基于物理约束的模块化迁移学习方法,利用水下RGB图像实现不同水体水质反演
《Water Research》:Physically-Informed Modular Transfer Learning for Cross-Water-Body Water Quality Inversion using Underwater RGB Imagery
【字体:
大
中
小
】
时间:2026年06月30日
来源:Water Research 12.8
编辑推荐:
赵博|张安兵|刘新霞|陈一凯|王泽鹏|贾鹏飞中国河北省邯郸市河北工程大学水利水电学院摘要跨水体域差异以及隐性数据泄漏仍是基于水下图像可靠反演水质参数的重大障碍。本研究构建了一种基于物理原理的模块化迁移学习框架,以提高在不同水生环境中的RGB水质估算的稳定性。通过水下机器人平台,从
赵博|张安兵|刘新霞|陈一凯|王泽鹏|贾鹏飞
中国河北省邯郸市河北工程大学水利水电学院
摘要
跨水体域差异以及隐性数据泄漏仍是基于水下图像可靠反演水质参数的重大障碍。本研究构建了一种基于物理原理的模块化迁移学习框架,以提高在不同水生环境中的RGB水质估算的稳定性。通过水下机器人平台,从河流(源域)和湖泊(目标域)中同步采集RGB图像与现场水质参数数据。首先研究表明,传统的随机数据划分方式会导致严重的空间数据泄漏,从而使基础卷积神经网络的平均决定系数R2被人为高估0.594。为建立可靠的评估标准,我们采用了严格的独立于地点的划分方案,并提出了改进版的ResNet-18架构。该模型融合了多尺度特征增强、域适应机制以及基于光学衰减定律的物理约束条件。多维尺度分析表明,跨域稳定性与所学特征的几何一致性密切相关,而非仅仅取决于模型结构的复杂程度。实验结果表明,ResNet-18-DP配置在精度与稳定性之间达到了最佳平衡,在浊度反演中实现了R2为0.965、均方误差为0.257的优异效果。此外,该模型在悬浮物反演中也表现出出色的零样本迁移能力(R2=0.953),并且在独立的跨季节测试中仍保持良好性能(R2=0.846)。这些研究结果为在复杂现实场景中实现低成本、可扩展的水下水质监测提供了坚实的方法学基础。
引言
随着工业化进程的加速,全球水体面临着日益严重的富营养化与功能退化威胁(Zhang等人,2021;Yang等人,2022;Dong等人,2023)。为了全面了解三维水生生态系统,高频、连续的空间监测显得至关重要。虽然传统的实验室分析及固定浮标监测方法能够提供高精度数据,但它们受限于繁琐的操作流程、高昂的成本以及时空上的局限性,难以捕捉到细微的环境变化(Fernandez-Prieto和Palazzo,2007;Van Dijk和Renzullo,2011;Sheffield等人,2018;Fu等人,2023;Zhao等人,2024;Lei等人,2025;Zhang等人,2025a;Zhang等人,2025b)。近年来,水下机器人技术的进步为现场观测带来了新的可能,它弥补了卫星遥感与点源采样的不足(MahmoudZadeh等人,2023;Kong等人,2025b;Zhong等人,2025)。当配备光学传感器时,水下机器人能够在自然光条件下进行持续视觉观测,从而为水柱的立体监测提供了新途径。
尽管高光谱传感器具有丰富的辐射信息,但其在大规模集群部署时往往受到能量供应和尺寸限制的制约(Zhao等人,2025)。低成本RGB传感器则是一种可行的替代方案,但其定量应用却受到水下辐射传输随机性的阻碍,光谱衰减、散射以及光照强度的变化都会引入复杂的非线性效应(Deng等人,2025;Hu等人,2025;Ma等人,2025)。因此,如何确保模型在不同水体间的稳定迁移,依然是基于RGB技术的实际监测面临的主要挑战。
在此背景下,数据驱动的计算机视觉方法,尤其是卷积神经网络,越来越多地被应用于水下水质反演研究。无需依赖预先定义的物理模型,CNN可以直接从数据中自动学习复杂的非线性关系(Yang等人,2025)。通过分层特征表示,CNN能够有效捕捉与颗粒浓度变化相关的视觉特征,包括纹理结构、颜色分布以及空间对比度等。然而,目前大多数研究仍然在单一水体或环境条件相对均匀的背景下训练和评估模型,隐含地认为这些所学特征可直接泛化。实际上,不同水体在光学特性、背景环境、水动力条件以及沉积物组成等方面存在显著差异,这些差异会导致明显的域偏移效应,使得模型在训练域之外应用时性能迅速下降(Wang等人,2025)。
尽管水下RGB图像包含用于浊度估算的有效信息,但由于所学特征对环境变化的敏感性,跨域泛化依然面临挑战。虽然RGB相机仅提供三个宽带光谱通道,但浊度仍会通过影响光线散射和图像形成过程而得以体现。随着颗粒浓度的增加,强烈的后向散射会改变水下图像的强度分布和空间结构,从而导致场景对比度降低、纹理变得更平滑以及颜色发生变化。即便在光谱分辨率较低的情况下,这些变化依然可以被察觉(Zhang等人,2026)。这些变化体现在多种多尺度视觉特征上,如边缘清晰度、局部对比度以及纹理粗糙度等,而这些特征又与悬浮物的粒径分布和浓度密切相关(Kong等人,2025a;Zhang等人,2026)。由于RGB各通道对水柱衰减的敏感度不同,悬浮物会导致不均匀的视觉变化,而非简单的整体比例变化。尽管存在光谱方面的限制,只要能有效利用空间结构及通道间的相互作用,浊度反演仍然是可行的。不过,RGB传感器的响应对环境变化极为敏感,因此需要强大的特征表示方法及约束机制,以便提取出具有迁移性的与浊度相关的特征。迁移学习是缓解这些域差异的有效策略(Tian等人,2024)。然而,关于直接迁移能力的系统研究仍然较少,而且数据泄漏问题——如采样位置重叠或时间相关性——常常会夸大模型性能指标,高估其泛化能力,进而削弱现有研究结论的可靠性。
为解决这些问题,本研究提出了一种基于水下RGB图像的浊度反演迁移学习框架,以水下机器人平台作为标准的数据采集系统。我们从具有不同光学特性的河流(源域)和湖泊(目标域)环境中同步采集RGB图像与现场浊度测量数据,构建了一个具有代表性的跨水体迁移场景。通过严格的实验方案避免数据泄漏,从而确保对跨域泛化能力的准确评估。以ResNet18作为核心架构,我们进一步加入了模块化改进措施:多尺度特征表示、域适应模块以及基于物理原理的损失函数。通过消融实验和统计分析,系统地评估了各个模块的独立贡献及其协同效应。本研究的主要贡献包括:(1)分析了域偏移效应及其对模型泛化能力的影响;(2)证明了通过基于域意识的深度学习策略,RGB图像在跨水体浊度反演中具备一定的稳定性,同时以悬浮物浓度作为另一水质参数,验证了该方法在多参数反演任务中的应用潜力;(3)提出了一种基于低成本水下RGB图像的水质反演方法,并通过实验证明了其在实际监测中的应用价值,为实现大规模水生环境监测提供了可行路径。
章节节选
研究区域概况
本研究选择了中国河北省邯郸市的两个内陆水体作为研究对象,这两个水体的光学特性和环境条件存在显著差异:阜阳河(源域)和明湖(目标域)。研究区域的地理位置如图1a、1b、1c所示,更详细的背景信息见补充材料S1。这两个区域的光学环境也有所不同:阜阳河的浊度分布较为不均匀,
数据泄漏对模型评估的影响
为了量化数据泄漏对模型性能指标的负面影响,我们在严格划分与宽松划分两种实验条件下,对八种常见的CNN架构以及所提出的ResNet18-MDP进行了性能测试(见图4)。
在出现数据泄漏的实验中,所有测试模型的性能都异常优异,九种模型的平均R2值达到了0.982 ± 0.008。其中ResNet34的R2值为0.989,ResNet18-MDP的R2值则为0.991,且均方误差始终低于0.25。这些数值表明
结论
我们提出了一种基于物理约束的模块化迁移学习框架,用于利用水下RGB图像实现跨水体的浊度反演,同时将该方法拓展到了悬浮物浓度的零样本反演领域。通过严格的评估流程,我们得出了关于将深度学习技术应用于水文光学监测的三个重要见解:
首先,我们发现传统随机划分方式导致的潜在数据泄漏,会严重高估模型的泛化能力。实际上
CRediT作者贡献说明
赵博:论文撰写——初稿撰写、可视化处理、结果验证、方法设计、实验研究、定量分析、概念构思。 张安兵:论文撰写——审阅与编辑、研究指导、项目资金筹措、项目管理、方法设计。 刘新霞:论文撰写——审阅与编辑、方法设计、实验研究、定量分析。 陈一凯:方法设计、软件可视化、定量分析。 王泽鹏:实验研究、可视化处理、定量分析。 贾鹏飞:实验研究、可视化处理、定量分析
资金支持
本研究得到了国家自然科学基金(项目编号:42071246)的资助。
CRediT作者贡献说明
赵博:论文撰写——初稿撰写、可视化处理、结果验证、方法设计、实验研究、定量分析、概念构思。 张安兵:论文撰写——审阅与编辑、研究指导、项目管理、方法设计、资金筹措。 刘新霞:论文撰写——审阅与编辑、方法设计、实验研究、定量分析。 陈一凯:可视化处理、软件应用、方法设计、定量分析。 王泽鹏:可视化处理、实验研究、定量分析。 贾鹏飞:可视化处理、实验研究,
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号