无人机弥合海洋观测中海—空—天观测缝隙：技术链条、协同框架与系统实现

《IEEE Geoscience and Remote Sensing Magazine》：How UAVs Bridge the Sea–Air–Space Gaps in Ocean Observing: Technological chains, collaborative frameworks, and system implementation

　　

摘要专业翻译 无人机（UAV）已成为现代海洋遥感的重要组成部分，其弥合了卫星监测与原位海洋测量之间长期存在的观测缝隙。本文从海—空—天统一视角对无人机海洋观测进行了全面综述，考察了无人机平台如何为一体化海洋监测系统作出贡献。在概念层面，本综述通过三维桥接视角组织现有研究，该视角刻画了无人机在物理观测、数据集成和决策支持三个层面中的作用。在技术层面，系统总结了2016年至2025年间海洋无人机感知在数据采集、数据处理和任务级应用方面的发展。为比较分析多平台观测能力，研究引入了协同效能矩阵（CoEM），以反映在数据质量、时效性、空间覆盖和运行灵活性方面的报告性能。在系统层面，综合了具有代表性的实海平台和已记录项目，提出了一种集成卫星、无人机、船载系统和岸基站点的四层协同架构，突出了端到端的观测—分析—响应工作流。最后，本文概述了面向智能化、韧性和可扩展海洋观测系统的未来研究方向，强调了无人机作为下一代海—空—天观测架构中关键连接要素的作用。

论文解读文章

一、研究背景与问题

海洋观测对于维护海洋权益、保障航行安全、打击非法捕捞以及应对海洋污染至关重要。尽管遥感技术已取得显著进展，当前海洋观测实践仍受制于三大持续性挑战：可见性有限、时间响应不足以及系统可及性受限。这些挑战共同阻碍了对小型或低轮廓目标的可靠探测，妨碍了对快速演变海上活动的及时监测，并削弱了跨异构观测平台的实时感知与协同异常响应能力。

具体而言，当前海洋观测系统存在三个根本性技术缺口。第一，卫星观测受重访周期和处理延迟的固有制约，对短时或快速演变海上活动的时间响应不足；即便采用虚拟星座策略，光学卫星观测的重访周期通常仍以天为单位，且在多云海域性能进一步下降。第二，现有天基平台难以探测小型或低空海上目标，星载合成孔径雷达（SAR）对小于15米的船舶检测可靠性有限，而岸基雷达受海杂波、低仰角探测几何和传播效应制约，在近海面环境中存在长期探测瓶颈。第三，跨平台的碎片化数据流阻碍了异常感知和运行决策，SAR/光学—AIS关联在拥挤水域常出现错配或遗漏，削弱了从异常检测到响应的端到端链条。

在此背景下，无人机（UAV）凭借高分辨率感知、敏捷部署、多模态融合算法和环境自适应任务能力，成为缓解上述局限的有力手段。无人机作为天基与水面平台之间的关键中介，促进了统一协同的海—空—天观测架构的形成。该论文发表于《IEEE Geoscience and Remote Sensing Magazine》，旨在从系统层面阐明无人机在海洋观测中的桥接作用。

二、主要技术方法

研究人员采用综述分析与系统综合的方法，基于Web of Science数据库2016至2025年间文献进行文献计量分析，从物理、方法论和决策三个维度构建三维桥接视角。研究引入了协同效能矩阵（CoEM）作为分析框架，从数据质量（Q_d）、时效性（T_c）、空间覆盖（C_o）和运行灵活性（R_f）四个维度对多平台观测效能进行结构化比较。研究还综合了代表性实海平台和已记录项目，抽象出集成卫星、无人机、船载系统和岸基站点的四层协同架构。此外，研究系统梳理了物理驱动建模、多源协同处理、边缘端部署等关键技术路径。

三、研究结果

无人机驱动的遥感数据采集进展

该部分从平台与系统配置视角考察了无人机载荷能力。研究发现，无人机已从辅助观测资产演变为卫星尺度覆盖与精细按需感知之间的关键桥接平台。轻量化SAR、机载高光谱等载荷的成熟将全天候昼夜成像能力扩展至低空快速部署平台。在时间维度上，无人机实现了分钟级到达与快速响应，SeaDronesSee基准测试验证了其在开阔水域对人员和小型目标的可靠检测与跟踪能力；在持续性监测方面，截至2022年至少169项研究使用无人机估计海洋哺乳动物的丰度、生物特征和行为。在空间维度上，无人机激光雷达与多光谱融合可有效捕捉湿地微地形和植被属性，无人机高光谱可解析藻类色素分布的空间异质性。然而，海面辐射、浊度、气溶胶和湿度引起的传感器性能退化，平台姿态不稳导致的几何与配准误差，以及有效载荷、功率和天线尺寸的物理限制，构成三大主要挑战。

协同效能矩阵（CoEM）

研究指出，传统评价指标（如检测率、平均精度均值（MAP）、F1分数等）在多平台海洋观测架构中存在三个根本局限：无法量化跨平台互补性与系统级增益、对时效性覆盖和证据价值的表征不足、对多传感器融合中不确定性传播的表征有限。为此，研究提出CoEM框架，以系统效能指数（SEI）作为加权聚合指标，并引入误差惩罚项Δ_err以反映跨平台配准误差、传输不确定性和多源错配。该框架与既有跨平台观测和数据融合研究的发现一致，例如分布式协同感知网络通过跨平台协作使语义分割性能提升2.61%–16.89%。

无人机驱动的遥感数据处理进展

该部分从技术导向视角梳理了三个相互关联的方法论方向。在物理驱动建模方面，研究呈现了从物理信息正则化到混合物理—数据模型再到物理感知表征的递进路径。物理信息正则化通过BRDF建模、太阳耀斑校正和谱混合约束提升物理保真度；混合模型将解析物理模型嵌入学习架构本身，支持海洋状态重建和参数估计；物理感知表征则将船体几何、纵横比约束、航向对齐和尾流共现等海事目标先验编码进模型表征，提升杂波海背景中小目标的检测鲁棒性。在多源协同处理方面，研究梳理了跨平台数据对齐、目标关联与再识别（Re-ID）、分布式协同决策三个递进阶段。跨平台对齐从几何配准向联合几何、语义和时间一致性约束演进；目标关联从短时多目标跟踪（MOT）发展到跨模态Re-ID再到轨迹级融合；分布式决策则从集中控制向联邦学习（FL）和多智能体强化学习（MARL）演进。在边缘端部署方面，模型压缩、不确定性估计、测试时适应和能量—通信自适应优化共同构成可靠性层，支撑无人机在动态海事条件下的自主感知。

无人机海洋遥感任务链应用

该部分从环境适应和任务适应两个维度分析了无人机海洋感知。在海况与背景干扰方面，湍流海况产生的海杂波偏离经典高斯或瑞利模型，需引入精细化杂波模型和学习型判别器恢复弱目标可检测性；泡沫增加SAR后向散射，海盐喷雾在长航时任务中退化光学窗口。在光照与大气变异性方面，太阳耀斑、海面反射率变化和不稳定照度是感知阶段退化的主要来源。研究还介绍了代表性协同试验平台，以CoEM为系统级分析透镜，阐释环境因素、任务复杂度和平台角色如何共同影响整体观测效能。

迈向端到端海—空—天一体化海洋观测框架

该部分综合代表性实海平台和已记录项目，提出了四层协同架构，集成卫星、无人机、船载系统和岸基站点，突出端到端的观测—分析—响应工作流。该架构验证了无人机的桥接作用，并为一体化海洋观测系统提供了可复用范式。

四、结论与展望

该综述在概念层面引入三维桥接视角组织既有研究，在技术层面系统总结了2016至2025年间无人机感知、数据处理和应用技术，在系统层面抽象出四层协同范式，并概述了数据连续性、实时响应性和智能协同相关的技术瓶颈与未来方向。未来研究指向智能、韧性和可扩展的海洋观测系统，强调无人机在下一代海—空—天观测架构中的关键连接作用。CoEM框架有望从静态事后评估工具演进为任务感知、学习驱动的系统，支持动态海事环境中的自适应任务规划、平台协同和协同优化。随着遥感基础模型（如RemoteCLIP、RingMo）的发展，无人机将成为云边闭环学习回路中的数据桥，既作为边缘推理终端，又作为跨域泛化、知识积累和模型演化的关键驱动力。