[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

本發明公開了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，首先構建異常中尺度渦樣本庫；再將SSHA和SSTA數據利用密集連接網絡進行特征提取和學習，融合為包含SSH和SST信息的融合特征數據；通過改進U?Net圖像分割模型來構建識別模型；利用構建的異常中尺度渦樣本庫對識別模型進行訓練，將所述融合特征數據輸入到識別模型中進行特征提取，從而實現異常中尺度渦的識別。本發明利用多模態融合網絡HyperDense?Net實現了多源遙感數據的融合，充分挖掘多源遙感數據特征實現信息補充，為實現更加精準、有效的海洋中尺度渦異常的監測提供數據支持。

技術領域

本發明屬于海洋觀測技術領域，具體涉及一種基于深度學習的海洋異常中尺度渦識別方法。

背景技術

中尺度渦是能量級串中連接大尺度和小尺度的中間環節，是輸送、混合海洋中能量及物質的紐帶，對海洋物質能量的分布以及海洋與大氣間的能量交換具有重要作用。全球海洋中有成千上萬個中尺度渦，分為氣旋渦(北半球逆時針旋轉)和反氣旋渦(北半球順時針旋轉)。氣旋渦(反氣旋渦)通常伴隨著局地的輻散(輻聚)，導致上升流(下沉流)，使得渦旋海表溫度低(高)于周圍海水，因而，在過去氣旋渦又稱為冷渦，而反氣旋渦為暖渦。

隨著海洋觀測方法的創新、先進儀器設備的研發以及遙感和海洋儀器的發展，人們對中尺度渦的了解更加全面和精確，在全球多個海域觀測到氣旋暖渦和反氣旋冷渦的存在，即氣旋渦(反氣旋渦)內海表溫度高(低)于周圍海水，這些不符合傳統定義的渦旋被統稱為異常中尺度渦。異常中尺度渦同樣在海洋物質能量輸運、海洋環流及海氣相互作用中發揮著重要作用。然而目前缺乏對異常中尺度渦的系統性研究，人們對全球海洋異常中尺度渦的時空分布特征的了解還不夠清晰，對其生成機制尚不明確。

發明內容

本發明的目的是提供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，以彌補現有技術的不足。

隨著海洋遙感空間分辨率的不斷提高，重訪周期的不斷縮短，海洋遙感數據呈爆發性增長，傳統的數據挖掘方法難以從海量的多源遙感數據中快速精確地提取目標特征。特別是異常中尺度渦的提取涉及到多種海洋要素，如何建立異常中尺度渦和多源遙感數據之間的復雜映射關系是亟待解決的關鍵問題。深度學習通過多層網絡模型實現圖像高層本質特征的逐級抽象與表達，可以從海量多源的數據中自動地進行時空特征學習和提取，建立輸入數據與目標輸出間的復雜映射關系，相對于統計和傳統機器學習方法，深度學習具有強大的特征學習能力和復雜關系建模能力。

為達到上述目的，本發明采取的具體技術方案為：

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，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(sea surface heightanomaly,SSHA) 數據得到中尺度渦樣本庫，再計算渦旋內海表溫度異常(sea surfacetemperature anomaly, SSTA)，得到異常中尺度渦樣本庫；

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。

進一步的，所述S1具體為：

S1-1構建異常渦樣本庫：