[发明专利]基于深度学习的海洋中尺度涡分类识别方法

权利要求书

1.一种基于深度学习的海洋中尺度涡分类识别方法，其特征在于：包括如下步骤：

1、建立分类模型的训练数据：

①采用经典的基于SLA闭合等值线的中尺度涡识别算法，对全球中尺度涡进行识别，建立多年中尺度涡识别数据集作为真实数据集；

②根据每天识别的中尺度涡所在位置，在全球SLA数据中，按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取；

③将抽取的图像按照时间序列进行分割，形成训练数据集、测试数据集和验证数据集，且每一组数据中气旋、反气旋和非气旋所占比例为1:1:1，对气旋、反气旋和非气旋分别进行1、2、3标记，至此建立一套训练数据，命名为SLA分类训练数据；

④将全球SLA数据进行高斯滤波用以去除大尺度海洋特征，然后同样根据涡旋所在位置，按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取，重复上述步骤③建立一套训练数据，命名为SLA-filtered分类训练数据；

2、建立中尺度涡分类模型：

①深度学习网络搭建，采用CAFFE深度学习框架作为中尺度涡分类和识别模型的训练环境，根据框架要求正确组织各数据集的格式，并做好配置文件；

②针对SLA训练数据和SLA-filtered训练数据采用LeNet模型进行模型训练，建立中尺度涡分类模型，命名为CNN-Classification，用于气旋涡、反气旋涡和非涡旋图像的分类；

3、将经过高斯滤波的全球SLA数据进行滑动抽取图像，抽取的图像按照时间序列进行分割，然后对比真实涡旋所在位置，对抽取的图像按照气旋、反气旋、非涡旋进行1、2、3标记，同时对抽取的每幅图像所在SLA数据中的位置进行记录，最终形成识别训练数据集、识别测试数据集和识别验证数据集，至此建立一套识别训练数据，命名为SLA识别训练数据；

4、建立中尺度涡识别模型：

①将步骤3中建立的SLA识别训练数据中的识别训练数据集作为CNN-Classification模型的输入，对数据进行分类；

②运用分类模型针对图像中每个像素为气旋、反气旋和非气旋像素的可能性而给出的概率，分别形成针对气旋涡、反气旋涡和非涡旋的全海域的概率密度图；

③采用高通滤波对三种概率密度图进行滤波处理，将概率为90％以上的像素标记形成标识掩膜，并与真实数据进行比对，对分类错误的数据进行收集，并根据真实数据进行正确标记；

④将SLA识别训练数据的识别训练数据集中正确分类的图像样例和上述③中所收集的错误样例数据，进行整合对CNN-Classification模型中的参数进行调整再训练，得到中尺度涡识别模型，命名为CNN-Detection模型；

⑤运用CNN-Detection模型重复上述②和③即可得到识别涡旋所在位置和精度。

2.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法，其特征在于：所述步骤1中，真实数据集是基于AVISO提供的全球按天1/4°分辨率的SLA数据，其按照统一的9×9像素大小进行数据抽取，SLA数据中一个值代表实地25km×25km范围，选择该大小进行抽取可以覆盖典型中尺度涡特征；将图像按照时间序列的70％，20％，10％进行分割形成训练数据集、测试数据集和验证数据集。

3.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法，其特征在于：所述步骤2中采用CAFFE框架、SLA训练数据和SLA-filtered训练数据，针对LeNet模型采用从底层重新训练的策略进行调整训练，设置模型期望输出的种类为3，训练形成中尺度涡高效分类模型。

4.根据权利要求1所述的基于深度学习的海洋中尺度涡分类识别方法，其特征在于：所述步骤3将经过高斯滤波的全球SLA数据，按照统一的9×9像素大小从左到右，自上而下按照1个像素为单位进行滑动抽取图像，抽取的图像按照时间序列的70％，20％，10％进行分割。