《Oceans》：Inversion of Sound Speed Profile Controlled by Sparse Observations: Research Background, Current Status and Technical Analysis
编辑推荐：
声速剖面（SSP）是水下声学探测、导航、通信等应用的核心环境参数。然而，其精确获取受到观测数据稀疏性和反演问题不适定性的制约。本文系统综述了稀疏观测约束下SSP反演的研究进展。综述梳理了从早期物理模型到当前智能范式的技术演进，对主流反演方法进行了分类比较，通过
声速剖面（SSP）是水下声学探测、导航、通信等应用的核心环境参数。然而，其精确获取受到观测数据稀疏性和反演问题不适定性的制约。本文系统综述了稀疏观测约束下SSP反演的研究进展。综述梳理了从早期物理模型到当前智能范式的技术演进，对主流反演方法进行了分类比较，通过定量案例研究展示了典型应用场景，提供了各类SSP获取途径的对比，并讨论了关键挑战和未来趋势。综述揭示，当前人工智能（AI）驱动的方法实现了约1–2 m/s的实际精度，但在可解释性、跨区域泛化能力和极端条件鲁棒性方面面临瓶颈。融合物理约束与多源稀疏数据（遥感、原位离散测量）成为平衡反演精度、效率和成本的核心方向。本文为海洋声学、海洋观测和水下作业的技术选择提供了全面参考。
论文主体部分围绕稀疏观测约束下的声速剖面（SSP）反演技术展开，依次从技术发展历史、核心反演方法分类对比、典型应用场景验证、全技术路线综合比较以及挑战与未来趋势等方面进行系统论述。
2. 技术发展历史与经典文献脉络
SSP反演技术经历了四个阶段：基础理论与参数化奠基（1970s–1980s）、传统物理反演方法深化（1990s–2000s初）、向“稀疏性”的方法论转型（2010s）、以及数据驱动与物理约束深度融合的智能时代（2020s至今）。
2.1. 基础理论与参数化奠基（1970s–1980s）
该阶段奠定了SSP反演的物理和数学基础。海洋声学层析（Ocean Acoustic Tomography, OAT）由Munk和Wunsch系统提出，将声学反演从被动测量转向主动求解“逆问题”。针对SSP高维问题，LeBlanc和Middleton提出了经验正交函数（Empirical Orthogonal Function, EOF）分解，通过统计历史数据库提取主要模态，利用少量EOF系数表征连续SSP，有效降低了反演参数维度。
2.2. 传统物理反演方法深化（1990s–2000s初）
基于OAT框架发展出多种依赖声场信息的物理反演方法。匹配场处理（Matched Field Processing, MFP）由Tolstoy提出，通过生成候选SSP、利用声传播模型计算理论声场并与实测声场匹配获得反演结果。后续研究引入遗传算法（Genetic Algorithm, GA）和EOF约束以提升搜索性能。同时，数据驱动思想萌芽：Stephan建立了首个基于人工神经网络（Artificial Neural Network, ANN）的声速场反演框架；Jain等将ANN与卫星遥感海面参数结合，首次证明了无需声场观测即可实现SSP反演。
2.3. 向“稀疏性”的方法论转型（2010s）
压缩感知理论成熟推动研究聚焦于利用稀疏性解决不适定反演问题。Bianco和Gerstoft系统地将压缩感知（Compressed Sensing, CS）和字典学习（Dictionary Learning, DL）引入SSP反演：利用K-SVD算法学习过完备字典，结合正交匹配追踪（Orthogonal Matching Pursuit, OMP）算法，实现仅用少量声学观测的高精度SSP重构。同时，传统EOF方法持续改进，例如单EOF回归（sEOF-r）和分层EOF模型被提出，以增强对SSP时变特性的刻画能力。
2.4. 数据驱动与物理约束深度融合的智能时代（2020s至今）
深度学习方法成为核心。架构多样化包括：层次化长短期记忆网络（Hierarchical LSTM, H-LSTM）、半Transformer网络（STNet）、融合U-Net与Swin Transformer的ST-UNet，用于时空预测；面向中尺度涡等复杂区域，提出物理约束注意力残差网络（PC-ARN）；适应分布式传感器网络的多模态数据，引入图注意力网络（GAT）。同时，传感器需求最小化探索取得进展：模态提取SSP反演（ME-SSPI）仅需单频信号和单垂直线列阵；基于3–5个关键深度点结合BP网络实现全深度SSP重构。此外，张量基函数学习用于三维声速场表示，全球导航卫星系统-声学（GNSS-A）网络为SSP获取提供了实用路线。
3. 当前研究现状：核心反演方法的分类与比较
基于历史演进，当前方法主要分为“物理模型驱动”和“数据驱动”两类，并细分为四种主流方法。
3.1. 物理模型驱动方法
匹配场处理（MFP）通过“正演模拟-匹配搜索”工作流，依赖历史数据和实测声场，精度高但计算量大，对环境参数失配敏感。压缩感知（CS）方法利用SSP在特定变换域（如EOF基、字典基）的稀疏性，通过线性化观测方程并引入稀疏约束（L1范数）求解，突破奈奎斯特采样极限，对稀疏观测适应性强，但依赖稀疏性假设，在强动态环境中可能失效。
3.2. 数据驱动方法
字典学习（DL）方法基于CS框架，通过K-SVD算法从历史数据中学习过完备非正交字典，相比固定EOF基具有更强的稀疏表示能力，但训练和求解计算复杂度高。机器学习（ML）方法直接学习稀疏输入（如海面遥感参数、少个深度点声速）与完整SSP之间的非线性映射，常用架构包括前馈神经网络（如BP）、优化变体（如GA-BP）、注意力增强LSTM、卷积神经网络（CNN）/残差网络（ResNet）、随机森林及物理知识混合模型。ML方法非线性拟合能力强、实时性好，但依赖大量高质量训练数据，存在可解释性差和区域依赖性瓶颈，当前整体精度上限约为1–2 m/s。
综合对比表明，MFP和CS在数据充足、环境稳定时表现优异；DL和ML在数据稀缺或动态环境中更具灵活性。方法选择需权衡精度、计算资源、数据可获得性和实时性要求。
4. 典型应用场景与案例验证
4.1. 海洋声学层析与水下目标探测
在浅海环境中，压缩感知（CS）仅用少量声学信号即可实现距离无关SSP的高精度反演（Bianco & Gerstoft）。声传播时间层析方法通过泰勒展开线性化（Choo等）或利用环境噪声互相关函数提取等效传播时间（Brown等）实现反演。针对内部波等动态环境，Su等提出结合无迹卡尔曼滤波和粒子滤波的序贯反演方法。
4.2. 高精度水下导航与定位
EOF与机器学习融合的技术链最为实用：结合卫星遥感海面温度异常（SSTA）、海面高度异常（SLA）与少量Argo/CTD剖面，经EOF降维后由BPNN或LSTM学习非线性映射，重构SSP并校正声线弯曲误差。案例包括：ST-LSTM-SA模型（Yuan等）用于声速场预测；分层EOF方法（Zhang等）同步反演SSP及其水平梯度；U-Net用于实时声速场重构，浅水均方根误差（RMSE）低于0.8 m/s。
4.3. 水声通信与海洋环境监测
SSP直接影响通信信道特性，可靠声速信息可降低动态环境中误码率（BER）30–50%。面向中尺度涡，Li等提出PIRF-DEN模型，仅结合一个Argo剖面和卫星海面高度异常（SLA）数据实现全涡声速场重构，平均绝对误差（MAE）为1.06–2.60 m/s。在内波活跃区（如南海北部），识别3–5个关键深度点（如38 m、53 m、72 m）结合BP网络实现高精度SSP反演，测试集RMSE低于0.6 m/s。
4.4. 特定海区的经验应用
在阿拉伯海，基于学习字典（LD）的压缩感知方法相比EOF使RMSE降低约18%，尤其适用于上层500 m水层。南海作为典型试验区，验证了EOF+遗传算法优化神经网络（RMSE约0.8 m/s）、分层逐步精细化构建（预测精度1.038 m/s）、以及SSP反演直接支撑水下声学定位（如GNSS-A）等多种技术路径。
5. SSP获取全技术路线的综合比较
本节将范围扩展至所有常规SSP获取路线，包括直接测量、声学反演、遥感反演和混合同化方法。直接测量方法（如CTD、声速剖面仪（SVP））精度最高但成本高、覆盖有限；声学反演（MFP、CS）平衡精度与数据效率但依赖原位声学观测；遥感反演（如基于海面参数反演SSP）可实现大范围低成本估计但深水精度不足；混合方法（如同化方法）可缓解单一方法局限但增加系统复杂性。实际选择应优先考虑核心需求：高精度基准测量选CTD/SVP；实时稀疏观测场景选ML或CS；大范围业务化预报选遥感反演或混合同化。
6. 总结、挑战与未来趋势
技术演进呈现两大趋势：从密集原位观测转向稀疏多源数据融合；从复杂物理迭代求解转向高效数据驱动推断。未来突破需聚焦三个关键挑战：提升数据驱动模型在有限样本下的泛化能力（如迁移学习、小样本学习）、增强深度学习模型的物理可解释性与一致性（如物理约束嵌入网络架构）、设计适应复杂分布式观测网络的稳健融合反演框架。具体而言：
6.1. 精度与效率的权衡
直接测量和物理模型反演精度高但时空覆盖和实时性差；压缩感知（CS）在稀疏观测下保持较高精度且实时性优于匹配场处理（MFP）；端到端机器学习（ML）在线效率极高但可解释性和泛化能力受限。
6.2. 数据依赖性的演进
从早期依赖密集水声阵列，到压缩感知减少声学数据需求，再到数据驱动方法扩展到海面遥感和历史数据库，大幅降低了实时SSP获取的难度和成本。
6.3. 适用场景的差异化
高实时战术环境（如AUV导航）优选EOF-ML或固定深度+人工智能（AI）方案；陌生海域且观测数据稀缺时选择压缩感知（CS）或模态提取SSP反演（ME-SSPI）；长期定点高精度科学观测仍依赖海洋声学层析（OAT）/匹配场处理（MFP）或直接测量；业务化海洋预报需发展多源数据同化和物理信息机器学习模型。
6.4. 关键挑战与未来方向
（i）模型可信度：需引入可解释人工智能（XAI）（如SHAP、物理集成注意力机制），建立严格数据预处理与质量控制流程，并采用贝叶斯深度学习提供概率输出。（ii）模型泛化与环境鲁棒性：采用迁移学习（领域对抗训练、少样本微调）适应新海区；利用物理引导生成模型（条件对抗生成网络（GAN））应对极端事件；采用多星数据融合和降级模式应对输入数据中断。（iii）工程可行性：通过网络剪枝、量化（INT8）和知识蒸馏等压缩技术，使深度学习模型适配低功耗水下平台；需提供量化成本估算（如船载CTD日成本与Argo剖面成本对比）以支持经济决策。（iv）算法推进：探索非线性压缩感知（如深度展开网络）替代泰勒一阶近似；发展物理信息神经网络（Physics-Informed Neural Networks, PINNs），将声波方程编码为损失函数，融合多模态输入，实现物理一致且鲁棒的模型。
