摘要
针对天基海洋遥感卫星空间分辨率不足，且严重依赖稀疏、高成本地面真值数据进行校准的难点，提出一种基于智能手机声学信道状态信息（CSI）的盐度检测使能技术。该方法利用声波在液体中的传播特性，通过设计正交频分复用（OFDM）信号，使用前沿人工智能算法提取并分析液体声学 CSI 幅值与相位特征，从而进行非接触式盐度测量。分析了构建高密度、低成本近岸盐度地面真值网络的可行性，并开展了不同盐度、不同环境下的实验验证。实验室场景分析表明：在盐度差异为 5‰ 的 8 种不同盐度液体检测中，该方法展现出良好的区分能力。该盐度检测方法与智能手机的广泛普及性相结合，能够通过众包模式构建“毛细血管级”地面观测网络，为海洋盐度卫星提供海量、实时的校准与验证支持，为缓解当前“天基有余，地基不足”瓶颈提供了潜在的技术路径，可满足“天地协同”海洋盐度遥感体系的闭环需求。
Abstract
Addressing the limitation of insufficient spatial resolution in space-based ocean remote sensing satellites and their heavy reliance on sparse and high-cost in-situ ground truth data for calibration，this paper proposes a smartphoneenabled salinity detection technique based on acoustic channel state information （CSI）. The method leverages the propagation characteristics of acoustic waves in liquids. With proper designedorthogonal frequency division multiplexing（OFDM）signals，both the amplitude and phase features of the acoustic CSI are extracted and analyzed，enabling noncontact salinity measurement. The feasibility of constructing a high-density and low-cost nearshore salinity ground truth network is analyzed，and experimental validation under various salinity levels and environmental conditions is conducted.The analysis based on laboratory scenarios demonstrates that the method achieves excellent separation for eight distinct salinity levels with intervals of 5‰.By leveraging the widespread prevalence of smartphones，this salinity detection approach can potentially establish a‘capillary-level’ ground observation network through a crowdsourcing model. This network could provide massivereal-time calibration and validation support for ocean salinity satellites，offering a potential technical pathway to alleviate the current bottleneck of ‘sufficient space-borne capacity but inadequate ground-based data’ and meet the closedloop requirements of a ‘space-ground collaborative’ ocean salinity remote sensing system.
0 引言
海洋盐度是调控全球气候变化、驱动大洋环流、影响海洋生态系统的核心物理参数，对其进行大范围、高精度的动态监测具有重要的科学与战略意义[1]。近年来，以欧洲空间局的土壤湿度和海洋盐度（Soil Moisture and Ocean Salinity，SMOS）卫星[2]和中国的海洋水色系列卫星为代表的天基微波遥感技术，已成为获取全球尺度海洋盐度分布的主流手段，为人类理解宏观海洋过程提供了前所未有的视角。然而，当前航天遥感在盐度观测领域面临两大难以回避的固有瓶颈，极大地限制了其应用深度与广度。
首先，空间分辨率的局限性。当前盐度卫星的单个像元通常覆盖数十乃至上百公里的海域，这种“宏观视角”使其在近岸、河口、海湾及水产养殖区等盐度梯度变化剧烈、空间异质性强的复杂水域显得力不从心，无法精细刻画这些关键区域的生态与水文动态。其次，对地面“真值”（Ground Truth）的强依赖性。卫星遥感本质上是一种间接测量，其反演算法和数据产品的准确性必须依赖于大量、高精度的现场实测数据持续的校准与验证。
传统的地面真值数据主要来源于科考船走航调查和全球 Argo 浮标阵列。这些方法虽然精度高，但设备昂贵、维护成本高昂，导致观测站点极为稀疏，尤其是在近岸区域的覆盖率严重不足。这形成了当前海洋观测领域“天基有余，地基不足”的突出矛盾：天基平台能够全天候、大范围地“看”，却缺乏足够精细、密集的地面站点去“证”；而地面验证能力的缺失，反过来又制约了天基遥感数据质量与应用价值的提升。显然，亟需一种创新的技术范式改善这一“地基瓶颈”。
为此，本文提出一种旨在赋能航天遥感的技术——基于智能手机声学信道状态信息（Channel State Information，CSI）的液体盐度检测方法。该技术并非意图取代卫星遥感，而是要通过一种全新的众包（Crowdsourcing）模式，解决地面真值网络构建的成本与覆盖度难题。本方法利用智能手机内嵌的扬声器和麦克风作为声学传感器，通过分析声波在不同盐度液体中传播时信道特性的变化，实现对盐度的非接触式、低成本、高便携性测量。
通过将此技术与亿万级的存量智能手机相结合，有望发动渔民、水产养殖户、滨海居民乃至海洋环保志愿者等普通用户，构建一个广泛覆盖的、高密度、高时效的“毛细血管级”近岸盐度地面真值网络。该网络将为航天遥感数据提供海量、实时的校准与验证支持，形成“天基宏观普查、地基精准标定”的“天地协同”观测闭环。本研究将详细阐述该声学盐度感知技术的原理与实现，通过实验验证其可行性与鲁棒性，并探讨其作为使能技术，如何填补当前海洋观测体系的关键空白，从而有效提升我国空天海洋遥感技术的整体效能。
1 相关工作
本章旨在系统梳理与本研究相关的技术背景与研究现状。首先，从宏观层面介绍主流的卫星盐度遥感技术及其对地面校准验证的依赖性；其次，将深入探讨传统的盐度原位检测方法及其在构建大规模观测网络中的局限性；最后，回顾新兴的无线液体感知技术，引出本文所提的基于声学 CSI 的创新方法。
1.1 L 波段卫星遥感技术介绍
利用 L 波段（1.4 GHz）微波辐射计进行海表盐度（SeaSurfaceSalinity，SSS）遥感是目前最主要的天基观测手段。其基本原理是，海表发射的微波亮度温度（Brightness Temperature）与海水的介电常数直接相关，而介电常数又是盐度、温度等参数的函数。通过精确测量亮度温度，结合海洋表面温度（Sea Surface Temperature，SST）等辅助数据，可反演出全球尺度的海表盐度。
自 21 世纪以来，多个重要的卫星任务成功实施，极大地推动了该领域的发展。欧洲空间局（European Space Agency，ESA）于 2009 年发射的SMOS 卫星，是首个专注于全球盐度观测的卫星，至今仍在轨运行。美国国家航空航天局（National Aeronautics and Space Administration，NASA）与阿根廷航国家航空航天局（Comisión Nacional de Actividades Espaciales，CONAE）合作的水瓶座（Aquarius）任务（2011—2015 年），以及后续的土壤湿度主被动探测（Soil Moisture Active Passive，SMAP）任务（2015 至今）[3]也为全球盐度数据做出了卓越贡献。我国在该领域也取得了长足进步，海洋系列卫星，特别是规划中的相关载荷，正致力于提升我国自主盐度遥感能力。这些卫星任务的成功，使得人类能够观测到大尺度厄尔尼诺现象、大洋环流及亚马逊河口羽流等宏观盐度变化，但在精细化应用上仍存在固有局限。
1.2 卫星遥感数据的校准与验证
卫星遥感是一种间接测量技术，其数据产品（L2 级盐度数据及更高阶产品）的精度和可靠性高度依赖于与地面“ 真值 ”的比对。校准与验证（Calibration and Validation，Cal/Val）是贯穿卫星任务全生命周期的核心环节。目前，卫星盐度数据的Cal/Val主要依赖以下几种方式。
1）Argo 浮标阵列[4]
作为全球最重要的盐度原位观测网络，其由数千个漂流式剖面浮标组成，能够提供近实时的温盐剖面数据。Argo 是卫星盐度数据最主要的验证数据源。
2）锚系浮标
在特定关键海域布设的固定浮标，能够提供高时间分辨率的连续观测数据，用于卫星像元的精细化标定。
3）走航调查
利用科考船搭载高精度盐度温度深度（Conductivity，Temperature，Depth，CTD）仪进行航线测量，可获得高空间分辨率的断面数据，但覆盖范围和时间都极为有限。
尽管上述方法提供了宝贵的真值数据，但因其成本高昂、站点稀疏的特点，导致地基观测网络存在巨大空白。尤其在近岸、河口等卫星观测精度本就下降的区域，验证数据严重不足。这一“地基瓶颈”是制约当前卫星遥感技术发展的核心痛点。
1.3 传统盐度原位检测技术及其局限
为满足地面观测需求，学界和工业界发展了多种成熟的原位盐度检测技术。
1）电导率法
这是目前最常用、最精确的盐度测量方法，其原理是盐在水中电离成离子，使溶液具有导电性，电导率的大小与离子浓度（即盐度）直接相关。该方法精度高，技术成熟，但其电极需与待测液体直接接触，在长期监测中易受生物附着、电极腐蚀和机械磨损的影响，导致精度下降且需频繁维护[5]。
2）光学法
该方法主要利用液体的折射率与盐度之间的稳定关系进行测量。通过测量光线穿过液体时的折射角变化来反推盐度。光学法能够实现非接触测量，但系统结构通常复杂，包含高精度光源、检测器和信号处理单元，成本高昂，且易受液体浊度的干扰，不适合进行大规模、低成本的分布式部署[6-7]。
综上，无论是电导率法，还是光学法，其在成本、维护和部署便捷性方面的局限，都无法满足构建一个高密度、低成本、全民参与的“毛细血管级”地面真值网络的需求。
1.4 基于无线信号的液体感知研究现状
近年来，利用无线信号与液体相互作用的特性进行感知成为一个新兴研究方向。其核心思想是，无线信号在传播过程中会受到介质物理化学特性的调制，通过解调接收信号，可反演出介质信息。这一过程的精细数学刻画即为信道状态信息（Channel State Information，CSI）。本研究中，计算出的声学 CSI 具体指声学信道的信道频率响应（Channel Frequency Response，CFR）。其不仅描述了信道在时域上的信道冲激响应（Channel Impulse Response，CIR）（包含多径路径的增益、相位和延迟），更常在频域上被量化为 CFR。该计算值是一个复数向量，精确表征了声波在特定频率下穿过液体介质时的幅值衰减与相位偏移。CSI 的这 2 个特征就像是信道的“指纹”，对液体盐度引起的环境参数变化极为敏感。
（1）
（2）
式中：h（t）为信道的时域冲激响应，由 N 条不同的多径分量叠加而成；αi 为第 i 条路径的幅度衰减；θi为第 i 条路径的相位偏移（为相位因子）；τi 为第 i条路径的传输时延；δ(τ-τi) 为狄拉克冲激函数，用于在时间轴上标记信号到达的具体时刻；H(f)为该信道对应的频域频率响应。
多径效应是指信号通过不同路径到达接收端，导致信号失真的现象，如图 1 所示。其是 CSI 信息的核心物理基础。基于这一原理，研究者们探索了不同频段的无线信号。
图
1
多径效应
Fig.
1
Multipath effect
1）基于电磁波的液体识别
研究人员利用射频识别（Radio Frequency Identification，RFID）[8-9]、Wi-Fi、超级宽带（Ultra Wide Band，UWB）[10-11]等射频信号，通过分析信号在穿过或反射液体容器时的变化，成功实现了对不同种类饮料、酒精浓度的识别。然而，电磁波在导电液体（如盐水）中衰减极大，其穿透深度非常有限，严重制约了其在真实海洋、水产养殖等盐度检测场景中的应用[10]。
2）基于声学信号的液体识别
与电磁波不同，声波在水体中具有优良的传播特性，是水下通信和探测的主要载体[12]。现有研究（如 HearLiquid，Akte-Liquid 等）[13-14]已证明，利用智能手机的扬声器和麦克风，通过分析声音信号的幅值衰减，可有效区分不同类型的液体。声波与液体相互作用的物理基础是声阻抗 Z，其由液体密度 ρ和声速 c 决定。
（3）
由于液体盐度直接影响其密度 ρ和声速 c，因此声阻抗乃至整个声学信道的 CSI都与盐度密切相关。然而，现有声学感知工作大多仅利用 CSI的幅值信息，忽略了蕴含更丰富传播路径信息的相位信息。由于相位信息对环境噪声和设备硬件差异更为敏感，其稳定提取和利用一直是该领域的一大技术挑战。
综上所述，为航天遥感提供密集地面真值是迫切需求，传统检测技术难以胜任；新兴的无线感知技术中，声学路径是正确的物理选择，但现有方法未能充分挖掘 CSI的全部信息。本研究正是为解决这一系列问题，通过一种创新的声学 CSI处理框架，稳定地提取并利用幅值与相位的联合信息，实现基于普通智能手机的有效盐度检测，从而为构建服务于航天遥感的众包地面真值网络提供核心使能技术。
2 基于声学CSI的盐度检测原理与实现
为构建服务于航天遥感的“毛细血管级”地面真值网络，核心前提是拥有一种能够在普通智能手机上运行的、低成本且可靠的盐度检测技术。本章将详细阐述该技术的完整实现链路，内容涵盖声波在盐溶液中的物理传播特性、鲁棒的正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）声学信号设计与 CSI 提取方法，以及最终用于盐度解算的机器学习模型。
2.1 声波在盐溶液中的传播特性
声波在液体中的传播特性受盐度影响显著，盐度变化会改变液体的物理参数（如密度和声速），进而影响声学 CSI 的幅值和相位特征。声波在盐溶液中的传播特性主要体现在声阻抗和声速的变化上。
声阻抗是衡量声波在介质中传播难易程度的关键参数，其计算公式为式（3）。盐度增加会导致液体密度 ρ 增大，同时声速 c 也随盐度变化（例如，在固定温度下，NaCl 溶液中的声速随盐度增加而增加）[15-16]。并使声阻抗发生变化，从而影响声波能量的衰减。具体而言，声波在传播过程中会因黏性效应将部分声能转化为热能，表现为幅值衰减；同时，多径效应会导致相位波动。
为验证这一理论，本文通过实验提取了不同盐度液体（盐度范围5‰~40‰，间隔5‰）的声学CSI特征。幅值曲线反映了声波在不同频率上的衰减程度，如图2所示。由图 2可知，盐度差异导致幅值曲线呈现规律性变化：在某些频率上，盐度越高幅值越低，而在其他频率上则相反。不同频率声波对盐度变化的敏感性不同，且多径效应加剧了复杂性。
图
2
不同盐度液体的幅值曲线
Fig.
2
Amplitude curves of liquids with different salinities
相位曲线则通过解缠操作（如 Matlab 的 Unwrap函数）消除跳变后，呈线性变化趋势，如图 3 所示。盐度差异会导致相位偏移，因为声速变化改变了声波波长，从而影响多径叠加后的相位值。
图
3
不同盐度液体的相位曲线
Fig.
3
Phase curves of liquids with different salinities
进一步，通过主要成分分析（Principal Component Analysis，PCA）和 t 分布-随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）降维可视化，如图 4、图 5 所示，不同盐度液体的声学 CSI特征在二维空间中分离良好，验证了声波传播特性对盐度识别的可行性。
图
4
幅值、相位和幅值相位组合的 PCA 结果
Fig.
4
PCAresultsforamplitude，phase，andamplitudeand phase combination
图
5
幅值、相位和幅值相位组合的 t-SNE 结果
Fig.
5
t-SNEresultsforamplitude，phase，andamplitude and phase combination
综上，声波在盐溶液中的传播特性为基于声学CSI 的盐度检测提供了理论依据，其中幅值和相位信息均可作为分类特征。
2.2 OFDM 声学信号设计与 CSI 提取
为提取声学 CSI 中的幅值和相位信息，本文采用 OFDM[17-18]技术设计声音信号，并基于导频辅助的信道估计方法获取 CSI。系统由 2 台智能手机（扬声器作为发送端，麦克风作为接收端）组成，通过防水装置隔离液体，实现非接触式测量。整个CSI 提取流程如图 6 所示。在发送端，生成预定义的导频（Pilot）序列，通过逆快速傅里叶变换（Inverse Fast Fourier Transform，IFFT）将其转换至时域，形成 OFDM 符号并经由手机扬声器播放。在接收端，手机麦克风录制到失真的声学信号，经过同步、去除循环前缀（Cyclic Prefix，CP）[19-20]、快速傅里叶变换（Fast Fourier Transform，FFT）等步骤后，恢复出各子载波上的导频信号，最终通过信道估计计算出 CSI。
图
6
OFDM 系统
Fig.
6
OFDM system
1）信号结构与同步
本文设计的时域发送信号由 2 部分组成：一个用于信号检测和时间同步的前导序列（Preamble），以及紧随其后用于信道估计的多个 OFDM 导频符号（Pilot）。接收端首先通过一个基于能量的滑动窗口检测算法进行粗同步，快速定位信号能量显著增强的大致区域；随后，在该区域内通过与已知前导序列的互相关（Cross-correlation）运算，找到相关峰值点，从而实现精确到采样点的精同步。
2）CSI信道估计
同步完成后，提取出 OFDM 导频符号，并将其转换至频域。对于第 k 个子载波，其信道频率响应 即（CSI）可通过简单的最小二乘（Least Squares，LS）法[21-22]估计得到，具体表达式如下：
（4）<