【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及基于多尺度傅里叶融合神经算子的海温补全方法及系统。
技术介绍
1、利用深度学习进行海表面温度图像补全是利用大规模的历史海洋数据，通过神经网络模型学习并理解海表面温度数据的复杂分布，从而实现预测和填充缺失的温度数据点，能够提高数据补全的准确性和时空分辨率，为气象预测、气候研究以及海洋生态监测等关键领域提供更可靠的数据，从而增强对海洋系统的全面理解和预测能力。
2、目前，基于深度学习的前沿海表面温度图像补全方法是基于异常修复网络的无云海表面温度温图像的补全方法，采用“由粗到细”的两阶段图像补全方法，以克服传统深度学习海洋图像补全方法中直接图像补全所带来的不稳定性和不准确性问题。第一阶段采用海表面温度月均值来估计周均值，而第二阶段则依赖于待补全的海表面温度日数据中未缺失的部分以及周均值之间的差异，用以估计缺失部分的差异，然后将该差异叠加到周平均值上，以获得完整的日海表面温度场数据。该方法的优势在于首先使用月均值来估计周均值，从而获得相对稳定的中长时序均值，提供了全局性的限制条件。其次，通过比较日数据...
【技术保护点】
1.基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，所述均值多尺度解耦的频率信号学习模块和波动多尺度解耦的频率信号学习模块结构相同，均包括三个不同尺度的空洞卷积层、傅里叶变换、线性过滤层；
3.根据权利要求1所述的基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，步骤S3中，傅里叶变换FT、线性过滤层、频率信号叠加操作、双通道过滤层、逆傅里叶变换FT-1共同构成了所述的多尺度傅里叶融合神经算子。
4.根据权利要求1所述的基于...
【技术特征摘要】
1.基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，所述均值多尺度解耦的频率信号学习模块和波动多尺度解耦的频率信号学习模块结构相同，均包括三个不同尺度的空洞卷积层、傅里叶变换、线性过滤层；
3.根据权利要求1所述的基于多尺度傅里叶融合神经算子的海温补全方法，其特征在于，步骤s3中，傅里叶变换ft、线性过滤层、频率信号叠加操作、双通道过滤层、逆傅里叶变换ft-1共同构成了所述的多尺度傅里叶融合神经算子。...
【专利技术属性】
技术研发人员：聂婕，陈鑫，左子杰，温琦，梁馨月，刁雅宁，陈树果，
申请(专利权)人：中国海洋大学，
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。