一个关于「海洋 × AI × 数据」的
公开学习观察站

我为什么要做「海洋 AI 数据」

今天定下了方向：用科普+行业观察切入，边学边输出。下一步是建立信息源（NOAA、Copernicus Marine、国家海洋信息中心）。

什么是海洋遥感？

——打开海洋的"天眼"

一、什么是海洋遥感？

海洋遥感（Ocean Remote Sensing），顾名思义，就是利用遥感技术对海洋进行观测和研究的一门科学。它是指搭载在卫星、飞机、无人机等平台上的传感器，在不直接接触海面的情况下，通过接收和测量海洋表面辐射或反射的电磁波信号，来获取海洋各种物理、化学和生物参数信息的技术。

简单来说，海洋遥感就是给地球装上了"天眼"，让我们能够站在太空看海洋。

遥感的基本原理源于电磁波理论：不同的海洋要素（如海水温度、盐度、叶绿素浓度、海面高度等）会对特定波长的电磁波产生独特的辐射或反射特征。传感器捕捉这些信号后，经过数据处理和分析，就能反演出我们需要的海洋参数。

二、海洋遥感的技术分类

海洋遥感技术根据所使用的电磁波波段，主要分为以下几大类：

1. 可见光遥感（水色遥感）

• 原理：利用太阳光照射海面后的反射信号
• 观测要素：海水叶绿素浓度、悬浮泥沙、黄色物质（CDOM）、藻华分布、水体透明度等
• 代表卫星：海洋一号（HY-1）系列、MODIS、Sentinel-3 OLCI
• 特点：分辨率较高，但受云雨影响大，仅能在白天工作

2. 热红外遥感

• 原理：接收海面自身发射的热红外辐射
• 观测要素：海面温度（SST）、海流、上升流、热污染等
• 代表卫星：NOAA系列、风云卫星、MODIS、Sentinel-3 SLSTR
• 特点：可昼夜工作，但受云层遮挡影响

3. 微波遥感

微波遥感是海洋遥感中最重要的技术手段，具有全天候、全天时的观测能力，不受云雨影响。

（1）主动微波遥感（雷达）

• 雷达高度计（Altimeter）：测量海面高度、海浪波高、海面风速，观测海流和大地水准面
• 微波散射计（Scatterometer）：测量海面风场（风速和风向）
• 合成孔径雷达（SAR）：高分辨率成像，观测海浪、海冰、溢油、船舶等

（2）被动微波遥感（辐射计）

• 原理：接收海洋和大气自然辐射的微波信号
• 观测要素：海面温度、海面盐度、大气水汽含量、海冰覆盖等
• 代表卫星：SMOS、SMAP、AMSR系列

三、海洋遥感的关键平台

我国在海洋遥感领域已形成较为完善的卫星体系：海洋一号（HY-1）专注水色、海洋二号（HY-2）专注动力环境、海洋三号（HY-3）专注微波成像，实现了对海洋的多维度、立体化观测。

四、海洋遥感能做什么？

海洋遥感的应用领域极为广泛，几乎涵盖了海洋科学研究和海洋经济活动的方方面面：

1. 海洋环境监测

• 海表温度监测：追踪厄尔尼诺/拉尼娜现象、监测海洋热浪
• 海洋水色监测：实时掌握叶绿素分布，评估海洋初级生产力
• 海冰监测：监测极地海冰范围、厚度变化，服务极地航行

2. 海洋灾害预警

• 台风/热带气旋监测：卫星遥感是追踪台风路径和强度的核心手段
• 风暴潮预警：结合海面高度数据，提升风暴潮预报精度
• 溢油监测：SAR卫星可快速发现和跟踪海上油污扩散
• 赤潮/绿潮监测：利用水色遥感识别有害藻华，提前预警

3. 海洋资源开发

• 渔场预报：根据海表温度、叶绿素分布，指导渔业生产
• 海上风电选址：利用风场数据评估风能资源
• 海洋油气勘探：遥感数据辅助评估海洋地质条件

4. 气候变化研究

• 海平面变化监测：通过高度计数据精确测量全球海平面上升速率
• 碳循环研究：海洋是地球最大的碳汇，遥感帮助量化海洋碳吸收
• 全球水循环：监测海水蒸发、降水和淡水通量

5. 海洋权益与安全

• 海域动态监测：监控海域使用、海岸带变化
• 船舶目标识别：SAR卫星具备海上船舶检测能力
• 领海基线测量：精确测量海岸线位置变化

五、海洋遥感的优势与挑战

优势

• 大范围覆盖：一颗卫星可在数天内覆盖全球海洋
• 高频次观测：卫星重访周期短，部分区域可实现每日观测
• 长期连续性：卫星数据可形成数十年的时间序列，支撑气候变化研究
• 不受地域限制：可到达人类难以抵达的海域（如极地、深海）
• 全天候观测：微波遥感不受云雨和昼夜影响

挑战

• 大气影响：云层、气溶胶会干扰光学遥感观测
• 垂直分辨不足：遥感主要获取海面信息，难以直接观测深海
• 数据解译复杂：需要专业算法将原始信号转化为物理参数
• 空间分辨率的权衡：大范围观测与高分辨率往往难以兼得
• 海量数据处理：全球海洋持续产生PB级的数据，处理和分析是巨大挑战

六、海洋遥感 + AI = 海洋数据智能新时代

随着人工智能和大数据技术的发展，海洋遥感正在经历一场深刻的智能化变革：

智能反演算法

传统遥感反演依赖物理模型和统计方法。深度学习模型（如CNN、Transformer）可以从海量卫星数据中自动学习复杂特征，显著提升海洋参数反演的精度和效率。例如，利用神经网络从多源遥感数据融合中更精确地估算叶绿素浓度。

海洋现象智能识别

• 基于SAR图像的溢油自动检测与分类
• 赤潮、绿潮的智能识别与边界提取
• 海冰类型和冰间水道的自动识别

数据融合与同化

AI技术可以将卫星遥感数据与浮标、潜标、模式预报等多源数据进行智能融合，构建更精准的海洋环境场，为数值预报提供高质量的初始场。

时间序列预测

利用长短期记忆网络（LSTM）等时序模型，结合历史遥感数据，实现对海表温度、海平面高度等要素的短期预测。

数据压缩与重建

针对遥感数据量巨大的特点，AI可用于智能压缩和高效率重建，降低存储和传输成本。

这正是"海洋AI数据"致力于探索的方向——用人工智能释放海洋遥感数据的深层价值，让卫星获取的每一比特数据都能为认识海洋、经略海洋提供智慧支撑。

七、结语

海洋遥感是20世纪最伟大的地球观测技术之一，它让我们第一次能够真正地"看见"全球海洋。从1978年美国Seasat卫星开启卫星海洋学时代，到今天中国拥有自主可控的海洋卫星星座，海洋遥感技术已经深刻改变了人类认识海洋的方式。

未来，随着更高分辨率的传感器、更智能的数据处理算法和更强大的计算能力的不断涌现，海洋遥感将与人工智能深度融合，在数字孪生海洋、智慧海洋预报、海洋碳汇核算等前沿领域发挥越来越重要的作用。

海洋遥感，不仅仅是科学家的工具，更是连接人类与海洋的数字桥梁。

推荐阅读

• 禹定峰.《海洋遥感原理、方法及应用》. 电子工业出版社, 2023.
• 韩震等.《卫星遥感技术在海洋中的应用》. 海洋出版社, 2018.
• 中法海洋卫星（CFOSAT）官方数据与应用介绍

AI 与海洋数据：一场双向奔赴的深度变革

——当"蓝色疆域"遇见"智能算法"

一、引言：当"蓝色疆域"遇见"智能算法"

海洋覆盖了地球 71% 的表面积，却仍是人类了解最少的一片疆域。从古至今，人类对海洋的认知始终受限于观测手段——我们依靠浮标、卫星、声呐、科考船，一点一滴地拼凑着这片深蓝的全貌。而今天，人工智能（AI）正在重新定义这场探索的方式。

但 AI 与海洋数据的关系，远不止是"用算法处理数据"这么简单。它更像是一场双向奔赴：海洋数据为 AI 提供了极其丰富且极具挑战性的训练场，而 AI 则为海洋科学赋予了前所未有的洞察力和行动力。

二、海洋数据：一座"难以开采"的金矿

要理解 AI 的价值，先要理解海洋数据本身有多"难搞"。

1. 体量巨大

一颗海洋观测卫星每天产生的数据可达数 TB；全球数千个 Argo 浮标在过去二十年累积了超过 200 万条温度、盐度剖面。传统的统计方法和人工分析早已力不从心。

2. 多源异构

海洋数据来自卫星遥感、现场观测、数值模拟、船舶 AIS、水下滑翔机、海底传感器……时间分辨率从毫秒到年际，空间分辨率从厘米到千公里，格式更是五花八门。

3. 时空跨度极大

海洋现象的时间尺度跨越潮汐（小时）到气候变化（百年），空间尺度跨越涡旋（公里）到洋流（全球）。单一模型很难同时捕捉这些跨尺度的动力学过程。

4. 观测不均匀

陆地观测站密集，而深海、远海的数据极为稀疏。这种空间不均匀性使得传统插值和外推方法误差巨大。

三、AI 为海洋数据带来了什么？

正是在这些"痛点"上，AI 展现出了独特的优势。

1. 从"看不完"到"看得懂"：智能数据融合

AI，尤其是深度学习，可以无缝融合多源异构数据。

多模态融合

将卫星遥感图像、Argo 浮标剖面、数值模式输出同时输入神经网络，让模型自己学习不同数据源之间的关联和权重。

时空补全

利用生成对抗网络（GAN）或扩散模型，对稀疏观测区域进行高分辨率重构，把"数据荒漠"变成可用的信息地图。

2. 从"后知后觉"到"未卜先知"：智能预测

传统海洋数值模式（如 HYCOM、ROMS）基于物理方程，计算成本极高，且对初始条件极其敏感。AI 提供了另一种路径：

代理模型（Surrogate Model）

用神经网络学习数值模式的输入-输出映射，在保持精度的同时，将预报速度提升数百倍。

端到端预测

直接从历史观测数据中学习海洋变量（如海表温度、叶绿素浓度）的演化规律，实现短期（几天到几周）的高精度预报。

极端事件预警

AI 在识别台风、风暴潮、赤潮等极端事件的早期信号方面，已展现出超越传统阈值方法的灵敏度。

3. 从"人力密集型"到"自动化"：智能观测

AI 正在改变"怎么采数据"：

自适应采样

水下滑翔机搭载 AI 算法，可以实时判断哪片海域的信息增益最大，自动调整航行路径，实现"哪里有趣去哪里"。

边缘计算

在浮标或海底观测站本地运行轻量级 AI 模型，只把"重要事件"传回岸基，大幅降低通信带宽和能耗。

图像识别

水下机器人拍摄的影像，通过计算机视觉自动识别鱼群、珊瑚、微塑料，甚至发现新物种。

4. 从"黑箱相关"到"物理约束"：科学机器学习

这是目前最前沿的方向。科学家不再满足于纯数据驱动的"黑箱"模型，而是将物理定律（如纳维-斯托克斯方程、热力学守恒）嵌入神经网络：

Physics-Informed Neural Networks (PINNs)

让网络在拟合数据的同时，也必须满足物理方程的约束。

可解释 AI

让模型告诉我们，"它认为台风会转向，是因为注意到了哪个海温异常区"，从而反哺海洋科学认知。

四、海洋数据也在"反哺"AI

很多人忽略了一个事实：海洋数据是检验和推动 AI 技术本身的绝佳试验场。

时空预测的前沿

海洋变量的预测难度（高度非线性、多尺度耦合）远超许多传统 AI 基准测试。能在海洋领域做好预测的方法，往往能迁移到气象、能源、金融等时序预测场景。

科学发现的范式

海洋科学正在经历从"假设-验证"到"数据驱动发现"的转型。AI 帮助科学家发现了此前未知的海洋环流模式和中尺度涡旋规律。

数字孪生海洋

全球海洋数字孪生（如欧盟的 Destination Earth）需要 AI 在实时数据同化、不确定性量化、交互式模拟等方面全面突破，这反过来推动了 AI 基础算法的进步。

五、现实应用场景：AI + 海洋数据已经在改变什么？

六、挑战与未来：理想丰满，路仍漫长

尽管前景广阔，AI 与海洋数据的结合仍面临诸多挑战：

数据质量与标注：海洋观测数据往往带有传感器误差、采样偏差，高质量的标注数据集仍然稀缺。

泛化能力：在一个海域训练好的模型，到了另一个海域可能完全失效——海洋的区域异质性比陆地更强。

可解释性与可信度：海洋科学界对"黑箱"模型仍有戒心，AI 预测需要附带不确定性估计，才能被决策者采纳。

算力与基础设施：训练全球尺度的海洋 AI 模型需要巨大的计算资源，这对许多机构仍是门槛。

跨学科鸿沟：海洋科学家和 AI 工程师说着不同的"语言"，真正的突破需要深度的协作，而不是简单的"拿数据套模型"。

七、结语：AI 不会取代海洋学家，但会用 AI 的海洋学家将引领未来

AI 与海洋数据的关系，本质上是一种认知工具的升级。它不是要替代海洋科学数百年积累的物理直觉和领域知识，而是要成为科学家的"超级助手"——帮我们从海量噪声中提取信号，从复杂关联中发现因果，从局部观测中推演全局。

对于"海洋 AI 数据"这个交叉领域而言，核心价值也正在于此：让 AI 成为连接海洋数据与海洋洞察的桥梁。无论是为科研人员提供智能分析工具，还是为产业用户打造决策支持系统，我们都在参与一场关于"如何更好地理解我们的蓝色星球"的深刻变革。

推荐阅读

• 站内延伸：第 2 篇《什么是海洋遥感？》——先理解 AI 所需的海洋数据究竟从哪来。
• 持续补充中：AI + Ocean 综述论文、开源数据集与工具将随学习进度逐步更新。

AI 是怎么预报台风和风暴潮的？（一个小白啃完专业报告后的白话版）

—— 从 Google 一篇《Nature》说起

一、我为什么写这篇

最近一直在琢磨"AI 到底怎么用在海洋和天气上"。前两天刷到一条大新闻：Google DeepMind 在 2026 年 8 月 6 日的《Nature》上发表了一个叫 WeatherNext 的模型，说在台风/飓风预报上拿到了"提前一整天"的精度提升。我顺着这条线，找了些资料恶补了一圈，发现这事儿比我想的有意思，也更和"海洋 AI 数据"沾边——所以记一篇。

二、先搞懂：台风预报到底难在哪

传统做法是靠数值天气预报（NWP），用超算解流体力学方程。物理基础扎实，但贵、慢，遇到极端情况还容易翻车。拆开看，台风预报其实有三道关：

• 路径：台风往哪走，被副热带高压、西风槽这些大尺度环流牵着走，怪招频出；
• 强度：中心最大风速、气压，尤其"快速增强"这种，涉及中小尺度对流，特别难捉摸；
• 结构：眼墙置换、螺旋雨带，多尺度耦合，细节极其复杂。

三、AI 出手：几个让我印象深的进展

1. WeatherNext（最炸裂的一个）

DeepMind 这篇的核心突破是：一个模型同时搞定路径、强度和风场结构，而且只用 28×28 公里这种"粗"数据（比传统精细模式粗 100 倍）就能把强度报准，直接挑战了"高精度必须高分辨率"的老认知。它用一种叫 FGN 的方法一次生成 1000 个预报成员，把"快速增强"这种小概率但要命的情况也兜住了。最关键是——已经开源，而且在 2025 年飓风季里帮美国飓风中心提前预警了飓风 Melissa 的快速增强。论文说这相当于"十年的气象学进步"。

2. 国产力量也不弱

华为的盘古气象大模型是首个精度超过传统数值预报的 AI 模型；复旦的伏羲、上海 AI 实验室的风乌也各有绝活。2026 年初，中国气象局还体系化部署了"风"系列五大模型（风清、风雷、风顺、风和、风源），分工协作，部分已经业务化。据公开报道，我国西北太平洋台风 24 小时路径误差已经做到比美日还小。

3. AI + 传统模式"混合双打"

也不是谁取代谁。像 AI-TRANS 这种系统，让 AI 先给大尺度环流背景场"定调"，再让传统高分辨率区域模式精雕局部演变，在台风个例里把路径误差压到了几十公里级。这条路我觉得很务实。

四、风暴潮：比台风更"劝退"的难题

风暴潮是台风把海水"堆"到岸上造成的增水，受路径、风、地形、潮汐一起非线性耦合，传统流体模拟一次要几千个 CPU 小时。AI 在这儿的打法主要两种：

• 代理模型：用深度学习替掉昂贵的流体模拟。比如中科院团队用 CNN+双向LSTM+注意力机制做的混合模型，还能用可解释性工具告诉你"它主要看了哪个因子"；美国 PNNL 的 DeepSurge 能快速估算几百年一遇的极端增水。
• 端到端 / 图神经网络：把各个验潮站当成"图"上的节点一起学，直接输出水位和时间序列，速度比传统模拟快很多。

五、我学到的，以及别高兴太早

几点体会：AI 不是来"取代"数值模式的，而是补齐它算得慢、算得贵的短板，俩是互补双驱。但坑也不少——极端事件样本太少、纯数据模型可能不守物理规律（比如质量守恒）、"黑箱"让预报员不敢全信。所以现在前沿都在搞"物理信息约束""AI+模式深度融合"。

回头看我这个站的主题——"海洋 AI 数据"，台风和风暴潮就是最直观的样板：数据又多又杂（卫星、浮标、雷达、数值模式），恰好是 AI 最擅长啃的硬骨头。这片"蓝色疆域"，确实值得继续深挖。

推荐阅读 / 说明

• 站内延伸：第 3 篇《AI 与海洋数据》里提到的"防灾减灾"场景，这篇算是个具体落地例子。
• 诚实说明：本文由 AI 辅助我梳理了一篇专业报告的资料，再用自己的话讲了一遍，非本人原创研究；具体数据请以来源原文为准，我是小白，欢迎指正。

海洋数据的"全家福"：全要素分类、观测体系与治理框架

—— 摸清数据到底从哪来，是"深耕"的第一步

一、引言：何为海洋数据"全家福"

海洋数据的"全家福"，是指对海洋系统全要素、全时空尺度、全技术手段所产生数据的系统性全景视图。它既是海洋数据资产的清单，也是海洋数据治理体系的设计蓝图。

构建"全家福"的核心价值在于：打破学科壁垒与平台壁垒，使分散在物理、化学、生物、地质、气象及社会经济体中的海洋数据实现可发现、可互操作、可复用（FAIR 原则），从而支撑海洋科学研究、蓝色经济发展与海洋综合治理。

二、总体分类维度

海洋数据可从三个相互正交的维度刻画：

• 学科维度：物理海洋、海洋化学、海洋生物、地质与地球物理、海洋气象与气候、社会经济。
• 获取手段维度：天基、空基、岸基/海基、船基、海底原位、数值模式与同化。
• 时空尺度维度：从秒级—分钟级高频观测，到年代际—地质尺度长期序列；从单点剖面到全球规则网格。

三、核心数据家族（按学科）

3.1 物理海洋学数据

• 状态量：温度（海表 SST 与次表层）、盐度、密度、声速。
• 动力量：海流（船载/拖体 ADCP、地转流）、中尺度涡、锋面。
• 界面过程：潮汐、海平面（卫星测高）、风浪与涌浪、内波。
• 冰冻圈：海冰密集度与厚度、冰间水道、冰—海洋通量。

3.2 海洋化学数据

• 碳酸盐系统（海洋酸化核心）：pH、总碱度（TA）、分压 pCO₂、总无机碳（DIC）。
• 溶解气体与营养盐：溶解氧（DO）、无机氮/磷/硅（DIN/DIP/DISi）。
• 碳与生物地球化学：溶解有机碳（DOC）、叶绿素 a、痕量金属与同位素。

3.3 海洋生物数据

• 浮游与底栖生物量、初级生产力（基于水色遥感与现场测定）。
• 渔业与资源：捕捞量、资源量评估、种群动态。
• 生物多样性：基于 OBIS（Ocean Biogeographic Information System）框架的物种分布，以及新兴的环境 DNA（eDNA）。

3.4 海洋地质与地球物理数据

• 地形地貌：多波束测深、海底地形（GEBCO 网格）。
• 沉积与地层、相对海平面变化、海底构造与地震活动。

3.5 海洋气象与气候数据

• 海气通量：动量、感热、潜热与淡水通量。
• 风场、海表温度、海冰—气候耦合变量等气候关键指标。

3.6 海洋遥感与地球观测数据

• 卫星高度计：海平面、大地水准面、有效波高。
• 水色遥感：叶绿素、浊度、有色溶解有机物（CDOM）、悬浮物。
• 合成孔径雷达（SAR）：海浪、溢油、海冰、内波。
• 红外/微波辐射：海表温度（SST）、海面风。

3.7 社会经济与人文数据

• 航运（AIS 船舶自动识别）、渔业捕捞、污染排放、蓝色经济核算与海洋空间规划数据。

四、观测与获取体系（按平台）

五、数值模式与再分析（"虚拟观测"）

• 再分析产品：CMEMS、HYCOM、ECCO 等，融合观测与模式形成一致化长序列。
• 预报与同化：业务化海洋预报系统，基于数据同化将观测嵌入动力框架。
• 模式输出与现场实测共同构成"全家福"的完整拼图。

六、数据治理与标准体系

• 元数据与编码规范：CF Conventions、SeaDataNet、ISO 19115（地理信息元数据）。
• 质量控制（QA/QC）：IOOS QARTOD 准则、Argo 质量标志（QC flag）体系。
• 共享与互操作：OGC 标准、ERDDAP / OpenDAP / THREDDS 数据服务。
• FAIR 原则：可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）、可复用（Reusable）。
• 数据主权与政策：《联合国海洋法公约》（UNCLOS）框架下的海洋数据国际共享（IOC 标准）。

七、主要平台与国际合作计划

• 全球层面：GOOS（全球海洋观测系统，IOC-UNESCO）、CMEMS（哥白尼海洋服务）、Argo、WOCE/GO-SHIP（环球大洋断面）、OBIS、OceanOPS。
• 中国体系：国家海洋科学数据中心、中国 Argo 实时资料中心（CMOC）、北斗海洋应用、HY 系列海洋卫星、海底观测网重大科技基础设施。

八、挑战与发展趋势

• 多源异构融合：卫星、浮标、船基、海底与模式数据的统一同化与偏差校正。
• 智能化：机器学习驱动的数据填补、异常检测、质控与知识发现。
• 数字孪生海洋（Digital Twin Ocean）：实时观测 + 高性能模式 + 可视化决策。
• 开放与主权平衡：在开放共享与数据主权、安全之间建立可信治理机制。

九、结语

海洋数据的"全家福"不仅是一份技术清单，更是海洋数字治理能力的集中体现。唯有在标准统一、质控严谨、共享开放三位一体的基础上构建全景数据体系，才能充分释放海洋数据在科学发现、蓝色经济增长与全球海洋治理中的价值。

参考文献（可引用框架与标准）

• GOOS — Global Ocean Observing System (IOC-UNESCO)
• CMEMS — Copernicus Marine Environment Monitoring Service
• Argo — International Argo Program
• OBIS — Ocean Biogeographic Information System
• SeaDataNet — Pan-European Infrastructure for Ocean & Marine Data
• CF Conventions — Climate and Forecast Metadata Conventions
• IOC — Ocean Data and Information Exchange (IODE) Standards
• Wilkinson et al., 2016 — The FAIR Guiding Principles for Scientific Data Management

延伸阅读

• 第 2 篇《什么是海洋遥感？》——对应本篇"天基"这一支，看卫星遥感具体怎么工作。
• 第 4 篇《AI 是怎么预报台风和风暴潮的？》——Argo、卫星、数值模式这些"全家福"成员，如何被 AI 真正用起来。

AI 是怎么帮渔民"找鱼"和"养鱼"的？（一个小白整理的公开资料白话版）

—— 从一套叫"海鹰 AI"的系统说起

一、我为什么写这篇

第 5 篇我盘点了"海洋数据全家福"，其中"社会经济数据"这一支点到了渔业捕捞。这篇就戳这个口子：那些卫星、浮标、数值模式出来的数据，到底怎么真正落到渔民的船上和鱼塘里？顺便把第 3 篇表格里"智慧渔业"那一行（当时只有一句话）展开讲透。

二、【找鱼】AI 渔情预报：鱼其实不是乱游的

先说底层逻辑——鱼群的分布，跟海表温度（SST）、叶绿素 a、海面高度异常（SLA）、海流强相关。哪里有上升流、哪里饵料多，鱼就往哪聚。所以只要把这些海洋环境变量喂给模型，它就能"猜"出鱼在哪。这正好是第 2 篇遥感、第 5 篇"全家福"里那些数据在养鱼人手里变现的例子。

1. "海鹰 AI"——给金枪鱼画渔情图

这是中水集团远洋股份和上海海洋大学在 2024 年 4 月联合发布的我国首套金枪鱼智慧渔情预报系统。它用了长达 70 年的金枪鱼渔业数据 + 全球海洋环境数据，能实时给出气压、风场、海浪、海温、盐度、海面高度、流场、溶解氧、叶绿素、浮游生物、初级生产力等20 多种生境要素，再结合金枪鱼的生物学和渔场学知识，用深度学习做出"中心渔场预报"和"中长期资源量预测"。效果很实：2023 年在大西洋船队测试，单船捕捞量提高了 13.8%，现在已经装到中水集团所有金枪鱼渔船上。

2. "苍鹭 AI"——给鱿鱼当向导

同一个团队（上海海洋大学陈新军团队 + 中水集团）2025 年 11 月又上线了"苍鹭"AI 鱿鱼渔情预报系统，融合海洋遥感、地理信息、人工智能与大数据，能给全球大洋性鱿鱼作业海域提供未来 5 天的精准渔场预测，还有下一年度的资源丰度预报，预报准确率超过 85%。最夸张的一个数字：北太平洋西经海域的捕捞作业时间，从原来 7 月底就得转移，延长到了 11 月；截至 2025 年 10 月底，单船产量提高了 48%（历史约 330 吨 → 现在约 500 吨）。

3. 更早的铺垫 & 学界在啃什么

其实这条路早就在走：上海远洋渔业 2014 年装船的"大洋性渔业海况信息与决策系统"，中心渔场预报精度就达到了 70%，节约燃油 8%、产量提高 10%——"苍鹭""海鹰"算是它的升级版。学界也没闲着：有研究用随机森林融合 SST、盐度、叶绿素、流场预测印度洋金枪鱼渔区，测试精度到 97%；上海海洋大学用深度学习模型做南太平洋长鳍金枪鱼中心渔场预测，召回率 90.3%。说明这事儿不是吹，是真有人在硬啃。

4. 技术是怎么跑通的

串起来看一条链路：卫星 SST/叶绿素 + Argo 浮标 + 渔船 AIS → 模型（随机森林 / LSTM / 深度学习）→ 在船载端或手机端推一张"渔情一张图"。这正好接回第 3 篇"防灾减灾/渔业"那一行——原来那行字背后，是这么一套东西。

三、【养鱼】AI 精准养殖：把"凭经验"变成"看数据"

找鱼是"往哪开"，养鱼是"怎么养"。传统养殖靠人天天看水看鱼，病了才发现就晚了，投喂全靠估算，饲料浪费严重。AI 进来后，技术栈大概是：水质多参数传感器（溶氧 / pH / 氨氮）+ AI 图像识别（看鱼群行为、量鱼体尺寸）+ 智能投喂 / 增氧。

真实案例（都是公开报道，不是我编的）：

• 舟山励图（入选浙江 2025 首批"AI 赋能制造业"典型案例）：双目摄像头非接触式量鱼体长 / 宽 / 体重，投饵量误差小于 2%；平台能识别鱼类 350 种以上、鱼病 100 种以上；预计减少 10%~15% 饲料浪费、降低 30% 人工成本，配套虾塘产量是同区域的 6~8 倍。
• "北冥智渔"渔业大模型（励图高科，720 亿参数，融合了全国 2000 余家养殖企业实时数据 + 10 万养殖户经验）：能提前 3~5 天精准预警鱼虾病害、减少 30% 饲料浪费；微山湖基地实测人工省 70%、饲料省 15%、一年约省 100 万元；青岛即墨基地南美白对虾亩产突破 3000 斤，约为传统养殖的 10 倍。
• 烟台长岛海洋牧场：5G + 物联网布了 9 套智能传感终端，AI 图像识别自动统计鱼群密度、监测生物活性，从"凭经验"转到"可视、可测、可控"。
• 北部湾大学 + 青岛森科特：AI 优化饵料投喂策略，饵料利用率提高 8%~10%、鱼类疾病发生率降低 12%，北部湾渔业示范区年创经济效益约 3000 万元。

四、我学到的，以及别高兴太早

两点体会：第一，AI 不是来取代老船长、老养殖户的，而是补齐"算得快、看得全"的短板——老船长的经验是"特征工程"，AI 是放大器和记忆体，俩是互补。第二，坑也不少：偏远海域数据稀疏、模型换个海域可能就失灵（呼应第 3 篇"泛化能力"）、小渔民用不起、而且效率太高反而可能伤资源（得靠配额管理兜底）。这和第 5 篇说的"开放与主权平衡"、第 3 篇列的"挑战"是一脉相承的。

回头看我这个站的主题——"海洋 AI 数据"，智慧渔业大概是离普通人最近、也最容易看到真金白银的一个落点：鱼在哪、该怎么养，本质都是把海洋数据变成可执行的决策。

推荐阅读 / 说明

• 站内延伸：第 3 篇《AI 与海洋数据》里"智慧渔业"那一行，本篇算是个具体落地例子；第 5 篇《海洋数据"全家福"》能查到上面这些 SST、叶绿素、AIS、Argo 数据到底从哪来。
• 诚实说明：本文由 AI 辅助我梳理了公开报道与论文资料（科技日报、中新网、解放日报、山东省发改委、地方政府网站、ISPRS 学术论文等），再用自己的话讲了一遍，非本人原创研究；具体数据请以来源原文为准，我是小白，欢迎指正。

我用 Python 跑通了人生第一张海表温度图（南海 SST）

—— 从“看别人说”到“我自己拉数据”，这站终于动手了

一、为什么写这篇：这站不能只“说”，得“做”

前面 6 篇，我基本都在整理别人的资料：遥感是什么、AI 怎么预报台风、智慧渔业长啥样……说白了是“看别人说”。但这个站叫“海洋 AI 数据”，口号是“边学边输出”，光看不练等于没学。所以这篇，我决定自己用 Python 拉一份真实的海洋数据、画一张图——哪怕是最基础的“海表温度（SST）热力图”。

二、先说结论：我真的跑通了，图在这

下面这张图，是我用 Python 从公开免费接口（Open-Meteo Marine）拉到的南海实时海表温度，自己拼成网格、画出来的。没有美工、没有 P 图，就是真实数据：

几个真实数字：网格覆盖南海（北纬 0°–25°、东经 105°–122.5°）共 88 个采样点，其中 64 个点成功拿到数据，温度区间在 26.3°C ~ 32.3°C 之间，平均约 29.4°C。这个温度区间很“热带”——8 月的南海，本来就该这么热。

三、这张图到底在说啥

海表温度（Sea Surface Temperature，SST）就是海洋最表层那层水的温度。它是海洋里最基础、也最常用的一维变量：台风生成看它（暖水才能喂饱台风）、渔场找鱼看它（冷暖交界往往有鱼）、气候监测也看它。第 2 篇讲遥感、第 4 篇讲台风、第 5 篇“全家福”里 SST 都出现过——这次是第一次我自己把它“抓”下来。

从图上看，整体偏暖，而且南部（靠近赤道的低纬度一侧）平均约 29.6°C，比北部（约 29.1°C）略高，大致符合“越靠赤道越热”的常识；图里也能看到几块偏凉的格子，通常是局部混合或上升流造成的降温——这点我还在学，先标出来待考。。这和第 6 篇说的“鱼群分布跟 SST 强相关”也对得上：暖水区、冷暖交界，往往就是鱼爱待的地方。

四、我是怎么跑通的（小白流水账）

说实话，代码不多，关键是知道去哪找数据。整个流程就三步：

• ① 找数据源：用 Open-Meteo 的 Marine 接口（marine-api.open-meteo.com），免费、不用注册、直接返回 JSON。我要的只是 sea_surface_temperature 这一个字段。
• ② 用 Python 拉数据：用自带的 urllib 按“纬度 × 经度”一个点一个点去请求，把返回的温度存进一个二维数组（用 numpy 装）。拿不到数据的点就留空（NaN）。
• ③ 画图：用 matplotlib 把这个二维数组画成热力图（配色用 Spectral_r，越红越暖；空白点显示成白色），存成 PNG。

核心就十几行代码。难点不在写，在于：①搞清楚“海表温度”在接口里叫 sea_surface_temperature（名字写错接口就返 400）；②中文标题要设字体，不然出来全是方块；③少量点接口当天没返回，得学会“容忍缺失”而不是报错卡死。这些坑我一个一个踩过来了。

五、诚实说明：它能信到什么程度

• 数据是真实的，来自 Open-Meteo 聚合的海洋再分析/观测产品，不是我编的。
• 但它是一张“快照”，只代表拉取那一刻的南海；想看变化得按时间多拉几次。
• 网格很粗（2.5° 一格），近岸细节、小尺度涡旋画不出来；本次有 24 个点没拿到，画面上有“空洞”。
• 我是纯小白，代码和数据解读都可能不严谨，欢迎懂行的朋友拍砖。

附：我先替自己试了水——某点全年 SST 折线

第 6 篇"下一步"里我写"想试试把时间轴拉长，画一条某点 SST 随月份变化的折线"。既然写了，就先替自己试一把：我挑了南海中部一个点（15°N, 115°E），用同一个 Open-Meteo 接口拉了过去一年（2025-08-23 ~ 2026-08-23）的逐日海温、按月取平均，画成下面这条线——

肉眼可见一条年度起伏：26/05 前后最暖（约 30.5°C），26/02 前后最凉（约 25.6°C），一年里温差差不多 4.9°C。这背后是季风和太阳辐射的季节循环——夏天太阳直照、上层海水受热，冬天偏北风把表层暖水吹走、深层冷水上翻。这条线正好给第 4 篇"台风靠暖水喂"补了下半句：暖水不是恒定的，它随季节涨落，所以台风活跃期也集中在暖季。

六、下一步 & 延伸阅读

这张图只是起点。下一步我想试试：①上面那条"某点全年 SST 折线"（见上"附"）就是这步的第一次尝试，已经跑通；②换别的变量（比如叶绿素 chlorophyll、浪高 wave height）；③或者做个小网页，输入经纬度就返回一张温度图。慢慢来。

• 第 2 篇《什么是海洋遥感？》——SST 大多正是卫星遥感“看”出来的。
• 第 4 篇《AI 是怎么预报台风和风暴潮的？》——暖海温是台风的“燃料”，这正是 SST 的用武之地。
• 第 5 篇《海洋数据“全家福”》——SST 在“物理海洋”那一支，本文算是把它从清单里揪出来实操了。
• 第 6 篇《智慧渔业》——鱼群跟 SST 强相关，本文的图就是那个逻辑的最底层数据。

海洋数据不止温度：我拉了一份真实的"浪高"图（南海波浪）

—— 第 7 篇跑了海温，这篇换个维度：风刮出来的"浪"也是数据

一、为什么写这篇：海洋数据不是只有温度

第 7 篇我用 Python 拉了南海的海表温度（SST），算是第一次真正"抓"到海洋数据。但第 5 篇《海洋数据"全家福"》里列了一大串：风、浪、流、盐度、叶绿素……温度只是其中一根。这篇就挑最直观、也最好玩的——浪高（wave height）来动手，看看同一片南海，换个变量长什么样。

二、先上图：南海浪高实况

下面这张热力图，和上一篇 SST 用的是同一个南海网格（北纬 0°–25°、东经 105°–122.5°，2.5° 一格），只是把"温度"换成了"浪高"。数据源同样是 Open-Meteo Marine，免费、免注册：

几个真实数字：网格共 88 个采样点，成功拿到 62 个点，浪高区间 0.1 m ~ 2.0 m，平均约 1.1 m。整体在 0.1~2.0 m 之间，属于南海常见的中小浪，看不出明显的大浪区——说明拉取那一刻附近没有强风或台风过境。

三、浪高到底是什么，为啥要管它

图里这个"浪高"严格说是有效波高（significant wave height）——海面上最高的那 1/3 波浪的平均高度，单位米。它是航海和海洋工程里最常用的一维指标，因为浪直接决定：

• 航运安全：大风大浪会封港、绕行、甚至断航；渔船和货轮都盯着它。
• 台风/风暴潮：台风眼墙附近浪高能飙到 10 m 以上，是比风更致命的杀手——这正好接回第 4 篇"AI 预报台风"里没细说的"浪"那一半。
• 海上风电 & 养殖：风机基础、养殖网箱的抗浪设计，都得按几十年一遇的大浪来算。
• 冲浪：对玩家来说，浪高和周期就是"今天值不值得下海"。

补充一句：浪分两种——风直接刮出来的"风浪（wind wave）"和跑远了变稳的"涌浪（swell）"。Open-Meteo 还有 wind_wave_height 和 swell_wave_height 能分开看，这是个可以深挖的点。

四、我是怎么拉的（流水账）

套路和第 7 篇几乎一样：还是按"纬度 × 经度"把网格铺开，用 urllib 去 Open-Meteo 取数据，字段换成 wave_height，把"温度数组"换成"浪高数组"，再交给 matplotlib 画热力图（配色用 YlGnBu，越蓝越高）。这次学乖了，把 88 个点一次性批量请求，几秒就回来了，比上一篇一个个点敲快太多。

但有个新体会：浪比温度"野"得多。温度是慢变量，今天和上周差不大；浪是风生的，随天气剧烈波动，而且明显带"实时/预报"属性。所以同一网格，不同天拉结果可能差很远——它不像 SST 那么"稳"，这也正是它更值得持续监测的原因。

五、诚实说明：它能信到什么程度

• 数据是真实的，来自 Open-Meteo 聚合的海洋气象/波浪模式产品，不是我编的。
• 它是一张"快照"，只代表拉取那一刻；想看台风怎么把浪推高，得在台风过程里多拉几次。
• 网格很粗（2.5° 一格），近岸、礁盘、狭管效应这些"局部大浪"画不出来；本次有 26 个点没拿到，画面上有"空洞"。
• 我是纯小白，对波浪物理的理解很浅，欢迎懂行的朋友拍砖。

六、下一步 & 延伸阅读

这张图和上一篇 SST 拼起来，才算摸到了"海洋数据多维"的门槛。下一步我想试试：①把风场（wind_speed）也拉来，直接看"风→浪"的关系；②同一时点把 SST 和浪高叠一起，看冷暖和风浪怎么耦合；③或者挑一个台风过程，看浪高是怎么暴涨的。慢慢来。

• 第 5 篇《海洋数据"全家福"》——浪高在"物理海洋"那一支，本文算是把它也实操了。
• 第 7 篇《南海 SST 热力图》——同一片海、同一个网格，换个变量，对照着看最直观。
• 第 4 篇《AI 是怎么预报台风和风暴潮的？》——台风最致命的往往是"浪"而不是"风"，本文补了那一半的数据视角。

风大浪就大吗？我用 30 天真实数据验证了一遍

—— 第 8 篇画了浪高，这篇问一个更笨的问题：浪到底从哪来？

一、为什么写这篇

第 8 篇我把南海的浪高拉成了一张热力图。但画完我卡在一个很笨的问题上：浪是哪来的？常识说是风刮出来的——可"常识"这东西，作为一个小白，我更想用数据亲眼看一遍。于是这篇就干一件事：抓 30 天的风和浪，看看它们到底是不是一回事。

二、先把两张图摆出来

我选了南海中部一个点（15°N, 115°E），拉了 2026-08-09 到 2026-09-08 共 30 天的逐小时数据：风速来自 Open-Meteo 的天气 API（wind_speed_10m），浪高来自它的海洋 API（wave_height）。下面这张是两条曲线叠在一起：

再看散点图，把每个小时的"风"和"浪"画成一个点：

真实数字：这 30 天里风速在 9~56 km/h（均值 37），浪高在 1.0~3.6 m（均值 2.4）。算下来两者的相关系数达到 0.92，属于相当强的正相关——"风大浪就大"这句大白话，数据上是站得住的。

更有意思的是滞后：当我把风的数据往前挪 3 小时再比，相关系数从 0.91 升到了 0.92。也就是说，风刮起来之后，浪大约要过 3 小时才“涨”到位——这很符合直觉：浪不是开关，它需要时间把风给的能量一点点“攒”起来。

三、为什么浪不是 100% 跟着风走

但相关系数是 0.92，不是 1。为什么"风大一倍，浪不一定大一倍"？我查了下，浪的成长看三个东西：

• 风速：风越大，传给水面的能量越多。
• 风时（duration）：同样大的风，刮 1 小时和刮 10 小时，浪完全不是一个量级——这就是上面"滞后"的来源。
• 风程（fetch）：风吹过水面的距离。吹 10 公里和吹 1000 公里，浪也完全不同。

还有个更关键的：你看到的浪，不全是当地风刮出来的。远处风暴产生的浪可以跑几千公里过来，叫"涌浪（swell）"。所以一个点的浪 = 当地风浪 + 远处跑来的涌浪，这也是相关系数到不了 1 的主要原因。第 8 篇提过 Open-Meteo 能分开看 wind_wave_height（风浪）和 swell_wave_height（涌浪），下次可以专门验一下。

四、这次踩的新坑：两个 API 的时间轴得对齐

前几篇都是单一数据源，这次第一次跨源拼数据：风在天气 API、浪在海洋 API，主机名都不一样。麻烦在于两边返回的时间序列长度、时间点未必一致，直接拿数组算相关会错位。我的做法是按时间字符串取交集再对齐，最后得到有效样本 744 个小时。另外还有个小意外：第一次请求天气 API 超时失败了，重试就好了——真实世界的数据接口就是会偶尔抽风，代码里得学会"重试 + 容忍缺失"。

五、诚实说明

• 相关不等于因果：r=0.92 只说明两者同涨同跌，虽然物理上确实是风生浪，但统计本身不能证明因果。
• 只有一个点：南海这么大，一个点代表不了全部，近岸、浅水、岛屿遮挡都会改变结论。
• 是模式数据不是实测：风和浪都来自数值模式/再分析产品，不是浮标实测值，会有偏差。
• 我是纯小白：相关系数、滞后分析都是我现学的，方法上如果有不严谨的地方，欢迎拍砖。

六、下一步 & 延伸阅读

下一步我想：①把风浪和涌浪拆开，看看这个点的浪到底几成是当地风、几成是远处跑来的；②换成台风过境那几天，看相关系数和滞后会不会突变；③多取几个点，看看"风→浪"的关系在近岸和深海有啥区别。

• 第 8 篇《南海浪高热力图》——本文的浪数据就是那张图的变量，从"看空间"走到"看关系"。
• 第 7 篇《南海 SST 热力图》——同一套"拉数据→画图→讲清楚"的流水线。
• 第 5 篇《海洋数据"全家福"》——风和浪分属"气象"和"物理海洋"，本文第一次把它们拼到了一起。

赤潮是怎么预警的？我用三个真实因子拼了个「环境适宜度」

—— 叶绿素我拿不到，但能拿的我都拿了，然后老老实实说清楚它不算预报

一、为什么写这篇

写第 7 篇海温、第 8 篇浪高、第 9 篇风与浪的时候，我一直有个感觉：这些数据都是物理的——温度、浪、风，肉眼能想象。但海洋里真正让我觉得“AI 有用武之地”的，其实是生物化学那类问题，比如赤潮。

赤潮这东西很拧巴：它暴发的时候一片海变成红褐色，新闻一播大家都看见了；但在它暴发之前，海面看起来跟平时一模一样。等你看见颜色，鱼已经死了、贝类已经带毒了。所以“预警”这两个字，在赤潮上比在台风上还难——台风好歹有个云系能盯着。

那 AI 到底靠什么提前知道？我就想自己动手扒一遍。

二、先上图

我选的地点是长江口外（31°N, 122.5°E）——中国近海最有名的赤潮高发区之一，每年 5 到 9 月都上新闻。拉了过去一整年（2025-09-28 到 2026-09-28）的三样真实数据，合成成一条曲线：

这一年里，长江口外的海表温度在 6.4～30.8°C 之间走完一整个来回，日最大风速平均 31.1 km/h，日短波辐射平均 16.0 MJ/m²。合成的适宜度指数在 05月30日 前后达到最高（71 分），冬天则几乎贴地。

第二个图是我更想看的东西——不拍权重，只数日子。我把“水温够暖、风够小、光照够足”三条硬阈值写出来，数一数一年里有多少天同时满足：

全年 20 天落在这个窗口里，绝大部分挤在 6月（5天）、8月（5天）、10月（4天） 这几个月——正好对上“赤潮高发期在夏秋”这句常识。看到数据跟常识对上的那一刻，是写这十篇里最爽的一次。

三、赤潮到底是怎么爆起来的

查了一圈资料，赤潮暴发基本要凑齐四样东西，缺一样就多半爆不起来：

• 种子：海里有这种藻的休眠孢囊或者少量个体，平时看不见。
• 营养盐：氮、磷。主要来自陆源——农田化肥、生活污水、养殖投饵，被雨水冲进海。这是人能控制的那一项，也是赤潮越来越频繁的主因。
• 水温和光照：藻是植物，天冷不长。所以赤潮天然是季节性的。
• 稳定的水体：这是最反直觉的一条。风大反而不容易赤潮——风把上下层水搅匀了，藻被稀释、被带到光照不足的深层。反而是连续几天微风、闷热、无雨，水体分层稳定，藻类浮在表层晒着太阳、吃着营养盐，然后指数级暴发。

图 1 里我特意把风速画进去了（蓝线），就是为了看这一条：指数高的那些天，往往不是风最大的时候，而是风小下来的那几天。

四、那 AI 在里面干什么

赤潮预警这件事，天生适合机器学习，原因有三：

• 它是多因子的：温度、盐度、营养盐、光照、风、流场、潮汐……不是“超过某个值就爆”的单阈值问题，而是这些因子凑在一起的组合。
• 它非线性：温度 24°C 好，30°C 反而不好；风太小不好（缺氧）、太大也不好。这种“中间高两头低”的关系，写死规则很痛苦，模型学起来倒自然。
• 它有滞后：一场雨把营养盐冲进海，赤潮可能三五天后才起来。这种“前因后果跨时间”的模式，正是 LSTM 这类时序模型的活儿。

现实中的预警系统一般是这么搭的：卫星看颜色（叶绿素浓度反演，比如 MODIS、Sentinel-3 OLCI）＋ 浮标/船测看实测（温度、盐度、溶解氧、藻密度）＋ 数值模式预报未来几天的水文气象，然后把这些一起喂给模型，输出一个“未来 3～7 天某海域的赤潮概率”。

这也是为什么我说 AI 有用：人守着一堆曲线看不出组合效应，模型能。

五、我是怎么拉的（小白流水账）

这次踩了个新坑，值得记下来：

• 海表温度还是老路子：marine-api.open-meteo.com 的 sea_surface_temperature。注意这个接口只认 hourly=，写成 daily= 直接 400（第 7 篇就栽过）。所以我是拉逐小时再自己平均成日值。
• 风速和辐射一开始用 api.open-meteo.com/v1/forecast，结果全部 400，报错是 start_date is out of allowed range——原来这个接口现在只给前后约 92 天的窗口，拉不了整年历史。
• 解决办法：换 archive-api.open-meteo.com/v1/archive，wind_speed_10m_max、shortwave_radiation_sum、precipitation_sum 一次拿满 366 天。✅
• 老规矩：两个 API 都强制 timezone=UTC，再按日期取交集对齐，否则时间轴会错位。

合成指数那几行也很土：温度适宜度 = 1 - |T-24|/8（24°C 最舒服，16 或 32°C 归零）、风力适宜度 = (25-风速)/17（风越小越稳）、光照适宜度 = 辐射/25，然后按 0.40 / 0.35 / 0.25 加权乘 100。

六、诚实说明：它能信到什么程度

这个指数不是赤潮预报，差得还很远。必须说清楚：

• 缺了最关键的一项：营养盐和藻本身。赤潮的直接指标是叶绿素浓度和藻细胞密度，这两样 Open-Meteo 免费接口没有（真要拿得去 NASA OceanColor 或 CMEMS 注册下载）。我这个指数只能说明“天气水文条件适不适合”，不能说明“会不会真的爆”——就像你说“今天又暖又闷，适合长蘑菇”，不代表蘑菇一定长。
• 阈值和权重是我拍的。24°C、20 km/h、0.40/0.35/0.25 这些数字，是我按科普资料里的常识估的，不是哪个发表过的业务模型。这也是我做图 2 的原因：干脆不拍权重，只数“三条硬阈值同时满足”的天数，结论反而更硬。
• 它只是一个点。长江口外一个格点，代表不了整片海。真实赤潮的空间尺度是几公里到几十公里，还得看流场和锋面。
• 数据是模式再分析产品，不是实测。近岸浅海的模式误差本来就偏大。

所以它真正的价值，是让我这个外行看清了赤潮预警的输入长什么样：一堆看着平平无奇的环境曲线，凑在一起才变成风险。真要预报，得把叶绿素那一块补上。

七、下一步 & 延伸阅读

• 下一步真的想啃叶绿素。NASA OceanColor 的 MODIS 叶绿素产品是公开的，只是要注册 + 处理 HDF/NetCDF，对我是新门槛。啃下来就能把这篇的“环境适宜度”升级成真·预警因子。
• 回看前面的篇目：第 2 篇（什么是海洋遥感）讲的正是“卫星怎么给海水染色”，叶绿素反演就是它的经典应用；第 7 篇（南海 SST）是本文温度曲线的同款数据源；第 9 篇（风×浪）用的风数据，这次换成了 archive 接口。
• 延伸阅读方向：有害藻华（HAB）这个更大的概念、富营养化治理、以及“卫星 + 浮标 + 数值模式 + 模型”这条标准预警链路。

我终于拿到叶绿素了：从太空看长江口，顺便检验第 10 篇那个指数准不准

—— 补上第 10 篇最大的那个坑，顺便第一次用真值检验我自己拍脑袋的公式

一、为什么要补这一篇

上一篇写赤潮预警，最后留了个很大的遗憾：我拿不到叶绿素。赤潮的直接指标就是藻类密度，而藻类的代用指标是叶绿素 a 浓度——没有它，我那个"环境适宜度"就只能叫"天气好不好长藻"，不能叫预警。当时我说真要拿得去 NASA 注册。

结果试了一下，发现根本不用注册：NOAA 的 OceanWatch 服务器开了一个 ERDDAP 数据接口，上面就摆着 NASA 官方的 MODIS / VIIRS 叶绿素产品，还有 ESA 的多传感器融合版，一条网址就能取数，免费免登录。

所以这一篇干两件事：把叶绿素拿到手；然后用真值回头检验第 10 篇那个我拍脑袋写的公式——这是开站以来第一次，我不是在复述别人的结论，而是在验证自己的猜测。

二、先上图：从太空看长江口的“绿”

第一眼看到这张图我就明白了两件事：

• 近岸绿、外海蓝，界线非常清晰。靠陆地那一侧叶绿素是外海的几倍到几十倍——这就是"营养盐从陆地上来"的直接证据。长江每年把大量氮磷冲进东海，藻类就长在冲淡水铺开的那一层水里。
• 我第 10 篇选的点，其实在"过渡带"上。红星那个位置不算最绿的近岸，也不算干净的外海，正好卡在羽状流外缘——这既解释了后面相关系数为什么不会特别高，也提醒我：一个点的代表性本来就有限。

三、叶绿素为什么能从太空看见

这件事本身挺反直觉的，我查完才懂：

• 卫星看的不是"绿色"，而是水本身的颜色。纯海水偏蓝（水分子吸收红光），叶绿素多的水偏绿（藻吸收蓝红光、反射绿光）。
• 所以思路是：测几个波段的离水辐亮度，看蓝绿比，再套经验公式反推叶绿素浓度。这类公式有个统一的名字，叫 OCx / OCI 算法。
• 真正的难点是大气。卫星接收到的信号里，来自水体的只占约 10%，剩下 90% 是大气散射。大气校正是海色遥感里最要命的一步，做不好整张图都是错的。
• 还有个硬伤：云挡住就看不见。所以业务上发布的是 8 天、月度的"合成"产品，把多云期间能看的那几天拼起来。

这就是第 2 篇（什么是海洋遥感）里说的"卫星给海水染色"的具体实现。海色遥感是海洋遥感里唯一已经业务化到每天出图的方向，比测盐度、测海流成熟得多。

四、用真值检验：我第 10 篇的公式到底行不行

这是我最紧张的一步。做法很直接：把第 10 篇那个指数往回算了 10 年（2016-01 到 2026-08，海温 + 风速 + 日照三样，同样的公式），按月平均，再跟同月的卫星叶绿素对齐，算相关系数。

结果是：r = +0.20（对 log 叶绿素，n = 44 个月），属于基本没有的相关。

拆开看三个因子跟叶绿素的关系，更能说明问题：

• 水温 vs 叶绿素：r = +0.13
• 风速 vs 叶绿素：r = -0.15
• 日照 vs 叶绿素：r = +0.16

三者里跟叶绿素最合得来的是日照。单看这个数字，我的指数基本是失败的——逐月的叶绿素波动，天气解释不了。

我本来以为，至少季节节律该对得上——夏天暖、日照足，藻总该多吧？于是我把两边都算成“1 到 12 月的气候态”（多年同月平均），再比这两条 12 个点的曲线：r = +0.20。叶绿素最高在 7 月，我的指数最高在 6 月。

还是弱。这个结果比我预期的打击更大：不是“逐月对不上、但大趋势对”，而是连季节循环都没抓牢。

冷静想想，原因其实说得通：

• 长江口的叶绿素是“长江说了算”，不是“天气说了算”。每年 6–8 月是长江汛期，巨量淡水携着氮磷冲进东海，藻跟着暴涨。这条主线跟气温日照关系不大，跟径流量关系才大。
• 我那个指数的峰值在 6 月，叶绿素的峰值在 7 月，差了一个月——正好是“天气先热起来、径流后到”的错位。
• 再加上近岸浑浊水体的卫星反演误差、以及月均会把短期藻华抹平，信号本来就被稀释了。

所以这一篇的结论很明确，比我上一篇说的更难看、但也更真实：我第 10 篇那个指数，解释不了长江口的叶绿素。它是个“天气适宜度”，不是藻量预报。想做真预警，必须把径流量和营养盐那一块补上——这跟我上一篇自己承认的局限对上了，只不过这次不是“我觉得”，是数据说的。

顺带一个旁证：叶绿素最低出现在 3 月，又是“夏高冬低”，跟赤潮高发期一致。

五、我是怎么拉的（含这次踩的新坑）

• 数据源：oceanwatch.pifsc.noaa.gov/erddap，数据集 noaa_snpp_chla_monthly（VIIRS，4 km，月度，2012 至今）。同类还有 esa-cci-chla-monthly-v6-0（ESA 多传感器融合版，1997 至今）。
• 坑 1：这个 ERDDAP 不支持 .json 输出，直接 404。用 .csv 或 .esriAscii。
• 坑 2：经纬度不能写单点。[(31.0):1:(31.0)] 会返回 404 Unknown Reason，必须给一个小方框（我用 30.8–31.2°N、122.3–122.7°E），取回来再自己平均。
• 坑 3：括号必须 URL 编码。[ ] 要写成 %5B %5D，否则 404。
• 坑 4：数据集有时间范围差异。aqua_chla_monthly_2018_0 是 2018 年那版再处理，数据只到 2022 年；想拿近期的必须换 VIIRS 或 ESA 版。这一点我一开始就踩了。
• 坑 5：叶绿素跨度极大（0.1 到几十 mg/m³），必须取对数再统计和画图，否则整张图被几个极端值压平。
• 空间场用 .esriAscii 拉（38 KB，比 csv 小 40 倍），它第一行是最北的一行，画图前要把纬度数组翻转。

六、诚实说明

• 卫星叶绿素 ≠ 赤潮。叶绿素高只说明藻多，藻多不等于有害藻华。赤潮要特定藻种 + 足够密度 + 毒素/缺氧后果。
• 近岸反演误差大。长江口是世界著名的浑浊水体（泥沙多），卫星大气校正在这里最容易出错，数值只能当趋势看，不能当绝对值。
• 我用的只是一个点的月均值，一个月内的一场赤潮可能持续 5 天就被平均掉了。要真做预警得用 8 天 / 逐日产品。
• 环境三因子来自模式再分析（Open-Meteo），不是浮标实测。
• 样本只有 44 个月。Open-Meteo 的海温在这个点位只从 2023 年才有数据，所以逐月对比没能覆盖满十年（叶绿素本身有 126 个月）。44 个点算出来的 r，置信区间是很宽的，别当精确数字看。
• 那个 r 值请当成"我自己公式的体检报告"，不是科学结论。

七、下一步 & 延伸阅读

• 换 8 天 / 逐日叶绿素产品，看能不能捕捉到短期的藻华暴发过程——这才是预警真正需要的分辨率。
• 把营养盐那一块补上：长江径流量、长江口站点的实测氮磷，看看加上它之后 r 能涨多少。
• 回看前面：第 2 篇（海洋遥感）是这张图的原理；第 10 篇（赤潮预警）是被检验的那个指数；第 7 篇（南海 SST）是同一套抓数流程的起点。
• 延伸阅读：海色遥感大气校正、OC-CCI 多传感器融合、浑浊水体（Case-2 water）反演——后者是长江口这种地方的世界级难题。