[發明專利]基于深度學習和多源遙感數據的海洋異常中尺度渦識別方法

有效

• 申請號: 202010978174.0
• 申請日: 2020-09-17
• 公開（公告）號: CN112102325B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 劉穎潔;李曉峰;高樂;任沂斌;張旭東
• 申請（專利權）人: 中國科學院海洋研究所
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/60;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島海昊知識產權事務所有限公司 37201
• 代理人: 劉艷青

1.一種基于深度學習和多源遙感數據的海洋異常中尺度渦識別方法，其特征在于，該方法包括以下步驟：

S1：構建異常中尺度渦樣本庫：先基于海平面高度異常數據得到中尺度渦樣本庫，再計算渦旋內海表溫度異常，得到異常中尺度渦樣本庫，具體為；

S1-1構建異常渦樣本庫：

①提取中尺度渦：基于SSHA數據提取中尺度渦；首先對全球SSHA進行高通濾波，去除大尺度信號，然后進行SSHA等高線的搜索及篩選，若等高線內極值點為正則為反氣旋渦，反之則為氣旋渦；

②計算渦旋內SSTA：對遙感SST數據進行時空濾波以得到SSTA數據，首先對SST數據進行時間濾波，去除季節變化的影響，然后采用高斯濾波器，再對時間濾波后的SST數據進行高通濾波，去除數據中的大尺度信號，經過時間和空間濾波后就得到了只包含中尺度信號的SSTA數據，最后將SSTA數據和①中提取的中尺度渦進行疊加分析，計算得到渦旋內SSTA的平均值；

③構建異常中尺度渦樣本庫：基于②得到的渦旋內SSTA_m的正負來判斷渦旋是否異常；對于反氣旋渦，若SSTA_m≤0則為反氣旋冷渦；對于氣旋渦，若SSTA_m≥0則為氣旋暖渦，構建得到異常中尺度渦的樣本庫；

S2：將SSHA數據和SSTA數據利用密集連接網絡進行特征提取和學習，最后融合為包含SSHA和SSTA信息的融合特征數據；

S3：通過改進U-Net圖像分割模型來構建識別模型，所述改進U-Net圖像分割模型是在U-Net中融入ResNet block；

S4：利用S1構建的異常中尺度渦樣本庫對S3中的識別模型進行訓練，將S2中所述融合特征數據輸入到S3中的識別模型中進行特征提取，從而實現異常中尺度渦的識別。

2.如權利要求1所述的海洋異常中尺度渦識別方法，其特征在于，所述S2中基于HyperDense-Net模型將SSHA和SSTA數據用密集連接的方式進行級聯。

3.如權利要求2所述的海洋異常中尺度渦識別方法，其特征在于，所述HyperDense-Net是基于密集連接網絡開發的用于解決多模態融合的網絡模型，其前向傳播可由公式(1)表示：

式(1)中x為單一網絡層，其上標s表示網絡層在第幾個模態，下標l則表示第幾層網絡；函數為批歸一化函數、激活函數ReLU、卷積運算的復合運算函數。

4.如權利要求1所述的海洋異常中尺度渦識別方法，其特征在于，所述S3中，在所述U-Net中加入ResNet block；所述ResNet block包含卷積層、批歸一化層、以及激活層ReLU、并通過Shortcut將其輸入和輸出相加。

5.如權利要求1所述的海洋異常中尺度渦識別方法，其特征在于，所述S4中，在識別模型的訓練過程中采用早停法進行學習，當連續迭代測試集的損失函數值都沒有下降時，則停止訓練，采用Dice loss作為損失函數來衡量分割結果性能，其表達式如下：

式(2)中X表示真實分割圖像，Y表示網絡預測分割圖像，X∩Y就表示真實分割圖像和網絡預測分割圖像交集的像素點個數，|X|+|Y|表示真實分割圖像和網絡預測分割圖像總的像素點數量；當網絡預測分割圖像越接近真實值時，其Dice loss越小。

6.如權利要求5所述的海洋異常中尺度渦識別方法，其特征在于，通過上述訓練優化識別模型，實現異常中尺度渦的快速準確提取，得到多分類圖像，每個圖像中的像素由五種數字標記：-2，-1，0，1，2，分別對應于氣旋暖渦、氣旋冷渦、背景海域、反氣旋暖渦和反氣旋冷渦。