CN112102325B - 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 - Google Patents
基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 Download PDFInfo
- Publication number
- CN112102325B CN112102325B CN202010978174.0A CN202010978174A CN112102325B CN 112102325 B CN112102325 B CN 112102325B CN 202010978174 A CN202010978174 A CN 202010978174A CN 112102325 B CN112102325 B CN 112102325B
- Authority
- CN
- China
- Prior art keywords
- vortex
- abnormal
- data
- mesoscale
- ssta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法,首先构建异常中尺度涡样本库;再将SSHA和SSTA数据利用密集连接网络进行特征提取和学习,融合为包含SSH和SST信息的融合特征数据;通过改进U‑Net图像分割模型来构建识别模型;利用构建的异常中尺度涡样本库对识别模型进行训练,将所述融合特征数据输入到识别模型中进行特征提取,从而实现异常中尺度涡的识别。本发明利用多模态融合网络HyperDense‑Net实现了多源遥感数据的融合,充分挖掘多源遥感数据特征实现信息补充,为实现更加精准、有效的海洋中尺度涡异常的监测提供数据支持。
Description
技术领域
本发明属于海洋观测技术领域,具体涉及一种基于深度学习的海洋异常中尺度涡识别方法。
背景技术
中尺度涡是能量级串中连接大尺度和小尺度的中间环节,是输送、混合海洋中能量及物质的纽带,对海洋物质能量的分布以及海洋与大气间的能量交换具有重要作用。全球海洋中有成千上万个中尺度涡,分为气旋涡(北半球逆时针旋转)和反气旋涡(北半球顺时针旋转)。气旋涡(反气旋涡)通常伴随着局地的辐散(辐聚),导致上升流(下沉流),使得涡旋海表温度低(高)于周围海水,因而,在过去气旋涡又称为冷涡,而反气旋涡为暖涡。
随着海洋观测方法的创新、先进仪器设备的研发以及遥感和海洋仪器的发展,人们对中尺度涡的了解更加全面和精确,在全球多个海域观测到气旋暖涡和反气旋冷涡的存在,即气旋涡(反气旋涡)内海表温度高(低)于周围海水,这些不符合传统定义的涡旋被统称为异常中尺度涡。异常中尺度涡同样在海洋物质能量输运、海洋环流及海气相互作用中发挥着重要作用。然而目前缺乏对异常中尺度涡的系统性研究,人们对全球海洋异常中尺度涡的时空分布特征的了解还不够清晰,对其生成机制尚不明确。
发明内容
本发明的目的是提供一种基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法,以弥补现有技术的不足。
随着海洋遥感空间分辨率的不断提高,重访周期的不断缩短,海洋遥感数据呈爆发性增长,传统的数据挖掘方法难以从海量的多源遥感数据中快速精确地提取目标特征。特别是异常中尺度涡的提取涉及到多种海洋要素,如何建立异常中尺度涡和多源遥感数据之间的复杂映射关系是亟待解决的关键问题。深度学习通过多层网络模型实现图像高层本质特征的逐级抽象与表达,可以从海量多源的数据中自动地进行时空特征学习和提取,建立输入数据与目标输出间的复杂映射关系,相对于统计和传统机器学习方法,深度学习具有强大的特征学习能力和复杂关系建模能力。
为达到上述目的,本发明采取的具体技术方案为:
一种基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法,该方法包括以下步骤:
S1:构建异常中尺度涡样本库:先基于海平面高度异常(sea surface heightanomaly,SSHA) 数据得到中尺度涡样本库,再计算涡旋内海表温度异常(sea surfacetemperature anomaly, SSTA),得到异常中尺度涡样本库;
S2:将SSHA数据和SSTA数据利用密集连接网络进行特征提取和学习,最后融合为包含SSHA和SSTA信息的融合特征数据;
S3:通过改进U-Net图像分割模型来构建识别模型,所述改进U-Net图像分割模型是在 U-Net中融入ResNet block;
S4:利用S1构建的异常中尺度涡样本库对S3中的识别模型进行训练,将S2中所述融合特征数据输入到S3中的识别模型中进行特征提取,从而实现异常中尺度涡的识别。
进一步的,所述S1具体为:
S1-1构建异常涡样本库:
①提取中尺度涡:基于SSHA数据提取中尺度涡;首先对全球SSHA进行半径为5°(纬向)、10°(经向)的高通滤波,去除大尺度信号,然后进行SSHA等高线的搜索及筛选;若闭合的SSHA等高线满足以下条件:a)等高线内只有一个极值点,极值点是指八邻域的最大值或最小值所在像素;b)等高线内的像素个数不小于8;c)涡旋振幅,即等高线的SSHA值和等高线内极值点的值的差值,不小于1cm;则该等高线被认为涡旋边界;若等高线内极值点为正则为反气旋涡,反之则为气旋涡;
②计算涡旋内SSTA:对遥感SST数据进行时空滤波以得到SSTA数据,首先采用Butterworth带通滤波器,对SST数据进行时间滤波,去除季节变化的影响,然后采用高斯滤波器,再对时间滤波后的SST数据进行高通滤波,去除数据中的大尺度信号,经过时间和空间滤波后就得到了只包含中尺度信号的SSTA数据,最后将SSTA数据和①中提取的中尺度涡进行叠加分析,计算得到涡旋内SSTA的平均值(以下称为SSTAm);
③构建异常中尺度涡样本库:基于②得到的涡旋内SSTAm的正负来判断涡旋是否异常;对于反气旋涡,若SSTAm≤0则为反气旋冷涡(异常涡),将涡旋内像素标记为2,其他反气旋涡内的像素则标记为1;对于气旋涡,若SSTAm≥0则为气旋暖涡(异常涡),将涡旋内像素标记为-2,而其他气旋涡内的像素则标记为-1;将非涡旋区域标记为0,从而构建得到异常中尺度涡的样本库。
进一步的,所述S2中基于HyperDense-Net模型将SSHA和SSTA数据用密集连接的方式进行级联,实现SSTA和SSHA在不同层次特征的融合。
更进一步的,所述HyperDense-Net是基于密集连接网络开发的用于解决多模态融合的网络模型,其前向传播可由公式(1)表示:
式(1)中x为单一网络层,其上标s表示网络层在第几个模态,下标l则表示第几层网络;函数为批归一化函数(Batch Normalization,BN)、激活函数ReLU、卷积运算(Conv)的复合运算函数。
HyperDense-Net以前向方式将任何层的直接连接添加到所有后续图层,这种密集连接不仅发生在同一模态内的网络层之间,还发生在不同模态的网络层之间,这能够在一定程度上减轻训练过程中的梯度消失问题,使训练更加轻松和准确。将SSHA和SSTA数据分别作为第一模态和第二模态的输入,利用密集连接网络进行特征提取和学习,最后融合为一个包含 SSHA和SST信息的特征数据。
进一步的,所述S3中,在所述U-Net中加入ResNet block来提高网络性能和分类效果;所述ResNet block包含卷积层(Conv)、批归一化层(BN)、以及激活层ReLU、并通过Shortcut 将其输入和输出相加。
进一步的,所述S4中,在识别模型的训练过程中采用早停法(early stopping)进行学习,当连续5次迭代测试集的损失函数值都没有下降时,则停止训练,采用Dice loss作为评价指标来衡量分割结果性能,其表达式如下:
式(2)中X表示真实分割图像,Y表示网络预测分割图像,X∩Y就表示真实分割图像和网络预测分割图像交集的像素点个数,|X|+|Y|表示真实分割图像和网络预测分割图像总的像素点数量;当网络预测分割图像越接近真实值时,其Dice loss越小。
更进一步的,通过上述训练优化识别模型,实现异常中尺度涡的快速准确提取,得到多分类图像,每个图像中的像素由五种数字标记:-2,-1,0,1,2,分别对应于气旋暖涡(CWE)、气旋冷涡(CCE)、背景海域、反气旋暖涡(AWE)和反气旋冷涡(ACE)。
本发明的优点和有益效果:
本发明的设计出发点用于识别异常中尺度涡,通过建立异常中尺度涡真值库,构建基于深度学习的异常中尺度涡模型,完成异常中尺度涡的提取,为研究其时空分布及生成机制提供数据支持。本发明利用多模态融合网络HyperDense-Net实现了多源遥感数据的融合,充分挖掘多源遥感数据特征实现信息补充,为实现更加精准、有效的海洋中尺度涡异常的监测提供数据支持。
附图说明
图1为本发明的技术路线图。
图2为HyperDense-Net结构图。
图3为异常中尺度涡识别模型图。
图4为实施例2中全球涡旋和异常涡识别结果图。
具体实施方式
以下通过具体实施例并结合附图对本发明进一步解释和说明。
实施例1:
一种基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法,该方法包括以下步骤,如图1所示:
S1、构建中尺度异常涡样本库:
①提取中尺度涡:基于SSHA数据提取中尺度涡;首先对全球SSHA进行半径为5°(纬向)、10°(经向)的高通滤波,去除大尺度信号,然后进行SSHA等高线的搜索及筛选。若闭合的SSHA等高线满足以下条件:a)等高线内只有一个极值点,极值点是指八邻域的最大值或最小值所在像素;b)等高线内的像素个数不小于8;c)涡旋振幅,即等高线的SSHA值和等高线内极值点的值的差值,不小于1cm;则该等高线被认为涡旋边界;若等高线内极值点为正则为反气旋涡,反之则为气旋涡;
②计算涡旋内SSTA:对遥感SST数据进行时空滤波以得到SSTA数据。首先采用7-90天的Butterworth带通滤波器,对SST数据进行时间滤波,去除季节变化的影响。然后采用600km的高斯滤波器,再对时间滤波后的SST数据进行高通滤波,去除数据中的大尺度信号。经过时间和空间滤波后就得到了只包含中尺度信号的SSTA数据。最后,将SSTA数据和①中提取的中尺度涡进行叠加分析,计算得到涡旋内SSTA的平均值(以下称为SSTAm)。
③构建异常中尺度涡样本库:基于②得到的涡旋内SSTAm的正负来判断涡旋是否异常。对于反气旋涡,若SSTAm≤0则为反气旋冷涡(异常涡),将涡旋内像素标记为2,其他反气旋涡内的像素则标记为1;对于气旋涡,若SSTAm≥0则为气旋暖涡(异常涡),将涡旋内像素标记为-2,而其他气旋涡内的像素则标记为-1;将非涡旋区域标记为0,从而构建异常中尺度涡的样本库。
在本实施例中将2000-2014年天平均的SSHA、SST图像,以及对应的异常涡真值图像作为训练集,2015年的相应图像作为测试集。
S2、数据处理:特征数据利用密集连接网络模型进行融合
基于HyperDense-Net模型将SSHA和SSTA数据用密集连接的方式进行级联,实现SSTA 和SSHA在不同层次特征的融合。HyperDense-Net是基于密集连接网络开发的用于解决多模态融合的网络模型(图2),其前向传播可由公式(1)表示:
式(1)中x为单一网络层,其上标s表示网络层在第几个模态,下标l则表示第几层网络。函数为批归一化函数(Batch Normalization,BN)、激活函数ReLU、卷积运算(Conv)的复合运算函数。HyperDense-Net以前向方式将任何层的直接连接添加到所有后续图层,这种密集连接不仅发生在同一模态内的网络层之间,还发生在不同模态的网络层之间,这能够在一定程度上减轻训练过程中的梯度消失问题,使训练更加轻松和准确。将SSHA和SSTA数据分别作为第一模态和第二模态的输入,利用密集连接网络进行特征提取和学习,最后融合为一个包含SSHA和SSTA信息的特征数据。
S3、异常中尺度涡识别模型构建
U-Net是目前应用最广泛的图像分割模型。该模型采用了编码和解码的结构(图3)。编码部分通过卷积(Conv)提取图像的空间信息,并通过空间池化(Max pooling)不断减小特征的维度;解码部分则通过上卷积(Deconvolutions)逐步恢复物体的细节和空间信息。另外,在解码过程中,会把同等层次编码部分的特征抽取过来,将编码部分的特征和解码部分的特征进行级联(Concatenation),实现低层和高层特征的融合,利用编码部分的特征在解码过程中补充细节,使得解码之后的信息更加丰富。考虑到随着U-Net网络的深度的增加,会出现退化的问题,即准确率会先上升然后达到饱和,再持续增加深度则会导致准确率下降,而ResNet 可以解决增加深度增加带来的退化问题。因此在U-Net中加入ResNetblock(图3)来提高网络性能和分类效果。ResNet block包含卷积层(Conv)、批归一化层(BN)、以及激活层ReLU、并通过Shortcut将其输入和输出相加,这个简单的加法并不会给网络增加额外的参数和计算量,同时却可以大大增加模型的训练速度、提高训练效果,并且当模型的层数加深时,这个简单的结构能够很好的解决退化问题。
S4、模型训练和测试
最后利用异常中尺度涡样本库对上述识别模型进行训练和测试。在模型的训练过程中迭代批次设置为16,即每迭代一次分别处理16张SSHA和SST图。在模型学习的过程中采用早停法(early stopping),当连续5次迭代测试集的损失函数值都没有下降时,则停止训练。本发明采用Dice loss作为评价指标来衡量分割结果性能,其表达式如下:
式(2)中X表示真实分割图像,Y表示网络预测分割图像,X∩Y就表示真实分割图像和网络预测分割图像交集的像素点个数,|X|+|Y|表示真实分割图像和网络预测分割图像总的像素点数量。当网络预测分割图像越接近真实值时,其Dice loss越小。
根据测试结果优化模型,实现异常中尺度涡的快速准确提取,得到多分类图像,每个图像中的像素由五种数字标记:-2,-1,0,1,2,分别对应于气旋暖涡(CWE)、气旋冷涡(CCE)、背景海域、反气旋暖涡(AWE)和反气旋冷涡(ACE)。
S5:利用上述识别模型进行识别
最后将待识别的SSHA和SST的融合数据输入到改进的U-Net图像分割模型中进行特征提取,从而实现异常中尺度涡的识别。
实施例2:
基于全球海洋(90°S-90°N,180°W-180°E)SSHA和SST遥感数据的观测数据对异常中尺度涡进行识别。
1、基于HyperDense-Net模型将SSHA和SST数据用密集连接的方式进行级联,实现SST 和SSHA在不同层次特征的融合。HyperDense-Net是基于密集连接网络开发的用于解决多模态融合的网络模型(图2),其前向传播可由公式(1)表示:
式(1)中x为单一网络层,其上标s表示网络层在第几个模态,下标l则表示第几层网络。函数为批归一化函数(Batch Normalization,BN)、激活函数ReLU、卷积运算(Conv)的复合运算函数。HyperDense-Net以前向方式将任何层的直接连接添加到所有后续图层,这种密集连接不仅发生在同一模态内的网络层之间,还发生在不同模态的网络层之间,这能够在一定程度上减轻训练过程中的梯度消失问题,使训练更加轻松和准确。再将SSHA和SSTA数据分别作为第一模态和第二模态的输入,利用密集连接网络进行特征提取和学习,最后融合为一个包含SSHA和SST信息的特征数据。
2、接下来将SSHA和SST的融合数据输入到改进的U-Net图像分割模型中进行特征提取,从而实现异常中尺度涡的识别。U-Net是目前应用最广泛的图像分割模型。该模型采用了编码和解码的结构(图3)。编码部分通过卷积(Conv)提取图像的空间信息,并通过空间池化(Max pooling)不断减小特征的维度;解码部分则通过上卷积(Deconvolutions)逐步恢复物体的细节和空间信息;另在U-Net中加入ResNet block(图3)来提高网络性能和分类效果。 ResNet block包含卷积层(Conv)、批归一化层(BN)、以及激活层ReLU、并通过Shortcut 将其输入和输出相加,这个简单的加法并不会给网络增加额外的参数和计算量,同时却可以大大增加模型的训练速度、提高训练效果,并且当模型的层数加深时,这个简单的结构能够很好的解决退化问题。
3、最后利用异常中尺度涡样本库对模型进行训练和测试。在模型的训练过程中迭代批次设置为16,即每迭代一次分别处理16张SSHA和SST图。在模型学习的过程中采用早停法 (early stopping),当连续5次迭代测试集的损失函数值都没有下降时,则停止训练。本发明采用Dice loss作为评价指标来衡量分割结果性能,其表达式如下:
式(2)中X表示真实分割图像,Y表示网络预测分割图像,X∩Y就表示真实分割图像和网络预测分割图像交集的像素点个数,|X|+|Y|表示真实分割图像和网络预测分割图像总的像素点数量。当网络预测分割图像越接近真实值时,其Dice loss越小。根据测试结果优化模型,实现异常中尺度涡的快速准确提取,得到多分类图像,每个图像中的像素由五种数字标记:- 2,-1,0,1,2,分别对应于气旋暖涡(CWE)、气旋冷涡(CCE)、背景海域、反气旋暖涡 (AWE)和反气旋冷涡(ACE)。
结果如图4所示,图中为基于该发明识别的2014年1月1日的全球海洋异常涡(CWE、CCE)和正常涡旋(AWE、ACE)的空间分布图,全球海洋每天大概有1000个CWE和1000 CCE,以及2000个AWE和2000个ACE,其总体数量和已有研究基本一致,证实了本发明的准确性和鲁棒性。
Claims (6)
1.一种基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法,其特征在于,该方法包括以下步骤:
S1:构建异常中尺度涡样本库:先基于海平面高度异常数据得到中尺度涡样本库,再计算涡旋内海表温度异常,得到异常中尺度涡样本库,具体为;
S1-1构建异常涡样本库:
①提取中尺度涡:基于SSHA数据提取中尺度涡;首先对全球SSHA进行高通滤波,去除大尺度信号,然后进行SSHA等高线的搜索及筛选,若等高线内极值点为正则为反气旋涡,反之则为气旋涡;
②计算涡旋内SSTA:对遥感SST数据进行时空滤波以得到SSTA数据,首先对SST数据进行时间滤波,去除季节变化的影响,然后采用高斯滤波器,再对时间滤波后的SST数据进行高通滤波,去除数据中的大尺度信号,经过时间和空间滤波后就得到了只包含中尺度信号的SSTA数据,最后将SSTA数据和①中提取的中尺度涡进行叠加分析,计算得到涡旋内SSTA的平均值;
③构建异常中尺度涡样本库:基于②得到的涡旋内SSTAm的正负来判断涡旋是否异常;对于反气旋涡,若SSTAm≤0则为反气旋冷涡;对于气旋涡,若SSTAm≥0则为气旋暖涡,构建得到异常中尺度涡的样本库;
S2:将SSHA数据和SSTA数据利用密集连接网络进行特征提取和学习,最后融合为包含SSHA和SSTA信息的融合特征数据;
S3:通过改进U-Net图像分割模型来构建识别模型,所述改进U-Net图像分割模型是在U-Net中融入ResNet block;
S4:利用S1构建的异常中尺度涡样本库对S3中的识别模型进行训练,将S2中所述融合特征数据输入到S3中的识别模型中进行特征提取,从而实现异常中尺度涡的识别。
2.如权利要求1所述的海洋异常中尺度涡识别方法,其特征在于,所述S2中基于HyperDense-Net模型将SSHA和SSTA数据用密集连接的方式进行级联。
4.如权利要求1所述的海洋异常中尺度涡识别方法,其特征在于,所述S3中,在所述U-Net中加入ResNet block;所述ResNet block包含卷积层、批归一化层、以及激活层ReLU、并通过Shortcut将其输入和输出相加。
6.如权利要求5所述的海洋异常中尺度涡识别方法,其特征在于,通过上述训练优化识别模型,实现异常中尺度涡的快速准确提取,得到多分类图像,每个图像中的像素由五种数字标记:-2,-1,0,1,2,分别对应于气旋暖涡、气旋冷涡、背景海域、反气旋暖涡和反气旋冷涡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978174.0A CN112102325B (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978174.0A CN112102325B (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102325A CN112102325A (zh) | 2020-12-18 |
CN112102325B true CN112102325B (zh) | 2021-11-09 |
Family
ID=73759941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978174.0A Active CN112102325B (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102325B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312830B (zh) * | 2021-01-20 | 2022-02-25 | 广州海洋地质调查局 | 基于深度学习获得海洋中尺度涡波阻抗方法及处理终端 |
CN113420440B (zh) * | 2021-06-22 | 2022-06-24 | 中国海洋大学 | 一种基于海洋垂直结构的涡旋识别方法 |
CN113743577B (zh) * | 2021-06-25 | 2023-11-21 | 上海大学 | 用于中尺度涡识别的精细化网格数据分区构建方法及系统 |
CN113592786B (zh) * | 2021-07-12 | 2023-12-05 | 浙江大学 | 一种基于深度学习的海洋中尺度涡检测方法 |
CN113434805A (zh) * | 2021-07-14 | 2021-09-24 | 自然资源部第一海洋研究所 | 一种基于海面高度异常和旋转速度的中尺度涡识别方法 |
CN113392961B (zh) * | 2021-08-17 | 2021-11-09 | 中国海洋大学 | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 |
FR3131418A1 (fr) * | 2021-12-24 | 2023-06-30 | Centre National De La Recherche Scientifique | Procédé de détection d’un tourbillon dans une étendue d’eau et système associé |
CN114299377B (zh) * | 2021-12-31 | 2024-03-22 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
CN115310051B (zh) * | 2022-10-12 | 2023-05-30 | 中国海洋大学 | 一种海洋异常中尺度涡旋识别方法、设备及存储介质 |
CN115690602A (zh) * | 2022-11-04 | 2023-02-03 | 中国人民解放军91001部队 | 一种中尺度涡识别方法及系统 |
CN115953394B (zh) * | 2023-03-10 | 2023-06-23 | 中国石油大学(华东) | 基于目标分割的海洋中尺度涡检测方法及系统 |
CN117350171B (zh) * | 2023-12-04 | 2024-03-12 | 山东省计算中心(国家超级计算济南中心) | 基于双流模型的中尺度涡三维次表层结构反演方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766817A (zh) * | 2019-01-04 | 2019-05-17 | 中国人民解放军国防科技大学 | 一种基于活动轮廓模型的sst影像中尺度涡自动识别方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN110781446A (zh) * | 2019-09-20 | 2020-02-11 | 中国海洋大学 | 海洋中尺度涡旋拉格朗日平均涡度偏差快速计算方法 |
-
2020
- 2020-09-17 CN CN202010978174.0A patent/CN112102325B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766817A (zh) * | 2019-01-04 | 2019-05-17 | 中国人民解放军国防科技大学 | 一种基于活动轮廓模型的sst影像中尺度涡自动识别方法 |
CN110097075A (zh) * | 2019-03-21 | 2019-08-06 | 国家海洋信息中心 | 基于深度学习的海洋中尺度涡分类识别方法 |
CN110781446A (zh) * | 2019-09-20 | 2020-02-11 | 中国海洋大学 | 海洋中尺度涡旋拉格朗日平均涡度偏差快速计算方法 |
Non-Patent Citations (3)
Title |
---|
Deep-learning-based information mining from ocean remote-sensing imagery;Xiaofeng Li等;《EARTH SCIENCES》;20200319;第1584-1605页 * |
南海中尺度涡旋海表温度特征统计研究;刘颖洁等;《中国海洋大学学报》;20200531;第50卷(第5期);第146-156页 * |
基于多源遥感数据的太平洋中尺度涡克里金提取方法研究;毕经武;《中国优秀硕士论文全文数据库》;20150915(第9期);正文第10-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112102325A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102325B (zh) | 基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法 | |
CN107480611B (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
CN110189334B (zh) | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
CN110097075B (zh) | 基于深度学习的海洋中尺度涡分类识别方法 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
WO2016165082A1 (zh) | 基于深度学习的图像隐写检测方法 | |
CN110728654A (zh) | 一种基于深度残差神经网络的管道自动检测和分类方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN114445670B (zh) | 图像处理模型的训练方法、装置、设备及存储介质 | |
CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
Savino et al. | Automated classification of civil structure defects based on convolutional neural network | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
Cai et al. | Broken ice circumferential crack estimation via image techniques | |
CN114255250A (zh) | 基于深度学习的河防工程边坡坍塌检测方法 | |
CN115272701A (zh) | 基于自适应特征提取与解耦预测头的船舶目标检测方法 | |
Devereux et al. | A new approach for crack detection and sizing in nuclear reactor cores | |
CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
Yin et al. | U-Net-STN: A Novel End-to-End Lake Boundary Prediction Model. Land 2023, 12, 1602 | |
CN116309310A (zh) | 联合全局正则化与局部对抗学习的病理图像细胞核检测方法 | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |