CN113420440B - 一种基于海洋垂直结构的涡旋识别方法 - Google Patents

Abstract

本发明提供了一种基于海洋垂直结构的涡旋识别方法，包括以下步骤：利用设备获取海水的温度、盐度和深度的剖面数据信息；对获取的数据信息进行预处理；将获得的PDA剖面信息或TA剖面信息与高度计识别的涡旋进行时空匹配，筛选出气旋、反气旋和涡外三类均衡的剖面数据集；基于ResNet框架构建出涡旋垂直结构的三维神经网络模型，并利用获得的一部分剖面数据集进行模拟训练；训练完成的模型进行涡旋识别与结果分析。本发明基于计算机人工智能构建的深度学习识涡方法，突破传统高度计涡旋识别在空间与采样数量方面的限制，提供水文垂直剖面，实现随时随地的涡旋识别，同时，兼容计算效率与计算精度(99％)，并且在后期应用方面对计算机的要求低。

Description

一种基于海洋垂直结构的涡旋识别方法

技术领域

本发明属于海洋气象数据分析技术领域，尤其涉及一种基于海洋垂直结构的涡旋识别方法。

背景技术

海洋涡旋数量大、分布广、含能高、裹挟强，是研究海洋中的物质循环、能量级联和圈层耦合的理想载体，在大洋的质量、热量和营养物质等输运方面扮演重要角色。涡旋可分为反气旋和气旋涡，以北半球为例，它们内部的流体分别为顺时针和逆时针旋转(南半球相反)，从而对周围流体形成辐聚和辐散作用。对于气旋涡，由于周围表层暖水向内部聚合，形成局部高的海表面高度异常(SLA)和正的海面温度异常(TA)，也被称为暖涡；相反，气旋涡中心海水向外辐散，形成局部低的海面高度，而下层冷水向上补充，形成负的海面温度异常，也被称为冷涡。因此，涡旋的外在表现，即两种极性涡旋对应相反的SLA分布特征。随着以TOPEX/POSEIDON为代表的高精度卫星高度计的升空，海洋中广泛分布的中尺度特征能以更全面的视角被展现出来。同时，卫星高度计的数量增加，也极大促进了高度计产品在涡旋识别领域的独特地位。目前应用最广泛的方法是Chelton等2011年提出的基于高度计观测的海面拓扑法，即基于反气旋涡引起的正的海面高度异常(SLA)和气旋涡引起负的SLA的拓扑结构来识别涡旋。

涡旋识别是推动海洋涡旋研究与理论认知进程中最重要的一步，随着对涡旋研究的深入，研究者们逐渐认识到涡旋是一个具有典型垂直结构特征的海洋现象，作为其主体部分的涡核通常位于百米以深位置，底部最深可达1000m以下，其强弱和深度直接决定了涡旋能量及其海表特征，是涡旋动力/热力学研究的关键。目前通过高度计探测到的涡旋信号只是涡旋体映射到海表的边界信号，且识别结果明显受限于高度计的采样能力，对于亚中尺度涡旋、次表层涡旋、模态水涡旋等尺度更小、强度更弱和深藏海面以下的涡旋体束手无策...除了海面信号，涡旋引起局部海水的热力和动力学特征更为重要。海水位势密度(potential density anomaly，PDA)指将原位观测的流体质点在绝热状态下移动到标准大气压下对应的密度值，它是衡量海水的特征参量。暖涡可造成涡旋体内海水有负的PDA，而冷涡引起正的PDA。海洋垂向结构上需要依靠传统的海洋水文观测仪器，如温盐深剖面仪(Conductivity,Temperature,Depth,CTD)能获取海洋内部的温度、盐度和深度(压强)信息。CTD可搭载在多种平台开展水文观测，如搭载在潜标阵列，实现定点的水文观测。相对于昂贵的潜标阵列系统，可提供温度和深度剖面的抛弃式的温深仪(expendablebathythermograph,XBT)就更为廉价和方便，2002～2018年沿航线获取了近十万条温度和深度剖面信息(0～700m水深)。目前应用最广的水文观测设备为实时地转海洋学阵列(TheArray for Real-time Geostrophic Oceanography,Argo)，该浮标自由漂浮，可观测水下0-2000m深度上的温度与盐度剖面。随着以上各类平台提供的海洋垂直剖面数量与覆盖度的增大，人们已具备揭示其水下空间结构的能力。

真实海洋远比理论更复杂的多，风场、海流场和地形的变化，以及涡-涡或涡-波相互作用都会调制涡旋的强度与形态结构。因此，Argo观测的剖面形态也会比标准形态更复杂，传统的数理方法对其特征的挖掘仍是有限的。随着计算机科学在深度学习方面的蓬勃发展，已具备强大的图像特征信息挖掘与分类能力。深度学习算法可分层学习数据中具有代表性和差异性的特征，在地学领域的大数据分析中有广泛的应用基础。卷积神经网络(Convolution Neural Network,CNN)通过局部连接、权值共享、下采样等优化网络结构，利用卷积层提取数据特征，实现从原始样本到目标的“端到端”建模。在对高维数据处理和特征提取过程具有明显优势，利用分层结构可实现每一层数据的高质量特征学习，是一个十分高效的深度学习模型。海洋垂直剖面涵盖了局地的三维信息，结合海洋学研究中对准确识别涡旋的需求与深度学习和分类模型的优势，我们尝试基于三维卷积神经网络开发一个新涡旋识别方法。

发明内容

为实现上述目的，本发明采用如下技术方案，具体步骤为：

步骤1，利用设备获取海水的温度、盐度和深度的剖面数据信息；

步骤2，对步骤1中获取的数据信息进行预处理，即对得到的海水的温度、盐度和深度的剖面数据信息进行计算，获得位势密度异常(PDA)剖面信息或位势温度异常(TA)剖面信息；

步骤3，将步骤2中获得的PDA剖面信息或TA剖面信息与高度计识别的涡旋进行时空匹配，筛选出气旋、反气旋和涡外三类均衡的剖面数据集；

步骤4，基于ResNet框架构建出涡旋垂直结构的三维神经网络(EddyVNN)模型，并利用所述步骤3中获得的一部分剖面数据集进行模拟训练；

步骤5，将步骤4中训练完成的EddyVNN模型进行涡旋识别与结果分析。

优选的，所述步骤1中的设备为实时的地转海洋学阵列(Argo)浮标或可抛弃式的温深仪。

优选的，所述步骤4中基于ResNet框架构建出的EddyVNN模型，主要包括一个三维卷积核、最大池、四组不同数量的三维残差块、平均池以及全连接层，利用步长为2的卷积对残差块进行降维采样，利用最大池和平均池进行特征降维，除了垂直剖面，其所在位置的空间、时间和其他环境属性都被集成到全连接层，并且通过集成3D卷积核(3D blocks)增加计算效率。

优选的，所述步骤4中对EddyVNN模型的模拟训练，是将步骤3中获得的剖面数据集的60％用于模拟训练。

优选的，所述模拟训练完成后，结合Pytorch构建的三组不同的网络深度来对比识别精度，将34层EddyVNN模型用于PDA剖面的涡旋识别，将50层EddyVNN模型用于TA剖面的涡旋识别。

优选的，所述步骤5中将训练完成的EddyVNN模型进行涡旋识别与结果分析，是将用于模拟训练后剩余部分的剖面数据集放入EddyVNN模型中进行涡旋识别与结果分析。

与现有技术相比，本专利提出的模型基于ResNet卷积神经网络框架，将框架中的适用于图像的二维卷积核和二维池化层转变为更适合于海洋剖面数据特征提取的三维卷积核和三维池化层，并且三维卷积核能够更好的提高模型的计算效率。其次，对于涡旋的分类，需要考虑到涡旋所在的时空信息。因此，该模型在全连接层部分时空信息等特征，使得模型在分类时能够充分的考虑到涡旋的时空特征，提高涡旋的分类精度。最后，该模型是一种端到端的涡旋识别模型，可以对模型进行迁移，能够实现输入剖面数据直接得到涡旋分类结果。根据对Argo数据和XBT数据的实验结果，该模型能够基于温度异常和盐度等特征实现对涡旋高效高精度的分类。

因为该模型是一种端到端的海洋涡旋识别模型，所以能够对较多数量的剖面数据进行分类。在实验中，使用了55万条剖面数据，直接使用该模型能够在15分钟左右的时间内实现对该数量级海洋涡旋数据的分类。

本发明基于计算机人工智能构建的深度学习识涡方法，突破传统高度计涡旋识别在空间与采样数量方面的限制，提供水文垂直剖面，实现随时随地的涡旋识别，同时，兼容计算效率与计算精度(99％)。

附图说明

图1为本发明模型识涡方法流程图。

图2为三类涡旋剖面特征信息图。

具体实施方式

下面结合具体实施例对发明进行进一步说明。

如图1和图2所示，一种基于海洋垂直结构的涡旋识别方法，包含以下步骤：

步骤1，利用设备获取海水的温度、盐度和深度的剖面数据信息；

步骤2，对步骤1中获取的数据信息进行预处理，即对得到的海水的温度、盐度和深度的剖面数据信息进行计算，获得位势密度异常(PDA)剖面信息或位势温度异常(TA)剖面信息；

步骤3，将步骤2中获得的PDA剖面信息或TA剖面信息与高度计识别的涡旋进行时空匹配，筛选出气旋、反气旋和涡外三类均衡的剖面数据集；

步骤4，基于ResNet框架构建出涡旋垂直结构的三维神经网络(EddyVNN)模型，并利用所述步骤3中获得的一部分剖面数据集进行模拟训练；

步骤5，将步骤4中训练完成的EddyVNN模型进行涡旋识别与结果分析。

用于本算法的信息主要是位势密度异常(PDA)剖面和温度异常(TA)剖面，如实时的地转海洋学阵列(Argo)浮标提供海洋的温度、盐度和深度剖面可用于计算PDA，可抛弃式的温深仪(expendable bathythermograph,XBT)可以提供温度和深度剖面信息，其他可提供海水温、盐、深信息都可以用于本算法。数据质量控制依据官方(www.coriolis.eu.org)的质量评估标注，且对于Argo(XBT)要求单个剖面观测包含10m以浅和1000(700)m以深的至少30个有效数据点，质量控制后的剖面以1m间隔插值到0-1000(0-700)m的深度。将PDA剖面信息或TA剖面信息剖面与高度计识别的涡旋进行时空匹配(以涡旋的有效边界为参考)，剖面数据集分三类：反气旋涡(AE)、气旋涡(CE)和涡外(OE)。根据海水热力学方程(TEOS10)，利用观测的温度与盐度剖面计算得到位势密度剖面，同理，利用气候态数据(CARS2009)得到气候态密度，密度异常为观测密度减去与之匹配的气候态密度(正常情况下，反气旋涡AE引起的密度异常为负值，而气旋涡CE为正值)。剔除剖面异常与高度计涡旋极性不一致的数据，并筛选涡外(OE)剖面以保持三类数据集均衡。这样，得到用于深度学习建模与检验的三类剖面数据集。

一个海洋剖面信息表征了一个同维度的垂直特征矢量，本发明基于ResNet框架提出三维神经网络EddyVNN模型，它是由一个三维卷积核、最大池、四组不同数量的三维残差块、平均池，以及全连接层。利用步长为2的卷积对残差块进行降采样，利用最大池和平均池进行特征降维。模型结构由输入块、四个残差块和输出块构成。除了垂直剖面，其所在位置的空间、时间和其他环境属性都被集成到全连接层来提升分类效果，实现剖面为AE、CE和OE三类的精确分类。通过集成3D卷积核(3D blocks)增加计算效率。获取的剖面数据集中可以有60％用于模型训练，结合Pytorch构建的三组不同的网络深度来对比识别精度。结果表明，对分类任务的学习精度随着网络层数增大而增加，整体分类的训练精度达到99％左右，根据计算效率和精度选用34层模型用于PDA剖面涡旋识别和50层模型用于TA剖面的涡旋识别。

构建深度学习模型的目的是实现人工智能解决海洋学难题，弥补高度计在涡旋识别中出现的遗漏或者误判的问题。基于本研究需求，将剩余的40％剖面放入模型中。结果证实利用PDA(TA)剖面比高度计海面拓扑法多识别出56.80％(30.27％)的涡旋，这些新识别的涡旋中具有与高度计涡旋一致的剖面强度，也证实了涡旋识别结果较为可靠。同时，该模型是为涡旋识别而构建的一个新型模型，在各方面具有显著优势。此外，深度学习模型优势在深入挖掘丰富的特征信息，不受空间内观测点数量的限制，识别过程具有灵活性与空间连续性，在今后的海洋观测中，只需提供任意一点的剖面信息或者将本模型方法搭载到同步观测设备中，都可实时地提供可靠涡旋识别结果，这将积大促进海洋涡旋的研究与观测。

EddyVNN模型构建原理：

ResNet模型在图像识别中是一种SOTA(state-of-art)模型，并且通过引入残差块解决了深度学习网络随着深度的增加出现的梯度弥散或梯度爆炸的现象，使得模型的深度能够达到上百层，提高网络对特征的提取能力，从而提高图像识别的精确度。

其次，基于海洋剖面数据的特点，在EddyVNN模型搭建的过程中，采用了三维卷积核。三维卷积核较二维卷积核和一维卷积核，能够更好的对海洋涡旋的剖面数据进行特征提取，提高涡旋分类的精确度。

重点是，将ResNet中的二维卷积核更换为三维卷积核，并根据三维卷积核设计不同网络深度使用的三维残差块，训练网络时对学习率以及优化器的选择，在训练网络的过程中，采取了逐步减少学习率的策略，适合网络的学习率能够使得EddyVNN在训练的过程中损失能够快速的收敛。

搭建好的模型在训练过程中要避免过拟合和欠拟合，因此需要对搭建好的模型进行多次参数调整，以及对权重初始值的随机化。使得模型能够在训练集和测试集上都能够达到较好的结果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于海洋垂直结构的涡旋识别方法，其特征在于，包括以下步骤：

步骤1，利用设备获取海水的温度、盐度和深度的剖面数据信息；

步骤2，对步骤1中获取的数据信息进行预处理，即对得到的海水的温度、盐度和深度的剖面数据信息进行计算，获得位势密度异常PDA剖面信息或位势温度异常TA剖面信息；

步骤3，将步骤2中获得的PDA剖面信息或TA剖面信息与高度计识别的涡旋进行时空匹配，筛选出气旋、反气旋和涡外三类均衡的剖面数据集；

步骤4，基于ResNet框架构建出涡旋垂直结构的三维神经网络EddyVNN模型，并利用所述步骤3中获得的一部分剖面数据集进行模拟训练；

步骤5，将步骤4中训练完成的EddyVNN模型进行涡旋识别与结果分析。

2.如权利要求1中所述的一种基于海洋垂直结构的涡旋识别方法，其特征在于：所述步骤1中的设备为实时的地转海洋学阵列浮标或可抛弃式的温深仪。

3.如权利要求1中所述的一种基于海洋垂直结构的涡旋识别方法，其特征在于：所述步骤4中基于ResNet框架构建出的EddyVNN模型，包括一个三维卷积核、最大池、四组不同数量的三维残差块、平均池以及全连接层，利用步长为2的卷积对残差块进行降维采样，利用最大池和平均池进行特征降维，除了垂直剖面，其所在位置的空间、时间和其他环境属性都被集成到全连接层，并且通过集成3D卷积核增加计算效率。

4.如权利要求1中所述的一种基于海洋垂直结构的涡旋识别方法，其特征在于：所述步骤4中对EddyVNN模型的模拟训练，是将步骤3中获得的剖面数据集的60％用于模拟训练。

5.如权利要求4中所述的一种基于海洋垂直结构的涡旋识别方法，其特征在于：所述模拟训练完成后，结合Pytorch构建的三组不同的网络深度来对比识别精度，将34层EddyVNN模型用于PDA剖面的涡旋识别，将50层EddyVNN模型用于TA剖面的涡旋识别。

6.如权利要求1中所述的一种基于海洋垂直结构的涡旋识别方法，其特征在于：所述步骤5中将训练完成的EddyVNN模型进行涡旋识别与结果分析，是将用于模拟训练后剩余部分的剖面数据集放入EddyVNN模型中进行涡旋识别与结果分析。

Images