海洋水色遥感为全球尺度海洋生态系统与生物地球化学过程研究提供了关键观测手段。随着研究逐步拓展至多变量协同反演与生态过程分析，现有水色遥感方法在多变量产品一致性、跨区域泛化能力以及对水体内部三维生态结构的反演能力方面仍面临显著挑战。针对上述问题，本文围绕海洋水体光学--生态属性的表征，探索人工智能方法在统一水色反演框架构建与三维生态结构重建中的应用潜力。

首先，针对现有海洋水色遥感算法体系分散、可迁移性不足的问题，本文提出海洋水色深度学习基础模型(Ocean Color Foundation Model，OCFM)，构建统一的多变量水色反演框架。OCFM采用三阶段训练策略：首先利用业务化卫星水色产品进行预训练，学习水色遥感观测与光学属性之间的通用表征关系；随后通过现场观测数据微调模型，使其更好反映真实海洋状态；最后将训练完成的模型用于灵活扩展多种水色反演任务。定量评估结果表明，在针对终端用户应用测试中，OCFM对初级生产力和水体清洁度的反演决定系数分别达到 0.90和0.71，对应的平均绝对百分比差异为44.08%和17.28%。与传统反演算法相比，OCFM在小样本和样本分布不均条件下表现出更强的稳定性与适应能力，即使在有限用户资源与少量训练样本条件下，通过下游微调仍可实现具有竞争力的反演性能。

其次，面向水体垂向结构表征，提出一种基于自注意力机制的深度学习模型 Pigmentsformer，用于重建全球海洋上层300 m内浮游植物色素的垂向剖面结构。该模型融合连续时序的海洋水色遥感观测数据与再分析环境场信息，实现对9种关键浮游植物色素浓度剖面的协同估计。模型训练基于33,975组全球高效液相色谱(HPLC)现场观测、卫星水色数据与环境变量的匹配样本，并采用交叉验证方法进行评估。结果表明，模型估算值与HPLC实测值之间的决定系数为0.67-0.87，平均绝对误差为0.01-0.33 mg m^-3。基于反向传播的可解释性分析显示，在海表层，总叶绿素a的估计主要受光学变量控制，洋流是最重要的环境因子；而随着水深增加，海表高度和温度等环境变量的影响逐渐超过光学变量与洋流。在此基础上，利用20年的重建结果分析了赤道太平洋浮游植物粒径结构对厄尔尼诺--南方涛动(ENSO)的响应特征，结果表明最大浮游植物层深度与Nino 3.4指数呈显著正相关，其中微型(micro-)、纳米型(nano-)和超微型(pico-)浮游植物的相关系数分别为0.70、0.68和0.45。

这两项研究从深度学习基础模型与高精度浮游植物三维重建两个方面，共同展示了人工智能在解决复杂海洋水色反演与垂向生态结构重建的关键作用。OCFM作为深度学习基础模型，不仅为多变量水色反演提供了统一、可扩展的解决方案，更通过“预训练--微调”的策略范式，验证了遥感通用知识在小样本场景下高效迁移的可行性；Pigmentsformer则首次实现了全球尺度浮游植物色素及群垂向剖面的高精度重建，揭示了浮游植物群落结构对ENSO等气候事件的差异化响应机制。两项研究通过构建从“统一反演”到“立体感知”的技术框架，表明人工智能技术正推动海洋水色遥感从单一变量的海面上表层状态的监测，向多要素协同、多维度融合的立体认知迈进，也为深入理解海洋生态系统结构与功能、预测全球变化背景下的海洋响应提供了新的技术手段与数据支撑。

第1章 绪论    1
1.1 研究背景和意义    1
1.1.1 国内外研究    3
1.2 科学问题的提出    7
1.2.1 统一框架下的海洋水色遥感算法问题    7
1.2.2 三维海洋水色重建问题    8
1.3 研究内容与论文结构    9
第2章 水色基础模型的构建    13
2.1 水色基础模型构建思想与总体框架    13
2.1.1 海洋水色基础模型设计思想    13
2.1.2 OCFM总体技术框架    14
2.2 OCFM模型结构设计    15
2.2.1 卫星数据输入模块的设计    17
2.2.2 共享特征提取网络的设计    17
2.2.3 任务输出模块的设计    17
2.3 水色卫星遥感观测数据组织与构建    18
2.3.1 输入变量构建    19
2.3.2 预训练标签数据集构建    19
2.3.3 高质量微调标签数据集构建    20
2.3.4 应用测试标签数据集构建    21
2.3.5 数据质量控制与结构化组织    21
2.4 模型训练与实验设置    24
2.4.1 三阶段训练数据划分    24
2.4.2 训练流程与模型参数设置    25
2.4.3 模型评价指标    26
2.4.4 模型实验方案设计    27
第3章 水色基础模型的结果与应用    29
3.1 OCFM Phase 1：预训练与模型结构验证    29
3.1.1 预训练性能    29
3.1.2 模型结构验证    31
3.2 OCFM Phase 2：基于现场观测约束的多变量水色反演性能验证    34
3.2.1 基于现场观测数据的多变量反演精度评估    34
3.2.2 不同水体类型下模型适应性分析    36
3.3 OCFM Phase 3：稀疏与小样本条件下的模型应用验证    37
3.4 讨论    39
3.4.1 三阶段训练策略的必要性    39
3.4.2 OCFM 的模型特性与方法优势    40
3.4.3 模型精度、对比结果与潜在局限    41
3.4.4 不同水体类型下的适应性与表征能力    42
第4章 基于Pigmentsformer的浮游植物色素剖面反演    45
4.1 Pigmentsformer：基于自注意力的浮游植物反演模型    45
4.1.1 数据集来源及数据处理    45
4.1.2 遥感与物理环境预测变量构建    46
4.1.3 时序匹配与样本构建    47
4.2 Pigmentsformer模型构建与训练方法    49
4.2.1 Pigmentsformer模型结构设计    49
4.2.2 数据预处理与模型训练设置    50
4.2.3 模型解释性分析方法    51
4.3 结果与分析：Pigmentsformer估计的色素剖面    51
4.3.1 超参数消融实验与模型对比    51
4.3.2 交叉验证精度与剖面误差分布    52
4.3.3 独立测试与稳健性评估    54
4.3.4 不同预测变量的注意力响应特征    55
4.4 浮游植物色素反演结果的讨论    57
4.5 输入因子注意力结果的讨论    58
第5章 基于色素剖面的三维浮游植物重建及应用    61
5.1 全球浮游植物色素剖面分布    61
5.2 PSCs的全球分布    64
5.3 浮游植物群落剖面与ENSO的关系    65
5.4 Pigmentsformer实现三维浮游植物类群重建的讨论    68
第6章 总结与展望    71
6.1 内容与创新点总结    71
6.1.1 OCFM：海洋水色通用反演框架    71
6.1.2 Pigmentsformer：浮游植物色素反演与ENSO响应分析    72
6.1.3 人工智能方法应用于海洋水色遥感    73
6.2 基于深度学习技术的海洋水色遥感算法与应用的展望    75
6.2.1 面向用户的OCFM应用模式与发展潜力展望    75
6.2.2 三维生态结构重构工作的展望    76
6.3 研究不足与未来发展方向    77
参考文献    79
致 谢    91
作者简历及攻读学位期间发表的学术论文与其他相关学术成果    93