声纳是水面舰船及水下装备（潜艇，水下滑翔机，水下无人航行器等）在海洋环境中实现远距离探测和通信的唯一设备，已被广泛应用于海底地形探测，通讯，导航，定位等水下活动。目前，声纳可分为主动式和被动式两种类型。其中被动探测声纳性能受海洋环境噪声的影响最大。随着吸波材料和降噪技术的发展，海洋开发日益增多，目标辐射声源级在不断降低，海洋环境噪声的特性也在发生显著的变化，这使得现有的经典噪声模型在预测精确度和实际适用性方面遇到了挑战。特别是它们在我国周边海域的适用性不够清晰，且传统的信号处理算法也面临性能下降的问题。在国家海洋强国战略的推动下，我国对海洋环境噪声已开展多次定点连续监测实验，并积累了大量的测量数据。然而，当前我国在如何有效利用众多实测数据以提升环境噪声建模精度方面的研究基础尚显不足。

本项目旨在建立使用多种海表参数的海洋环境噪声预测系统，通过对已收集的海洋噪声数据进行深入分析，并将风速、降雨、大气压等物理量与海洋噪声信息进行同步化处理，以此建立相对应的数据集。通过集成数据，利用10m风速、大气压与有效波高等多重海面参数作为预测指标，采用自组织网络算法挖掘这些参数与噪声谱级之间的关联性，构建一个高精度处理海洋噪声的预测系统，并以期设计基于数据集的海洋噪声预测软件。为海洋环境监测、噪声数据管理及处理提供技术支持。

 3.1海洋环境噪声的相关数据集

据文献查阅，与海洋环境噪声相关的物理量还有气象因素，水文因素等。据此，确定本项目所需数据。其中，气象数据包含10m风速数据，降雨数据，大气压数据、以及有效波高数据。水文数据包含声速剖面数据，海底底质数据，以及海深数据。

风速、降雨、大气压、以及有效波高等四种气象数据的来源均由欧洲中尺度天气预测中心（European Centre for Medium-Range Weather Forecasts，ECMWF）提供的ERA5 Hourly Data On Single Levels From 1979 To Present 数据集。该数据集的时间最高分辨率为1h，空间最高分辨率为0.25°×0.25°，每个月第一个点对应的时间为零点（格林威治时间）。在时域和空域范围内通过寻找最近的网格点，或插值到指定点，故可抽取指定位置和时间的实验数据。10m风速、降雨、大气压以及有效波高的实测值如图1所示。根据 Wenz 曲线，在评估风成噪声谱时，通常使用蒲福风级或者海况^[1]，风级等级或海况等级越高，环境噪声的谱级越大。故特意在图1（a）中标注了风级。

水文参数的数据来源是美国国家海洋大气管理局（National Oceanic and Atmospheric Administration，NOAA）提供的公开数据集。声速剖面是海水温度的函数，其来源是 NOAA 中的 WORLD OCEAN ATLAS 2013 version 2（WOA13）数据集。该数据库的时间最高分辨率为1m，空间最高分辨率为0.25°×0.25°。

表1 数据集概况

海洋声学的数据来源为实地采集。研究人员搭载科考船，到达观测站位，按照要求布放一套底部固定的潜标垂直阵系统，如图1（e）所示，实现全深度连续观测噪声。这套系统最浅和最深的位置分别是230m和800m，采样频率为20kHz。该阵列连续采集信号，并自动存储在一系列的数据文件中，每个数据文件的持续时间约为 135 s。2018年7月29日，研究人员回收潜标系统并分析各个深度水听器的数据。以深度约700m水听器的采集结果为例，此次实验，共生成11520个数据文件，图1（f）给出了其中一个文件存储的时域信号。

但是，目前已有的数据集涵盖要素太少，并且没有专门关于海洋环境噪声的数据集。因此，本项目通过建立一个涵盖要素更多且专门关于海洋环境噪声的数据集，进一步提高海洋噪声预测的准确性，并为今后研究海洋环境噪声时查找数据更便利。

图1 海洋环境噪声及其配套数据

3.2 海洋环境噪声的预测模型

考虑到当前可用的数据源，我们以风成噪声的频谱特性为建模重点。因为在不同频段上的环境噪声具有不同类型的主导声源，一般当频率大于 500 Hz 时，风成噪声频段的主导声源是海面搅动，故需将相应的声源级别进行风速量化^[2]。

传统风成噪声建模方法分为两类，一类是基于海洋风成噪声机理的“物理”方法，另一类是利用环境噪声与气象数据之间经验规律的“统计”方法。

基于“物理”方法的建模思路为：基于噪声源级经验公式计算声源级^{[3][4][5][6][7][8]}，通过耦合声传播模型^[9]和水体模型计算声传播损失，结合声场互易原理降低计算量，建立关于风成噪声谱级的预测模型。同时增加了10m风速，风速剖面，海深，海底质参数等为预测因子，提高建模精度，但不足之处在于风成噪声源级模型、声传播模型和水体模型均存在各种假设性条件和使用限制。容易导致风成噪声预测模型有较大误差。20 世纪 60 年代，Cron 和 Sherman^[10]最早提出海洋环境噪声场的物理计算模型，该模型假设噪声源分布均匀，海水和海底均视作无限大的均匀空间。随着对风成噪声源、声传播、水体的进一步认识，研究人员对模型进行改进，逐步考虑了非均匀分布噪声源、距离变化声速剖面、海底反射、海水吸收等因素，开发了更精细的理论模型。基于这些理论模型，海军部门开发了环境噪声数值预测软件，例如美国开发的 DUNES、RANDI、ANDES 等软件。基于“物理”方法的建模方式通过选择合适的噪声源模型，声传播模型，水体模型，无需实验数据，即可准确建模任意指定位置处的噪声场。但由于噪声源空间分布范围广，尽管使用了声场互易原理降低了计算量，但是计算速度仍然不能满足实时预测的要求。且由于噪声源模型和声源模型，水体模型的诸多假设条件和使用限制，仍然存在较大误差。

基于“统计”方法的建模思路为：利用线性回归模型和最小二乘解提取风速和单频点噪声谱级间的相关性，建立单频点的预测模型，再结合噪声功率谱曲线的形状，推导出完整的功率谱曲线。基于此建模方法，Farrokhrooz 等人^[11]在东北太平洋海域、Reeder 等人^[12]建立了风成噪声谱级模型。该方法通过利用线性回归模型等数学知识，提高了计算速度，避免使用水体参数，减少建模误差，但该方法的缺点十分明显，由于未使用水体参数，不能判定能否推广到其他站位且该方法需要大量的实验数据支撑，而当时状况下实地采集数据比较困难，收集的数据较少，进而大大减少了建模精度。除此之外，该方法未考虑到线性回归模型的局限性，即模型斜率仅在一定的频率范围和风速范围内有效，当风速较低、频率较低或风速较高、频率较高时，斜率会降低。据文献查阅，当“风速较低、频率较低”时，风成噪声的实验数据容易受到其他噪声源的污染，例如交通噪声，混入其他的噪声会使回归系数降低。当“风速较高、频率较高”时，其发声机制可能发生改变。目前，关于风速范围、频段范围、噪声和风速变化的迟滞时间等参数的选定没有统一的标准。在不使用实测数据修正风成噪声经验公式的情况下，传统建模方法的精度陷入了瓶颈。建模精度受限的原因主要为当前建模方法仅使用单一海表参数（风速）度量风成噪声源级，因此需要发展可耦合多种海表参数的建模方法。

近年来，随着卫星遥感技术的发展和海洋实测数据的积累，基于机器学习的算法（尤其是自组织映射算法^[13][14][15]）开始被应用于建模水下物理场。Liu 等人^[16][17]使用 ADCP 和高频雷达数据提取了海流的模式并评估了性能；Chapman^[18]等人使用卫星遥感数据建模了 1000 m 海深处的海流；Chen 等人^[19]使用卫星遥感数据重建了水体的声速剖面。研究表明自组织映射算法可以提取多个海表物理量和水下物理量之间的非线性关系，适合海洋的非线性动力学，且不依赖已有的传播、水体模型等，可以自主学习随时空变化的水面和水下物理量之间的非线性关系，甚至避免使用水体数据，仅使用海表数据（目前，依赖卫星遥感技术，对全球海面基本已实现连续测量），同时由于建模阶段速度的提高，除去在训练模型阶段耗费的时间，仍旧满足模型实时性的需求。因此，本项目通过基于自组织网络机器学习算法自主提取多种海表参数与水下物理量耦合关系，结合搭建的数据集，建立使用多种海表参数的海洋噪声预测模型，提高建模精度。

图2 基于自组织网络研究声速剖面的流程图^[19]

3.3 可视化软件的制作

目前，存在软件v1已经实现了海洋环境噪声的数据再分析，统计特性的提取，构建经典预测模型。

软件v1的“统计分析”模块的主要功能包括展示已选站位中某深度的实测环境噪声数据观测结果、与经典环境噪声模型的对比以及展示使用统计学工具分析环境噪声的结果。其界面主要由功能选择模块、展示类型切换模块和显示模块三部分组成。功能选择模块用于载入实测数据和选择统计分析功能；展示类型切换模块用于切换同一功能下不同频率、风级时的结果；显示模块主要用于图形化显示计算结果。

“数值分析”模块采用数值模型计算不同深度上的噪声量级和方向性，在计算过程中使用了N×2D方法和声场互易原理。其功能界面主要由菜单模块、参数输入模块和显示模块组成。其中，菜单模块用于切换不同功能；参数输入模块用于输入噪声源和环境参数，显示模块主要用于图形化显示计算结果。

“统计预测”模块的主要功能是利用已发表的经验公式来计算环境噪声谱级或根据已有海区经验模型查看不同风级下的噪声谱级曲线。其共录入8种模型：TOTO模型、Wenz拟合模型、Barry修正模型、Coates模型、西太经验模型、东海经验模型、南海北部经验模型和南海南部经验模型。其功能界面主要由菜单模块、参数输入模块和显示模块组成。其中，菜单模块用于切换不同噪声模型；参数输入模块用于输入各个模型运行所需参数；显示模块主要用于图形化显示计算结果。

但是软件v1未涉及数据源类型的选择，下载以及基于数据驱动的预测模型。因此，本项目将设计一个功能更为丰富的软件，在输入时间、区域等用户指定参数后，自动实现数据的下载，海洋环境噪声的预测，并进行可视化。

                                                 图3 软件v1的界面

综上，本项目旨在通过搭建海洋环境噪声及其相关参数的数据集，结合自组织网络机器学习算法自主提取多种海表参数与水下物理量耦合关系，建立基于数据驱动的高精度海洋环境噪声模型。根据对国内外现状的分析主要存在以下3方面的问题：1）目前已有的数据集涵盖要素太少，并且没有专门关于海洋环境噪声的数据集，迫切需要一个涵盖多种海洋噪声相关要素且专门关于海洋噪声的数据集。2）传统建模精度陷入瓶颈期，可通过自组织网络机器学习算法提取多种海表参数与水下物理量耦合关系，建立使用多种海表参数的风成噪声谱级预测模型，提高建模精度。3）软件v1没有数据源类型的选择，下载等功能，同时缺少基于数据驱动的预测模型，需要在v1基础上设计一个功能更加齐全的预测软件。本项目针对上述问题展开研究，以期为海洋环境监测，噪声数据管理及处理提供技术支持。

参考文献：

[1]    Wheeler D, Wilkinson C. From Calm to Storm: The Origins of the Beaufort Wind Scale[J]. The Mariner’s Mirror, 2004, 90(2): 187-201.

[2]    杨秋龙. 深海环境噪声建模及其统计特性分析研究[D]. 西安: 西北工业大学, 2018.

[3]    Schmidt H, Kuperman W A. Estimation of surface noise source level from

low‐frequency seismoacoustic ambient noise measurements[J]. The Journal of the Acoustical Society of America, 1988, 84(6): 2153-2162.

[4]    Kuperman W A, Ferla M C. A shallow water experiment to determine the source spectrum level of wind‐generated noise[J]. The Journal of the Acoustical Society of America, 1985, 77(6): 2067-2073.

[5]    Harrison C H. CANARY: A simple model of ambient noise and coherence[J]. Applied Acoustics, 1997, 51(3): 289-315.

[6]    Ferguson B G, Wyllie D V. Comparison of observed and theoretical responses of a horizontal line array to wind‐induced noise in the deep ocean[J]. The Journal of the Acoustical Society of America, 1987, 82(2): 601-605.

[7]    Harrison C H. Formulas for ambient noise level and coherence[J]. The Journal of the Acoustical Society of America, 1996, 99(4): 2055-2066.

[8]    Kewley D J, Browning D G, Carey W M. Low‐frequency wind‐generated ambient noise source levels[J]. The Journal of the Acoustical Society of America, 1990, 88(4): 1894-1902.

[9]    Duarte C M, Chapuis L, Collin S P, et al. The soundscape of the Anthropocene ocean[J]. Science, 2021, 371(6529): eaba4658.

[10] Cron B F, Sherman C H. Spatial-correlation functions for various noise models[J]. The Journal of the Acoustical Society of America, 1962, 34(11): 1732-1736.

[11] Farrokhrooz M, Wage K E, Dzieciuch M A, et al. Vertical line array measurements of ambient noise in the North Pacific[J]. The Journal of the Acoustical Society of America, 2017, 141(3): 1571-1581.

[12] Reeder D B, Sheffield E S, Mach S M. Wind-generated ambient noise in a topographically isolated basin: A pre-industrial era proxy[J]. The Journal of the Acoustical Society of America, 2011, 129(1): 64-73.

[13] Kohonen T. Self-Organizing Maps[M]. New York, NY: Springer, 2001.

[14] Rako N, Vilibić I, Mihanović H. Mapping underwater sound noise and assessing its sources by using a self-organizing maps method[J]. The Journal of the Acoustical Society of America, 2013, 133(3): 1368-1376.

[15] Kohonen T. Exploration of very large databases by self-organizing maps[C]//Proceedings of International Conference on Neural Networks (ICNN’97). 1997, 1: PL1-PL6.

[16] Liu Y, Weisberg R H, Shay L K. Current patterns on the west florida shelf from joint self-organizing map analyses of hf radar and adcp data[J]. Journal of Atmospheric and Oceanic Technology, 2007, 24(4): 702-712.

[17] Liu Y, Weisberg R H. Patterns of ocean current variability on the west florida shelf using the self-organizing map[J]. Journal of Geophysical Research: Oceans, 2005, 110(C6).

[18] Chapman C, Charantonis A A. Reconstruction of Subsurface Velocities From Satellite Observations Using Iterative Self-Organizing Maps[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 617-620.

[19] Chen C, Yang K, Ma Y, et al. Reconstructing the subsurface temperature field by using sea surface data through self-organizing map method[J]. IEEE Geoscience and Remote Sensing Letters, 2018(99): 1-

4.1项目创新点

4.1.1提出一种基于自组织网络机器学习算法的海洋噪声预测模型

针对经典噪声模型在我国周边海域的适用性不够清晰和当前建模方法仅使用单一海表参数（风速）度量风成噪声源级，建模精度大大受限的问题。本项目聚焦于使用自组织网络机器学习算法自主提取多种海表参数与水下物理量耦合关系，结合搭建的数据集，建立使用多种海表参数的风成噪声谱级预测模型，提高建模精度。

4.1.2制作海洋环境噪声预测软件，实现预测结果的可视化。

本项目基于V1版本功能的基础上，增加了数据源类型的选择，下载以及基于数据驱动的预测模型，建立基于数据驱动的高精度海洋环境噪声预测软件。为用户提供便利的同时，保证了预测结果的准确性。

4.2项目特色

基于海洋环境噪声建立专门的数据集，结合自组织网络机器学习算法，建立基于数据驱动的海洋环境噪声预测模型，并在已有软件基础上，增加多种环境噪声相关要素的自动下载功能，和数据驱动的海洋环境噪声预测功能。

本项目利用自组织网络机器学习算法，提取多种海表参数与水下物理量耦合关系。结合之前成功搭建的数据源，可建立使用多种海表参数的海洋环境噪声预测模型，提高建模精度。并在V1软件的基础上，增加多种环境噪声相关要素的自动下载功能，和数据驱动的海洋环境噪声预测功能，实现海洋噪声预测结果的可视化

5.1技术路线

1）数据集的搭建和分类。根据相关文献的内容，确定与海洋环境噪声相关的物理量类型，例如，风速，降雨，大气压，有效波高，并确定其数据集。将实地收集的南海海洋化境噪声观测数据同气象、水文数据等再分析数据，进行同步化处理，完成数据集的搭建。再通过随机采样将气象，水文数据集与噪声数据集按8：2的比例，分为训练数据和测试数据

2）功率谱曲线的生成。基于（1）中得到的数据集，生成对应数据文件和时域信号。将时域信号进行功率谱估计，得到海洋噪声功率谱曲线图。

3）筛选谱线，提纯海洋环境噪声特性数据。计算2）图中的1/3倍频程功率谱线，将谱线中明显不是海洋环境噪声场的部分进行筛选，再按照蒲福风级或海况对剩余的功率谱曲线进行分类并求均值，得到南海海洋环境噪声的频谱特性数据。

4）初始化自组织网络地图。初始化自组织地图，设置节点为3000.使用训练数据集，将数据非线性投影到自组织网络的节点上，直到满足迭代停止条件，得到自组织网络地图。将10m风速，有效波高，大气压，月份，经度，维度和噪声谱级七个作为输入部分，其中前6个为预测因子，最后1个作为预测变量。鉴于计算机的识别性，将网络输入经度的正弦和余弦代替经度，给月份乘以30，并做相同的变换。将其植入地图。将得到的训练数据集中的数据输入，训练自组织网络。

5）编写自组织网络算法。将训练数据集训练后的自组织网络地图，针对测试集数据，将自组织网络地图预测其1/3倍频程中心频点上的噪声谱级。结合建模结果。将该过程通过MATLAB编写对应算法。同时将测试数据集和训练出的地图作为自组织网络算法的输入，嵌入到自组织网络算法中，得到预测海洋环境噪声的谱级。

6）设计可视化软件。设计简洁美观的可视化界面，同时调整软件内部布局，确保布局的合理性。根据5）得到的自组织网络算法，基于V1版本的基础上，编写相关代码，使软件实现海洋环境噪声预测等多项功能。测试并运行程序，保证软件的可行性。完成开发测试后，定时对软件进行维修，优化内容。

5.2本项目拟解决以下几个关键问题

拟使用基于自组织网络算法的建模方法，提取多种海表参数和噪声谱级之间的非线性依赖关系，解决传统建模方法建模精度受限问题，建立使用多种海表参数的风成噪声谱级预测模型，并在此基础上，制作基于数据的海洋噪声预测软件。

5.3预期成果

1）建立海洋环境噪声及其有关参数的数据集。

2）建立海洋环境噪声数据驱动的预测算法。

3）提供可视化的界面，实现预测结果的可视化。