一种基于宽度学习的涡旋识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于宽度学习的涡旋识别方法及装置，方法包括：获取目标区域的海表流场数据，并根据所述海表流场数据确定所述目标区域的海

【技术实现步骤摘要】
一种基于宽度学习的涡旋识别方法及装置


[0001]本专利技术涉及数据处理
，尤其是一种基于宽度学习的涡旋识别方法及装置。

技术介绍

[0002]涡旋在全球海洋物质、能量等的输运和分配中起着不可忽视的作用。因此，对涡旋的识别与预测是当前海洋科学研究的前沿热点，然而，由于次中尺度涡旋产生的地点和时间上具有不确定性，且其尺度相对较小以及海洋大范围现场观测费用昂贵等因素，现场观测到的次中尺度涡旋非常稀少。因此，对次中尺度涡旋的识别与预测方法的探索与创新，对海洋科学研究的发展具有重大的意义。
[0003]在现有的涡旋识别与预测方法中，根据数据的不同类别可以分为欧拉方法和拉格朗日方法，对应的数据类型分别为欧拉数据和拉格朗日数据。欧拉数据是指一个时刻的快照数据或者空间场的数据，拉格朗日数据是指水团或者物质颗粒的轨迹数据。包含在欧拉方法中的有：OW参数法、WA算法、VG算法、基于海表温度资料的探测方法，此外还有针对三维涡旋的SAR图像探测方法以及水色卫星探测方法；包含在拉格朗日方法中的则有基于海表漂流浮标探测方法。
[0004]尽管现在已经有多种方法被用于探测海洋涡旋，但没有任何一种方法既适用于各种尺度的涡旋，又能精确判断出每个涡旋的位置与结构尺度等物理量，这些方法都有其各自的优缺点。
[0005]OW算法虽然应用很广，但它自身仍然存在3个缺陷。首先是物理参数W最优阈值的选取很难确定；第二是物理参数的推导过程会带来一些噪声项，它会增加涡旋的错误检测率；第三是物理标准会导致涡旋探测失败或者低估涡旋尺寸的大小。
[0006]VG算法给出了四个约束条件，同时需要进行敏感性实验确定参数a、b。当搜索区域较小时，将会增加速度极小值点的数量，因此用于第四约束条件检测的点增多将增加错误识别涡旋中心的概率。同时，若涡旋尺度较小又比较靠近岛屿或陆地，速度极小值点将会与陆地十分接近，导致很难分辨出来，因此接近海岸线或岛屿之间的小涡旋容易被漏测。再者，拉长或即将完全脱落的流套也可能会被误测为涡旋。
[0007]利用海表温度资料探测涡旋时，只是用热成风速矢量代替了流速矢量，检测方法仍然是用四个约束条件对涡旋中心进行筛选，因此这种探测方法的优缺点与VG算法相近。
[0008]基于海标漂流浮标的轨迹进行涡旋探测时，在实际海洋中浮标的轨迹可能会非常复杂，要通过浮标明确地识别出所有的涡旋不是一项容易的工作。同时，如果背景流速大于涡旋的切向速度，浮标遇到涡旋后并不能形成一个回路，而是一条曲线，此时需要去掉背景流场并重构拉格朗日轨迹，这无疑会增加探测的工作量。再者，浮标仅在涡旋的内部形成回路，远离涡旋边缘，因此用浮标数据估计的涡旋大小偏小。
[0009]利用SAR图像探测海表涡旋时，只有当海表风力太强、风速太大时，海面波浪作用太强烈因此使海表面太粗糙而趋于均一，涡旋不能在SAR图像上清晰地显示。并且探测过程
需要一定的条件才能得到清晰的SAR图像，如涡旋的辐聚方向、风生表面波的方向以及雷达视向都会对图像的清晰度产生影响。
[0010]若利用水色卫星探测涡旋，由于光学传感器会受到云层的影响，在有云的地区无法获得有效的海洋水色数据，此时需要对多个传感器的数据进行融合，这就造成了探测成本的增加和测量误差的增大。此外，目前通过水色遥感识别涡旋的研究还很少，更多的是研究涡旋对海表面叶绿素分布的影响，因此这种探测涡旋的方法还需要更进一步的探索与研究。

技术实现思路

[0011]有鉴于此，本专利技术实施例提供一种准确性高的，基于宽度学习的涡旋识别方法及装置。
[0012]本专利技术的一方面提供了一种基于宽度学习的涡旋识别方法，包括：
[0013]获取目标区域的海表流场数据，并根据所述海表流场数据确定所述目标区域的海
‑
气界面的流场特征；
[0014]对所述目标区域进行涡旋分布判断，确定所述目标区域的涡旋分布结果；
[0015]通过二次曲面方程对所述涡旋分布结果进行拟合后，确定涡旋的三维结构类型；
[0016]采用宽度学习方法对已识别出的涡旋的特征进行学习后，根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测，得到涡旋识别结果。
[0017]可选地，所述获取目标区域的海表流场数据，并根据所述海表流场数据确定所述目标区域的海
‑
气界面的流场特征，包括：
[0018]通过高频地波雷达采集所述目标区域的海表流场数据；
[0019]对所述海表流场数据进行数据分析，得到所述目标区域的流场特征。
[0020]可选地，所述对所述目标区域进行涡旋分布判断，确定所述目标区域的涡旋分布结果，包括：
[0021]根据先验知识确定海洋涡旋上界面的气压特征和风速特征，根据卫星云图和风速场图像，对所述气压特征和所述风速特征进行第一分析；
[0022]将高频地波雷达采集到的数据转化成海表流场速度矢量场，通过VG算法对所述海表流场速度矢量场进行第二分析；
[0023]获取红外遥感图像中海面温度图像的同步异常数据，对所述海面温度图像进行第三分析；
[0024]根据所述第一分析的结果、所述第二分析的结果和所述第三分析的结果，确定所述目标区域的涡旋分布结果。
[0025]可选地，所述通过二次曲面方程对所述涡旋分布结果进行拟合后，确定涡旋的三维结构类型，包括：
[0026]将高频地波雷达获取的海表流场数据转化成区域场流速矢量，并对所述区域场流速矢量进行涡旋初识别；
[0027]在遥感图像中找到温度异常的区域，结合所述涡旋初识别的结果和VG算法识别涡旋位置，对该区域是否存在涡旋进行判断；
[0028]在判断存在涡旋后，以涡旋表层为起点，根据预设的间隔距离向下分层，确定垂向
各层的流速数据；
[0029]根据各层流速矢量的方向，查找各层中是否存在与表层极性相同的涡旋；
[0030]若查找到与表层极性相同的涡旋，则根据流速矢量组成的形状，探测涡旋的边界、涡旋中心流速以及涡旋半径；
[0031]分别在各层建立相应的坐标系，根据所述涡旋半径和涡旋的边界拟合得到边界曲线方程；
[0032]根据各层的边界曲线方程拟合得到三维涡旋的边界曲面方程，所述边界曲面方程用于表征三维涡旋的形态，所述三维涡旋的形态包括双曲面型涡旋和抛物面型涡旋；
[0033]对拟合得到的三维涡旋的边界曲面方程进行显著性检验，将检验结果最好的二次曲面类型作为该涡旋的三维结构类型。
[0034]可选地，所述采用宽度学习方法对已识别出的涡旋的特征进行学习后，根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测，得到涡旋识别结果，包括：
[0035]将涡旋中心流速、涡旋半径、涡旋曲面形态、红外遥感图像提取特征作为输入数据；
[0036]将所述输入数据划分为训练集和验证集；
[0037]对所述训练集进行特征映射，生成特征节点，并根据所述特征节点得到中间层训练矩阵；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习的涡旋识别方法，其特征在于，包括：获取目标区域的海表流场数据，并根据所述海表流场数据确定所述目标区域的海
‑
气界面的流场特征；对所述目标区域进行涡旋分布判断，确定所述目标区域的涡旋分布结果；通过二次曲面方程对所述涡旋分布结果进行拟合后，确定涡旋的三维结构类型；采用宽度学习方法对已识别出的涡旋的特征进行学习后，根据所述目标区域内的流场特征进行近海次中尺度涡旋的预测，得到涡旋识别结果。2.根据权利要求1所述的一种基于宽度学习的涡旋识别方法，其特征在于，所述获取目标区域的海表流场数据，并根据所述海表流场数据确定所述目标区域的海
‑
气界面的流场特征，包括：通过高频地波雷达采集所述目标区域的海表流场数据；对所述海表流场数据进行数据分析，得到所述目标区域的流场特征。3.根据权利要求1所述的一种基于宽度学习的涡旋识别方法，其特征在于，所述对所述目标区域进行涡旋分布判断，确定所述目标区域的涡旋分布结果，包括：根据先验知识确定海洋涡旋上界面的气压特征和风速特征，根据卫星云图和风速场图像，对所述气压特征和所述风速特征进行第一分析；将高频地波雷达采集到的数据转化成海表流场速度矢量场，通过VG算法对所述海表流场速度矢量场进行第二分析；获取红外遥感图像中海面温度图像的同步异常数据，对所述海面温度图像进行第三分析；根据所述第一分析的结果、所述第二分析的结果和所述第三分析的结果，确定所述目标区域的涡旋分布结果。4.根据权利要求3所述的一种基于宽度学习的涡旋识别方法，其特征在于，所述通过二次曲面方程对所述涡旋分布结果进行拟合后，确定涡旋的三维结构类型，包括：将高频地波雷达获取的海表流场数据转化成区域场流速矢量，并对所述区域场流速矢量进行涡旋初识别；在遥感图像中找到温度异常的区域，结合所述涡旋初识别的结果和VG算法识别涡旋位置，对该区域是否存在涡旋进行判断；在判断存在涡旋后，以涡旋表层为起点，根据预设的间隔距离向下分层，确定垂向各层的流速数据；根据各层流速矢量的方向，查找各层中是否存在与表层极性相同的涡旋；若查找到与表层极性相同的涡旋，则根据流速矢量组成的形状，探测涡旋的边界、涡旋中心流速以及涡旋半径；分别在各层建立相应的坐标系，根据所述涡旋半径和涡旋的边界拟合得到...

【专利技术属性】
技术研发人员：任磊，黎明思，王璞，王雅琦，魏稳，欧素英，黄硕，胡湛，
申请(专利权)人：中山大学，
类型：发明
国别省市：