【技术实现步骤摘要】
本专利技术涉及海洋动力过程识别领域，尤其涉及一种基于深度学习的海洋亚中尺度过程识别方法。
技术介绍
1、海洋中存在多种尺度的动力过程，过往的海洋动力过程识别算法大多针对中尺度涡旋和锋面。海洋卫星遥感技术和计算机技术的飞速发展，为海洋科学研究提供了大量高分辨率观测资料和数值产品，为学者们研究尺度更小的亚中尺度过程提供了契机，而相关研究的开展亟需一种能够有效识别亚中尺度过程的方法作为支撑。然而，由于亚中尺度过程（包括亚中尺度涡旋和亚中尺度锋面）的动力和形态特征与中尺度过程存在显著差异，传统算法并不适用于识别亚中尺度动力过程，而深度学习方法的实现路径也需要针对性重塑优化才能适用于识别亚中尺度动力过程。
技术实现思路
1、鉴于此，本专利技术的目的在于提供一种基于深度学习的海洋亚中尺度过程识别方法，通过建立sm-net网络模型对预测集进行分类，并最终得到海洋亚中尺度冷涡、暖涡和锋面的时空分布，解决现有技术中不能识别尺度比中尺度涡旋和锋面更小的亚中尺度动力过程的问题。
2、为实现上述专利技术目的，本专利技术提供一种基于深度学习的海洋亚中尺度过程识别方法，所述方法包括以下步骤：
3、s1、采集海洋涡旋及锋面的数据，并将采集到的数据分为小样本集和预测集，其中所述小样本集的数据量小于预测集的数据量；
4、s2、将小样本集进行预处理；
5、s3、基于u-net架构和vgg网络模型，建立sm-net网络模型，所述sm-net网络模型通过完成预处理的小样本集
6、s4、通过完成训练的sm-net网络模型对预测集进行分类，得到分类结果；
7、s5、基于深度优先搜索算法，对分类结果进行特征提取识别，得到海洋亚中尺度冷涡、暖涡和锋面的时空分布。
8、优选的，步骤s1中采集到的涡旋和锋面数据为高分辨率速度场数据，包括u和v，其中，u代表海洋中流速的纬向速度，v代表海洋中流速的经向速度。
9、需要说明的是，步骤s2的具体步骤包括：
10、s21、将小样本集的数据进行滤波，得到滤波后的u和v；
11、s22、使用滤波后的u和v计算罗斯贝数，得到罗斯贝数场；
12、s23、将得到的罗斯贝数场进行阈值处理，并生成图像。
13、进一步需要说明的是，步骤s22中计算罗斯贝数的具体算式为：
14、
15、
16、
17、其中，为网格点（i，j）处的纬度方向的流速分量，为网格点（i，j）处的经度方向的流速分量，为网格点（i，j）处的局地涡度，、分别为两个网格间经度和纬度方向上的间距，为罗斯贝数，为行星涡度，为地球自转角速度，为给定点的维度，且以弧度表示。
18、步骤s23包括以下具体步骤：
19、s231、设置时间间隔，并对罗斯贝数场进行切片；设置罗斯贝数提取阈值，大于罗斯贝数提取阈值的网格点保留罗斯贝数，小于罗斯贝数提取阈值的网格点设置为0；
20、s232、通过颜色映射函数将罗斯贝数映射到颜色空间，并输出为rgb图像。
21、需要说明的是，步骤s3中进行模型训练时，还包括引入dice系数损失函数进行损失度量，所述dice系数损失函数的具体算式为：
22、
23、其中，表示模型预测的区域，g表示实际存在亚中尺度过程的区域，和分别表示模型预测的区域的数量和实际存在亚中尺度过程的区域的数量，表示预测区域和实际区域中正确识别像素点数量，若的值为1，则说明预测结果完美，若的值为0，则说明预测结果错误。
24、需要说明的是，步骤s4中通过完成训练的sm-net网络模型对预测集进行分类之前，还包括对预测集的数据进行滤波处理。
25、进一步需要说明的是，步骤s4中通过完成训练的sm-net网络模型对预测集进行分类的具体步骤为：
26、s41、输入rgb图像，rgb图像表示为，其中h和w分别为图像的高度和宽度，3代表通道数为3；
27、s42、使用vgg网络模型，对输入的图像i进行下采样，即特征提取过程，并引入cbam注意力机制，具体为：
28、第一阶段：使用两个连续的卷积层对输入图像i卷积，得到特征图，其中，第一阶段中的两个卷积层的输出通道数均为64，每个卷积层后面都紧跟一个relu激活函数，表示为：
29、
30、引入通道注意力ca，利用最大池化操作和平均池化操作将特征图的空间维度压缩到，而后通过多层感知器与sigmoid函数对压缩后的特征图进行处理，得到通道注意力权重：
31、
32、将逐乘以原始特征图，得到经过通道注意力调整后的特征图：
33、
34、引入空间注意力sa，对经过通道注意力调整后的特征图，通过对每个通道的最大值和平均值沿通道方向堆叠，得到一个2通道的特征图，并通过一个的卷积层和sigmoid函数对该2通道的特征图进行处理，得到空间注意力权重：
35、
36、将乘以经过通道注意力调整后的特征图，得到经过空间注意力调整后的特征图；
37、第二阶段：对进行最大池化操作，并使用两个连续的卷积层对完成最大池化操作的卷积，得到特征图，其中，第二阶段中的两个卷积层的输出通道数均为128，每个卷积层后面都紧跟一个relu激活函数：
38、
39、引入通道注意力ca，利用最大池化操作和平均池化操作将特征图的空间维度压缩到，而后通过多层感知器与sigmoid函数对压缩后的特征图进行处理，得到通道注意力权重：
40、
41、将逐乘以原始特征图，得到经过通道注意力调整后的特征图：
42、
43、引入空间注意力sa，对经过通道注意力调整后的特征图，通过对每个通道的最大值和平均值沿通道方向堆叠，得到一个2通道的特征图，并通过一个的卷积层和sigmoid函数对该2通道的特征图进行处理，得到空间注意力权重：
44、
45、将乘以经过通道注意力调整后的特征图，得到经过空间注意力调整后的特征图；
46、第三阶段：对进行最大池化操作，并使用三个连续的卷积层对完成最大池化操作的卷积，得到特征图，其中，第三阶段中的三个卷积层的输出通道数均为256，每个卷积层后面都紧跟一个relu激活函数：
47、
48、引入通道注意力ca，利用最大池化操作和平均池化操作将特征图的空间维度压缩到，而后通过多层感知器与sigmoid函数对压缩后的特征图进行处理，得到通道注意力权重：
49、
50、将逐乘以原始特征图，得到经过通道注意力调整后的特征图：
51、
52、引入空间注意力sa，对经过通道注意力调整后的特征图，通过对每个通道的最大值和平均值沿通道方向堆叠，得到一个2通道的特征图，并通过一个的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S1中采集到的涡旋和锋面数据为高分辨率速度场数据，包括U和V，其中，U代表海洋中流速的纬向速度，V代表海洋中流速的经向速度。
3.根据权利要求2中所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S2的具体步骤包括：
4.根据权利要求3所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S22中计算罗斯贝数的具体算式为：
5.根据权利要求4所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S23包括以下具体步骤：
6.根据权利要求5所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S3中进行模型训练时，还包括引入Dice系数损失函数进行损失度量，所述Dice系数损失函数的具体算式为：
7.根据权利要求6所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S4中通过完成训
8.根据权利要求7所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S4中通过完成训练的SM-Net网络模型对预测集进行分类的具体步骤为：
9.根据权利要求8所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤S5的具体步骤包括：
...【技术特征摘要】
1.一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤s1中采集到的涡旋和锋面数据为高分辨率速度场数据，包括u和v，其中，u代表海洋中流速的纬向速度，v代表海洋中流速的经向速度。
3.根据权利要求2中所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤s2的具体步骤包括：
4.根据权利要求3所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤s22中计算罗斯贝数的具体算式为：
5.根据权利要求4所述的一种基于深度学习的海洋亚中尺度过程识别方法，其特征在于，步骤s23包括以下具体步骤：<...
【专利技术属性】
技术研发人员：金宇涛，
申请(专利权)人：中国海洋大学三亚海洋研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。