(19)国家知识产权局清扫车离合器
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202210439952.8
(22)申请日 2022.04.25
(71)申请人 中国海洋大学
地址 266100 山东省青岛市崂山区松岭路
238号
(72)发明人 徐青 谢华荣 殷晓斌 钢碗
(74)专利代理机构 青岛华慧泽专利代理事务所
(普通合伙) 37247
专利代理师 赵梅
(51)Int.Cl.
G06F 30/27(2020.01)
G06F 30/28(2020.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
G06F 113/08(2020.01)
G06F 119/08(2020.01)G06F 119/14(2020.01)
(54)发明名称基于U-net框架的边缘海高时空分辨率次表层温度场重构方法(57)摘要本发明属于海洋信息技术领域，公开了基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法：收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本 的时间范围，并对海洋表面数据和温度剖面数据进行预处理；搭建注意力U ‑net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；将测试组的海洋表面数据输入确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。本发明克服了具有复杂动力过程的边缘海
水下温度重构精度低的难题。权利要求书2页 说明书5页 附图1页CN 115114841 A 2022.09.27
C N 115114841
A
1.基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，包括以下步骤：
步骤1、收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；
步骤2、确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理；
步骤3、搭建注意力U ‑net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；
步骤4、将测试组的海洋表面数据输入步骤3确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。
2.根据权利要求1所述的基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤1中，采集的高时空分辨率卫星遥感数据均是空间分辨率为0.25°×0.25°的日平均网格化产品，其中海面温度为NOAA OISST数据，海平面高度异常为CMEMS SLA数据，海面风场为CCMP风场数据。
3.根据权利要求1所述的基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤1中，采集的高时空分辨率海洋温度剖面数据来自空间分辨率为0.5°×0.5°、5天平均的网格化SODA数据集。
4.根据权利要求1所述的基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，海面风场通过海面风应力旋度引起的Ekman抽吸与输运作用对海洋三维温度场结构产生影响，所述的步骤1中，海面风应力旋度curl τ的计算公式为：
其中,τx 和τy 分别为海面风应力τ的纬向和经向分量，C D 为拖曳系数，ρa 为空气密度，u和v 分别为海面风速U 10的纬向和经向分量。
5.根据权利要求1所述的基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤2中，训练组和验证组中的样本为同一时间范围内的所有样本数据按照9:1的比例随机分配。
6.根据权利要求1所述的基于U ‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤2中，进行海面数据和温度剖面数据的预处理具体包括如下步骤：
1)利用MATLAB软件打开海面温度、海平面高度异常和海面风场的原始数据以及海面风应力旋度的计算数据，计算各海面变量的5天平均值；
2)以SODA数据集中的温度剖面网格点为参考，通过线性插值，将5天平均后的各海面变量的空间分辨率统一到0.5°×0.5°；
3)依据边缘海海域的空间范围和所有样本的时间范围，对统一时空分辨率后的海洋表面数据进行筛选，并对筛选后的各海面变量做归一化处理，其表达式为：
其中，x为所有样本中海面变量的原始值，μ和σ分别为x的平均值和标准差，X即为归一
化后的海面变量；
萃取装置
4)将海洋表面数据和温度剖面数据中受边缘海周围陆地影响的数值均赋值为与原数据值有明显差异的‑999，消除陆地区域的数据对海域次表层温度重构结果的影响。。
7.根据权利要求1所述的基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，注意力U‑net框架是一种端对端的神经网络，包括卷积层、注意力机制模块、特征拼接模块，网络的输入为一个大小为M*N*5的矩阵，经过两次卷积后得到大小为M*N*64的特征层C1；C1进入注意力机制模块得到同等大小的特征层A1；同时C1经过最大池化后得到M/2*N/2*64的特征层M2，M2经过两次卷积得到同等大小的特征层C2，C2进入注意力机制模块得到特征层A2，A2通过上采样过程得到M*N*64的特征层U2；特征层A1与U2拼接得到大小为M*N*128的特征层C3；C3经过两次卷积得到M*N*64的特征层C4，最终经过一个1*1的卷积核，得到大小为M*N*1的输出矩阵；注意力U‑net网络训练时，采用的损失函数为huber_loss，优化函数为adam。
8.根据权利要求1所述的基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为不同水深处的次表层温度重构模型的组合；对于每一层水深，以海洋表面因子为输入，以该深度的次表层温度作为真值进行模型训练，建立
大功率白光led
一个独立的次表层温度重构模型。
9.根据权利要求1所述的基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为验证组中样本误差达到最小的注意力U‑net模型。
基于U‑net框架的边缘海高时空分辨率次表层温度场重构
锂电池注液机
方法
技术领域
[0001]本发明属于海洋信息技术领域，特别涉及一种基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法。
背景技术
[0002]卫星遥感为海洋学研究提供了大量高空间分辨率的表层观测数据，而绝大多数海洋动力过程对海洋的影响并不仅局限于表层，对海洋内区也有一定影响。目前现场观测是用于探测海洋表层以下海水温度的主要手段，受观测仪器等因素的限制，所得数据的连续性以及空间分辨率较低，可能无法满
足一些海洋现象的研究要求。因此，如何使用海洋表层数据挖掘海洋次表层温度信息，得到连续且时空分辨较高的垂向温度剖面数据，仍是海洋学研究中的一个重要课题。
[0003]传统的海洋次表层温度场重构方法主要包括动力学方法和统计方法。由于不同海域的海面变量与次表层温度间的物理关系不同，这使得动力学方法在次表层温度场重构研究中的适用性受限，通常仅能在某些特定条件下得以应用。相较于动力学方法，统计方法在次表层温度场重构研究中具备更强的灵活性和实用性，通过建立海面因子与次表层温度间的统计关系，可以有效重构不同海域的次表层温度场。但对于复杂海域，简单的统计方法难以建立复杂度较高的统计关系模型，从而使得次表层温度场的重构精度降低。
[0004]近几年，人工智能尤其是深度学习为次表层温度场的重构研究带来了新的契机。它可以通过学习历史数据的特征，深度挖掘各个海面要素与次表层温度间的关系，从而重构出具有较高精确度的海洋次表层温度场。但是对于动力现象复杂的边缘海海域的温度场的重构，现有研究较少，因此本发明针对边缘海复杂海域构建次表层温度场模型。
发明内容
[0005]针对现有技术存在的不足，本发明提供一种基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法，通过采集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度
剖面数据，搭建注意力U‑net框架，训练得到边缘海高时空分辨率次表层温度场重构模型。
[0006]为了解决上述技术问题，本发明采用的技术方案是：
[0007]基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法，包括以下步骤：[0008]步骤1、收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；
[0009]步骤2、确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理；
[0010]步骤3、搭建注意力U‑net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；亲贝
[0011]步骤4、将测试组的海洋表面数据输入步骤3确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。
[0012]进一步的，步骤1中，采集的高时空分辨率卫星遥感数据均是空间分辨率为0.25°×0.25°的日平均网格化产品，其中海面温度为NOAAOISST数据，海平面高度异常为CMEMSSLA数据，海面风场为CCMP风场数据。
[0013]进一步的，步骤1中，采集的高时空分辨率海洋温度剖面数据来自空间分辨率为0.5°×0.5°、5天平均的网格化SODA数据集。
[0014]进一步的，海面风场通过海面风应力旋度引起的Ekman抽吸和输运作用对海洋三维温度场结构产生影响，所述的步骤1中，海面风应力旋度curl τ的计算公式为：
[0015]
[0016]其中,τx 和τy 分别为海面风应力τ的纬向和经向分量，C D 为拖曳系数，ρa 为空气密度，u和v分别为海面风速U 10的纬向和经向分量。
[0017]进一步的，步骤2中，训练组和验证组中的样本为同一时间范围内的所有样本数据按照9:1的比例随机分配。
[0018]进一步的，步骤2中，进行海面数据和温度剖面数据的预处理具体包括如下步骤：
[0019]1)利用MATLAB软件打开海面温度、海平面高度异常和海面风场的原始数据以及海面风应力旋
度的计算数据，计算各海面变量的5天平均值；
[0020]2)以SODA数据集中的温度剖面网格点为参考，通过线性插值，将5天平均后的各海面变量的空间分辨率统一到0.5°×0.5°；
[0021]3)依据边缘海海域的空间范围和所有样本的时间范围，对统一时空分辨率后的海洋表面数据进行筛选，并对筛选后的各海面变量做归一化处理，其表达式为：
[0022]
[0023]其中，x为所有样本中海面变量的原始值，μ和σ分别为x的平均值和标准差，X即为归一化后的海面变量；
[0024]4)将海洋表面数据和温度剖面数据中受边缘海周围陆地影响的数值均赋值为与原数据值有明显差异的‑999，消除陆地区域的数据对海域次表层温度重构结果的影响。
[0025]进一步的，步骤3中，注意力U ‑net框架是一种端对端的神经网络，包括卷积层、注意力机制模
块、特征拼接模块，网络的输入为一个大小为M*N*5的矩阵，经过两次卷积后得到大小为M*N*64的特征层C1；C1进入注意力机制模块得到同等大小的特征层A1；同时C1经过最大池化后得到M/2*N/2*64的特征层M2，M2经过两次卷积得到同等大小的特征层C2，C2进入注意力机制模块得到特征层A2，A2通过上采样过程得到M*N*64的特征层U2；特征层A1与U2拼接得到大小为M*N*128的特征层C3；C3经过两次卷积得到M*N*64的特征层C4，最终经过一个1*1的卷积核，得到大小为M*N*1的输出矩阵；注意力U ‑net网络训练时，采用的损失函数为huber_loss，优化函数为adam。
[0026]进一步的，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为不同水深处的次表层温度重构模型的组合；对于每一层水深，以海洋表面因子为输入，以该深度的次表层温度作为真值进行模型训练，建立一个独立的次表层温度重构模型。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议