CN117935023B - 基于注意力机制的中尺度涡识别和特征分析方法及系统 - Google Patents

基于注意力机制的中尺度涡识别和特征分析方法及系统 Download PDF

Info

Publication number
CN117935023B
CN117935023B CN202410329748.XA CN202410329748A CN117935023B CN 117935023 B CN117935023 B CN 117935023B CN 202410329748 A CN202410329748 A CN 202410329748A CN 117935023 B CN117935023 B CN 117935023B
Authority
CN
China
Prior art keywords
vortex
mesoscale
data
recognition
model
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
Application number
CN202410329748.XA
Other languages
English (en)
Other versions
CN117935023A (zh
Inventor
黄礼敏
尧仕杰
张璐
曹德斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Harbin Engineering University Innovation Development Center
Harbin Engineering University
Original Assignee
Qingdao Harbin Engineering University Innovation Development Center
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Harbin Engineering University Innovation Development Center, Harbin Engineering University filed Critical Qingdao Harbin Engineering University Innovation Development Center
Priority to CN202410329748.XA priority Critical patent/CN117935023B/zh
Publication of CN117935023A publication Critical patent/CN117935023A/zh
Application granted granted Critical
Publication of CN117935023B publication Critical patent/CN117935023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06N3/045—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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于海洋中尺度涡识别技术领域，公开了基于注意力机制的中尺度涡识别和特征分析方法及系统。该方法利用ROMS数值模式提供高分辨率海洋环境数据，并对VG识别方法进行参数优化，基于优选的参数化方案与AVSIO数据集中的中尺度涡数据构建高精度的中尺度涡数据集，最后基于深度学习的方法对中尺度涡进行快速、精准的识别并基于识别结果开展特征分析研究。本发明可以掌握中尺度涡空间位置分布及半径等特征参数和温盐场信息，进而掌握声学探测装备在实海探测的真实效能，对实现水下目标高效、准确探测具有重要意义。

Description

基于注意力机制的中尺度涡识别和特征分析方法及系统
技术领域
本发明属于海洋中尺度涡识别技术领域，尤其涉及基于注意力机制的中尺度涡识别和特征分析方法及系统。
背景技术
中尺度涡是一种海洋中普遍存在的中尺度过程，它作为一个独立封闭的水团在海洋表层会引起高度变化，与周围海水温盐流结构存在显著差异。中尺度涡特殊的温、盐结构及流场变化导致了水下声场和水面舰船尾迹的变化，因此实现海洋中尺度涡识别有助于研究海洋气候变化，同时还能有效对水面舰船目标特征探测和潜艇声纳探测具有重要研究意义。
目前主要基于卫星高度计数据进行涡旋识别，卫星高度计可以提供全球海表面高度和海洋环流数据，但卫星高度计不能提供高分辨率的识别数据，不能满足对小涡旋识别的需求。因此需要高分辨率识别数据进行涡旋识别。同时，现有的智能识别算法由于缺乏实测数据集作为训练，普遍使用基于物理识别方法识别的结果作为训练集来训练神经网络模型，而物理识别方法本身存在不足，使得训练得到的智能识别模型精度不高，无法实现中尺度涡的精准识别。因此需要准确的中尺度涡数据集来训练智能识别模型。
当前，已有发明专利《一种基于多任务学习的中尺度涡识别方法及系统》（公开号CN116895023A，公开日2023.10.17）通过中尺度涡语义分割和中尺度涡轮廓检测的多任务学习来实现中尺度涡智能识别，但该方法只能识别大尺度涡旋，没有对原始中尺度涡数据集进行优化，识别精度有限。
已有发明专利《一种基于深度学习的海洋中尺度涡检测方法》（公开号CN113592786B，公开日2023.12.05）通过U-net神经网络和注意力机制进行中尺度涡智能识别，但该方法没有对原始中尺度涡数据集进行优化，同时使用的海洋环境数据是开源数据，数据分辨率有限。
已有发明专利《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》（公开号CN112102325B，公开日2021.11.09）通过改进U-Net图像分割模型基于SSH和SST信息的融合特征数据进行中尺度涡特征识别，但该方法没有使用注意力机制对模型进行优化，同时识别结果没有进行特征分析，没有对识别结果进行充分利用和分析。
通过上述分析，现有技术存在的问题及缺陷为：在当前的中尺度涡识别研究中，已有通过深度学习的方法进行中尺度涡智能识别的相关研究，但多数研究重点放在模型本身的优化，模型训练所使用的海洋环境数据和中尺度涡数据集分别来自开源数据和物理识别方法得到的中尺度涡数据。一方面开源的海洋环境数据分辨率有限，无法满足小涡旋识别的需求，另一方面物理识别方法得到的中尺度涡数据精度有限，使得训练集本身就不能较好反映中尺度涡分布特征，造成基于智能识别模型识别的中尺度涡结果精度较低。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了基于注意力机制的中尺度涡识别和特征分析方法及系统。
所述技术方案如下：基于注意力机制的中尺度涡识别和特征分析方法，包括：
S1，海洋环境数据集构建：基于ROMS海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
S2，中尺度涡智能识别：基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
S3，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
在步骤S1中，所述基于ROMS海流模式计算方案，包括：基于ROMS海流模式建立目标海域的海流模拟模型，基于开源数据中提供的风场、地形数据制作网格文件、边界场、初始场、强迫场，求解偏微分方程以获取目标海域的海流和海表面高度信息；偏微分方程包括：连续方程、动量方程、热力学方程和生物过程方程，在ROMS中，海洋被划分为一系列网格单元，每个网格单元代表海洋的一个部分，每个网格单元的温度、盐度、流速物理属性被计算出来，并通过与周围网格的相互作用模拟海洋的流动和变化，通过已知的有限的离散数据，求解四维空间的连续数据。
在步骤S1中，所述高分辨率海洋环境数据基于多种参数化方案，利用VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，具体包括：
基于VG物理识别方法针对目标海域所使用的对应分辨率海洋环境数据，设置a、b两个参数的多组实验，将结果与专家标记数据的中尺度涡结果进行对比，采用SDR和EDR两个指标来判断不同实验的结果，选取最优的参数化方案进行目标海域中尺度涡数据集构建，表达式为：
；
；
式中，为准确率，/>为错误率，/>为基于VG方法检测到的涡旋与真实结果重合的数量，/>为真实存在的涡旋数量，/>为基于VG方法检测到的涡旋数量与真实涡旋总数的差值。
在步骤S1中，所述得到高精度的中尺度涡样本集，包括：
基于专家标记数据的中尺度涡识别结果和设置的多组参数化实验结果，根据SDR和EDR两个指标选取其中最优的参数化方案，以识别结果为基础，AVSIO数据集中的中尺度涡为参考，两者取交集并排除振幅小的涡旋，依次对目标海域该时间段内的中尺度涡识别结果进行筛选，具体筛选过程包括：
相同时间和地点下VG物理识别方法识别出来的涡旋和AVSIO数据集中的涡旋同时存在时，该涡旋为真实涡旋；相反，相同时间和地点下如果VG物理识别方法识别出涡旋，但AVSIO数据集中不存在涡旋，则该涡旋不存在，通过上述判断标准，对VG物理识别方法识别得到的中尺度涡数据进行优化筛选，筛选结束后，再将振幅小的涡旋排除，使最终得到的中尺度涡数据集中的结果符合物理特征，完成对中尺度涡智能识别。
在步骤S2中，所述基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，包括：基于构建的海洋环境数据集和注意力机制的改进Danet模型进行建立，输入包括：
绝对海表面高度：
；
地转流流速：
；
；
标签集：
；
由上述四种数据构成训练集、验证集和测试集，训练集用来训练智能模型，使模型学习规律，验证集是模型一边训练一边检验模型的训练效果，测试集是用训练好的模型测试模型的效果，测试集结果就是最终结果；输出为含有涡旋信息的矩阵/>：
；
式中，分别表示经度方向的网格数、纬度方向的网格数、天数、物理信息，标签集/>和含有涡旋信息的矩阵/>里面包含0、1、2三个数字，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋。
在步骤S2中，所述中尺度涡智能识别模型的骨干网是Danet网格，去除下采样操作，在最后两个RestNet中使用Dilated卷积，具体包括：
数据A通过骨干网络和Dilated卷积的处理，从而获得输入大小的1/8的特征映射B；将输出的特征图B提供给注意模块，从而得到空间注意图C；其中，注意模块分为空间注意力模块和通道注意力模块，空间注意力模块通过学习每个特征通道的重要性，通道关注确定特征通道之间的相互依赖关系，并为每个通道分配唯一的权重系数，/>为通道个数，/>为百分比；将A进行重塑与空间注意图C相乘，再乘以比例因子得到D，再次重塑为其原始形状E，最后与A相加，得到最终输出的特征图F；通道注意力模块采用相反的矩阵乘法得到的通道注意图；将两个通道关注模块的输出F和G进行基本求和得到H，完成特征融合，最后进行卷积生成预测图。
在步骤S3中，所述利用识别的中尺度涡结果进行后处理包括：
基于中尺度涡智能识别模型识别的中尺度涡结果，对其中0、1、2三种数据进行提取分析，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋，得到反气旋涡和气旋涡的涡心位置、涡边界信息；基于上述信息对目标海域中尺度涡的涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征进行分析。
在步骤S3中，所述计算涡旋半径包括：计算涡旋边界点位置与涡旋中心距离的平均值，处理不规则形状涡旋，表达式为：
；
其中，为边界上第/>个点到涡旋中心的距离，/>为边界点的个数，/>为涡旋半径；
计算涡旋振幅包括：涡旋边界海表面高度异常值减去涡旋中心海表高度异常值的绝对值，表达式为：
；
式中，为振幅，/>边界上第/>个点到涡旋中心的距离，/>为边界点的个数；
计算生命周期包括：涡旋从出现到消失的过程中经历的时间，将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间；将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间，表达式为：
；
式中，为生命周期，/>为涡旋生命周期时间序列中的最后一个值，/>为涡旋生命周期时间序列中的第一个值；
计算涡旋数量包括：通过涡旋跟踪将具有轨迹的涡旋轨迹记为一个涡旋，每一个涡旋中心的瞬时位置形成一条轨迹，则为一个有效涡旋。
在步骤S3中，所述计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征,包括：
确定完中尺度涡的中心和边界之后，对中尺度涡的涡旋移动轨迹进行追踪，分析其移动的具体路线；完成中尺度涡中心位置识别后，基于连续时间范围涡旋中心位置的移动变化，实现对中尺度涡的涡旋移动轨迹追踪；通过中尺度涡中心位置的追踪信息得到其运动轨迹；
所述涡旋移动轨迹追踪具体包括：
（1）确定N×N网格大小的追踪区域，基于该网格区域大小进行目标涡旋移动后的涡旋搜寻；
（2）在N×N网格区域内，基于T时刻识别出的涡旋位置，在T+1时刻寻找与T时刻涡旋极性相同且距离T时刻识别涡旋中心距离最近的涡旋中心；
（3）如果没有找到同一极性的涡旋，则需要在T+2时刻将搜索区域变大，将搜索区域长度变为T+1时刻搜寻网格区域的3/2倍，继续搜寻涡旋；
（4）如果没有追踪到相同极性的涡旋，则该涡旋已经消亡，之后停止对该涡旋的追踪；
（5）在整个涡旋追踪过程中如果出现多个极性相同的涡旋中心，选择与上一个搜寻到的涡旋中心距离最近的涡旋为同一涡旋。
本发明的另一目的在于提供一种基于注意力机制的中尺度涡识别和特征分析系统，该系统实施所述基于注意力机制的中尺度涡识别和特征分析方法，该系统包括：
海洋环境数据集构建模块，基于ROMS海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
中尺度涡智能识别模块，基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
中尺度涡特征分析模块，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
结合上述的所有技术方案，本发明所具备的有益效果为：本发明通过ROMS数值模式构建高分辨率海洋环境数据，基于VG物理识别方法和AVSIO数据集构建高精度中尺度涡数据集，进而基于空间注意力和通道注意力机制的改进Danet模型实现中尺度涡智能识别，进而对目标海域的中尺度涡进行位置分析和特征分析研究，为海洋气候变化研究和水面舰船目标特征探测、潜艇声纳探测提供信息支撑。本发明可以掌握中尺度涡空间位置分布及半径等特征参数和温盐场信息，进而掌握声学探测装备在实海探测的真实效能，对实现水下目标高效、准确探测具有重要意义。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析方法流程图；
图2是本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析方法原理图；
图3是本发明实施例提供的中尺度涡智能识别模型结构图；
图4是本发明实施例提供的涡旋识别限制条件示意图；
图5是本发明实施例提供的模型准确率曲线变化图；
图6是本发明实施例提供的中尺度涡数量年际变化中训练集和验证损失曲线图；
图7是本发明实施例提供的中尺度涡数量年际变化中训练和验证准确率曲线图；
图8是本发明实施例提供的涡旋数量年度变化规律图；
图9是本发明实施例提供的涡旋数量月份平均变化图；
图10是本发明实施例提供的涡旋半径与数量统计图；
图11是本发明实施例提供的涡旋半径与数量变化图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明实的创新点在于：本发明利用ROMS数值模式提供高分辨率海洋环境数据，并对VG识别方法进行参数优化，基于优选的参数化方案与AVSIO数据集中的中尺度涡数据构建高精度的中尺度涡数据集，最后基于深度学习的方法对中尺度涡进行快速、精准的识别。同时，本发明不依赖于开源环境数据，在卫星信号受限或断网情况下依旧可以实现中尺度涡识别，为潜航体声呐水下探测作业提供辅助参考价值。
示例性的，本发明通过ROMS数值模式计算的高分辨率海洋环境数据，并对VG识别方法进行参数优化，基于优选的参数化方案与AVSIO数据集中的中尺度涡数据构建高精度的中尺度涡数据集，基于深度学习模型开展目标海域中尺度涡智能识别研究，实现目标海域中尺度涡的快速、精准识别。相比传统方法，该方法使用高分辨率海洋环境数据可以对小涡旋进行识别，同时利用高精度的中尺度涡数据集和深度学习模型可以实现中尺度涡的快速、精准识别，基于识别结果，可以获取目标海域中尺度涡的时空分布特征。本发明可以有效掌握中尺度涡的整体变化情况，有效为舰艇目标特征探测、航行器水下作业及舰艇声呐水下探测作业提供辅助参考价值。
实施例1，基于中尺度涡精准识别和小涡旋识别的实际需求，如图1所示，本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析方法包括：
S1，海洋环境数据集构建：基于ROMS海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
S2，中尺度涡智能识别：基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
S3，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
本发明通过数值模式计算的海洋环境数据，利用VG物理识别方法和AVSIO数据集得到的中尺度涡数据集，基于深度学习模型开展目标海域中尺度涡智能识别研究，实现目标海域中尺度涡的快速、精准识别。相比传统方法，该方法使用高分辨率海洋环境数据可以对小涡旋进行识别，同时利用高精度的中尺度涡数据集和深度学习模型可以实现中尺度涡的快速、精准识别，基于识别结果，可以获取目标海域中尺度涡的时空分布特征。本发明可以有效掌握中尺度涡的整体变化情况，有效为舰艇目标特征探测、航行器水下作业及舰艇声呐水下探测作业提供辅助参考价值。
通过上述实施例可知，本发明通过构建高分辨率的海洋环境数据和高精度的中尺度涡数据集，提升了基于深度学习的中尺度涡智能识别方法的精度，更好掌握中尺度涡空间位置分布及半径等特征参数和温盐场信息，帮助相关单位更好了解声学探测装备在实海探测的真实效能，对实现水下目标高效、准确探测具有重要意义。
在当前的中尺度涡识别研究中，已有通过深度学习的方法进行中尺度涡智能识别的相关研究，但多数研究重点放在模型本身的优化，模型训练所使用的海洋环境数据和中尺度涡数据集分别来自开源数据和物理识别方法得到的中尺度涡数据。一方面开源的海洋环境数据分辨率有限，无法满足小涡旋识别的需求，另一方面物理识别方法得到的中尺度涡数据精度有限，使得训练集本身就不能较好反映中尺度涡分布特征，造成基于智能识别模型识别的中尺度涡结果精度较低。本发明通过构建高分辨率的海洋环境数据和高精度的中尺度涡数据集，解决了数据集本身精度和分辨率不高的问题，进一步提升了模型识别精度。
本发明的技术方案有效解决了中尺度涡智能识别模型识别精度有限的问题，在不对深度学习模型进行较大改动的基础上，利用ROMS数值模式、VG物理识别方法和AVSIO数据集构建高分辨率海洋环境数据和高精度中尺度涡数据集，进一步提升中尺度涡智能识别精度，为中尺度涡精准、快速识别提供了一种切实可行的技术方法。
实施例2，作为本发明另一种实施方式，如图2所示，本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析方法原理，包括：
海洋环境数据集构建技术、中尺度涡智能识别技术、中尺度涡特征分析技术。其中海洋环境数据集构建技术为中尺度涡智能识别提供高分辨率海洋环境数据和高精度中尺度涡数据集，进而基于中尺度涡智能识别技术的识别结果开展中尺度涡特征分析研究。
首先，海洋环境数据集构建技术分为高分辨率海洋环境数据构建和高精度中尺度涡数据集构建。其中，高分辨率海洋环境数据构建基于ROMS数值模式进行模拟，通过调整ROMS数值模式中的参数，得到多组模拟结果，将模拟结果与实测数据进行对比，得到最优的参数方案，基于该方案模拟得到高分辨率的海洋环境数据；高精度中尺度涡数据集构建首先对VG物理识别方法进行参数化方案优化，即设置多组对照实验，对目标海域的中尺度涡进行识别，将结果与专家识别结果进行对比，选取其中最优结果的参数化方案，基于该方案进行VG物理识别研究，将识别结果与AVSIO数据集的中尺度涡结果取交集，即VG物理识别方法识别出来的涡旋和AVSIO数据集中的涡旋同时存在时，才认为该涡旋为真实涡旋，同时排除振幅较小的涡旋，最终选取最优的参数化方案，从而得到高精度的中尺度涡数据集。
其次，中尺度涡智能识别技术使用上述数据构建训练集。再基于改进的Danet模型建立中尺度涡智能识别模型，如图3所示，模型的骨干网是Danet网格，去除了下采样操作，并在最后两个RestNet中使用了Dilated卷积。数据A首先通过骨干网络和Dilated卷积的处理，从而获得输入大小的1/8的特征映射B。然后将输出的特征B提供给注意模块，从而得到空间注意C。然后，将A进行重塑与空间注意C相乘，再乘以比例因子得到D，再次重塑为其原始形状E，最后与A相加，得到最终输出的特征F。通道注意模块的处理类似，只是采用相反的矩阵乘法得到的通道注意图。将两个通道关注模块的输出F和G进行基本求和得到H，完成特征融合，最后进行卷积生成预测图。
最后，中尺度涡特征分析技术对智能识别模型识别的结果进行后处理。先得到目标海域中尺度涡分布图，基于长时间尺度的中尺度涡分布结果进行特征分析，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋传播路径等时空统计特征。
实施例3，作为本发明另一种详细实施方式，本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析方法包括：
第一步，海洋环境数据集构建：针对环境信息的获取和开源数据分辨率低等问题，开展基于ROMS海流模式的海洋流场模拟研究，基于地形、风场等环境信息，设计模式计算方案及参数化方案，实现目标海域高精度流场和海表面高度模拟。针对智能识别模型训练样本精度有限等问题，开展基于ROMS海流模式模拟的海洋环境信息利用VG物理识别方法进行中尺度涡物理识别研究，进行参数化方案优化，得到最优的参数化方案；
与传统参数化方案相比，本发明不光考虑参数本身调整，还考虑AVSIO数据集的影响，本发明创新提出如下：基于多种参数方案利用VG物理识别方法得到目标海域的中尺度涡样本集，最后将该样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取最优的参数化方案，进而得到高精度的中尺度涡样本集。
第二步，中尺度涡智能识别：针对中尺度涡物理识别方法精度有限、耗时较长等问题，开展基于注意力机制的改进Danet模型的中尺度涡智能识别。利用上述构建的海洋环境数据对模型进行训练，并使用损失函数、准确率等评价指标对模型的精度进行验证。
第三步，中尺度涡特征分析：中尺度涡特征分析利用智能识别模型识别的结果，对其进行后处理，提取涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋传播路径等中尺度涡的时空统计特征，并将其进行可视化，同时基于该特征信息获取目标海域中尺度涡年际及月际变化特征。
在本发明实施例第一步中的模式计算方案具体是指：基于ROMS海流模式建立目标海域的海流模拟模型，加入潮汐作用和大气强迫项，更合理地考虑流场产生要素，提高目标海域海流模拟的精度。
基于开源数据中提供的风场、地形等数据制作边界场、初始场、强迫场，从而求解一系列偏微分方程以获取目标海域的海流和海表面高度信息。这些方程包括连续方程、动量方程、热力学方程和生物过程方程等。在ROMS中，海洋被划分为一系列网格单元，每个单元都代表了海洋的一个特定部分。每个网格单元的物理属性（如温度、盐度、流速等）被计算出来，并通过与周围网格的相互作用来模拟海洋的流动和变化，通过已知的有限的离散数据，去求解四维空间的连续数据。
可以理解，VG物理识别方法具体流程如下：在VG物理识别方法中认为中尺度涡是一种围绕着一个中心顺时针或者逆时针旋转并且在移动的速度场。简而言之，就是中尺度涡中心是流场速度最小的位置，从涡旋中心向四周延伸，流场速度是逐渐增大的，并在一定的位置达到速度最大值。基于流场几何特征方法，满足以下四个限制条件的速度场位置即为中尺度涡中心，4个限制条件与相应示意图如涡旋识别限制条件示意图4所示：
（1）从涡旋中心向东西方向延伸的经向速度分量v在涡旋中心东西两边的数值符号相反，大小从中心向外逐渐增大；
（2）从涡旋中心向南北方向延伸的纬向速度分量u在涡旋中心南北两边的数值符号相反，大小从中心向外逐渐增大；
（3）在检测区域内流场最小值为疑似涡旋中心；
（4）通过（3）确定的疑似涡旋中心周边，速度矢量的旋转方向必须形成闭环，即相邻的两个速度矢量方向必须一致，即二者在同一个象限或连续相邻的两个象限。
在上述的四个约束条件中需要对两个参数a和b进行确定。首先参数a是被用于确定限制条件（1）、（2）和（4），通过设置a网格数量区域来检测沿着东西（经度）水平方向分量v以及沿着南北（纬度）水平方向分量u是否在涡旋中心两侧数值符号相反，且数值大小向外逐渐增大。另外参数a也是检测速度矢量的旋转方向是否连续一致。参数b是被用于确定限制条件（3）。通过设置b网格数量区域检测测试区域速度场最小值。参数a和b与速度场的数据分辨率相关，两个参数可根据识别数据分辨率进行调整，从而实现在不同网格分辨率的条件下能够达到较好的识别效果。基于上述分析可知，参数a和b对中尺度涡识别具有重要影响，根据数据不同的分辨率进行调整，从而达到最优的识别效果。根据识别数据特征和空间分辨率，需要进行敏感性试验对参数a和b进行最优选取。
完成中尺度涡中心识别后，需要对其覆盖区域进行研究，也就是需要确定涡旋边界。流场几何特征方法对涡旋边界采用的是闭合等值流函数进行确定。在中尺度涡内部的流场具有较弱的发散性，相反涡旋外部流场具有较强的发散性。基于涡旋这个显著特征，在涡旋中心附近区域计算涡旋外部的闭合流线。由于中尺度涡边界的速度矢量相切于流函数等值线，且速度适量的切向速率向涡旋方向是逐渐增加的，因此，可以通过中尺度涡最外封闭速度矢量的等值线确定涡旋边界，涡旋边界确定如下图5基于流函数等值线确定涡旋边界示意图所示，图5中，“×”代表识别的涡旋中心，最粗的黑色实线是确定的涡旋边界；
在本发明实施例第一步中的VG参数化方案优选具体是指：基于VG物理识别方法针对目标海域所使用的对应分辨率海洋环境数据，设置a、b两个参数的多组实验，将结果与专家标记的中尺度涡结果进行对比，采用SDR和EDR两个指标来判断不同实验的结果，选取其中较优的参数化方案进行目标海域中尺度涡数据集构建。
；
；
式中，为准确率，/>为错误率，/>为基于VG方法检测到的涡旋与真实结果重合的数量，/>为真实存在的涡旋数量，即人工观察检测到的涡旋数量；/>为基于VG方法检测到的涡旋数量与真实涡旋总数的差值，即错误识别的涡旋。
在本发明实施例第一步中的优化处理得到高精度的中尺度涡样本集具体是指：基于专家标记的中尺度涡识别结果和设置的多组参数化实验结果，根据SDR和EDR两个指标选取其中较优的参数化方案，以这些参数化方案识别结果为基础，AVSIO数据集中的中尺度涡为参考，两者取交集并排除振幅较小的涡旋，依次对目标海域该时间段内的中尺度涡识别结果进行筛选，具体筛选过程如下：即相同时间和地点下VG物理识别方法识别出来的涡旋和AVSIO数据集中的涡旋同时存在时，才认为该涡旋为真实涡旋。相反，相同时间和地点下如果VG物理识别方法识别出涡旋，但是AVSIO数据集中不存在涡旋，则认为该涡旋不存在，通过这一判断标准，对VG物理识别方法识别得到的中尺度涡数据进行优化筛选，筛选结束后，再将振幅较小的涡旋排除，使得最终得到的中尺度涡数据集中的结果更符合物理特征，以便中尺度涡智能识别模型能够精确、快速学习这一特征，从而对中尺度涡进行智能识别。
以VG物理识别方法识别的结果为基础，AVSIO数据集中的中尺度涡为参考，两者取交集并排除振幅较小的涡旋，依次对目标海域该时间段内的中尺度涡识别结果进行筛选，从而得到符合物理特征的中尺度涡数据集。
在本发明实施例第二步中的基于注意力机制的改进Danet模型具体是指：基于步骤（1）中构建的海洋环境数据集，进一步基于注意力机制的改进Danet模型，建立中尺度涡智能识别模型。中尺度涡智能识别模型中，输入为绝对海表面高度，地转流流速/>，，标签集/>，表达式为：
绝对海表面高度：
；
地转流流速：
；
；
标签集：
；
由上述四种数据构成训练集、验证集和测试集，训练集用来训练智能模型，使模型学习规律，验证集是模型一边训练一边检验模型的训练效果，测试集是用训练好的模型测试模型的效果，测试集结果就是最终结果；输出为含有涡旋信息的矩阵/>：
；
式中，分别表示经度方向的网格数、纬度方向的网格数、天数、物理信息，标签集/>和含有涡旋信息的矩阵/>里面包含0、1、2三个数字，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋。
模型的骨干网是Danet网格，去除了下采样操作，并在最后两个RestNet中使用了Dilated卷积，以获得输入大小的1/8的特征映射。Dilated卷积相关原理为：
；
上述中尺度涡智能识别模型技术作用：在不降低图像分辨率和丢失信息的前提下，加大了感受野，让每个卷积输出都包含较大范围的信息。其中，为上一层的感受野，/>是卷积核的尺寸，/>是步长。
数据A首先通过骨干网络和Dilated卷积的处理，从而获得输入大小的1/8的特征映射B。然后将输出的特征B提供给注意模块，从而得到空间注意C。其中，注意模块分为空间注意力模块和通道注意力模块，通过学习每个特征通道的重要性，通道关注可以确定特征通道之间的相互依赖关系，并为每个通道分配唯一的权重系数，其中，/>为通道个数，/>为百分比。
这将导致重要的特征响应突出，并导致较少的重要特征响应消失。通过为所有位置的特征分配权重，选择性地聚合彼此相关的特征，从而抑制非重要位置的特征，从而实现对特征有意义位置的空间关注。然后，将A进行重塑与空间注意C相乘，再乘以比例因子得到D，再次重塑为其原始形状E，最后与A相加，得到最终输出的特征F。通道注意模块的处理类似，只是采用相反的矩阵乘法得到的通道注意图。将两个通道关注模块的输出F和G进行基本求和得到H，完成特征融合，最后进行卷积生成预测图。
在本发明实施例第二步中，损失函数loss、准确率acc的计算公式如下：
；
其中，其中是特定分类的预测图，/>是该分类的真实分布。/>或/>表示矩阵中元素的个数。
；
可以理解，损失函数loss、准确率acc的计算公式作用：基于loss这一指标，模型不断优化自身参数，通过多轮学习使得loss不断降低，从而实现中尺度涡的精准识别，loss越低模型识别结果越好，acc是一判断指标，主要用来分析模型识别的好坏，acc越高模型识别结果越好。
TP(真阳性)是正确检测到的涡流的数量，FP(假阳性)是过度检测到的涡流的数量，TN(真阴性)和FN(真阴性)表示正确和错误识别为背景的点的数量。其中，中尺度涡智能识别模型损失函数曲线变化如图6所示，中尺度涡智能识别模型准确率曲线变化如图7所示。
在本发明实施例第三步中，后处理的具体过程为：基于智能识别模型识别的结果，对其中0、1、2三种数据进行提取分析，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋，从而得到反气旋涡和气旋涡的涡心位置、涡边界等信息，基于这些信息对目标海域中尺度涡的涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋传播路径等时空统计特征进行分析。相关参数概念如下：
1）涡旋数量：涡旋的计数方法分为两种。第一种是某一时刻识别的涡旋记为一个涡旋，另一种是通过涡旋跟踪将具有轨迹的涡旋轨迹记为一个涡旋。本发明选用的是第二种，即每一个涡旋中心的瞬时位置形成一条轨迹，才能认为是一个有效涡旋。
2）涡旋半径：涡旋半径代表着涡旋大小。也是分为两种方法，第一种是具有相同面积的圆的半径，是包含在涡旋边界内的面积，第二种是涡旋边界点位置与涡旋中心距离的平均值。本发明选用第二种，可以有效的处理不规则形状涡旋。
3）生命周期：涡旋从出现到消失的过程中经历的时间。将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间。
4）振幅：涡旋边界海表面高度异常值减去涡旋中心海表高度异常值的绝对值。
示例性的，所述计算涡旋半径包括：计算涡旋边界点位置与涡旋中心距离的平均值，处理不规则形状涡旋，表达式为：
；
其中，为边界上第/>个点到涡旋中心的距离，/>为边界点的个数，/>为涡旋半径；
所述计算涡旋振幅包括：涡旋边界海表面高度异常值减去涡旋中心海表高度异常值的绝对值，表达式为：
；
式中，为振幅，/>边界上第/>个点到涡旋中心的距离，/>为边界点的个数；
所述生命周期计算包括：涡旋从出现到消失的过程中经历的时间。将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间；将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间，表达式为：
；
式中，为生命周期，/>为涡旋生命周期时间序列中的最后一个值，/>为涡旋生命周期时间序列中的第一个值；
在本发明实施例第三步中，涡旋传播路径获取的具体过程为：确定完中尺度涡的中心和边界之后，需要对中尺度涡的轨迹进行追踪，研究其移动的具体路线。完成上述中尺度涡中心位置识别后，基于连续时间范围涡旋中心位置的移动变化，实现对中尺度涡的追踪。通过中尺度涡中心位置的追踪信息便可以得到其运动轨迹。相关的涡旋追踪原理方法如下所示：
（1）确定N×N网格大小的追踪区域，基于该网格区域大小进行目标涡旋移动后的涡旋搜寻；
（2）在N×N网格区域内，基于T时刻识别出的涡旋位置，在T+1时刻寻找与T时刻涡旋极性相同且距离T时刻识别涡旋中心距离最近的涡旋中心；
（3）如果没有找到同一极性的涡旋，则需要在T+2时刻将搜索区域变大，将搜索区域长度变为T+1时刻搜寻网格区域的3/2倍，继续搜寻涡旋；
（4）如果没有追踪到相同极性的涡旋，则该涡旋已经消亡，之后停止对该涡旋的追踪；
（5）在整个涡旋追踪过程中如果出现多个极性相同的涡旋中心，选择与上一个搜寻到的涡旋中心距离最近的涡旋为同一涡旋。
实施例4，本发明实施例提供的基于注意力机制的中尺度涡识别和特征分析系统包括：
海洋环境数据集构建模块，用于通过设计基于ROMS海流模式计算方案及参数化方案，进行目标海域高精度流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于所述基于ROMS海流模式的高分辨率海洋环境数据基于多种参数方案利用VG物理识别方法得到目标海域的中尺度涡样本集，将该样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取最优的参数化方案，进而得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
中尺度涡智能识别模块，用于基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，并利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练，进行中尺度涡识别，并使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
中尺度涡特征分析模块，用于利用所述中尺度涡智能识别模型识别的结果进行后处理，提取涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于所述中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
本发明基于中尺度涡智能识别模型识别的结果开展中尺度涡特征分析研究。基于中尺度涡特征参数的定义，利用识别结果计算1991年至2021年某海海域中尺度涡的相关特征。
基于统计分析方法统计1991年至2021年期间某海的中尺度涡整体情况。基于30年的中尺度涡识别结果，一共统计涡旋数量共有19069个，其中气漩涡共有9675个，反气旋涡共有9394个。整体来说两者数量相近，气旋涡数量略多于反气漩涡数量。为了便于展示涡旋数量年际变化情况，如图8所示绘制了涡旋年际变化折线图，可以发现，两种涡旋数量整体相差较小，中尺度涡数量年际变化呈现振荡分布。其中2003年涡旋数量最少，共有619个，2007年涡旋数量最多，共有762个，平均每年能够生成683个中尺度涡，336个反气旋涡，347个气漩涡。由于南海受到黑潮不稳定流影响，造成了该区域是中尺度涡高发区域。
为了能够反映出中尺度涡季节变化情况，如图9所示给出了中尺度涡月平均数量分布情况。其中每月涡旋数量统计了30年期间每个月数量的平均值，其中规定12月、1-2月为冬季，3-5月为春季，6-8月为夏季，9-11为秋季。从图中可以发现在春季涡旋数量最多，气漩涡冬季最少，反气旋涡冬季最少，两种涡旋在秋季变化趋势不一样。整体来说，在春季、夏季反气旋涡数量是多于气漩涡的，秋季和冬季是气漩涡多于反气旋涡。
掌握中尺度涡需要了解其空间分布尺度，由涡旋半径定义对识别到的涡旋半径进行计算。如图10和图11所示，涡旋半径主要60-180km之间，最大涡旋半径超过200km，最小涡旋半径在40-60km之间。从图10和图11中可以看出两种涡旋半径数量变化趋势一致，随着涡旋半径的增大，涡旋数量先增大后减小。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，该方法包括：
S1，海洋环境数据集构建：基于ROMS海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
S2，中尺度涡智能识别：基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
S3，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征；
在步骤S2中，所述基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，包括：基于构建的海洋环境数据集和注意力机制的改进Danet模型进行建立，输入包括：
绝对海表面高度：
地转流流速：
标签集：
由上述四种数据构成训练集、验证集和测试集Ddate＝[dijkl]i×j×k×l，训练集用来训练智能模型，使模型学习规律，验证集是模型一边训练一边检验模型的训练效果，测试集是用训练好的模型测试模型的效果，测试集结果就是最终结果；输出为含有涡旋信息的矩阵D：
式中，i,j,k,l分别表示经度方向的网格数、纬度方向的网格数、天数、物理信息，标签集Dlabel和含有涡旋信息的矩阵D里面包含0、1、2三个数字，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋；
在步骤S2中，所述中尺度涡智能识别模型的骨干网是Danet网格，去除下采样操作，在最后两个RestNet中使用Dilated卷积，具体包括：
数据A通过骨干网络和Dilated卷积的处理，从而获得输入大小的1/8的特征映射B；将输出的特征图B提供给注意模块，从而得到空间注意图C；其中，注意模块分为空间注意力模块和通道注意力模块，空间注意力模块通过学习每个特征通道的重要性，通道关注确定特征通道之间的相互依赖关系，并为每个通道分配唯一的权重系数Tdate＝[a1,a2…ai]i，i为通道个数，ai为百分比；将A进行重塑与空间注意图C相乘，再乘以比例因子得到D，再次重塑为其原始形状E，最后与A相加，得到最终输出的特征图F；通道注意力模块采用相反的矩阵乘法得到的通道注意图；将两个通道关注模块的输出F和G进行基本求和得到H，完成特征融合，最后进行卷积生成预测图。
2.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S1中，所述基于ROMS海流模式计算方案，包括：基于ROMS海流模式建立目标海域的海流模拟模型，基于开源数据中提供的风场、地形数据制作网格文件、边界场、初始场、强迫场，求解偏微分方程以获取目标海域的海流和海表面高度信息；偏微分方程包括：连续方程、动量方程、热力学方程和生物过程方程，在ROMS中，海洋被划分为一系列网格单元，每个网格单元代表海洋的一个部分，每个网格单元的温度、盐度、流速物理属性被计算出来，并通过与周围网格的相互作用模拟海洋的流动和变化，通过已知的有限的离散数据，求解四维空间的连续数据。
3.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S1中，所述高分辨率海洋环境数据基于多种参数化方案，利用VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，具体包括：
基于VG物理识别方法针对目标海域所使用的对应分辨率海洋环境数据，设置a、b两个参数的多组实验，将结果与专家标记数据的中尺度涡结果进行对比，采用SDR和EDR两个指标来判断不同实验的结果，选取最优的参数化方案进行目标海域中尺度涡数据集构建，表达式为：
式中，SDR为准确率，EDR为错误率，NTr为基于VG方法检测到的涡旋与真实结果重合的数量，NT为真实存在的涡旋数量，NTf为基于VG方法检测到的涡旋数量与真实涡旋总数的差值。
4.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S1中，所述得到高精度的中尺度涡样本集，包括：
基于专家标记数据的中尺度涡识别结果和设置的多组参数化实验结果，根据SDR和EDR两个指标选取其中最优的参数化方案，以识别结果为基础，AVSIO数据集中的中尺度涡为参考，两者取交集并排除振幅小的涡旋，依次对目标海域该时间段内的中尺度涡识别结果进行筛选，具体筛选过程包括：
相同时间和地点下VG物理识别方法识别出来的涡旋和AVSIO数据集中的涡旋同时存在时，该涡旋为真实涡旋；相反，相同时间和地点下如果VG物理识别方法识别出涡旋，但AVSIO数据集中不存在涡旋，则该涡旋不存在，通过上述判断标准，对VG物理识别方法识别得到的中尺度涡数据进行优化筛选，筛选结束后，再将振幅小的涡旋排除，使最终得到的中尺度涡数据集中的结果符合物理特征，完成对中尺度涡智能识别。
5.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S3中，所述利用识别的中尺度涡结果进行后处理包括：
基于中尺度涡智能识别模型识别的中尺度涡结果，对其中0、1、2三种数据进行提取分析，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋，得到反气旋涡和气旋涡的涡心位置、涡边界信息；基于上述信息对目标海域中尺度涡的涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征进行分析。
6.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S3中，所述计算涡旋半径包括：计算涡旋边界点位置与涡旋中心距离的平均值，处理不规则形状涡旋，表达式为：
Rd＝(d1+d2+d3…di)/i
其中，di为边界上第i个点到涡旋中心的距离，i为边界点的个数，Rd为涡旋半径；
计算涡旋振幅包括：涡旋边界海表面高度异常值减去涡旋中心海表高度异常值的绝对值，表达式为：
式中，Hd为振幅，hi边界上第i个点到涡旋中心的距离，i为边界点的个数；
计算生命周期包括：涡旋从出现到消失的过程中经历的时间，将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间；将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间，表达式为：
T＝Tend-Tone
式中，T为生命周期，Tend为涡旋生命周期时间序列中的最后一个值，Tone为涡旋生命周期时间序列中的第一个值；
计算涡旋数量包括：通过涡旋跟踪将具有轨迹的涡旋轨迹记为一个涡旋，每一个涡旋中心的瞬时位置形成一条轨迹，则为一个有效涡旋。
7.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤S3中，所述计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，包括：
确定完中尺度涡的中心和边界之后，对中尺度涡的涡旋移动轨迹进行追踪，分析其移动的具体路线；完成中尺度涡中心位置识别后，基于连续时间范围涡旋中心位置的移动变化，实现对中尺度涡的涡旋移动轨迹追踪；通过中尺度涡中心位置的追踪信息得到其运动轨迹；
所述涡旋移动轨迹追踪具体包括：
(1)确定N×N网格大小的追踪区域，基于该网格区域大小进行目标涡旋移动后的涡旋搜寻；
(2)在N×N网格区域内，基于T时刻识别出的涡旋位置，在T+1时刻寻找与T时刻涡旋极性相同且距离T时刻识别涡旋中心距离最近的涡旋中心；
(3)如果没有找到同一极性的涡旋，则需要在T+2时刻将搜索区域变大，将搜索区域长度变为T+1时刻搜寻网格区域的3/2倍，继续搜寻涡旋；
(4)如果没有追踪到相同极性的涡旋，则该涡旋已经消亡，之后停止对该涡旋的追踪；
(5)在整个涡旋追踪过程中如果出现多个极性相同的涡旋中心，选择与上一个搜寻到的涡旋中心距离最近的涡旋为同一涡旋。
8.一种基于注意力机制的中尺度涡识别和特征分析系统，其特征在于，该系统实施如权利要求1-7任意一项所述基于注意力机制的中尺度涡识别和特征分析方法，该系统包括：
海洋环境数据集构建模块，基于ROMS海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于ROMS海流模式的高分辨率海洋环境数据构建；基于VG物理识别方法得到目标海域的中尺度涡样本集，将样本集与AVSIO数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于VG物理识别方法和AVSIO数据集中的中尺度涡数据集构建；
中尺度涡智能识别模块，基于注意力机制的改进Danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
中尺度涡特征分析模块，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
CN202410329748.XA 2024-03-22 2024-03-22 基于注意力机制的中尺度涡识别和特征分析方法及系统 Active CN117935023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410329748.XA CN117935023B (zh) 2024-03-22 2024-03-22 基于注意力机制的中尺度涡识别和特征分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410329748.XA CN117935023B (zh) 2024-03-22 2024-03-22 基于注意力机制的中尺度涡识别和特征分析方法及系统

Publications (2)

Publication Number Publication Date
CN117935023A CN117935023A (zh) 2024-04-26
CN117935023B true CN117935023B (zh) 2024-05-28

Family

ID=90770588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410329748.XA Active CN117935023B (zh) 2024-03-22 2024-03-22 基于注意力机制的中尺度涡识别和特征分析方法及系统

Country Status (1)

Country Link
CN (1) CN117935023B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118332827B (zh) * 2024-06-12 2024-09-03 中国海洋大学 涡分辨率海洋模式亚中尺度垂向浮力通量的参数化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN113392961A (zh) * 2021-08-17 2021-09-14 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
CN113592786A (zh) * 2021-07-12 2021-11-02 浙江大学 一种基于深度学习的海洋中尺度涡检测方法
CN116681960A (zh) * 2023-05-15 2023-09-01 山东省计算中心（国家超级计算济南中心） 一种基于K8s的中尺度涡旋智能识别方法及系统
CN116895023A (zh) * 2023-09-11 2023-10-17 中国石油大学(华东) 一种基于多任务学习的中尺度涡识别方法及系统
CN117350171A (zh) * 2023-12-04 2024-01-05 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN113592786A (zh) * 2021-07-12 2021-11-02 浙江大学 一种基于深度学习的海洋中尺度涡检测方法
CN113392961A (zh) * 2021-08-17 2021-09-14 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
CN116681960A (zh) * 2023-05-15 2023-09-01 山东省计算中心（国家超级计算济南中心） 一种基于K8s的中尺度涡旋智能识别方法及系统
CN116895023A (zh) * 2023-09-11 2023-10-17 中国石油大学(华东) 一种基于多任务学习的中尺度涡识别方法及系统
CN117350171A (zh) * 2023-12-04 2024-01-05 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Vector Geometry–Based Eddy Detection Algorithm and Its Application to a High-Resolution Numerical Model Product and High-Frequency Radar Surface Velocities in the Southern California Bight;FRANCESCO NENCIOLI等;《JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY》;20101231;论文第564-579页 *
第十七章：DANet——Dual Attention Network for Scene Segmentation —— 注意力网络用于场景分割;Joney Feng;《https://blog.csdn.net/ADICDFHL/article/details/131754446》;20230730;论文第1-10页 *

Also Published As

Publication number Publication date
CN117935023A (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN117935023B (zh) 基于注意力机制的中尺度涡识别和特征分析方法及系统
CN112446591B (zh) 一种用于学生综合能力评价的零样本评价方法
Lemos et al. A spatio-temporal model for mean, anomaly, and trend fields of North Atlantic sea surface temperature
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN110909924A (zh) 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法
CN109325616A (zh) 一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法
CN113487600B (zh) 一种特征增强尺度自适应感知船舶检测方法
CN109033170A (zh) 停车场的数据修补方法、装置、设备及存储介质
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
CN113822201A (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
CN112084860A (zh) 目标对象检测、火力发电厂检测方法和装置
Zhai et al. A machine learning model of Arctic sea ice motions
CN117113854A (zh) 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN117421562B (zh) 海洋溶解氧含量时空分布预测方法、系统、介质及设备
CN113128559A (zh) 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法
CN116701974A (zh) 气候变化下的降水多要素时空变化分析及归因识别方法
CN113553708B (zh) 一种溯源仿真模型关键影响因素的方法和装置
CN115221725A (zh) 基于物理过程数值模型与k近邻算法的洪水灾害快速预报方法
CN114821322A (zh) 基于注意力机制的小样本遥感影像分类方法及系统
CN113888380A (zh) 一种人员落水轨迹预测方法、装置、设备和介质
CN118194235B (zh) 一种多模式融合的降水干湿时序变化重构方法及系统
CN116645012B (zh) 一种城市边缘区空间范围的高精度动态识别方法
CN109726690A (zh) 基于DenseCap网络的学习者行为图像多区域描述方法
CN117471575B (zh) 基于bo-lstm神经网络模型的台风浪波高预报方法
Liu et al. Quantitative evaluation of spatial interpolation models based on a data-independent method

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