海洋环境智能探测系统及其方法

技术领域

本申请涉及智能化探测技术领域，并且更具体地，涉及一种海洋环境智能探测系统及其方法。

背景技术

海洋环境探测可以探测海洋的物理、化学、生物等方面的信息，从而可基于所采集的数据来进行科学研究、资源开发、环境保护等。海洋酸化程度评估是一个重要的评估项，通过对于海洋酸化程度的评估可以帮助我们更好地了解海洋生态系统对环境变化的响应机制，从而为维护海洋生态系统的健康提供参考。

虽然通过海水PH值可反映海洋酸化程度，但是如果仅以PH值来进行表征海洋酸化程度存在诸多不合理之处：首先，PH值并不能直接反映海水中其他物质的含量和变化情况，比如溶解氧、碳酸根离子等；其次，海洋生态系统是一个复杂的系统，其中的各种生物和非生物因素都会对海水的酸性产生影响，而这些影响往往不能通过单一参数的监测来准确反映；还有，在实际应用中，PH值的变化受到许多环境因素的干扰，如温度、盐度等，因此仅依靠PH值来判断海洋酸化程度有时会出现误判。

因此，期待一种更为优化的海洋环境智能探测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种海洋环境智能探测系统及其方法，其获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；采用基于深度学习的人工智能技术，挖掘海水PH值、海水溶解氧含量、海水温度值和海水压力值的时序协同关联特征信息，以此来实现海洋酸化程度的量化评估，以维护海洋生态系统的健康，保护海洋生态系统和渔业资源。

第一方面，提供了一种海洋环境智能探测方法，其包括：

获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；

将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵；以及

对所述海水参数全时序输入矩阵进行处理以得到海洋酸化程度量化评估值。

第二方面，提供了一种海洋环境智能探测系统，其包括：

数据获取模块，用于获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；

矩阵排列模块，用于将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵；以及

评估值生成模块，用于对所述海水参数全时序输入矩阵进行处理以得到海洋酸化程度量化评估值。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的海洋环境智能探测方法的流程图。

图2为根据本申请实施例的海洋环境智能探测方法的架构示意图。

图3为根据本申请实施例的海洋环境智能探测方法中步骤130的子步骤的流程图。

图4为根据本申请实施例的海洋环境智能探测方法中步骤140的子步骤的流程图。

图5为根据本申请实施例的海洋环境智能探测系统的框图。

图6为根据本申请实施例的海洋环境智能探测方法的场景示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一第二第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

在本申请的一个实施例中，图1为根据本申请实施例的海洋环境智能探测方法的流程图。图2为根据本申请实施例的海洋环境智能探测方法的架构示意图。如图1和图2所示，根据本申请实施例的海洋环境智能探测方法100，包括：110，获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；120，将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵；以及，130，对所述海水参数全时序输入矩阵进行处理以得到海洋酸化程度量化评估值。

具体地，在步骤110中，获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值。虽然通过海水PH值可反映海洋酸化程度，但是如果仅以PH值来进行表征海洋酸化程度存在诸多不合理之处：首先，PH值并不能直接反映海水中其他物质的含量和变化情况，比如溶解氧、碳酸根离子等；其次，海洋生态系统是一个复杂的系统，其中的各种生物和非生物因素都会对海水的酸性产生影响，而这些影响往往不能通过单一参数的监测来准确反映；还有，在实际应用中，PH值的变化受到许多环境因素的干扰，如温度、盐度等，因此仅依靠PH值来判断海洋酸化程度有时会出现误判。因此，期待一种更为优化的海洋环境智能探测方案。

相应地，考虑到在实际进行海洋酸化程度检测的过程中，需要综合海水中的各个参数来实现海洋酸化程度的量化估计，具体地，考虑到海洋酸化的程度与海水PH值、海水溶解氧含量、海水温度值和海水压力值有关，它们可以反映海洋环境的酸碱度、氧气含量、温度和压力等重要信息。因此，通过对这些参数进行监测和分析，可以了解海洋环境的变化情况，从而更好地维护海洋生态系统的健康，保护海洋生态系统和渔业资源。

基于此，在本申请的技术方案中，通过对于海水PH值、海水溶解氧含量、海水温度值和海水压力值的监测分析来实现海洋酸化程度的检测评估。但是，考虑到由于这些海洋参数数据不仅都在时间维度上有着时序的动态变化特征信息，而且这些海洋参数数据之间还具有着时序协同关联特征信息。因此，在此过程中，难点在于如何挖掘所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值的时序协同关联特征信息，以此来实现海洋酸化程度的量化评估，以维护海洋生态系统的健康，保护海洋生态系统和渔业资源。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值的时序协同关联特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值。在本申请的一个实施例中，在海洋观测站设置传感器，通过传感器实时监测海水PH值、海水溶解氧含量、海水温度值和海水压力值，并将数据传输到数据中心进行处理和存储。通过分析处理后的数据，可以得出预定时间段内各个时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值。

其中，海水PH值是指海水的酸碱度，反映了海水中氢离子的浓度。海水溶解氧含量是指海水中溶解的氧气分子的量，是海洋生物生存的重要指标之一。海水温度值是指海水的温度，是海洋环境的一个重要参数，影响着海洋生态系统的生物多样性和生态平衡。海水压力值是指海水所受的压力，随着深度的增加而增加，是深海生物能够在高压环境下生存的关键因素之一。

应可以理解，海水PH值、海水溶解氧含量、海水温度值和海水压力值之间有着密切的关系。海水的PH值越低，海水中的溶解氧含量越高；海水的温度越高，海水中的溶解氧含量越低；海水的压力越大，海水中的溶解氧含量越高。由此可见，在维护海洋生态系统的健康，保护海洋生态系统和渔业资源中，海水PH值、海水溶解氧含量、海水温度值和海水压力值的监测和分析是非常重要的。

具体地，在步骤120中，将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵。

接着，考虑到由于所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值之间不仅在样本维度上具有着关联关系，而且在时间维度上存在着时序的动态协同关联特征信息。因此，在本申请的技术方案中，为了能够捕捉更为充分地关于所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值的时序协同关联特征分布信息，以此来进行海洋酸化程度的检测，进一步将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵，以此来整合所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值在时间和样本维度上的分布信息。

在本申请的一个实施例中，例如，有n个采样点和m个时间点，在时间维度中，将每个时间点作为矩阵的一列，每列对应一个时间点，每行对应一个海水参数（如PH值、溶解氧含量、温度值和压力值），最终得到一个4行m列的矩阵，其中每一行分别代表海水PH值、海水溶解氧含量、海水温度值和海水压力值在每个时间点的值。在样本维度中，将每个采样点作为矩阵的一行，每行对应一个采样点，每列对应一个海水参数（如PH值、溶解氧含量、温度值和压力值），最终得到一个n行4列的矩阵，其中每一列分别代表海水PH值、海水溶解氧含量、海水温度值和海水压力值在每个采样点的值。

这种处理方式，第一方面，可以方便数据分析，按照时间维度排列的矩阵可以方便地进行时间序列分析，揭示出海水参数的变化趋势和周期性变化规律。按照样本维度排列的矩阵可以方便地进行样本间的比较，找出不同采样点之间海水参数的差异。第二方面，可以方便数据可视化，将海水参数全时序输入矩阵可视化后，可以更加直观地展示海水参数的变化趋势和差异，有利于观察和分析。第三方面，可以方便建立模型，将海水参数全时序输入矩阵作为模型的输入数据，可以更加准确地建立海水参数的预测模型，为海洋环境监测和管理提供更加可靠的数据支持。第四方面，可以方便数据存储，将海水参数全时序输入矩阵存储在数据库中，可以方便地进行数据管理和检索，也有利于数据共享和开放。

具体地，在步骤130中，对所述海水参数全时序输入矩阵进行处理以得到海洋酸化程度量化评估值。图3为根据本申请实施例的海洋环境智能探测方法中步骤130的子步骤的流程图，如图3所示，包括：131，从所述海水参数全时序输入矩阵提取多尺度海水参数项关联特征图；以及，132，对所述多尺度海水参数项关联特征图进行解码回归以得到所述海洋酸化程度量化评估值。

在海水参数全时序输入矩阵中，每个时间点包含多个海水参数的数值，这些参数之间可能存在一定的相关性。为了提取这些相关性，可以使用卷积神经网络（CNN）对海水参数全时序输入矩阵进行处理，从中提取多尺度的海水参数项关联特征图。得到多尺度海水参数项关联特征图后，可以使用解码回归方法来得到海洋酸化程度的量化评估值。解码回归是一种基于深度学习的方法，可以将特征图转换为具体的数值输出。在解码过程中，可以使用一些优化算法，如梯度下降算法，来调整网络参数，使得输出结果更加准确。

更具体地，还考虑到由于所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值在不同的海水样本类型跨度下和不同的时间周期跨度下都具有着不同的关联模式特征，因此，为了能够进行所述海水各个参数的时序协同关联特征的充分表达，以此阿里精准地进行还应海洋酸化程度的评估，在本申请的技术方案中，将所述海水参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型以得到多尺度海水参数项关联特征图。

也就是，在步骤131中，其包括：将所述海水参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型以得到第一尺度海水参数项关联特征图和第二尺度海水参数项关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；对所述第一尺度海水参数项关联特征图和所述第二尺度海水参数项关联特征图进行平滑响应参数化解耦融合以得到所述多尺度海水参数项关联特征图。特别地，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核，以此来提取出所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值在不同的海水参数类型跨度下和不同的时间跨度下的多尺度动态关联特征信息。

在本申请的一个实施例中，使用第一卷积神经网络模型对海水参数全时序输入矩阵进行处理。具体地，在输入层之后添加多个卷积层，每个卷积层都包含一个空洞卷积核和一个非线性激活函数；在每个卷积层之后，添加一个池化层，以减少特征图的大小；最后，将池化后的特征图传递给第二卷积神经网络模型进行进一步处理。

进一步地，使用第二卷积神经网络模型对海水参数全时序输入矩阵进行处理。具体地，在输入层之后添加多个卷积层，每个卷积层都包含一个空洞卷积核和一个非线性激活函数。在每个卷积层之后，同样可以添加一个池化层，以减少特征图的大小。

特别地，为了充分利用具有不同空洞率的空洞卷积核提取到的特征信息，优选地通过融合所述第一卷积神经网络模型和所述第二卷积神经网络模型获得的第一尺度海水参数项关联特征图和第二尺度海水参数项关联特征图来获得所述多尺度海水参数项关联特征图，在这种情况下，考虑到不同尺度的特征提取所带来的特征在归属于特征矩阵维度的参数时序-样本交叉维度局部关联特征空间分布的对应性，也就是，在解码场景下基于参数交叉维度空间局部关联特征分布的解码规则的对应性，对所述第一尺度海水参数项关联特征图，例如记为

在本申请的一个实施例中，对所述第一尺度海水参数项关联特征图和所述第二尺度海水参数项关联特征图进行平滑响应参数化解耦融合以得到所述多尺度海水参数项关联特征图，包括：以如下融合公式对所述第一尺度海水参数项关联特征图和所述第二尺度海水参数项关联特征图进行平滑响应参数化解耦融合以得到所述多尺度海水参数项关联特征图；

其中，所述融合公式为：

这里，所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则，基于所述第一尺度海水参数项关联特征图

进一步地，在步骤132中，其包括：将所述多尺度海水参数项关联特征图通过空间注意力模块以得到解码特征图；以及，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示海洋酸化程度量化评估值。

由于在实际进行海水的酸化程度检测过程中，由于各个海洋环境参数之间存在复杂的空间依赖关系，而不同海洋环境参数之间的关联性需要通过空间注意力模块进行建模和学习，以提高模型的精度和鲁棒性。也就是说，在实际进行各个海洋环境参数在时间和样本上的多尺度关联特征挖掘的过程中，应更加关注于空间位置上关于所述各个海洋环境参数的关联特征信息。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多尺度海水参数项关联特征图通过空间注意力模块以进行空间特征增强以得到解码特征图。应可以理解，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，通过所述空间注意力模块，可以有效地捕捉每个参数在不同空间位置上的权重和重要性，从而得到更加准确和全面的特征表示。

空间注意力模块是一种常用于计算机视觉和自然语言处理领域的神经网络模块，可以帮助模型更好地理解输入数据的空间结构和关系，从而提高模型的性能和泛化能力。空间注意力模块通过学习每个位置的权重，将输入数据中不同位置的信息进行加权融合，从而得到更加准确和全面的表示。

常见的空间注意力模块包括自注意力模块和非局部注意力模块。自注意力模块可以对输入数据中的不同位置进行自我关注，从而获取全局的上下文信息；非局部注意力模块则可以对输入数据中的所有位置进行关注，从而获取全局的空间信息。这些模块可以被嵌入到神经网络中的不同层中，以便模型能够自适应地学习数据的不同层次特征。

将多尺度海水参数项关联特征图通过空间注意力模块以得到解码特征图的步骤包括：

首先，将多尺度海水参数项关联特征图输入到空间注意力模块中。空间注意力模块会对每一个位置的特征向量进行加权，计算出该位置在全局上下文中的重要性权重。然后，根据计算出的权重，对每一个位置的特征向量进行加权融合，得到加权后的特征向量。最后，将加权后的特征向量输入到解码器中，进行后续的处理和计算，得到最终的解码特征图。

值得注意的是，空间注意力模块可以被嵌入到神经网络中的不同层中，以便模型能够自适应地学习数据的不同层次特征。接着，进一步再将所述解码特征图通过解码器以得到解码值，所述解码值用于表示海洋酸化程度量化评估值。也就是，以所述各个海洋环境参数在样本和时间维度上的聚焦于空间位置的多尺度关联特征信息来进行解码，从而对于海洋酸化程度进行检测评估，以此来维护海洋生态系统的健康。

首先，将解码特征图输入到解码器中。解码器会对解码特征图进行反卷积操作，将其还原为与输入数据相同大小的图像。然后，将还原后的图像输入到一系列卷积层和激活函数中，进行后续的处理和计算。最后，通过输出层得到解码值，即表示海洋酸化程度的量化评估值。

值得注意的是，解码器是卷积神经网络模型的一部分，其主要作用是将卷积神经网络模型中提取的特征图转换为最终的输出结果。解码器的结构通常由反卷积层和上采样层组成，其中，反卷积层可以将特征图进行上采样，从而恢复其原始大小；上采样层则可以将特征图的通道数进行扩展，以便更好地提取特征。在解码器的最后一层，通常会使用一个全连接层来将特征图转换为最终的输出结果。

进一步地，在本申请中，所述海洋环境智能探测方法，还包括对所述包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型、所述空间注意力模块和所述解码器进行训练；图4为根据本申请实施例的海洋环境智能探测方法中步骤140的子步骤的流程图，如图4所示，对所述包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型、所述空间注意力模块和所述解码器进行训练，包括：141，获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练海水PH值、训练海水溶解氧含量、训练海水温度值和训练海水压力值，以及，所述海洋酸化程度量化评估值的真实值；142，将所述多个预定时间点的训练海水PH值、训练海水溶解氧含量、训练海水温度值和训练海水压力值分别按照时间维度和样本维度排列为训练海水参数全时序输入矩阵；143，将所述训练海水参数全时序输入矩阵通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型以得到训练多尺度海水参数项关联特征图，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型使用具有不同空洞率的空洞卷积核；144，对所述训练多尺度海水参数项关联特征图进行类傅里叶尺度域概率修正以得到优化训练多尺度海水参数项关联特征图；145，将所述优化训练多尺度海水参数项关联特征图通过所述空间注意力模块以得到训练解码特征图； 146，将所述训练解码特征图通过所述解码器以得到解码损失函数值；以及，147，以所述解码损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含第一卷积神经网络模型和第二卷积神经网络模型的集成模型、所述空间注意力模块和所述解码器进行训练。

训练集成模型、空间注意力模块和解码器的主要功能是通过反向传播算法计算损失函数关于模型参数的梯度，并使用梯度下降等优化算法来更新模型参数，以使模型能够逐渐优化拟合训练数据。训练模型的过程中，模型会不断地将训练样本输入到模型中，计算出模型输出和真实标签之间的误差，并反向传播误差，更新模型参数，以使模型能够逐渐优化拟合训练数据。通过训练，模型能够自动学习输入数据中的有用特征，并将这些特征用于分类、回归等任务。

训练的作用是提高模型的泛化能力，使其能够更好地适应新的数据。在训练过程中，模型通过不断地调整参数，逐渐优化拟合训练数据的能力，从而使得模型可以更好地预测新的数据。此外，训练还可以避免模型出现过拟合的情况，从而提高模型的泛化能力。在预测海洋酸化程度的任务中，训练可以使模型更好地理解海洋参数之间的关系，从而提高预测的准确性。

特别地，这里，为了充分利用具有不同空洞率的空洞卷积核提取到的特征信息，优选地通过直接级联所述第一卷积神经网络模型和所述第二卷积神经网络模型获得的子尺度海水参数项关联特征图来获得所述多尺度海水参数项关联特征图，但这就会导致所述多尺度海水参数项关联特征图的通道维度下的特征分布关联性降低。此外，所述空间注意力模块在强化了所述多尺度海水参数项关联特征图的每个特征矩阵的特征空间分布的同时，也会进一步降低所述多尺度海水参数项关联特征图的通道特征分布的关联性。

基于此，本申请的申请人考虑通过提升所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述空间注意力模块在空间维度（即特征矩阵的宽度维度和高度维度）和通道维度下的整体特征学习关联度来提升所述多尺度海水参数项关联特征图的通道特征分布的关联性，从而提升所述多尺度海水参数项关联特征图通过解码器的回归效果。

具体地，在训练过程中，对于所述多尺度海水参数项关联特征图

够实时准确地对于海洋酸化程度进行量化评估，以维护海洋生态系统的健康，保护海洋生态系统和渔业资源。

进一步地，将所述训练解码特征图通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下解码回归公式对所述训练解码特征图进行解码回归以获得训练解码值；其中，所述解码回归公式为：

在深度学习中，损失函数是用来衡量模型预测结果与真实结果之间的差距的函数。具体地，将训练数据中的真实值和模型在训练过程中预测的解码值进行比较，计算差距，也就是方差。方差是衡量一组数据的离散程度的统计量，描述了数据的分布情况。在深度学习中，使用方差作为损失函数的一种常见选择，能够有效地衡量模型的预测精度。

因此，计算训练解码值和训练数据中的真实值之间的方差作为解码损失函数值，可以评估模型的预测精度，并且在训练过程中通过反向传播算法来优化模型参数，使得模型能够逐渐学习到更好的特征表示方式，从而提高预测的准确性。

综上，基于本申请实施例的海洋环境智能探测方法100被阐明，其获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；采用基于深度学习的人工智能技术，挖掘海水PH值、海水溶解氧含量、海水温度值和海水压力值的时序协同关联特征信息，以此来实现海洋酸化程度的量化评估，以维护海洋生态系统的健康，保护海洋生态系统和渔业资源。

在本申请的一个实施例中，图5为根据本申请实施例的海洋环境智能探测系统的框图。如图5所示，根据本申请实施例的海洋环境智能探测系统200，包括：数据获取模块210，用于获取预定时间段内多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值；矩阵排列模块220，用于将所述多个预定时间点的海水PH值、海水溶解氧含量、海水温度值和海水压力值分别按照时间维度和样本维度排列为海水参数全时序输入矩阵；以及，评估值生成模块230，用于对所述海水参数全时序输入矩阵进行处理以得到海洋酸化程度量化评估值。

在一个具体示例中，在上述海洋环境智能探测系统中，所述评估值生成模块，包括：特征图提取单元，用于从所述海水参数全时序输入矩阵提取多尺度海水参数项关联特征图；以及，解码回归单元，用于对所述多尺度海水参数项关联特征图进行解码回归以得到所述海洋酸化程度量化评估值。

这里，本领域技术人员可以理解，上述海洋环境智能探测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的海洋环境智能探测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的海洋环境智能探测系统200可以实现在各种终端设备中，例如用于海洋环境智能探测的服务器等。在一个示例中，根据本申请实施例的海洋环境智能探测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该海洋环境智能探测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该海洋环境智能探测系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该海洋环境智能探测系统200与该终端设备也可以是分立的设备，并且海洋环境智能探测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的海洋环境智能探测方法的场景示意图。如图6所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的海水PH值（例如，如图6中所示意的C1）、海水溶解氧含量（例如，如图6中所示意的C2）、海水温度值（例如，如图6中所示意的C3）和海水压力值（例如，如图6中所示意的C4）；然后，将获取的海水PH值、海水溶解氧含量、海水温度值和海水压力值输入至部署有海洋环境智能探测算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于海洋环境智能探测算法对所述海水PH值、所述海水溶解氧含量、所述海水温度值和所述海水压力值进行处理，以生成用于表示海洋酸化程度量化评估值的解码值。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。