CN116597085A - 一种三维流场重构方法、系统、电子设备及存储介质 - Google Patents
一种三维流场重构方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116597085A CN116597085A CN202310568338.6A CN202310568338A CN116597085A CN 116597085 A CN116597085 A CN 116597085A CN 202310568338 A CN202310568338 A CN 202310568338A CN 116597085 A CN116597085 A CN 116597085A
- Authority
- CN
- China
- Prior art keywords
- flow field
- data
- field data
- reconstruction
- dimensional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 230000008485 antagonism Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 5
- 239000002344 surface layer Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 35
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000000917 particle-image velocimetry Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 239000000700 radioactive tracer Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101150031726 ERS1 gene Proteins 0.000 description 1
- YGULWPYYGQCFMP-CEAXSRTFSA-N Metoprolol tartrate Chemical compound OC(=O)[C@H](O)[C@@H](O)C(O)=O.COCCC1=CC=C(OCC(O)CNC(C)C)C=C1.COCCC1=CC=C(OCC(O)CNC(C)C)C=C1 YGULWPYYGQCFMP-CEAXSRTFSA-N 0.000 description 1
- 241001274197 Scatophagus argus Species 0.000 description 1
- 101100204733 Schizosaccharomyces pombe (strain 972 / ATCC 24843) gus1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004173 biogeochemical cycle Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种三维流场重构方法、系统、电子设备及存储介质，包括：确定全球范围内的表层流场数据和深层流场数据，根据表层流场数据和深层流场数据确定整体尺度的第一流场数据；获取局部尺度中包括海域流速流向、温盐密压的参数，得到局部尺度的第二流场数据；构建初始重构模型，采用第二流场数据对初始重构模型进行训练，得到目标重构模型；进而对第一流场数据进行超分辨率重建，得到三维重构流场。本发明实施例能够对全球尺度的海洋进行多尺度的三维流场重构，并且通过超分辨率重建能够获得高精度、高分辨率的三维重构流场，该模型能够反映全球尺度的三维空间内任意海域的某一特定点位的流场数据。本发明可以广泛应用于流场重构技术领域。
Description
技术领域
本发明涉及流场重构技术领域，尤其是一种三维流场重构方法、系统、电子设备及存储介质。
背景技术
海流研究是海洋动力学、海洋多尺度过程相互作用和海气相互作用等研究的核心。海表流场引起的热盐环流对海气耦合具有重要影响，同时在全球海洋动量能量交换的过程中起到主要作用。海流参与生物地球化学循环，主导了海洋中热量与营养盐的输运。高精度、大范围的海流观测数据在海流研究中发挥了支撑性的作用，海洋科学的研究依赖于观测手段和技术的进步，因此海流观测也是海洋研究需要重点突破的方向。
三维流场时空分布多变，含有矢量信息，数据量巨大。可以通过接触式测量、非接触式测量、数值模拟等方式获取流场信息，划分流域，对流场数据进行再处理，完成流场绘制，实现流场重构。
现有技术中有一种超声速内流流场的三维定量重构方法，沿流向选取多个横截面，每个横截面布置多个皮托压计测量压力，采用插值法增大数据密度，获得压力参数分布，将流向作为第三维度，重构出超声速流道模型在流向上定量的三维流场，该方法能够准确定量获取超声速流道内流复杂的内部流动信息。
还有一种PIV(粒子图像测速)技术，PIV技术是主要的非接触式流场测量技术，具体方式为：向流体投放示踪粒子，采用特定激光照射测量平面，通过相机捕获粒子反射光形成粒子图像，通过图像测速算法(主要是相关分析法和光流法)获得流场速度矢量，并对速度场进行坏点剔除、中值滤波和高斯平滑等后处理操作。三维PIV技术主要有散焦PIV技术、扫描PIV技术、全息PIV技术、层析PIV技术。但是PIV技术由于示踪粒子浓度不均匀、激光强度分布不均、粒子成像质量差等原因会产生许多速度场“坏点”。
现有技术中还有从高分辨率海面高度重建上层海洋3D动态的方法，从海面高度和表面密度异常中估计PV(位涡度，Potential Vorticity)异常，通过omega方程重建相对涡度和垂直速度。此外还有应用于海洋流场重建的动态系统中位置输入和状态的平滑估计方法，利用浮力控制漂流器群以淹没/浮出水面的循环运动模式行进，通过漂流器在行驶过程中的位置和加速度重建流场。通过流域动力学信息重建流场需要预先进行未知输入和状态的平滑估计，需要构建复杂的算法框架。
目前的EFDC模型、FVCOM模型、Delft3D模型软件以及Mike系列软件和MOHID软件等是较为成熟的水动力学模型，可以设置水流条件，得到三维流场仿真模。但仿真的误差较大，且具有不确定性；多使用有限元方法对流场进行网格划分，网格在边界的畸变会增大误差。
数值模拟会产生大规模的流场数据，甚至达到TB级。传统的流场可视化采取后处理模式，可视化过程与数值模拟过程分开。采用并行可视化可加快计算速率，该过程由CPU处理向GPU处理发展。具体使用的编程接口有Open GL、CUDA等。后处理模式集成性差，无法满足实时观测的要求，且对水流的描述不够完备，可能会丢失某些特征。
以原位可视化为代表的实时并行可视化逐渐发展，可视计算发生在超级计算机上，与数值模拟程序共享数据结构和软硬件资源，计算结果可以直接在模拟所在的计算节点原位可视化处理成图片或提取特征数据。该方法可以大幅减少存储、传输和后处理的数据量。该方法主要应用于天气预报、地震、燃烧等领域，在水利领域应用尚不多见。
传统的插值方法如双线性插值、样条插值、克利金插值等，是纯数学方法，不能反映真正的流场信息。当流场有强剪切区域存在，这些插值方法往往会失效。且数据的精度依赖于插值点的小范围邻域信息，采样不足会导致图像的模糊。近年来，机器学习技术开始应用于流场大数据的处理。其中卷积神经网络擅长从大量基础数据中高度提炼特征，可以实现端到端的流场重构任务。
现有一种基于多层流速测量的河流流场重构方法。该方法利用超声波流速仪获得断面不同层面的实测流速，通过CFD得到仿真流速；搭建BP神经网络模型，将仿真流速与实测流速的均方误差MSE作为指标，重构流场模型。改变模型输入数据直到MSE小于设定值，完成流场重构。
还有一种基于图卷积的流场重构方法。该方法将流体域的基础信息转化为图结构数据，采用图卷积提取基础信息与研究流场(如温度、压力、速度和涡量等)之间的映射关系。利用深度学习从流体域的基础信息重构流场，提高了重构效率，减少了经济成本。
现有技术的缺点：
(1)在测量过程中，接触式的测量工具会干扰流体运动，大量布设测量设备不仅极大干扰了正常的流场，而且成本极高。同时，将流向作为第三维度，重构的流场无法反映全局的信息。
(2)在数据处理的过程中，若在测量时采用PIV技术，其产生的坏点需要进行识别和修正，所采用的纯数学的处理方法没有考虑流动机理，会引入偏差；通过水动力学模型设置水流条件，得到三维流场仿真模型，但是仿真方法的误差较大，且具有不确定性；传统的流场可视化采取后处理模式，继承性能差，无法满足实时观测的要求，且对水流的描述不够完善，可能会丢失某些特征。
(3)在对流场分布进行重构的过程中，采用截面加剖面的方式表达三维信息，不能反映真实流场，无法满足视角转化的观测需求；采用图卷积提取基础信息与研究流场(如温度、压力、速度和涡量等)之间的映射关系，利用深度学习从流体域的基础信息重构流场，此方法的模型准确率较低，训练和迭代周期过长，其算法还需进一步优化以减小重构数据与真实数据的偏差。
发明内容
有鉴于此，本发明实施例提供一种高精度、高分辨率的三维流场重构方法、系统、电子设备及存储介质。
本发明的实施例提供了一种三维流场重构方法，所述方法包括：确定全球范围内的表层流场数据和深层流场数据，根据所述表层流场数据和所述深层流场数据确定整体尺度的第一流场数据；获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型；通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场。
可选地，确定表层流场数据的步骤包括：获取海表风场数据、海表温度数据和海表高度数据；根据经验算法模型建立海表流场反演模型；根据所述海表风场数据、所述海表温度数据和所述海表高度数据，通过所述海表流场反演模型进行估算和反演，得到表层流场数据。
可选地，所述根据所述海表风场数据、所述海表温度数据和所述海表高度数据，通过所述海表流场反演模型进行估算和反演，得到表层流场数据，包括：根据所述海表高度数据计算地转流；根据所述海表风场数据计算埃克曼流；对所述地转流和所述埃克曼流进行矢量合成处理，得到初始数据结果；确定海面温度数据的反演数据，根据所述反演数据对所述初始数据结果进行插值处理，得到表层流场数据。
可选地，确定深层流场数据的步骤包括：根据潜标观测网系统的数据确定近岸流场数据；根据浮标观测数据确定远岸流场数据；根据所述近岸深层流场数据和所述远岸深层流场数据确定深层流场数据。
可选地，所述获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据，包括：通过海上无人波浪滑翔机进行参数测量，得到第二流场数据；其中，所述海上无人波浪滑翔机搭载有声学多普勒流速仪、激光雷达和若干个用于测量包括温度参数、盐度参数、密度参数和压力参数的传感器。
可选地，所述构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型的步骤中，训练初始重构模型的步骤包括：构建基于残差学习生成对抗网络的初始重构模型；其中，所述初始重构模型包括生成器和鉴别器；将第二流场数据转化为图像数据，得到第一分辨率图像；对第一分辨率图像进行图像退化处理得到第二分辨率图像；在生成器中，根据所述第二分辨率图像生成虚拟数据并计算生成器损失；在鉴别器中，将所述虚拟数据与所述第一分辨率图像进行对比，得到鉴别器损失；根据所述生成器损失和所述鉴别器损失进行所述生成器和所述鉴别器的相互对抗直至达到均衡状态，得到目标重构模型。
可选地，所述通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场，包括：对第一流场数据进行特征提取，得到第一特征；对所述第一特征进行非线性映射处理，得到第二特征；其中，所述第二特征的分辨率均高于所述第二特征；根据第二特征进行数据重建，得到三维重构流场。
本发明的实施例还提供了一种三维流场重构系统，包括：第一模块，用于确定全球范围内的表层流场数据和深层流场数据，根据所述表层流场数据和所述深层流场数据确定整体尺度的第一流场数据；第二模块，用于获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；第三模块，用于构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型；第四模块，用于通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场。
本发明的实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上所述的方法。
本发明的实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上所述的方法。
本发明的实施例具有如下有益效果：通过确定全球范围内的表层流场数据和深层流场数据，根据表层流场数据和深层流场数据确定整体尺度的第一流场数据；获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；构建初始重构模型，采用第二流场数据对初始重构模型进行训练，得到目标重构模型；通过目标重构模型对第一流场数据进行超分辨率重建，得到三维重构流场的整体步骤，本发明实施例能够对全球尺度的海洋进行多尺度的三维流场重构，并且通过超分辨重建能够获得高精度、高分辨率的三维重构流场。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是本发明的实施例提供的方法步骤流程图；
图2是本发明的实施例提供的流场数据获取流程图；
图3是本发明的实施例提供的整体尺度第一流场数据的获取示意图；
图4是本发明的实施例提供的表层流场数据重构图；
图5是本发明的实施例提供的海表温度流场反演流程图；
图6是本发明的实施例提供的插值残差神经网络结构图；
图7是本发明的实施例提供的深层流场数据重构图；
图8是本发明的实施例提供的第二流场数据获取示意图；
图9是本发明的实施例提供的波浪滑翔机工作流程图；
图10是本发明实施例提供的多尺度数据重构流程图；
图11是本发明的实施例提供的生成器和鉴别器结构图，其中，(a)是生成器结构图，(b)是鉴别器结构图；
图12是本发明的实施例提供的生成器的残差模块结构图；
图13是本发明的实施例提供的初始重构模型工作原理图；
图14是本发明的实施例提供的DSGAN模型模拟低分辨率图像过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本发明的实施例提供了一种三维流场重构方法、系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本发明实施例中的一种三维流场重构方法。
参照图1和图2，图1是本发明的实施例提供的方法步骤流程图，图2是本发明的实施例提供的流场数据获取流程图，包括以下步骤S100～S400。
S100、确定全球范围内的表层流场数据和深层流场数据，根据表层流场数据和深层流场数据确定整体尺度的第一流场数据。
具体地，本发明实施例以海表平面为原点，垂向水深为轴，将全球尺度的整体流场分为海表平面和海平面以下空间，以区别它们不同的流场数据来源。参照图3，图3是本发明实施例提供的整体尺度第一流场数据的获取示意图；步骤S100中，确定表层流场数据的步骤包括S110～S130，可参照图4，图4是本发明的实施例提供的表层流场数据重构图。
S110、获取海表风场数据、海表温度数据和海表高度数据。
具体地，本发明实施例建立的三维流场模型覆盖于全球大部分区域上，现有的直接测量方式包括现场测量等，显然无法满足大尺度的连续观测数据需求。
本发明实施例利用卫星散射计和高度计的遥感观测获得海表风场数据和海表高度数据。本发明实施例中获取海表数据可以采用的卫星散射计包括ERS1/2散射计、NSCAT、Quik SCAT与ADEOSⅡ以及Metop上搭载的微波散射计。以HY-2海洋卫星为例，HY-2海洋卫星打在了国内首个可业务化运行的卫星散射计，通过直接观测获得的海洋表面雷达后向散射能量值，间接地获得海面风场矢量数据。HY-2卫星散射计所获取的初始数据会进行预处理，经过地理定标、内定标、面元匹配、数据反演以及统计平均后，0级初始数据生成三种级别的产品数据，供不同需求选用。
在散射计数据中提取出时间、所选区域的经纬度以及风场的速度和方向等，得到的均为离散数据，因此还需要经过网格化处理，将海域划分为相同大小的网格，形成网格矩阵，此过程中需要对数据进行插值处理。为了减小计算量，排除散射计数据中的混频数据，本发明实施例直接用经纬度替代距离值作为插值处理的权重参考值。
HY-2卫星同时也搭载了卫星高度计，与散射计原理相似，将离散数据经过网格化处理后得到海表高度数据。
卫星遥感的方式能够满足大范围的连续性观测，为三维流场的重构提供了充足的数据。
在一些实施例中，上述获取的数据还可以通过岸基高频地波雷达观测的方式来获取，与卫星遥感观测相比，高频地波雷达同样具有大范围、全天候的优点，且精度进一步提高。
S120、根据经验算法模型建立海表流场反演模型。
具体地，经验算法模型是结合地球物理机制和数学统计模型构建的由地转流和Ekman流(埃克曼流)主导的假定模拟层面，在层面上进行数据拟合并求解出各个参数。本发明实施例在经验算法模型的基础上加入了海面温度的反演数据对结果进行插值，能够提供流场数据的分辨率。
S130、根据海表风场数据、海表温度数据和海表高度数据，通过海表流场反演模型进行估算和反演，得到表层流场数据。
具体地，通过建立海表流场反演模型对数据进行估算和反演，能够计算出大范围海域的海表流场，由此获得整体尺度的表层流场数据。步骤S130包括以下S131～S134。
S131、根据海表高度数据计算地转流。
具体地，地转流在不同维度位置存在差异，赤道内的地转流的计算公式为：
赤道外的地转流的计算公式为：
对于上述赤道内和赤道外的地转流计算公式，uf、vf和uβ、vβ为赤道外和赤道内采用的f平面和β平面近似计算的u、v方向地转流；g为重力加速度；f为科氏力参数，Ω是地球自转角速度，/>是纬度；ζ是海面高度。
最终的地转流计算公式为：
其中，e＝2.71828183；ωβ为远赤道海域地转流速度权重系数；ωf为远赤道海域地转流速度权重系数；θ为研究区纬度值；θs由拟合后得到，值约为2.2°。
S132、根据海表风场数据计算埃克曼流。
具体地，Ekman流需要计算风应力，风应力τ的具体计算公式为：
τ＝[τx,τy]＝ρaCDV10[u10,v10]
其中，τx和τy分别为风应力沿x方向和y方向分解的矢量；ρa＝1.2kg/m3是空气的密度值；V10是位于海平面上空10m处的风速大小；u10是经向的风速大小；v10是纬向的风速大小；CD为拖曳系数。
拖曳系数CD的计算公式为：
进一步，Ekman流的计算公式为：
(ue+ive)＝Beiθ(τx+iτy)
其中，ρ为海水密度，ρ＝1.02×103kg/m3；r为摩擦系数，r＝2.15×10-4m/s，hmd为混合层深度(hmd＝32.5m)；B是振幅函数，θ是流向偏角，分别表示Ekman流的大小和方向；f表示科氏力参数。
S133、对地转流和埃克曼流进行矢量合成处理，得到初始数据结果。
具体地，通过海表流场反演模型将海表流场分解为两部分，利用高度计和散射计的数据信息求解出海表的地转流和Ekman流，最后将两部分得到的结果矢量合成，就能够获得初始数据结果，该初始数据结果包括速度和方向。
S134、确定海面温度数据的反演数据，根据反演数据对初始数据结果进行插值处理，得到表层流场数据。
具体地，为了弥补卫星遥感数据精度较低的特点，提高反演流场的精度，本发明实施例在海表流场反演模型中加入了海面温度的反演数据对计算结果进行插值，从而提高流场数据的分辨率。实际的观测过程中，由于电离层干扰等因素的限制，雷达探测无法保证所获取数据在空间上的连续性，需要通过插值的方法对流场数据进行处理，以确保流场数据的完整性和准确性。
通过海表温度反演流场，本发明实施例采用示踪物的方法估计海流变化。海表表温度与叶绿素和荧光颜料等不同，属于非物质的示踪物，可以通过红外和微波波段进行测量，在一种实施方式中，可以将第一相关部门的公开测量数据作为数据来源，下载海表温度的云图数据用于估算海流；云图是指卫星云图(satellite cloud imagery)，是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。
参照图5，图5是本发明的实施例提供的海表温度流场反演流程图，在通过示踪物进行估计的方法中，通过最大相关系数法寻找相关性最好的子窗口和模板窗口，两者之间对应的坐标变化可以视为流场矢量的起止点，经过处理能够得到流速的大小和方向。具体地，确定第一云图作为模板窗口，第二云图作为搜索窗口，利用最大相关系数法来跟踪一幅云图到下一幅云图的海表温度位移；从搜索窗口中寻找与模板窗口大小相同且相关性最好的子窗口，以搜索得到的子窗口和模板窗口的中心坐标分别作为矢量的起点和终点，即可得到假设的流场矢量。重复上述示踪物估计方法的所有步骤，选取不同的模板窗口，直至获得完整的海表流场的矢量数据，为模板窗口寻找匹配子窗口的过程中，采用了最大相关系数法，确定交叉相关系数最大的模板窗口与子窗口，即为匹配结果。
本发明实施例的交叉相关系数R(m,n)的表达式为：
其中，f(i,j)为示踪物模板的灰度值，g(i+m,j+n)为搜索窗口的灰度值i,j∈[1,32]；m,n为该变量位移；为示踪物平均灰度；/>为搜索区平均灰度，N为窗口尺寸。
交叉相关系数的匹配面峰值对应位置为示踪物的终点位置，因此通过交叉相关系数可以得到示踪物的初始位置和终点位置，在地球的球面上求解出起止位置之间的位移，将该位移除以时间间隔，则得到海表流场的矢量大小，选取不同的云图作为模板窗口，并且改变云图的时间间隔，重复以上云图搜索和匹配过程，获得不同时刻的表层流场数据。
引入海表温度，一方面，其尺度与卫星遥感数据尺度相近，本身观测数据也较完整，满足作为标签数据的要求；另一方面，海表温度反演的流场数据精度也较高，相应地，可以提高插值后卫星的数据的精度。
本发明实施例基于残差神经网络的深度学习方法构建的插值残差神经网络，网络结构主要分为全局残差和局部残差。全局残差中，使网络只学习输入数据和标签数据之间的残差，模型的复杂性和学习训练难度大幅度降低，在全局残差中加入局部残差连接的残差块，能够解决网络深度过深出现梯度消失和梯度爆炸，导致难以训练的问题。通过该插值残差神经网络对初始数据结果进行插值计算。
参照图6，图6是本发明的实施例提供的插值残差神经网络结构图，该插值残差神经网络的主要组成部分包括卷积层、激活层、残差块和卷积回归层，整体通过局部残差连接和全局残差连接结合的方式，其结构具体可以分为三个部分：
第一部分提取全局特征，将雷达探测数据和其它完整测量数据输入网络，形成一个二维卷积层，并与激活函数ReLU连接，ReLU函数是多层神经网络中，上层神经元输出和下层神经元输入之间存在的函数关系，引入激活函数目的是为了增强神经网络的非线性拟合能力。
第二部分由多个残差块相连接组成。残差块的结构为：二维卷积层、BN层、ReLU层连接，再与另一个卷积层、BN层连接，以Shortcut的形式将第一个卷积层与此BN层连接，最后再连接一个ReLU层。
第三部分的最后连接另一个二维卷积层，全局残差的连接采用Shortcut的方式将第一和最后一层卷积层连接，这样神经网络将会直接学习完整测量数据和雷达探测的缺失数据的残差，通过addition操作完成插值，即将残差和雷达探测的不完整数据相加。
在训练上述插值残差网络的模型时，本发明实施例可以采用Levenberg-Marquardt算法作为训练函数。Levenberg-Marquardt算法是非线性回归中回归参数最小二乘估计的一种估计方法，具有收敛速度快、误差小的优点；训练完成后统计分析模型输出数据与实测海流数据之间的误差，通过均方根误差、相关系数等参数评价得到的数据，确认拟合度、精确度较高后，输出流场数据的插值结果。
选取卫星高度计和散射计的反演数据作为输入数据，温度反演估算的数据作为标签数据，最终目的是输出更高精度的大尺度卫星遥感数据。对应地，将雷达遥感数据作为输入数据，以第二相关部门的雷达观测数据作为标签数据，获得输出数据，即表层流场数据。
本发明实施例获取的表层流场数据来源于卫星遥感数据和高频地波雷达观测数据，两者都具有覆盖范围广、持续时间长的优点，适合整体尺度的数据观测要求；并且，本发明实施例通过残差神经网络进行插值处理，能够处理在差值过程中线性相关信息冗杂、具有复杂性和限制性的问题。
步骤S100中，确定深层流场数据的步骤包括以下S140～S160，可参照图7，图7是本发明的实施例提供的深层流场数据重构图。
S140、根据潜标观测网系统的数据确定近岸流场数据。
具体地，卫星遥感观测无法获取海平面以下的海流数据，要获得大范围的水下流场数据，必须要布置大量的深入观测装置，因此只能尽量减少装置对数据的干扰。本申请中的三维重构流场采用主要布置在近岸处的潜标观测网系统的数据作为深层海洋流场的近岸流场数据来源。
潜标观测网系统还包括了水下基站。水下基站位于海底，依靠海底电缆供电。水下基站可以作为潜标数据的中转站，减少了潜标数据传输的失败几率。潜标将观测数据上传至基站，再由基站通过光缆的方式传输到海岸观测站，这种方法极大地提高了数据获取的成功率。在较远的深海处安装基站存在一定的困难，因此只能通过潜标上浮的方式将数据传输到卫星。
S150、根据浮标观测数据确定远岸流场数据。
具体地，浮标观测数据可以采用Argo浮标的方式获取远岸流场数据。Argo浮标的观测原理与普通潜标类似，区别在于Argo属于无缆时的浮标，与近岸所采用的有缆式浮标相比，具有良好的灵活性，能够拓展观测范围。全球多个国家都建立了Argo观测网，在不同的大洋投放大量浮标，以覆盖更大的观测范围，有利于重构起全球范围内的三维流场模型。
S160、根据近岸深层流场数据和远岸深层流场数据确定深层流场数据。
具体地，结合近岸有缆式潜标观测网和全球Argo观测网，能够获取近岸流场数据和远岸流场数据，将这些数据确定为深层流场数据，与卫星遥感、高频地波雷达获取表层数据组成了三维重构流场中整体部分的模型的数据获取来源，满足了全球范围和三维垂向尺度的观测数据需求。
将上述获取到的表层流场数据和深层流场数据组合成为整体尺度的第一流场数据。
S200、获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据。
具体地，对于整体尺度的数据获取，由于观测范围较大，不可避免地存在着分辨率较低、部分地区点位数据缺失的问题。因此，为了提高海流数据的精确性和完整性，需要引入小尺度的精细化观测系统，建立局部分解模型的海流分布数据，尽可能地补充整体中缺失的数据，提高数据的精度。
参照图8，图8是本发明的实施例提供的第二流场数据获取示意图，步骤S200包括以下步骤S210。
S210、通过海上无人波浪滑翔机进行参数测量，得到第二流场数据；其中，海上无人波浪滑翔机搭载有声学多普勒流速仪、激光雷达和若干个用于测量包括温度、盐度、密度和压力参数的传感器。
具体地，本发明实施例通过海上无人波浪滑翔机，在滑翔机上搭载ADCP(声学多普勒流速剖面仪，Acoustic Doppler Current Profiler)、激光雷达以及测量包括温度、盐度、密度和压力参数的传感器，用于获取相应的温盐密压等参数，得到第二流场数据；其中，ADCP是一种融合水声物理、水声换能器设计、电子技术和信号处理等多学科而研制的测速声纳设备，ADCP可以实现对流速流向的三维测量，且具有精度高、信息完整的优点。
波浪滑翔机属于无人的海上观测平台，面对不同的海洋环境和海况条件，能够持续展开有效的观测。以基于北斗卫星系统的(北斗)波浪滑翔机为例，其结构可以分为水上的浮体部分和水下的拖体部分：浮体部分为主体，包括太阳能发电板、设备负载舱和主控舱以及水上的气象观测传感器；拖体部分承担了驱动的功能，直接利用海浪进行航行，通过电力驱动的方向舵控制航向，此外，拖体部分的仪器安装架可以安装各类水下探测仪器和各类传感器等。
参照图9，图9是本发明的实施例提供的波浪滑翔机工作流程图，波浪滑翔机依靠波浪作用中吸收的能量，凭借机械结构推进，极大限度节省了能源，使其适用范围和场景变得更广。因此，只要在需要观测的区域布设好无人滑翔机，提前安装所需测量数据的相应设备，本发明实施例提出安装的是ADCP、激光雷达和温度密度传感器等，接下来可以设定观测航线，启动滑翔机即开始进行测量工作。
水下激光雷达对流场速度的测量同样基于多普勒原理，激光雷达与ADCP也相类似，属于收发一体的装置，内部集成的激光光源通过脉冲放大作为出射光，进入望远镜后利用楔形镜实现偏转。装置中还包括了电机用于驱动雷达装置发生旋转，进行多角度覆盖的探测。
由此，依靠波浪滑翔机的节能优点，可以进行长时间的持续观测和数据的实时传输，且灵活性高，活动范围广，观测范围受限较小；在波浪滑翔机上搭载的ADCP和激光雷达等观测仪器，其测量精度都相对较高，能够满足小尺度的高分辨率观测，获得充足的局部流场数据。
本发明实施例提出在无人波浪滑翔机安装ADCP、激光雷达和温度、密度、压力传感器，在水上部分安装风向风速传感器，除了获取流场流速信息外，同时测得该区域其他对应参数，为重构流场提供更丰富的数据。
S300、构建初始重构模型，采用第二流场数据对初始重构模型进行训练，得到目标重构模型。
具体地，通过步骤S100得到了整体尺度的低分辨率、低精度的第一流场数据，通过步骤S200得到局部尺度的高精度第二流场数据。为了建立完整的三维重构流场，主要过程在于将整体尺度的数据分辨率和精度提高。由于卫星遥感数据通常为栅格数据集，因此可以通过图像超分辨率重建的方法来提高分辨率和精度。本发明实施例提出一种基于残差学习生成对抗网络(SRGAN)的卫星观测数据超分辨率重建方法实现全球尺度的三维流场重构，通过DSGAN和SRGAN网络，将原始的局部尺度流场数据转化为图像格式并进行超分辨率重建。
参照图10，图10是本发明实施例提供的多尺度数据重构流程图，步骤S300包括以下步骤S310～S360。
S310、构建基于残差学习生成对抗网络的初始重构模型；其中，初始重构模型包括生成器和鉴别器。
具体地，构建基于残差学习生成对抗网络的初始重构模型，该初始重构模型主要由生成器和鉴别器组成。
参照图11的(a)和图12，图11的(a)是生成器结构图，图12是本发明的实施例提供的生成器的残差模块结构图，生成器的工作原理为：对输入的图像数据进行上采样，再依次经过卷积层、五个残差模块、转置卷积层和投影层处理后，与只经过上采样的图像相加，最后通过剪切层约束图像的像素值，得到重建后的虚拟图像。
鉴别器用于区分原始真实和虚假模拟生成的图像。参照图11的(b)，图11的(b)是鉴别器结构图，鉴别器由七个卷积特征提取模块组成，各个特征提取模块的卷积层由卷积核大小为4，步长为2以及卷积层大小为3，步长为1的卷积交替组成；鉴别器的工作原理为：输入生成器生成的虚拟数据，经过一次卷积，接着连续通过7个特征提取块，此步骤将卷积层的特征映射从64增加到了512，更丰富了提取的细节，特征提取后，再通过共两个FC全连接层进行特征的分类，判断所提取的特征是否与真实图像一致，即能否确认为真实的图像，最后的Sigmond函数输出判别的结果；其作用在于将特征映射从64增加到512，然后通过两个全连接层和Sigmoid激活函数，得到最终的鉴别结果。
参照图13，图13是本发明的实施例提供的初始重构模型工作原理图，初始重构模型工作原理为：将样本数据输入到生成器中，处理后输出；鉴别器将输出的虚拟数据和真实数据对比，判断输出数据的真实性；生成器和鉴别器之间相互对抗，最终达到一个均衡状态，此状态下得到的生成器输出的图像数据高度趋于真实的图像。残差学习生成对抗网络SRGAN通过使用残差深度网络，能够获得样本图像数据中更多的细节特征，因此重建结果更清晰且细节更丰富。
S320、将第二流场数据转化为图像数据，得到第一分辨率图像。
具体地，将第二流场数据通过ArcGIS工具转化为栅格化的图像数据，得到第一分辨率图像。其中，ArcGIS是一个地理信息系统平台，能够实现将流速流向、温盐密压(即温度、盐度、密度、压力)等数据进行栅格化处理的功能。
S330、对第一分辨率图像进行图像退化处理得到第二分辨率图像。
具体地，本发明实施例通过将高分辨率的第一分辨率图像进行模糊处理、降采样等图像退化的方式获得对应的低分辨率图像，即第二分辨率图像。参照图14，图14是本发明的实施例提供的DSGAN模型模拟低分辨率图像过程示意图，图像退化过程的详细过程为：将高分辨率的原始局部图像数据降采样到与整体尺度的第一流场数据相同的分辨率；引入DSGAN模型以及裁切后的整体尺度数据，DSGAN是一种退化学习的模型，可以降低退化过程的噪声影响，裁切后的数据可以通过该模型对降采样的数据进行矫正，解决噪声等因素反映不足的问题，获得更拟真的图像数据，有利于三维流场更为精准的重构。
S340、在生成器中，根据第二分辨率图像生成虚拟数据并计算生成器损失。
具体地，在第二分辨率图像输入生成器中，根据S310描述的生成器工作原理进行重建，生成虚拟数据，根据生成的结果，采用第一损失函数计算得到生成器损失。
S350、在鉴别器中，将虚拟数据与第一分辨率图像进行对比，得到鉴别器损失。
具体地，将生成的虚拟数据输入鉴别器中，鉴别器将虚拟数据与第一分辨率图像(即真实图像)进行对比，根据第二损失函数进行计算得到鉴别器损失。
S360、根据生成器损失和鉴别器损失进行生成器和鉴别器的相互对抗直至达到均衡状态，得到目标重构模型。
具体地，生成器和鉴别器根据生成器损失和鉴别器损失相互对抗，生成器损失指导生成器重新输出新的虚拟数据图像，并重复以上步骤，生成器、鉴别器以及两者的损失在此对抗过程中不断更新，直至达到，纳什均衡状态在此处代表虚拟数据和真实数据的相似契合程度。得到目标重构模型。经过生成对抗网络的生成和鉴别的重构过程，最终得到了局部尺度的超分辨率流场图像数据，并建立了由低分辨率到高分辨率图像特征之间的映射关系。
S400、通过目标重构模型对第一流场数据进行超分辨率重建，得到三维重构流场。
具体地，获得目标重构模型后，将整体尺度的第一流场数据作为低分辨率数据输入目标重构模型的生成器中，直接通过目标重构模型中高低分辨率之间的非线性特征映射即可生成高分辨率的三维重构流场，通过该三维重构流场能够提取全球尺度的三维空间内任意海域的某一特定点位的流场数据，即该位置的流速、流向等信息。
将低分辨率的整体尺度第一流场数据输入到已经训练好的目标重构模型中进行重建处理，包括了数据重构的三个过程：数据特征提取、非线性映射以及数据重建。步骤S400具体包括以下步骤S410～S430。
S410、对第一流场数据进行特征提取，得到第一特征。
具体地，对原始的整体尺度的第一流场数据进行特征提取，利用残差网络获取更丰富的低分辨率细节信息。
S420、对第一特征进行非线性映射处理，得到第二特征；其中，第二特征的分辨率均高于第二特征。
具体地，依靠目标重构模型中建立的非线性关系，将低分辨率、低精度的特征映射为高分辨率、高精度的特征。
S430、结合目标重构模型中的第二流场数据特征，根据第二特征进行数据重建，得到三维重构流场。
具体地根据第二特征进行数据重建，最后得到三维重构流场，该三维重构流场中还包括了第二流场数据。
本发明实施例进行高分辨率流场数据的重构时，采用了超分辨率重建方法和深度学习的训练模型，建立了流场图像和数据层面的特征映射，根据特征映射重构流场数据。此模型方法没有引入较多物理环境因素的约束，无需进行繁复冗多的迭代训练，超分辨率重建的方法较成熟，周期短且成功率高，最终得到的数据也更准确。
本发明的实施例还提供了一种三维流场重构系统，包括：第一模块，用于确定全球范围内的表层流场数据和深层流场数据，根据表层流场数据和深层流场数据确定整体尺度的第一流场数据；第二模块，用于获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；第三模块，用于构建初始重构模型，采用第二流场数据对初始重构模型进行训练，得到目标重构模型；第四模块，用于通过目标重构模型对第一流场数据进行超分辨率重建，得到三维重构流场。
本发明的实施例还提供了一种电子设备，包括处理器以及存储器；存储器用于存储程序；处理器执行程序实现如上的方法。
本发明的实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如上的方法。
本发明的实施例至少具有如下有益效果：
1、本发明实施例能够对全球尺度的海洋进行多尺度的三维流场重构，并且通过超分辨重建能够获得高精度、高分辨率的三维重构流场，该模型能够反映全球尺度的三维空间内任意海域的某一特定点位的流场数据；
2、通过卫星和遥感的方法获取整体尺度的第一流场数据，相比于布设接触式测量工具，一方面不会干扰海洋的流体运动；另一方面，测量范围覆盖了全球的海洋，不会受限于极大地成本，包括设备的费用、工作的难度等；
3、在真实环境下，获取了表层和深层的三维流场数据，过程无需采用仿真模型的处理方式，数据可以实时运算处理后传输，且误差小，真实性高；
4、进行高分辨率流场数据的重构时，采用了超分辨率重建方法和深度学习的训练模型，建立了流场图像和数据层面的特征映射，根据特征映射重构流场数据。此模型方法没有引入较多物理环境因素的约束，无需进行繁复冗多的迭代训练，超分辨率重建的方法较成熟，周期短且成功率高，最终得到的数据也更准确。
以下是本发明的实施例提供的一个应用实例：
确定全球范围内的表层流场数据和深层流场数据，根据表层流场数据和深层流场数据确定整体尺度的第一流场数据；获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；构建初始重构模型，采用第二流场数据对初始重构模型进行训练，得到目标重构模型；通过目标重构模型对第一流场数据进行超分辨率重建，得到三维重构流场。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种三维流场重构方法，其特征在于，包括：
确定全球范围内的表层流场数据和深层流场数据，根据所述表层流场数据和所述深层流场数据确定整体尺度的第一流场数据；
获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；
构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型；
通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场。
2.根据权利要求1所述的一种三维流场重构方法，其特征在于，确定表层流场数据的步骤包括：
获取海表风场数据、海表温度数据和海表高度数据；
根据经验算法模型建立海表流场反演模型；
根据所述海表风场数据、所述海表温度数据和所述海表高度数据，通过所述海表流场反演模型进行估算和反演，得到表层流场数据。
3.根据权利要求2所述的一种三维流场重构方法，其特征在于，所述根据所述海表风场数据、所述海表温度数据和所述海表高度数据，通过所述海表流场反演模型进行估算和反演，得到表层流场数据，包括：
根据所述海表高度数据计算地转流；
根据所述海表风场数据计算埃克曼流；
对所述地转流和所述埃克曼流进行矢量合成处理，得到初始数据结果；
确定海面温度数据的反演数据，根据所述反演数据对所述初始数据结果进行插值处理，得到表层流场数据。
4.根据权利要求1所述的一种三维流场重构方法，其特征在于，确定深层流场数据的步骤包括：
根据潜标观测网系统的数据确定近岸流场数据；
根据浮标观测数据确定远岸流场数据；
根据所述近岸深层流场数据和所述远岸深层流场数据确定深层流场数据。
5.根据权利要求1所述的一种三维流场重构方法，其特征在于，所述获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据，包括：
通过海上无人波浪滑翔机进行参数测量，得到第二流场数据；其中，所述海上无人波浪滑翔机搭载有声学多普勒流速仪、激光雷达和若干个用于测量包括温度参数、盐度参数、密度参数和压力参数的传感器。
6.根据权利要求1所述的一种三维流场重构方法，其特征在于，所述构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型的步骤中，训练初始重构模型的步骤包括：
构建基于残差学习生成对抗网络的初始重构模型；其中，所述初始重构模型包括生成器和鉴别器；
将第二流场数据转化为图像数据，得到第一分辨率图像；
对第一分辨率图像进行图像退化处理得到第二分辨率图像；
在生成器中，根据所述第二分辨率图像生成虚拟数据并计算生成器损失；
在鉴别器中，将所述虚拟数据与所述第一分辨率图像进行对比，得到鉴别器损失；
根据所述生成器损失和所述鉴别器损失进行所述生成器和所述鉴别器的相互对抗直至达到均衡状态，得到目标重构模型。
7.根据权利要求1所述的一种三维流场重构方法，其特征在于，所述通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场，包括：
对第一流场数据进行特征提取，得到第一特征；
对所述第一特征进行非线性映射处理，得到第二特征；其中，所述第二特征的分辨率均高于所述第二特征；
结合所述目标重构模型中的第二流场数据特征，根据第二特征进行数据重建，得到三维重构流场。
8.一种三维流场重构系统，其特征在于，包括：
第一模块，用于确定全球范围内的表层流场数据和深层流场数据，根据所述表层流场数据和所述深层流场数据确定整体尺度的第一流场数据；
第二模块，用于获取局部尺度中包括海域流速流向、温度、盐度、密度和压力的参数，得到局部尺度的第二流场数据；
第三模块，用于构建初始重构模型，采用所述第二流场数据对所述初始重构模型进行训练，得到目标重构模型；
第四模块，用于通过所述目标重构模型对所述第一流场数据进行超分辨率重建，得到三维重构流场。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568338.6A CN116597085B (zh) | 2023-05-18 | 2023-05-18 | 一种三维流场重构方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310568338.6A CN116597085B (zh) | 2023-05-18 | 2023-05-18 | 一种三维流场重构方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597085A true CN116597085A (zh) | 2023-08-15 |
| CN116597085B CN116597085B (zh) | 2023-12-12 |
Family
ID=87604124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310568338.6A Active CN116597085B (zh) | 2023-05-18 | 2023-05-18 | 一种三维流场重构方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597085B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080015440A1 (en) * | 2006-07-13 | 2008-01-17 | The Regents Of The University Of Colorado | Echo particle image velocity (EPIV) and echo particle tracking velocimetry (EPTV) system and method |
| CN114299377A (zh) * | 2021-12-31 | 2022-04-08 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
| CN114708145A (zh) * | 2022-03-29 | 2022-07-05 | 国交空间信息技术（北京）有限公司 | Goci水色图像洋流流场的确定方法和装置 |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| WO2022222900A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国海洋大学 | 一种海洋用长时间随涡观测系统及设计方法 |
| CN115393540A (zh) * | 2022-08-30 | 2022-11-25 | 无锡九方科技有限公司 | 基于深度学习的三维海洋环境场的智能融合方法及系统 |
| WO2023071909A1 (zh) * | 2021-10-28 | 2023-05-04 | 华为技术有限公司 | 测量流体表面流速的方法、装置及存储介质 |
| CN116127871A (zh) * | 2023-02-01 | 2023-05-16 | 河海大学 | 利用多源卫星数据重构热带海洋近表层流场的动力学方法 |
-
2023
- 2023-05-18 CN CN202310568338.6A patent/CN116597085B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080015440A1 (en) * | 2006-07-13 | 2008-01-17 | The Regents Of The University Of Colorado | Echo particle image velocity (EPIV) and echo particle tracking velocimetry (EPTV) system and method |
| WO2022222900A1 (zh) * | 2021-04-20 | 2022-10-27 | 中国海洋大学 | 一种海洋用长时间随涡观测系统及设计方法 |
| WO2023071909A1 (zh) * | 2021-10-28 | 2023-05-04 | 华为技术有限公司 | 测量流体表面流速的方法、装置及存储介质 |
| CN114299377A (zh) * | 2021-12-31 | 2022-04-08 | 中山大学 | 一种基于宽度学习的涡旋识别方法及装置 |
| CN114708145A (zh) * | 2022-03-29 | 2022-07-05 | 国交空间信息技术（北京）有限公司 | Goci水色图像洋流流场的确定方法和装置 |
| CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
| CN115393540A (zh) * | 2022-08-30 | 2022-11-25 | 无锡九方科技有限公司 | 基于深度学习的三维海洋环境场的智能融合方法及系统 |
| CN116127871A (zh) * | 2023-02-01 | 2023-05-16 | 河海大学 | 利用多源卫星数据重构热带海洋近表层流场的动力学方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEI REN等: "Investigations into Synoptic Spatiotemporal Characteristics of Coastal Upper Ocean Circulation Using High Frequency Radar Data and Model Output", REMOTE SENSING, pages 1 - 25 * |
| 任磊等: "基于集成学习的海表流预测研究", 第三十三届全国水动力学研讨会论文集, pages 1199 - 1204 * |
| 张文雅;潘广维;丘仲锋;任磊;徐青: "基于高频地波雷达观测的连云港近岸海表流时空特征分析", 人民珠江, no. 005, pages 57 - 66 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597085B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Deep learning from shallow dives: Sonar image generation and training for underwater object detection | |
| Aberle et al. | Experimental hydraulics: Methods, Instrumentation, data processing and management: Volume II: Instrumentation and measurement techniques | |
| Huang et al. | Comprehensive sample augmentation by fully considering SSS imaging mechanism and environment for shipwreck detection under zero real samples | |
| Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
| Bore et al. | Modeling and simulation of sidescan using conditional generative adversarial network | |
| CN116660996B (zh) | 一种基于深度学习的漂流式浅海局部地声参数预测方法 | |
| CN115755071A (zh) | 基于声光遥感和vr技术的深海原位精细探测框架设计方法 | |
| Kearns et al. | Bathymetry-The art and science of seafloor modeling for modern applications | |
| Sung et al. | Realistic sonar image simulation using generative adversarial network | |
| Meng et al. | Remote Sensing for Subsurface and Deeper Oceans: An overview and a future outlook | |
| CN116027349A (zh) | 基于激光雷达和侧扫声呐数据融合的珊瑚礁底质分类方法 | |
| Xie et al. | Neural network normal estimation and bathymetry reconstruction from sidescan sonar | |
| Xie et al. | High-resolution bathymetric reconstruction from sidescan sonar with deep neural networks | |
| CN116184376A (zh) | 一种水下三维地形及多波束图像声呐数据仿真系统和方法 | |
| Bemis et al. | The path to COVIS: A review of acoustic imaging of hydrothermal flow regimes | |
| Long et al. | A comprehensive deep learning-based outlier removal method for multibeam bathymetric point cloud | |
| Xie et al. | Bathymetric reconstruction from sidescan sonar with deep neural networks | |
| Wu et al. | Efficient Identification of water conveyance tunnels siltation based on ensemble deep learning | |
| CN116597085B (zh) | 一种三维流场重构方法、系统、电子设备及存储介质 | |
| Medagoda et al. | Water column current profile aided localisation combined with view-based SLAM for autonomous underwater vehicle navigation | |
| Xi et al. | Side-Scan Sonar Image Simulation Considering Imaging Mechanism and Marine Environment for Zero-Shot Shipwreck Detection | |
| Xie et al. | Towards differentiable rendering for sidescan sonar imagery | |
| Xie et al. | Bathymetric Surveying with Imaging Sonar Using Neural Volume Rendering | |
| Leedekerken et al. | Mapping complex marine environments with autonomous surface craft | |
| Sung et al. | Underwater object detection of AUV based on sonar simulator utilizing noise addition |
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 |