2024年7月至8月，团队在南海海马冷泉（水深约1386米）布放六通道水听器阵列进行观测。实验分为两个阶段：第一阶段：阵列距离最近气泡羽流＞200米，检测到的气泡事件较少，气泡释放率与环境压力相关系数较弱（ρ=-0.14，p<0.05）。第二阶段：阵列移至距离羽流约10米处，检测到的气泡释放率与环境压力呈现显著负相关（ρ=-0.45，p<0.001）。 图4 海马冷泉气体羽流被动声学监测场景。(a) 部署在着陆器观测平台上的水听器阵列。(b) 载人潜水器（HOV）摄像机拍摄的气泡羽流。白色虚线框标出了气泡羽流区域。(c) 第二阶段数据采集场景示意图。 该负相关关系与已有研究一致：环境静水压力升高（如涨潮）会抑制气体逸出，气泡释放率下降；压力降低时释放率上升。作为对比，若直接在原始录音上进行检测（无分离步骤），即使降低检测阈值，也未能得到统计显著的相关性结果。 总结 本研究将深度学习信号分离技术应用于水下气泡声监测，提出"先分离、后检测"的处理流程，在低信噪比环境下表现出优于传统方法的检测稳定性
。研究同时指出当前方法的局限，如基于球形气泡假设、噪声为加性混合等，未来可进一步探索气泡形变建模、自适应检测阈值、端到端联合优化等方向。 论文信息：Liu, S., Liu, B., Du, M., Yang, C., & Xu, W. (2026). Deep learning-based bubble separation for passive acoustic monitoring of underwater gas plumes. The Journal of the Acoustical Society of America, 149(1), 816–832. https://doi.org/10.1121/10.0042232
