢状态所需的高保真光学剖面。

**新任务启动：**这一定量HSRL时代已经开始。中国的环境监测卫星DQ-1（携带ACDL，2022年）和欧洲航天局的EarthCARE/ATLID（2024年）都是正在运行的HSRL系统。ACDL已经成功展示了全球海洋bbp的定量检索，与BGC-Argo浮标数据吻合良好（Yang等人，2024年）。这一成功为下一代专用海洋激光雷达提供了有力的科学依据。未来的专用海洋激光雷达任务，如LUCE/CALIGOLA（NASA/ASI，2024年）和中国的“观澜”计划（Chen等人，2019年），将在ICESat-2和HSRL的基础上进一步发展。它们旨在整合拉曼散射和荧光通道，从而能够直接定量监测浮游植物的生理状态和生物碳泵的效率，超越生物量，迈向生态系统功能（见表7）。

**表7. 用于地球观测的星载剖面激光雷达的演变与未来**

| 任务（发射年份） | 机构 | 主要科学目标 | 激光雷达技术 | 波长（纳米） | 关键测量通道 | 典型垂直分辨率 | 对海洋剖面的主要贡献 |
| --- | --- | --- | --- | --- | --- | --- |
| CALIPSO/CALIOP（2006） | NASA/CNES | 大气云和气溶胶 | 弹性后向散射 | 532, 1064 | 弹性，偏振 | ～23米（在水中） | 首次从太空检测到海洋次表层信号（Lu等人，2014年） |
| ICESat-2/ATLAS（2018） | NASA | 冰冻圈高度变化 | 光子计数弹性散射 | 532 | 弹性散射 | ～3厘米（高度） | 高精度水深测量；首次获得海洋光学和生物地球化学的垂直剖面（Zheng等人，2022年） |
| EarthCARE/ATLID（2024） | ESA/JAXA | 云-气溶胶-辐射相互作用 | HSRL | 355 | HSRL（米氏/瑞利），偏振 | ～100米 | 首次355纳米HSRL剖面；具有检测清澈水体和叶绿素a的潜力 |
| DQ-1/ACDL（2022） | CNSA | 空气质量，气溶胶，CO2 | HSRL，IPDA | 532, 1064, 1572 | HSRL（532），弹性，偏振 | 3–24米 | 首次使用532纳米HSRL定量检索bbp（Yang等人，2024年） |
| LUCE / LUCE（约2032计划） | ASI/NASA | 联合大气-海洋-陆地系统 | HSRL，拉曼，荧光 | 355, 532, 1064 | HSRL，偏振，拉曼，荧光 | < 几米 | 全面剖面浮游植物生物量、生理（荧光）和浮游动物（Trepte等人，2024年） |

**5.2 偏振的力量**
太阳光被大气散射并从海面反射时是偏振的。测量这种偏振提供了传统辐射计无法提供的丰富信息，对大气校正和水下检索都有双重好处（Jamet等人，2019年）。一个主要的好处是更先进的大气校正。多角度偏振计，如PACE任务上的SPEXone（Rietjens等人，2021年）和GCOM-C上的HARP2（Gao等人，2023年）以及SGLI（Salem等人，2025年），可以准确描述气溶胶的微观物理特性（尺寸分布、折射率、非球形性）。这提供了关键的约束，减少了当前大气校正算法中对有限预定义气溶胶模型的依赖，尤其是对于复杂和吸收性气溶胶而言。重要的是，偏振的力量延伸到了海面之下，提供了关于水特性的新见解。离开水面的信号的偏振本身对悬浮颗粒的特性敏感，例如它们的组成（例如有机与无机）和形态（Jamet等人，2019年）。这为表征浮游植物群落和沉积物类型开辟了新的途径，超越了仅凭光谱信息所能提供的信息，提供了改进检索的独立来源。 |

**5.3 与物理-生物地球化学模型的协同作用**
通过将其系统地整合到更广泛的地球系统建模框架中，实现了海洋颜色的全部潜力。这种协同作用的一个典型例子是Sentinel-3平台上被动光学（OLCI）和热红外（SLSTR）传感器的结合，它允许同时研究耦合的物理和生物过程（Ustin和Middleton，2024年）。然而，最终的前沿是通过数据同化从静态“快照”观测过渡到动态生态系统预测。
4D（三维空间+时间）表示的进步在很大程度上依赖于合并卫星衍生的数据（如NPP、PFTs和激光雷达衍生的垂直剖面），以及直接同化光学数据（例如，遥感反射率或衰减系数）与三维物理-生物地球化学模型。正如IOCCG报告19（IOCCG，2020年）所强调的，这种模型-数据协同作用提供了一个物理上一致的框架，用于在空间和时间上插值数据，有效地填补了云层覆盖造成的空白，并解决了海洋内部的复杂动态。通过将多样化的数据流输入中央同化引擎，研究人员可以生成海洋环境的“数字孪生”，从而更深入地理解海洋循环与生物泵之间的反馈。
一个真正新颖的前沿是从单一集成平台协同使用光学和微波遥感。目前，光学和微波卫星独立观测，使得在空间和时间上匹配它们的观测结果变得困难。微波辐射计对受风、雨和泡沫影响的海面特性敏感，这些都是光学传感器的噪声来源。已经开发了一种集成光学-微波辐射传输模型，为一种新型卫星提供了理论基础，这种卫星可以同时测量和校正这些效应（Jin等人，2021年）。这样的任务将显著提高在高海况下的数据质量，并通过提供物理和生物海洋特性的同时测量，使新的科学应用成为可能。5.4. 人工智能/机器学习作为集成引擎的崛起

之前描述的协调、多模态观测系统产生了大量复杂且异构的数据。为了将这些数据转化为科学见解，需要一套新的工具。人工智能（AI）和机器学习（ML）不仅作为算法上的改进而迅速发展，而且成为推动下一代海洋科学所需的集成引擎。这些方法在直接从数据中学习复杂非线性关系方面表现出色（Zhang等人，2023b），为数据融合、物理建模和科学发现提供了强大的新能力。

数据融合与重建：ML的一个主要应用是作为数据融合与重建的催化剂（Amani等人，2022）。通过学习不同数据源之间的关系，ML模型可以协同合并具有不同特性的传感器观测数据，例如Sentinel-2（MSI）的高空间分辨率和Sentinel-3（OLCI）的频繁覆盖，从而在复杂的沿海和内陆水域生成无缝的叶绿素-a产品（Pahlevan等人，2020b）。此外，这些技术在填补由云层造成的卫星数据空白方面具有巨大潜力，创建了进行稳健气候分析所需的完整、时空一致的数据集（Hong等人，2023）。

替代模型：ML还通过作为物理上复杂且耗时模型的“替代品”来革新计算效率（Zhou等人，2023）。例如，神经网络可以在由辐射传输模型生成的大量数据集上进行训练，从而实现从大气顶层信号到表面反射率的近乎即时的非线性映射（Fan等人，2017）。这种方法大大加速了诸如大气校正等过程，使得处理整个任务档案或进行像素级不确定性分析成为可能，否则这在计算上是不可能的。

科学发现与预测：除了增强现有产品外，ML还为科学发现提供了新的范式。像PACE/OCI这样的高光谱传感器的丰富信息内容就是一个很好的例子，其中深度学习模型可以识别微妙的光谱特征，以比传统方法更详细的方式分类浮游植物类型（Zhang等人，2023a）。此外，通过整合多源卫星数据和现场数据，ML模型在预测有害藻类爆发的起始和轨迹等复杂现象方面显示出越来越大的潜力（Mishra等人，2020）。

然而，仍然存在重大挑战。ML模型的性能在很大程度上依赖于训练数据的质量和代表性（Ndung'u，2022），而且它们的“黑箱”性质使得结果难以从物理上解释（Dramsch等人，2025）。为了克服这些限制，下一个前沿是物理信息神经网络（PINNs）。通过将辐射传输方程和生物光学约束直接嵌入深度学习模型的损失函数中，AI可以在极端光学条件下实现更好的泛化（例如，高反光或超浑浊的水域）。这种混合方法确保了衍生产品与海洋学原理保持一致，同时提高了模型的整体可解释性（Zhang等人，2024b）。AI/ML的战略价值不在于作为传统算法的简单替代品，而在于它能够成为2030年代多样化传感器星座和生物地球化学模型的核心协调者。从纯粹的数据驱动“黑箱”模型向物理约束的AI架构的转变代表了真正的前沿，确保机器学习仍然是科学发现的严谨工具，而不仅仅是统计曲线拟合的练习。最终，AI/ML对于协调庞大的传感器和模型网络将是不可或缺的，为更加智能、自动化和响应迅速的全球海洋观测系统铺平道路。

6. 结论

海洋颜色遥感的历程是一个显著的科学和技术进步的故事，建立在国际合作的基础上。它有力地证明了全球科学界在朝着共同目标努力时所能取得的成就。从最初发现可以从太空中看到海洋生物开始，这一领域已经发展成为全球气候监测和应用海洋管理的基石。我们已经从几个光谱带发展到全光谱，从公里级分辨率发展到数十米分辨率，从单一传感器任务发展到国际合作虚拟星座。

未来的挑战巨大，要求对观测范式进行根本性的转变。我们需要更深入地探索海洋，定量解析海底垂直结构（激光雷达革命），以更高的保真度表征大气（偏振技术），并以前所未有的频率和细节监测沿海和内陆水域（AI融合）。社区呼吁建立一个持续的海洋成像计划——类似于陆地观测中的变革性Landsat计划——这体现了对长期、系统策略的需求。像星载激光雷达和先进偏振技术这样的新兴技术不仅仅是渐进式的改进；它们代表了我们观察水生世界能力的根本性转变。如表6所总结的，未来十年的重点在于完善现场网络、提高算法准确性和不确定性量化、整合多源数据以及探索新的观测维度。在我们踏上这一新篇章时，持续的投资、国际合作以及对开放数据共享的承诺（如IOCCG所倡导的）将比以往任何时候都更加关键，以充分发挥这些强大工具的潜力，并解决我们这个时代的紧迫环境问题。

CRediT作者贡献声明：

陈鹏：撰写——审阅与编辑，撰写——原始草案，项目管理，资金获取，正式分析，概念化。

张振华：撰写——原始草案，可视化，验证，方法论，正式分析。