海洋锋精细化识别与时空演化的多角度可视化探索

The traditional oceanic front detection and its spatio-temporal evolution analysis are usually based on observational data and numerical model. The characteristics and evolution mechanisms are analyzed by manual inspection of the front distribution at multiple time steps. However, it is time-consuming and difficult to guarantee high accuracy. This project utilizes the most advanced deep learning and visual analysis techniques in the field of artificial intelligence to realize the fine recognition of oceanic front and multi-faceted visual exploration analysis on its evolution. Firstly, fusing multi-modal full convolution network with weighted gradient method to achieve fine recognition of the oceanic fronts at different depth. And then using the hierarchical clustering to automatically extract the multi-scale spatio-temporal patterns throughout the data, combined with collaborative multi-view interactive visualization, helps domain experts intuitively evaluate the results of the pattern detection in time-space contexts and quickly find the typical spatio-temporal patterns and its characteristics. Then, the influence of multivariate elements such as wind field and flow field in ocean front process is analyzed by multivariate correlation visual analysis, and the spatial and temporal correlation deep recurrent neural network model of multi-hydrological elements is established to realize multi-faceted exploration of complex ocean front evolution, which improves the quality of prediction accordingly. The method can be extended to efficient analysis of other mesoscale phenomena such as vortices.

传统的海洋锋检测和时空演化分析，一般建立在观测数据和数值计算基础上，通过人工检验不同时刻的锋的分布状态进行特征和演化机制分析，耗时较长并难以保证较高的准确性。本项目利用人工智能领域最前沿的深度学习和可视分析技术，实现海洋锋精细化识别与演化过程的多角度可视化探索分析。首先融合多模态全卷积神经网络和加权梯度法，实现不同层的海洋锋的精细化识别；再利用层次聚类来自动化提取多尺度的海洋锋时空模式，结合多视图协同交互可视化方法，促进领域专家在时空上下文中直观的评估检测结果并快速识别出典型的时空模式及其特征；然后对海洋锋过程中的风场、流场等多元要素的影响做多变量相关性的可视化分析，并建立多水文要素的时空相关性深度递归网络模型，实现对复杂海洋锋生消演化的更多角度探索以提升预测质量。该方法可以推广到涡旋等中尺度现象的高效分析。

海洋锋及其时空动态演化是海洋相关领域重要关注的问题。本项目融合深度学习和可视分析方法，研究大数据时代下海洋锋识别及其时空特征和演化分析的新方法，改善目前的分析效率和提升分析的质量。主要完成几个方面的研究： .（1）中国近海水域时空序列水文数据集的建立.收集了来自NOAA、国家海洋信息中心等约十年的中国近海海洋水文观测和模式数据，并在海洋专家的指导下，进行数据的整理，构建了时空序列海洋水文基础数据集，并开展海洋锋的人工标注，为后续海洋锋的识别构建了可用的训练集和和测试集。 .（2）融合深度学习和自适应阈值法的多类别海洋锋面精细识别.首先进行Mask R-CNN模型训练和获得初步识别结果，设计了自适应梯度阈值法来自动对上一步识别出的锋面形态收缩和扩展调整，提升锋面识别的精度。不仅降低人工阈值设置的困难和提升分析速度，并能改善单一阈值设置无法适应不同海况情形以及识别结果不确定的问题。发表在核心期刊上。.（3）基于编码解码器的端到端海洋锋面精细化识别.建立基于编码解码器的深度学习模型对输入的温度梯度图的特征进行学习。可自动且快速获得海洋锋面位置和类别的像素级精细化识别，且识别精度高于目前已有方法。该成果已申请专利，并正在完善和投稿准备中。 .（4） 一种新的弱边缘识别网络用于海洋锋线的检测.研究了一种新的弱边缘识别网络, 能有效从卫星遥感图像中提取出准确的海洋锋位置信息。该方法网络结构简单，训练快捷方便，能够从不同的尺度提取海洋锋特征，检测效果好。被SCI期刊录用。.（5）基于双向多阶段网络架构的海洋锋线精细识别.从两个方向提取海洋锋特征，分别关注海洋锋的细节纹理和整体轮廓，并实现双向多尺度信息的融合。发表在CCF C类会议上。.（6）多尺度海洋锋时空模式检测、时空特征和演化多角度可视分析系统.该系统融合自动化的时空模式挖掘算法与领域专家的交互评估及结果修正，设计配套的协同交互层次树图、聚类可视化概要图、地图和统计图表，支持全局到细节的快速多尺度探索和分析，能加快分析效率和质量。发表在EI会议上。. (7)海洋水文要素时空建模和预测. 首先同时考虑了时空信息，建立CFCC-LSTM模型，提高基于遥感图像预测海温的准确率；其次建立基于多元水文要素+注意力的LSTM网络来刻画多水文要素的复杂时空相关性，进一步提升了海温的预测精度。一项研究发表在SCI期刊上。