CAFlow：一种用于测量船舶二氧化硫排放的混合注意力引导方法

《Measurement》：CAFlow: A hybrid attention directed method for measuring SO 2 emissions from ships

　　

• •
  提出了一种名为CAFlow的新型深度光流模型，用于船舶SO?排放测量。
• •
  提出了一种浓度引导的混合注意力机制，专注于物理流体核心区域。
• •
  建立了一个引入CEPE指标的物理信息驱动的多维系统。
• •
  构建了大规模FluentFluid、SmokeFluid及真实港口数据集。

引言

海上航运是国际贸易的主要运输方式。尽管国际海事组织已全面实施2020年硫含量上限规定，但对船舶污染物（如SO₂）的实时监测仍然是合规监管与环境评估中的关键难题[1]。在船舶运行过程中，其排放物呈现出瞬态弥散特征和低浓度特性，需要采用非接触式测量方法[2]。传统方法在这些条件下难以实现实时性和测量精度。在此背景下，基于紫外（UV）相机的遥感SO₂监测提供了一种有前景的解决方案。该技术具有高时空分辨率成像能力，能够在非接触操作的同时捕捉污染物弥散动态，所得数据对于通过羽流速度矢量分析开发定量排放评估模型至关重要。

羽流法排放计算技术在火山监测中的应用为船舶尾气排放量化提供了宝贵的技术参考。2022年，Bani等人通过差分光学吸收光谱（DOAS）结合UV相机光谱成像系统，展示了印度尼西亚群岛火山的动态SO₂通量监测[3]。2023年，Esse等人将质量守恒方程与风速替代方法相结合，通过地面实验确定了冰岛Fagradalsfjall火山的SO₂排放速率[4]。2024年，Corradino等人提出了一种人工智能驱动的火山SO₂量化框架[5]。随着遥感设备量子效率和窄带滤光片抑制能力的最新进展与突破，该技术正从火山排放等高浓度固定源应用向船舶尾气等低浓度移动源应用转变。

然而，与火山排放源不同，船舶SO₂羽流具有低浓度、结构变化迅速及监测环境复杂等特点。传统火山羽流矢量分析方法（包括风速替代法和互相关技术）在应用于船舶排放量化时存在显著误差。因此，高级光流算法已成为计算海洋排放速率的首选方法。例如，Thomas等人（2018年）利用双紫外-红外相机系统测量船舶SO₂排放，并开发了一种专门的光流算法用于排放速率估算[6]。近期，Zhang等人（2024年）部署了具有光稀释校正的SO₂ UV相机，并应用光流算法推导船舶排放速率[7]、[8]。然而，船舶羽流的海洋-大气多物理环境耦合和多相流动力学特性导致连续图像帧之间的灰度值不一致。加上不同羽流区域之间显著的速度梯度差异，这些因素大幅增加了光流计算复杂度。所得光流场经常呈现不连续模式和碎片化特征，严重损害了排放速率反演精度[9]。

通过反向传播训练端到端神经网络架构[10]、[11]的发展，已深刻变革了计算机视觉任务。在此基础上，Dosovitskiy等人引入了FlowNet，作为首个专用深度光流框架，成为数据驱动运动估计的基础范式[12]、[13]。在此基础上，Teed等人进一步提出了RAFT，该模型采用迭代细化机制进行渐进式预测优化[14]。基于RAFT，Wang等人通过采用新颖的减速训练策略引入了SEA-RAFT模型，进一步提高了其精度[15]。此外，Matteo等人通过整合单目深度基础模型与低维运动参数化，提出了FlowSeek模型，在计算效率和建模速度方面取得了显著提升[16]。这些深度学习方法相比传统光流方法展现出优越的精度和鲁棒性，并广泛应用于各学科领域。例如，Lagemann等人成功将深度光流模型与粒子图像测速技术相结合，获得了更高的测量精度和跨域泛化能力[17]。并行创新包括Ansari等人利用水面光流分析进行高精度河流流量估算[18]。此外，Zuo等人引入了图注意力机制并提出数据驱动的机器学习框架，显著提高了薄壁件三辊折弯半径预测精度[19]。上述研究表明，基于深度学习的光流算法在各种图像处理应用中均表现出优越性能。此外，在复杂运动场景中，注意力机制的整合赋予网络动态权重适应能力，在挑战性运行环境中表现出提升的性能。2024年，Lu等人整合了空间自注意力和帧间交叉注意力机制，有效捕捉全局依赖关系并建立全面的光流估计特征关联[20]。同年，Chen研究团队实现了散焦感知和相似性驱动的注意力机制，大幅提高了光流网络中多焦点图像融合精度[21]。2025年，Li等人提出了集成SSA-BiGRU-Attention模型，实现了船舶运动姿态的高精度预测[22]。2026年，Sang等人在YOLO架构基础上引入新颖的空间-通道注意力融合机制，推出了检测精度更高的船舶检测框架RSL-YOLO[23]。这些配备注意力机制的深度网络展现出可观的实用部署潜力，特别是在船舶尾气排放速率精确反演方面。

为解决船舶气体污染物速度矢量测量难题，本研究提出了一种浓度感知卷积块注意力模块（CCBAM），并构建了一个名为CAFlow的增强型深度光流网络模型。通过合成数据生成技术，我们构建了一个名为FluentFluid的大规模流体光流数据集，可作为深度光流架构训练的标准基准。在特征提取过程中，我们实施了一个GCBAM模块，用于动态放大废气图像中高浓度区域的特征响应，并进一步设计了一种专门的损失函数，即浓度损失（CL），从而建立了优化后的CAFlow架构。最后，我们将深度光流模型应用于真实世界船舶SO₂排放测量，以计算相应排放速率。

各节摘要

原理

基于DOAS原理的双通道UV相机系统，通过分析目标区域中SO₂吸收带与参考带之间的辐射差异，推算出船舶排放的SO₂柱浓度。通过具有混合注意力机制的深度光流网络，该系统实现了气体羽流演化在连续图像帧之间的端到端时空建模。通过将SO₂二维浓度场与光流导出的运动矢量协同融合，

FluentFluid光流数据集

光流数据集是深度光流网络训练、评估和优化的基础，对其性能起关键决定作用。现有的光流数据集，如FlyingChairs[12]、[25]和FlyingThings3D[26]，主要针对刚体运动设计。然而，气体通常遵循由Navier-Stokes方程描述的粘性流体运动，这在物理形态和运动特征方面与刚体存在显著差异

实验

使用FluentFluid数据集对卷积神经网络FlowNet2、Transformer、SEA-RAFT架构、FlowDiffuser（结合扩散模型）[27]、FlowSeek以及一种名为CAFlow的增强光流网络进行模型训练。为全面评估模型性能和泛化能力，我们实施了一套多层级验证框架。核心验证策略采用两个独立测试集：FluentFluid（简化模拟）和SmokeFluid（复杂

结论

为应对船舶气体污染物排放测量难题，本研究引入了一种CCBAM，并创新性地提出了浓度引导混合注意力机制和基于浓度的空间加权概念。利用这些概念构建了一个由混合注意力机制引导的改进深度光流网络模型，命名为CAFlow。本研究取得了三项关键进展。首先，开发了合成数据生成技术以创建

CRediT作者贡献声明

He Weiwei：写作-审阅与编辑，写作-初稿撰写，可视化，验证，监督，方法论，资金获取，概念化。Yang Junbo：写作-初稿撰写，可视化，验证，软件，方法论，数据整理。Zhang Yikang：软件，调查研究，概念化。Wang Rui：验证，数据整理。Yuan Haochen：形式分析。Zhou Wei：形式分析。Zheng Jinhao：数据整理。Lin Siyu：数据整理。Wu Kuijun：写作-审阅与

利益冲突声明

作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究由山东省自然科学基金（项目编号：ZR2025QB57）、国家自然科学基金委员会（项目编号：62305283）和烟台市自然科学基金（项目编号：ZR2025Z037）资助。

He Weiwei|Yang Junbo|Zhang Yikang|Wang Rui|Yuan Haochen|Zhou Wei|Zheng Jinhao|Lin Siyu|Wu Kuijun