一种河口涌潮传播反演方法及系统技术方案

本发明专利技术涉及智能水利与海洋信息技术交叉领域，特别涉及一种河口涌潮传播反演方法及系统，其中，本发明专利技术的方法包括如下步骤：利用图像采集装置在观测位置采集观测区域内的河面潮头线图像；整理并汇总河面潮头线图像获得河面潮头线图像数据集；搭建特征提取网络，并利用河面潮头线图像数据集训练特征提取网络；选取目标潮头线，并利用图像采集装置获得包含目标潮头线的目标潮头线图像；利用训练后的特征提取网络，提取目标潮头线图像中目标潮头线的位置特征；根据目标潮头线的位置特征，获得观测区域的涌潮传播速度场。本发明专利技术通过训练后的特征提取网络提取河面潮头线图像的位置特征，反演出了实时性高、准确性高、可靠性高的涌潮传播的形态和速度场。播的形态和速度场。播的形态和速度场。

【技术实现步骤摘要】
一种河口涌潮传播反演方法及系统


[0001]本专利技术涉及智能水利与海洋信息技术交叉领域，特别涉及一种河口涌潮传播反演方法及系统。

技术介绍

[0002]河口涌潮是指海洋潮汐进入部分特殊河口所形成的涨潮流。由于河口涌潮的复杂性和不可预见性，对其实时定量观测一直是一个难题，特别是对于大型河口来说更为困难和危险。传统的数学模型已经被用于预测涌潮的发展，然而，这些模型往往无法有效验证大规模涌潮传播模式。因此，开发一种实时准确的河口涌潮传播反演方法是非常必要的。
[0003]目前，传统的涌潮传播模拟方法主要依赖于潮汐站和船舶采集数据，并利用这些数据进行推算和模型计算。然而，这种方法需要大量的人力和物力投入，而且受限于采集设备和环境，实时性和准确性存在较大的问题。因此，科学家开始寻求新的技术手段来实现涌潮传播的实时监测和定量观测。海洋雷达技术作为一种新型的遥感技术，可以提供高时空分辨率的海面运动场信息，从而为涌潮传播的研究提供了新的途径。然而，目前的海洋雷达技术仍然面临许多挑战，例如如何有效地反演涌潮传播的速度场和形态，如何快速提取雷达影像快速图像中潮波信息。

技术实现思路

[0004]为了解决传统观测手段的局限性并满足实际应用需求，第一方面，本专利技术提供了一种种河口涌潮传播反演方法，旨在为涌潮传播的研究提供了新的模拟手段。所述河口涌潮传播反演方法，包括如下步骤：选取观测位置与观测区域；在所述观测位置设置图像采集装置；利用所述图像采集装置采集所述观测区域内的河面潮头线图像；整理并汇总所述河面潮头线图像，获得河面潮头线图像数据集；搭建特征提取网络，并利用所述河面潮头线图像数据集训练所述特征提取网络；选取目标潮头线，并利用所述图像采集装置获得包含所述目标潮头线的目标潮头线图像；利用训练后的特征提取网络，提取所述目标潮头线图像中目标潮头线的位置特征；根据时序相邻的目标潮头线图像的位置特征和时序间隔，获得目标潮头线的速度向量；汇总所述观测区域内的目标潮头线的速度向量，获得所述观测区域的涌潮传播速度场。本专利技术通过观测位置与观测区域的选取、河面潮头线图像的采集、特征提取网络的训练以及涌潮传播速度场的计算，反演出了实时性高、准确性高、可靠性高的涌潮传播的形态和速度场。其中，图像采集装置可基于海洋雷达技术进行进一步的选择，即本专利技术将海洋雷达技术应用到河口涌潮传播反演方法中，通过海洋雷达技术捕获的雷达反射图像作为本专利技术的河面潮头线图像，结合所述特征提取网络实现了雷达反射图像中潮波信息的快速提取，并利用雷达反射图像所包含的完整且丰富的潮波信息反演了更加准确且有效的涌潮传播的形态和速度场。
[0005]可选地，所述获得目标潮头线的速度向量，还包括如下步骤：搭建潮头线预测网络，并利用所述河面潮头线图像数据集训练所述潮头线预测网络；针对任一目标潮头线图
像中目标潮头线的位置特征，利用训练后的潮头线预测网络预测在一个时间步长后目标潮头线的预测位置特征，其中，所述时间步长小于所述时间间隔；在时序相邻的目标潮头线图像的位置特征中插入所述预测位置特征；根据时序相邻的目标潮头线图像的位置特征、预测位置特征、时间间隔和时序步长，获得目标潮头线的速度向量。本专利技术通过加入了潮头线预测网络来预测目标潮头线的位置特征，进而获得目标潮头线的速度向量。这不仅解决了在观测区域内获取目标潮头线位置特征的不足的问题，还极大程度地提升了反演的涌潮传播速度场的精度，同时增加了对未来涌潮传播情况的预测能力，提高了模拟结果的准确性和可靠性。
[0006]可选地，所述图像采集装置包括X波段雷达遥测装置。
[0007]可选地，所述整理并汇总所述河面潮头线图像，获得河面潮头线图像数据集，包括如下步骤：清洗所述河面潮头线图像，并将清洗后的河面潮头线图像进行格式统一；标注清洗并格式统一后的河面潮头线图像的特征信息，获得河面潮头线图像数据集；存储所述河面潮头线图像数据集。
[0008]可选地，所述搭建特征提取网络，并利用所述河面潮头线图像数据集训练所述特征提取网络，包括如下步骤：基于卷积神经网络搭建特征提取网络；设定划分比例，根据所述划分比例将所述河面潮头线图像数据集分别划分为河面潮头线图像训练集、河面潮头线图像验证集和河面潮头线图像测试集；利用所述河面潮头线图像训练集训练所述特征提取网络，利用所述河面潮头线图像验证集调节训练后特征提取网络的超参数，利用所述河面潮头线图像测试集评估超参数调节后的特征提取网络。
[0009]可选地，所述特征提取网络包括：4个卷积层、4个池化层和2个全连接层，所述卷积层的输出所述池化层，所述全连接层为第一全连接层和第二全连接层；所述卷积层包括3
×
3的卷积核和ReLU激活函数；所述池化层的步幅为2
×
2；所述第一全连接层分别包含128个神经元以及ReLU激活函数；所述第二全连接层分别包含64个神经元以及ReLU激活函数；所述特征提取网络的损失函数为交叉熵损失函数。
[0010]可选地，所述根据时序相邻的目标潮头线图像的位置特征和时序间隔，获得目标潮头线的速度向量，包括如下步骤：获取时序靠前的目标潮头线图像的位置特征其中，n表示位置特征总数量，表示时序靠前的T0时刻的目标潮头线图像中第i个位置特征获取时序靠后的目标潮头线图像的位置特征其中，n表示位置特征总数量，表示时序靠后的T1时刻的目标潮头线图像中第i个位置特征分别提取时序靠前和时序靠后的对应的位置特征，获得两个位置特征之间的单向速度向量V
i
，所述单向速度向量V
i
满足如下公式：其中，表示时序靠后的T0时刻第i个位置特征的横坐标，表示时序靠前的T1时刻第i个位置特征的横坐标；表示时序靠后的T0时刻第i个位置特征的纵坐标，表示时序靠前的T1时刻第i个位置特征的纵坐标；汇总所述时序相邻的目标潮头线图像中任一位置特征对应的单向速度向量V
i
，获得目标潮头线的速度向量V，所述速度向量V满足如下公式：V＝{V1，V2，...，V
i
，...，V
n
}。
[0011]可选地，所述根据时序相邻的目标潮头线图像的位置特征、预测位置特征、时间间隔和时序步长，获得目标潮头线的速度向量，包括如下步骤：获取时序靠前的目标潮头线图像的位置特征其中，n表示位置特征总数量，表示时序靠前的T0时刻的目标潮头线图像中第i个位置特征获取时序靠前的目标潮头线图像的预测位置特征其中，n表示位置特征总数量，表示预测时刻t0的预测目标潮头线的第i个预测位置特征分别提取时序靠前和预测时刻对应的位置特征，获得时序靠前的位置特征与预测时刻的位置特征之间的单向速度向量V
i
，所述单向速度向量V
i
满足如下公式：T1‑
T0＝ΔT，t0‑
T0＝Δt，T1‑
t0≤Δt，其中，T1表示时序靠后的时刻，ΔT表示时间间隔，Δt表示时间步长，表示预测时刻t0的第i个位置特征的横坐标，表示时序靠前的T0时刻第i个位置特征的横坐标，表示预测时刻t0的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种河口涌潮传播反演方法，其特征在于，所述河口涌潮传播反演方法，包括如下步骤：选取观测位置与观测区域；在所述观测位置设置图像采集装置；利用所述图像采集装置采集所述观测区域内的河面潮头线图像；整理并汇总所述河面潮头线图像，获得河面潮头线图像数据集；搭建特征提取网络，并利用所述河面潮头线图像数据集训练所述特征提取网络；选取目标潮头线，并利用所述图像采集装置获得包含所述目标潮头线的目标潮头线图像；利用训练后的特征提取网络，提取所述目标潮头线图像中目标潮头线的位置特征；根据时序相邻的目标潮头线图像的位置特征和时序间隔，获得目标潮头线的速度向量；汇总所述观测区域内的目标潮头线的速度向量，获得所述观测区域的涌潮传播速度场。2.根据权利要求1所述的河口涌潮传播反演方法，其特征在于，所述获得目标潮头线的速度向量，还包括如下步骤：搭建潮头线预测网络，并利用所述河面潮头线图像数据集训练所述潮头线预测网络；针对任一目标潮头线图像中目标潮头线的位置特征，利用训练后的潮头线预测网络预测在一个时间步长后目标潮头线的预测位置特征，其中，所述时间步长小于所述时间间隔；在时序相邻的目标潮头线图像的位置特征中插入所述预测位置特征；根据时序相邻的目标潮头线图像的位置特征、预测位置特征、时间间隔和时序步长，获得目标潮头线的速度向量。3.根据权利要求1所述的河口涌潮传播反演方法，其特征在于，所述图像采集装置包括X波段雷达遥测装置。4.根据权利要求1所述的河口涌潮传播反演方法，其特征在于，所述整理并汇总所述河面潮头线图像，获得河面潮头线图像数据集，包括如下步骤：清洗所述河面潮头线图像，并将清洗后的河面潮头线图像进行格式统一；标注清洗并格式统一后的河面潮头线图像的特征信息，获得河面潮头线图像数据集；存储所述河面潮头线图像数据集。5.根据权利要求1所述的河口涌潮传播反演方法，其特征在于，所述搭建特征提取网络，并利用所述河面潮头线图像数据集训练所述特征提取网络，包括如下步骤：基于卷积神经网络搭建特征提取网络；设定划分比例，根据所述划分比例将所述河面潮头线图像数据集分别划分为河面潮头线图像训练集、河面潮头线图像验证集和河面潮头线图像测试集；利用所述河面潮头线图像训练集训练所述特征提取网络，利用所述河面潮头线图像验证集调节训练后特征提取网络的超参数，利用所述河面潮头线图像测试集评估超参数调节后的特征提取网络。6.根据权利要求5所述的河口涌潮传播反演方法，其特征在于，所述特征提取网络包括：
4个卷积层、4个池化层和2个全连接层，所述卷积层的输出所述池化层，所述全连接层为第一全连接层和第二全连接层；所述卷积层包括3
×
3的卷积核和ReLU激活函数；所述池化层的步幅为2
×
2；所述第一全连接层分别包含128个神经元以及ReLU激活函数；所述第二全连接层分别包含64个神经元以及ReLU激活函数；所述特征提取网络的损失函数为交叉熵损失函数。7.根据权利要求1所述的河口涌潮传播反演方法，其特征在于，所述根据时序相邻的目标潮头线图像的位置特征和时序间隔，获得目标潮头线的速度向量，包括如下步骤：获取时序靠前的目标潮头线图像的位置特征其中，n表示位置特征总数量，表示时序靠前的T0时刻的目标潮头线图像中第i个位置特征获取时序靠后的目标潮头线图像的位置特征其中，n表示位置特征总数量，表示时序靠后...

【专利技术属性】
技术研发人员：潘冬子，郑君，曾剑，潘存鸿，陈刚，俞婷婷，
申请(专利权)人：浙江省水利河口研究院浙江省海洋规划设计研究院，
类型：发明
国别省市：