CN113743577B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113743577B CN113743577B CN202110713836.6A CN202110713836A CN113743577B CN 113743577 B CN113743577 B CN 113743577B CN 202110713836 A CN202110713836 A CN 202110713836A CN 113743577 B CN113743577 B CN 113743577B
- Authority
- CN
- China
- Prior art keywords
- vortex
- neural network
- area
- data
- mesoscale
- 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
- 238000005192 partition Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 123
- 238000010276 construction Methods 0.000 claims abstract description 52
- 238000011160 research Methods 0.000 claims abstract description 41
- 238000000638 solvent extraction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 50
- 210000002569 neuron Anatomy 0.000 claims description 42
- 238000012546 transfer Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003260 vortexing Methods 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种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。该方法包括：获取研究海域往年的中尺度涡的发生个数；根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；利用所述分区精细化构建的网格数据识别中尺度涡。本发明能够提高中尺度涡识别效率。
Description
技术领域
本发明涉及中尺度涡识别领域，特别是涉及一种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。
背景技术
中尺度涡是一种显著的海洋现象，在全球海洋中广泛存在，中尺度涡对海洋中的动力过程、能量物质输运起着十分关键的作用。中尺度涡的研究和运用，有助于理解海洋动力过程，并且对海洋军事活动、海洋渔业等海洋活动有着十分重要的指导作用。中尺度涡旋(又称天气式海洋涡旋)，是指海洋中直径数十到数百公里、寿命为数十天到书十个月的的涡旋。相比于常见的用肉眼可见的涡旋，中尺度涡旋直径更大、寿命更长；但相比海洋大环流又小很多，故称其为中尺度涡旋。中尺度涡通常分为两种：气旋式涡旋(在北半球为逆时针旋转)，反气旋式涡旋(在南半球为逆时针旋转)。中尺度涡是普遍存在于世界各大洋的一种中尺度海洋现象，它旋转速度快、流速强、垂向深度可达数千米，其携带的巨大能量比平均流大一个量级以上，因此对世界大洋总环流、大规模水团分布以及热盐输送等都起着至关重要的作用。
随着一系列星载卫星高度计被陆续送上太空，卫星高度计数据以其大覆盖、准同步、长时间连续观测的特性成为研究中尺度涡最有效的手段之一，它解决了传统海洋观测手段在观测时间上的不连续性和观测空间上的局限性。卫星高度计能获取海洋表面的动力信息(如海面动力高度、海面高度异常、海面温度、有效波高等)，通过对海洋表面的动力信息(如海面高度、地转流等) 进行特征识别，即可对中尺度涡进行识别与追踪。除了识别中尺度涡旋外，卫星高度计数据对于海洋潮汐、海浪等研究也有重要意义。
目前四种比较常见的中尺度涡探测方法是SSHA方法、O-W参数法、 Winding-Angle方法和矢量几何法。1、SSHA方法：中尺度涡直观表现为海表高度出现异常，气旋式涡旋导致海面降低，反气旋式涡旋相反。SSHA方法通过识别海表高度异常识别涡旋，海面异常局部极值即为中尺度涡涡心；2、O-W 参数法：O-W参数法是基于海面高度数据提取中尺度涡的标准方法，此方法通过物理参数W定义中尺度涡，更符合中尺度涡物理性质。3、WA算法：WA 算法基于流场中瞬时流线进行涡旋识别，通过在海面高度异常数据场内建立滑动窗口，寻找窗口内的最小(最大)值点来判断可能的气旋涡(反气旋涡)中心，并由此为涡心向外扩展寻找流线或等值线，最后，中尺度涡的边缘就是最外部那条包含着涡旋中心的等值线。4.矢量几何法(VG算法)：VG算法利用地转流异常场来探测涡旋，主要基于以下4个约束条件确定涡旋中心：1) 沿东西方向穿过涡旋中心时，涡中心两侧的v方向相反且离涡中心越远值越大；2)沿南北方向穿过涡旋中心时，涡中心两侧的u方向相反且离涡中心越远值越大，并且u的旋转方向与v的旋转方向一致；3)涡旋中心的速度值有局部最小值；4)涡中心附近，速度向量的旋转方向一致并且两个相邻的速度向量在同一象限或相邻象限。涡旋的边界定义为在涡旋中心外围流函数最外层的闭合等值线，同时根据u和v的旋转方向可以确定涡旋的类型。在探测时需要两个参数a和b，参数a是前两个约束条件中在东西和南北方向上检测v和 u时增加的网格点数，参数b定义了确定局部速度最小值时的寻找区域。
目前大多数对中尺度涡的研究都是直接基于卫星高度计网格数据开展的，少数研究者考虑到提高卫星高度计数据的网格精度。
而卫星高度计数据的网格精度限制了中尺度涡识别算法的准确度，网格如果太大，海面流场的细节被忽略，不满足流场特征的中尺度涡被漏识，尺寸较小的中尺度涡也无法被识别出来。中尺度涡的精准识别是进行中尺度涡研究的基础。除了对识别算法进行改进，提高网格数据的精细化程度同样可以提高中尺度涡的准确率。目前常用的方法为通过双线性插值提高卫星高度计数据的网格精度，但是双线性插值忽略了流场变化莫测、非线性强的特点。另外，一些空间插值方法，如克里金插值，也被用于提高卫星高度计数据的空间分辨率，但是空间插值方法多存在平滑效应，不能准确反映流场细节。此外，上述网格数据精细化构建方法均针对网格数据进行全局构建，然而不同区域的中尺度涡分布情况不一样，全局构建忽略了中尺度涡旋的分布特点，占用内存大，因此目前的中尺度涡识别效率低。
发明内容
本发明的目的是提供一种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，以解决现有的中尺度涡识别效率低的问题。
为实现上述目的，本发明提供了如下方案：
一种用于中尺度涡识别的精细化网格数据分区构建方法，包括：
获取研究海域往年的中尺度涡的发生个数；
根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；
利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP 神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；
利用所述分区精细化构建的网格数据识别中尺度涡。
可选的，所述根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域，具体包括：
利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；
根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；
根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
可选的，所述利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据，具体包括：
以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；
利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第二输入层包括2 个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；
利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括 100个神经元，所述第二输出层包括1个神经元。
可选的，所述以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络，具体包括：
获取所述划分区域的经度数量和纬度数量；
根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；
将所述训练样本进行归一化处理，生成归一化处理后的数据；
确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；
基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。
可选的，所述确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数，具体包括：
利用双曲正切S型函数作为传递函数，并利用Levenberg–Marquardt算法对所述传递函数进行训练，生成训练后的传递函数。
可选的，所述确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数，之后还包括：
确定所述BP神经网络的学习率为0.05，最大迭代次数为1000；所述单隐层BP神经网络的误差性能指标为0.0001，所述双隐层BP神经网络的误差性能指标为1e-5，1e-5＝0.00001。
一种用于中尺度涡识别的精细化网格数据分区构建系统，包括：
发生个数获取模块，用于获取研究海域往年的中尺度涡的发生个数；
分区处理模块，用于根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；
精细化构建模块，用于利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；
中尺度涡识别模块，用于利用所述分区精细化构建的网格数据识别中尺度涡。
可选的，所述分区处理模块，具体包括：
发生个数确定单元，用于利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；
中尺度涡发生个数空间分布图生成单元，用于根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；
分区处理单元，用于根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
可选的，所述精细化构建模块具体包括：
BP神经网络构建单元，用于以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；
涡旋低发区精细化构建的网格数据生成单元，用于利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第二输入层包括2个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；
涡旋高发区精细化构建的网格数据生成单元，用于利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括100个神经元，所述第二输出层包括1个神经元。
可选的，所述BP神经网络构建单元，具体包括：
划分子单元，用于获取所述划分区域的经度数量和纬度数量；
训练样本确定子单元，用于根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；
归一化处理子单元，用于将所述训练样本进行归一化处理，生成归一化处理后的数据；
训练子单元，用于确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；
BP神经网络构建子单元，用于基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种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，通过对往年中尺度涡的发生个数进行分析，利用中尺度涡的发生个数对研究海域进行分区，涡旋高发区使用高精度双隐层BP神经网络，涡旋低发区使用较为简单的单隐层BP神经网络，通过针对不同区域的BP神经网络，对卫星高度计网格数据进行精细化构建，克服了原始数据空间精度不足的缺点，避免了因为精细化构建带来的效率低、内存大的问题，在满足数据精度的同时，减少内存提高算法效率；同时，将分区精细化构建的网格数据用于中尺度涡识别提高了中尺度涡的识别的数量与准确率，为中尺度涡的后续研究提供保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为卫星高度计测高原理图；
图2为研究海域示意图；
图3为本发明所提供的用于中尺度涡识别的精细化网格数据分区构建方法流程图；
图4为南海北部10月-11月中尺度涡发生个数空间分布图；
图5为中尺度涡发生个数的纬向平均分布图；
图6为研究海域分区图；
图7为单隐层BP神经网络示意图；
图8为双隐层BP神经网络示意图；
图9为双曲正切S型函数示意图；
图10为单隐层训练误差示意图；
图11为双隐层训练误差示意图；
图12为原始数据示意图；
图13为训练输出示意图；
图14为原始网格数据中尺度涡识别结果示意图；
图15为分区精细化构建数据中尺度涡识别结果示意图；
图16为双线性插值示意图；
图17为克里金插值示意图；
图18为全局单隐层BP神经网络训练结果示意图；
图19为全局双隐层BP神经网络训练结果示意图；
图20为训练神经网络流程图；
图21为准备训练样本流程图；
图22为利用BP神经网络精细化构建网格数据流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种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，能够提高中尺度涡识别效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明使用由哥白尼海洋环境监测服务机构提供的海平面高度及衍生变量数据集，这套资料融合了Jason-3、Entinel-3A、HY-2A和T/P等多颗卫星的数据。相比单一卫星高度计数据而言，多源卫星融合后的数据的时间和空间分辨率更高。该数据集网格精度为0.25°×0.25°，时间分辨率为1天，包括海平面高度异常数据(SLA)、绝对动力地形(ADT)高度和地转流异常数据(SLA-UV) 等海洋表面动力信息。图1为全球海平面高度异常图，如图1所示，海面高度异常数据为绝对动力地形数据减去平均动力地形。如式(1)、(2)所示，地转流异常数据通过海平面高度异常(SLA)数据计算得到。
其中，U和V分别是地转流场的东西分量和南北分量，f为科氏参数，g 为重力加速度，x为经向，y为纬向。本发明选取2020年11月1日的地转流异常数据作为实验数据。
在本发明中，研究海域为南海北部，南海北部是北太平洋最大的边缘海区域，最大深度超过5000m，受地形、季风和黑潮入侵的影响，温度结构多变，存在着大量的中尺度涡旋。该区域的涡旋主要来自于黑潮入侵过程中的流环脱落。此外，黑潮的斜压不稳定、风应力旋度变化以及沿岸强流的不稳定性也是导致南海涡旋生成的重要原因。同时考虑到中尺度涡多发生于水深超过200m 的海洋中，综上本发明研究海域为12°N～19°N，112°E～119°E。图2为研究海域示意图，如图2所示，颜色亮表示该区域为正的海面高度异常值，即绝对动力高度大于平均动力高度，颜色越亮，海面高度异常越大；颜色暗表示该区域为负的海面高度异常值，即绝对动力高度小于平均动力高度，颜色越暗，海面高度异常越大。
图3为本发明所提供的用于中尺度涡识别的精细化网格数据分区构建方法流程图，如图3所示，一种用于中尺度涡识别的精细化网格数据分区构建方法，包括：
步骤301：获取研究海域往年的中尺度涡的发生个数。
步骤302：根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区。
所述步骤302具体包括：利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
在实际应用中，为了在提高中尺度涡识别准确率的同时提高识别效率，本发明根据中尺度涡的发生个数对研究海域进行分区。首先用矢量几何(vector geometric，VG)方法识别对研究海域近20年的中尺度涡进行识别。考虑到中尺度涡、洋流等存在季节性变化，因此对研究日期前后一个月的中尺度涡发生个数进行分析。本发明研究数据为2020年11月1日，因此分析20年内10月 -11月南海北部中尺度涡的发生个数，结果如图4-5所示。
如图4所示为中尺度涡的平均数量的空间分布，颜色越亮表示涡旋数量越多，发生频率越大。从图三可以看出(14°N，114°E)为10月-11月中尺度涡的高发区域。这一点在图5中也有所体现。图5为中尺度涡发生个数的纬向平均分布，14°N为涡旋的高发纬度带。从图4可以看出，15°N以北颜色较暗，涡旋的数量相对较少，发生频率相对较低；15°N以南，颜色较亮，涡旋的数量相对较多，发生频率相对较高。综上所述，本发明以15°N为分界线，将研究区域分为南部的涡旋高发区和北部的涡旋低发区。分区结果如图6所示。
步骤303：利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据。其中，精细化构建指通过某些方法提高网格数据的分辨率，补充更多数据，构建出更多细节。
图20为训练神经网络流程图，如图20所示，建立BP神经网络：假设影响地转流异常的因素只有经度和纬度，则将原始地转流异常数据中的位置信息，即经度和纬度作为BP神经网络的输入数据，输出数据为地转流异常数据。则该BP神经网络有2个输入，1个输出。
对于北部涡旋低发区，本发明设计共3层的BP神经网络，网络结构如图 7所示，具体包括第一输入层、第一隐含层和第一输出层。其中，第一输入层含有2个神经元，第一隐含层有60个神经元，第一输出层有1个神经元。
对于南部涡旋高发区，本发明设计共4层的BP神经网络，网络结构如图 8所示。具体包括第二输入层、第二隐含层(隐含层1)、第三隐含层(隐含层2)和第二输出层。其中，第二输入层含有2个神经元，隐含层1有5个神经元，隐含层2有100个神经元，第二输出层有1个神经元。两个网络的输入数据均为X1、X2，对应各个数据点的经纬度信息，输出数据Y对应各个数据点的地转流分量。
准备训练样本：本发明将使用2020年11月1日南海北部的地转流异常数据作为BP神经网络的训练样本。将经纬度信息，利用公式(3)-(5)转变为 2*N的向量。
Nx＝(Lonmax-Lonmin)/RES+1 (3)
Ny＝(Latmax-Latmin)/RES+1 (4)
N＝Nx*Ny (5)
其中，RES表示网格分辨率，Lon表示经度，Lonmax表示经度最大值，Lonmax表示经度最小值，Lat表示纬度，Latmax表示纬度最大值，Latmax表示纬度最小值，Nx表示原始数据经向数据数量，Ny表示原始数据纬向数据数量，N为所有数据数量。
北部涡旋低发区域经度范围：112°E～119°E，空间分辨率为0.25°，因此共有(119-112)/0.25+1＝29个经度坐标；纬度范围15°N～19°N，空间分辨率为0.25°，因此，共有(19-15)/0.25+1＝17个纬度坐标，共有29*17＝493 个训练样本，将493个数据点的经纬度信息排列成一个2×493大小的向量，作为神经网络的输入数据。同时将各个位置的地转流异常数据分别排列成一个 1×493大小的向量，作为神经网络的输出数据。
南部涡旋高发区域有29个纬度坐标，19个纬度坐标，共有377个训练样本，输入数据为2*377的向量，输出为1*377的向量。
图21为准备训练样本流程图，如图21所示，数据归一化：为了提高收敛速度，在训练之前，将输入输出数据进行归一化。归一化数据可以使各个特征维度对目标函数的影响权重一致，提高迭代的求解的收敛速度。考虑到地转流速有正有负，因此利用公式(6)将输入输出数据归一化到[-1,1]区间，其中I 为输入数据，O为输出数据，Omax为输出数据最大值，Omin为输出数据最小值， Imax为输入数据最大值，Imin为输出数据最小值。
确定传递函数：考虑到地转流数据有正有负，本发明使用双曲正切S型函数tansig作为传递函数，其表达式如式(7)所示。
如图9所示，双曲正切S型函数将数据值映射到(-1，1)区间。
设置学习算法：训练函数使用Levenberg–Marquardt算法。权值学习函数使用梯度下降动量学习函数‘learngdm’。
设置训练参数：设置网络算法学习率为0.05，最大迭代次数为1000，对于单隐层BP神经网络误差性能指标设置为0.0001，双隐层BP神经网络误差性能指标设置为1e-5。
训练BP神经网络：利用准备好的输入输出数据对BP神经网络模型进行网络训练，不断修正权值和阈值。通过调整使BP神经网络中的输入误差达到设定的阈值，迭代直到收敛。选择均方误差(MSE)作为误差指标，其公式如式(8)所示。
单隐层BP神经网络训练后的均方误差曲线如图10所示，迭代216步之后，均方误差收敛小于0.0001。
双隐层BP神经网络训练后的均方误差曲线如图11所示，迭代178步之后，均方误差收敛小于1e-5，1e-5为浮点数，在数据中为科学计数法， 1e-5＝1*10-5＝0.00001。
由于图10、11训练最好结果与目标很接近，因此Best曲线和Goal曲线基本重合。
为了验证BP神经网络的有效性，将真实数据与BP神经网络得到的数据进行可视化呈现，对比如图12-13所示，地转流异常的范围均在(-0.7,0.6)之间，二者形态基本一致，可以看出该BP神经网络可以很好的逼近海面异常流场。
步骤304：利用所述分区精细化构建的网格数据识别中尺度涡。
利用训练好的分区BP神经网络对海面流场进行插值。将经纬度的分辨率改为0.125*0.125，同样利用公式(3)-(5)计算插值后的数据量。
图22为利用BP神经网络精细化构建网格数据流程图，如图22所示，南海北部经向有57个数据，纬向有33个数据，共有1881个数据，输入为2*1881 的向量；南海南部经向有57个数据，纬向有25个数据，共有1475个数据，输入为2*1475的向量；将两个输入向量分别输入单隐层BP神经网络和单隐层神经网络，得到1*1881和1*1475的输出向量，反归一化后即为插值后的地转流异常数据。将1*1881的输出向量排列成57*33的二维向量，将1*1475 的输出向量排列成57*25的二维向量。
需要注意的是，两个输出数据均含有15°N的格点数据，本发明选取通过双隐层BP神经网络构建的精度更高的格点数据。将北部涡旋低发区的15° N的数据删除后，与南部涡旋高发区的数据合并，得到57*57的向量即为构建的精细化地转流异常的网格数据。
基于原始网格数据，利用VG方法进行中尺度涡识别，为了对比插值数据后的有效性，参数a和b均设置为1。结果如图14所示，图14中箭头表示地转流异常数据，*点表示涡心位置，黑色封闭连接线表示涡边界。未经过处理的原始网格数据仅识别出2个中尺度涡旋，涡心分别位于(13.875° N,117.125°E)、(17.875,118.625°E)。
由图14可以看出该区域存在大量中尺度涡旋，但是由于地转流异常数据在细节上不满足识别算法的约束，因此大量中尺度涡难以被识，识别准确率低；即便是识别出来的中尺度涡旋，涡旋边界也不准确。虽然通过修改参数a、b 可以改变流场约束条件，影响识别结果。但是对于中尺度涡识别来说，往往a、 b设定后就不再改变，因此提高网格数据的精度相对于修改参数a、b是更好的选择。基于BP神经网络分区精细化构建的网格数据，利用VG方法进行中尺度涡识别，结果如图15所示。分区精细化构建的地转流异常场在保留原始流场形态上，补充了更多的流场细节，因此识别出了更多的中尺度涡，共识别出7个中尺度涡旋；在涡边界的识别上也更为准确。同时更高精度的空间分辨率为a和b的选取也提供了更多的可能性。
本发明同时使用其他构建方法提高地转流场的精度，对比不同方法对中尺度涡识别结果的影响，如图16所示，通过双线性插值方法，最终识别出5个中尺度涡，如图17所示，通过克里金空间插值方法，最终识别出6个中尺度涡。对比三种方法的识别结果发现，基于双线性插值方法和克里金插值方法识别的中尺度涡旋均为基于BP神经网络分区精细化构建的网格数据后识别出的涡旋，基于分区精细化构建的网格数据识别的涡旋数量最多；对比分区精细化构建前后的流场可以发现，经过分区精细化构建识别出的涡旋，在原始流场中均满足中尺度涡识别算法的约束条件，因此利用BP神经网络分区精细化构建的网格数据进行中尺度涡识别，将大大提升涡旋识别的准确率。
为了验证分区BP神经网络的有效性，分别使用单隐层和双隐层BP神经网络对全局地转流异常场进行构建，结果如图18-19所示。图18为全局单隐层BP神经网络训练结果，由图18可以看出迭代至1000步停止训练，最终误差为0.00052，没有收敛至0.0001。由此可见，较为简单的BP神经网络，难以在全局很好的逼近真实值，误差相对较大。图19为全局使用双隐层BP神经网络训练结果，由图19可以看出迭代至1000步停止训练，最终误差小于0.0001，但是没有收敛至1e-5。由此可见，复杂的神经网络提高数据的拟合精度。但是对于数据质量要求更高的区域，势必要增加网络的复杂程度，增加计算的复杂度，降低整体效率。因此本发明提出的分区BP神经网络，在涡旋分布较少的区域使用精度较低、网络相对简单的单隐层BP神经网络；在涡旋分布较多的区域使用精度高、网络复杂的双隐层BP神经网络，在保证数据的使用需求的同时，减少运算，提高效率。
一种用于中尺度涡识别的精细化网格数据分区构建系统，包括：
发生个数获取模块，用于获取研究海域往年的中尺度涡的发生个数。
分区处理模块，用于根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区。
所述分区处理模块，具体包括：发生个数确定单元，用于利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；中尺度涡发生个数空间分布图生成单元，用于根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；分区处理单元，用于根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
精细化构建模块，用于利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据。
所述精细化构建模块具体包括：BP神经网络构建单元，用于以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；涡旋低发区精细化构建的网格数据生成单元，用于利用所述单隐层 BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第一输入层包括2个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；涡旋高发区精细化构建的网格数据生成单元，用于利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括100个神经元，所述第二输出层包括1个神经元。
所述BP神经网络构建单元，具体包括：划分子单元，用于获取所述划分区域的经度数量和纬度数量；训练样本确定子单元，用于根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；归一化处理子单元，用于将所述训练样本进行归一化处理，生成归一化处理后的数据；训练子单元，用于确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；BP神经网络构建子单元，用于基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。
中尺度涡识别模块，用于利用所述分区精细化构建的网格数据识别中尺度涡。
本发明通过对中尺度涡往年的历史数据进行分析，利用中尺度涡的发生个数对研究区域进行分区，涡旋高发区使用高精度双隐层BP神经网络，涡旋低发区使用较为简单的单隐层BP神经网络。避免了因为精细化构建带来的效率低、内存大的问题，在满足数据精度的同时，减少内存提高算法效率；通过不同区域构建的BP神经网络，对卫星高度计网格数据进行精细化构建，克服了原始数据空间精度不足的缺点；将分区精细化构建的网格数据用于中尺度涡识别，提高了中尺度涡的识别的数量与准确率，为中尺度涡的后续研究提供保障。在实际应用中，本发明除了用于中尺度涡的识别，也可用于海洋潮汐、海浪等研究领域。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，包括：
获取研究海域往年的中尺度涡的发生个数；
根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；
利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；
利用所述分区精细化构建的网格数据识别中尺度涡；
所述利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据，具体包括：
以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；
利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第一输入层包括2个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；
利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括100个神经元，所述第二输出层包括1个神经元；
所述以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络，具体包括：
获取所述划分区域的经度数量和纬度数量；
根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；
将所述训练样本进行归一化处理，生成归一化处理后的数据；
确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；
基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。
2.根据权利要求1所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域，具体包括：
利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；
根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；
根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
3.根据权利要求1所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数，具体包括：
利用双曲正切S型函数作为传递函数，并利用Levenberg–Marquardt算法对所述传递函数进行训练，生成训练后的传递函数。
4.根据权利要求1所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数，之后还包括：
确定所述BP神经网络的学习率为0.05，最大迭代次数为1000；所述单隐层BP神经网络的误差性能指标为0.0001，所述双隐层BP神经网络的误差性能指标为1e-5，1e-5＝0.00001。
5.一种用于中尺度涡识别的精细化网格数据分区构建系统，其特征在于，包括：
发生个数获取模块，用于获取研究海域往年的中尺度涡的发生个数；
分区处理模块，用于根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；
精细化构建模块，用于利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；
中尺度涡识别模块，用于利用所述分区精细化构建的网格数据识别中尺度涡；
所述精细化构建模块具体包括：
BP神经网络构建单元，用于以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；
涡旋低发区精细化构建的网格数据生成单元，用于利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第一输入层包括2个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；
涡旋高发区精细化构建的网格数据生成单元，用于利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括100个神经元，所述第二输出层包括1个神经元；
所述BP神经网络构建单元，具体包括：
划分子单元，用于获取所述划分区域的经度数量和纬度数量；
训练样本确定子单元，用于根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；
归一化处理子单元，用于将所述训练样本进行归一化处理，生成归一化处理后的数据；
训练子单元，用于确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；
BP神经网络构建子单元，用于基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。
6.根据权利要求5所述的用于中尺度涡识别的精细化网格数据分区构建系统，其特征在于，所述分区处理模块，具体包括：
发生个数确定单元，用于利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；
中尺度涡发生个数空间分布图生成单元，用于根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；
分区处理单元，用于根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110713836.6A CN113743577B (zh) | 2021-06-25 | 2021-06-25 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110713836.6A CN113743577B (zh) | 2021-06-25 | 2021-06-25 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743577A CN113743577A (zh) | 2021-12-03 |
| CN113743577B true CN113743577B (zh) | 2023-11-21 |
Family
ID=78728520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110713836.6A Active CN113743577B (zh) | 2021-06-25 | 2021-06-25 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743577B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114417601B (zh) * | 2022-01-18 | 2022-07-19 | 中国人民解放军国防科技大学 | 基于卫星高度计数据的中尺度涡水下声速场快速估计方法 |
| CN115826089B (zh) * | 2023-02-15 | 2023-05-12 | 中国海洋大学 | 一种基于涡旋追踪数据的东西向涡旋边界提取方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644572A (zh) * | 2009-06-24 | 2010-02-10 | 中国科学院地理科学与资源研究所 | 一种基于历史相似性案例的海洋涡旋变化检测方法 |
| CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
| CN104847414A (zh) * | 2015-05-21 | 2015-08-19 | 中国石油大学(华东) | 一种涡旋式流体机械结构化动网格建模方法 |
| CN104915670A (zh) * | 2015-04-29 | 2015-09-16 | 中国海洋大学 | 基于hog特征提取的全球海洋中尺度涡识别算法 |
| CN107784311A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 全球中尺度涡时空层次拓扑路径构建技术 |
| CN111414720A (zh) * | 2020-02-17 | 2020-07-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的流场旋涡检测方法 |
| JP6756889B1 (ja) * | 2019-09-30 | 2020-09-16 | 東日本旅客鉄道株式会社 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
| CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
| CN111767827A (zh) * | 2020-06-28 | 2020-10-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的中尺度涡旋识别方法 |
| CN111931409A (zh) * | 2020-08-14 | 2020-11-13 | 南京大学 | 基于高分辨率海洋模式数据的涡旋三维体态识别和追踪方法 |
| CN112102325A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 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 |
| CN112396566A (zh) * | 2020-11-19 | 2021-02-23 | 中国石油大学(华东) | 基于生成对抗网络的海洋涡旋图像自动增强系统、计算机设备、存储介质 |
| CN112766194A (zh) * | 2021-01-26 | 2021-05-07 | 上海海洋大学 | 一种海洋中尺度涡检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5544511B2 (ja) * | 2009-12-16 | 2014-07-09 | 富士通株式会社 | 渦抽出装置、渦抽出方法、渦抽出プログラム、および渦抽出表示システム |
| US11455758B2 (en) * | 2018-11-16 | 2022-09-27 | The Government of the United States of America, as represented by the Secretarv of the Navy | Oceanic eddy detection from two-dimensional sea level topography gradients |
-
2021
- 2021-06-25 CN CN202110713836.6A patent/CN113743577B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644572A (zh) * | 2009-06-24 | 2010-02-10 | 中国科学院地理科学与资源研究所 | 一种基于历史相似性案例的海洋涡旋变化检测方法 |
| CN102289594A (zh) * | 2011-08-19 | 2011-12-21 | 中国科学院地理科学与资源研究所 | 海洋中尺度涡旋自动识别与过程重构算法 |
| CN104915670A (zh) * | 2015-04-29 | 2015-09-16 | 中国海洋大学 | 基于hog特征提取的全球海洋中尺度涡识别算法 |
| CN104847414A (zh) * | 2015-05-21 | 2015-08-19 | 中国石油大学(华东) | 一种涡旋式流体机械结构化动网格建模方法 |
| CN107784311A (zh) * | 2016-08-24 | 2018-03-09 | 中国海洋大学 | 全球中尺度涡时空层次拓扑路径构建技术 |
| JP6756889B1 (ja) * | 2019-09-30 | 2020-09-16 | 東日本旅客鉄道株式会社 | 渦検出装置、渦検出方法、プログラム及び学習済モデル |
| CN111414720A (zh) * | 2020-02-17 | 2020-07-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的流场旋涡检测方法 |
| CN111695299A (zh) * | 2020-06-04 | 2020-09-22 | 哈尔滨工程大学 | 一种中尺度涡轨迹预测方法 |
| CN111767827A (zh) * | 2020-06-28 | 2020-10-13 | 中国人民解放军国防科技大学 | 一种基于深度学习的中尺度涡旋识别方法 |
| CN111931409A (zh) * | 2020-08-14 | 2020-11-13 | 南京大学 | 基于高分辨率海洋模式数据的涡旋三维体态识别和追踪方法 |
| CN112102325A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 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 |
| CN112396566A (zh) * | 2020-11-19 | 2021-02-23 | 中国石油大学(华东) | 基于生成对抗网络的海洋涡旋图像自动增强系统、计算机设备、存储介质 |
| CN112766194A (zh) * | 2021-01-26 | 2021-05-07 | 上海海洋大学 | 一种海洋中尺度涡检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于1993―2014年高度计数据的西北太平洋中尺度涡识别和特征分析;崔伟;王伟;马毅;杨俊钢;;海洋学报(第02期);全文 * |
| 基于深度学习的中尺度涡检测技术及其在声场中的应用;谢鹏飞;宋弢;徐丹亚;柴柏林;李忠伟;;海洋信息(第01期);全文 * |
| 基于深度学习的海洋中尺度涡识别与可视化;芦旭熠;单桂华;李观;;计算机系统应用(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743577A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113743577B (zh) | 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 | |
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
| CN106919792B (zh) | 基于高精度数值风场资料的涡旋中心自动识别方法 | |
| CN111815038B (zh) | 一种光伏超短期预测方法及系统 | |
| CN104200484B (zh) | 基于云团特征分析的分布式光伏系统超短期出力预测方法 | |
| CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
| CN105426881B (zh) | 山体背景热场模型约束的地下热源昼间遥感探测定位方法 | |
| CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| CN110442661B (zh) | 基于cfsr数据的冬季北太平洋地区中尺度涡旋的识别和追踪方法 | |
| CN111474529B (zh) | 卫星反演雷达回波的方法、反演雷达回波系统及导航雷达 | |
| CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
| CN106780586B (zh) | 一种基于地面激光点云的太阳能潜力评估方法 | |
| CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
| CN112381033A (zh) | 海上风机引起的潮间带冲淤状况卫星遥感定量评估方法 | |
| CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
| Chen et al. | Eddy morphology: Egg-like shape, overall spinning, and oceanographic implications | |
| CN109977569B (zh) | 一种融合多因素的mos风暴潮过程灾害模拟方法 | |
| CN114266947A (zh) | 一种基于激光点云和可见光图像融合的分类方法及装置 | |
| Wang et al. | A new horizontal mixing-length formulation for numerical simulations of tropical cyclones | |
| CN116503716A (zh) | 一种雷达图像衍生与数据库扩容的方法 | |
| CN116070735A (zh) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 | |
| Tahir et al. | Estimate of the wind resource of two cities in the sahara and sahel in Chad | |
| Wang et al. | Global ocean mesoscale vortex recognition based on DeeplabV3plus model | |
| Zhu et al. | A method of cloud classification based on DNI |
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 |