[发明专利]基于深度学习的海洋中尺度涡分类识别方法

说明书

本发明公开了一种基于深度学习的海洋中尺度涡旋分类识别方法。本方法涉及了物理海洋，计算机图形图像处理，机器学习领域。该算法主要包括模型构建、后向处理、模型算法调整。首先，模型构建，采用多种训练策略，基于卷积神经网络算法，对中尺度涡旋分类模型进行训练，建立涡旋分类模型，实现中尺度涡旋高效分类。第二，后向处理，根据模型输出的概率密度图，定位高概率涡旋像素，对重复涡旋图像进行合并剔除，对错误分类的数据进行回收。最后，模型算法调整，将错误分类数据加入训练数据集对模型进行再训练，建立识别模型，最终确定涡旋所在海区位置。实践证明，该方法提高了涡旋自动分类识别效率，扩展了深度学习在海洋领域的应用。

技术领域

本发明涉及物理海洋、计算机图形图像处理、机器学习领域，特别涉及一种基于深度学习的海洋中尺度涡分类识别方法，该方法是一种结合训练策略、模型建立和后向处理再训练的高效中尺度涡旋分类识别方法。

背景技术

中尺度涡作为海洋中普遍存在的自然现象，以其能够包裹携带大量水体迁移，引起垂向上的海水混合，对海洋动能、海水内部生物地球化学过程、海气交互作用都有着重要的影响。中尺度涡的时间尺度为几天到几年，空间尺度为几十千米到几百千米，北半球逆时针旋转形成气旋涡，南半球顺时针旋转形成反气旋涡。中尺度涡旋的分类识别是研究中尺度涡现象的基础，典型的物理算法识别长时间序列涡旋效率较低，依据图形图像分类识别原理，采用机器学习方法对中尺度涡进行高效识别，对研究中尺度涡、扩展机器学习方法在海洋领域的应用有着重要的意义。

目前中尺度涡旋的识别包括以下几种比较有代表性的方法：

(1)Okubo-Weiss(OW)参数法，该方法长期被海洋学家们应用，可以从海洋背景场中提取特征，该方法已被证明有较多缺点。第一，需要制定W值的阈值，然而对于全球来说并没有一个统一的阈值。第二，W参数的估计也会受到SSH的噪声影响。第三，W等值线定义的涡旋内部与SSH等值线不重合。

(2)基于SLA的闭合等值线方法，该方法优点在于不受OW的影响，且识别的准确性较高；效率略低。

(3)WindingAngle(WA)缠绕角度方法，该方法已被证明比SSH的方法具有更高的准确性，但是计算复杂度太高。

综合以上几种典型方法的优缺点，目前采AVISO的SLA数据进行基于SLA闭合等值线算法的中尺度涡旋识别是典型算法中兼顾效果和效率的最佳选择，可以作为真实数据用于对比研究。