基于深度学习与复杂网络的海洋锋时空特征分析及识别

The traditional temporal and spatial characteristics of the oceanic fronts and their identification methods mainly rely on manual specified gradient threshold from the observational data and numerical models. However, it’s time-consuming and difficult to ensure high accuracy. The project proposes to apply the most advanced deep learning and complex network technology in Artificial Intelligence to automatic analysis of the temporal and spatial characteristics and recognition of the oceanic fronts. Firstly, the gradient map of a small sea area should be generated by integrating the numerical data. The candidate areas of the oceanic fronts are discovered and got recommendation on account of the deep convolutional network by using multi-scale scanning techniques. Then a multi-stage unsupervised convolutional network algorithm in view of PCA filters will be suggested to extract the high level features of the oceanic fronts for its accurate recognition. Meanwhile, the oceanographic model with complex network topology is built to re-identify and locate the oceanic fronts based on the community detection methods. The project aims to outperform the existing means of detecting and predicting the oceanic fronts in efficiency and accuracy. Furthermore, some theoretical methods of combining deep learning with complex network are summarized to study and predict the phenomena and processes in the ocean, which also lay the foundation for further research such as detecting eddies or internal waves in an efficient and effective way.

传统的海洋锋时空特征分析及识别方法主要依赖于在观测数据和数值模式基础上人工指定的梯度阈值，耗时较长并难以保证较高的准确性。本项目提出利用人工智能领域最前沿的深度学习和复杂网络技术，对海洋锋的时空特征进行自动分析及识别。首先通过融入模式数据生成小规模海域的梯度数据图，采用多尺度扫描技术，实现基于深度卷积网络的海洋锋候选海域的发现和推荐；然后，利用所提出的基于PCA滤波器的多阶段卷积网络算法，以无监督的方式抽取海洋锋的高层特征表示，完成海洋锋的精确识别；同时，构建海洋水文的复杂网络拓扑模型，基于社区发现技术研究海洋锋再次判别和边界定位方法。本项目的研究将从识别效率和准确度上超越现有海洋锋检测和识别手段。此外，还将总结出一整套结合深度学习与复杂网络对海洋现象及过程进行研究和预测的理论方法，为进一步推广到涡旋、内波等的快速准确检测奠定基础。

传统的海洋锋时空特征分析及识别方法主要依赖于在观测数据和数值模式基础上人工 指定的梯度阈值，耗时较长并难以保证较高的准确性。本项目提出利用人工智能领域最前沿的深度学习和复杂网络技术，对海洋锋的时空特征进行自动分析及识别，主要包含以下几个方面研究成果：..①用皮尔逊相关系数等多种方法度量不同海域表面温度变量之间的相似性，构建了全球海洋气候网络；.②提出了一种新的算法用于快速并且准确的从单幅在一个时间点拍摄的被云污染的海面温度（SST）图像中检测海洋锋，提出了一种用于实时锋检测的微正则多尺度分形算法（MMF）；.③提出了一个与现有的较深的网络架构相比，使用更少的层完成锋的识别任务的网络架构，改进了网络架构用以识别和分类强锋和弱锋；.④设计了一个深度网络嵌入层，这个结构可以利用在LSTM网络中添加嵌入层的方式进行时序预测，实现了基于深度模型的海洋表面温度预测任务；.⑤将最新的深度学习模型，如Alexnet网络,应用于海洋锋分类问题，并创造性的使用跳跃连接技术降低了训练样本不足导致的过拟合问题，进一步提高了预测准确率；.⑥提出了基于深度网络的多尺度海洋锋细粒度自动检测和定位网络，并依据海洋锋的强弱将所检测到的海洋锋进行可视化并以不同的亮度进行显示；.⑦提出了一种基于深度学习GAN网络的图片缺陷填充算法，该算法充分利用了图片本身的纹理信息，并在海洋遥感图片上面进行了实验，实验结果证实其填充效果超过了当前最好的方法；.⑧提出了基于时空信息的海温3-D 预测网络，在传统LSTM的基础上 ，我们充分利用了海表面温度的时空信息，进一步提高了海表面温度的预测精度。.. 本项目的研究将从识别效率和准确度上超越现有海洋锋检测和识别手段。此外，还将总结出一整套结合深度学习与复杂网络对海洋现象及过程进行研究和预测的理论方法，为进一步推广到涡旋、内波等的快速准确检测奠定基础。