海洋环境监测数据并行处理关键方法研究

The 21st century is a new century for mankind to develop and utilize the oceans. The theories and techniques for data collection, processing, analysis and inversion of environmental monitoring data have become important challenging topics for all countries, especially those near the coastal seas. Due to the wide distribution, the depth, density and fluidity of the ocean, accurate and comprehensive ocean environmental monitoring data are of strategic importance and scientific value. We intend to study some key methods of parallel ocean environmental monitoring data processing, including: 1) feature extraction method for fined-gained ocean environmental monitoring data; 2) parallel ensemble learning algorithm for ocean thermoclines inversion based on feature learning. A solid and rapid data processing methodology is provided for rapid analysis and revealing the temperature and salinity distribution, and flow field structure in the ocean environment, and in-depth understanding and deepening of the ocean environmental characteristics and climate change laws.

21世纪是人类开发和利用海洋的新世纪，海洋环境监测数据采集、处理、分析理论和技术已成为各国尤其是近沿海海洋大国面临的挑战性课题。由于海洋分布面积广，海洋的深度、密度和流动性等特征，准确、全面的海洋环境监测数据具有重要的战略意义和科研价值。本项目拟研究海洋环境监测数据并行处理关键方法，包括：1）面向海洋环境监测数据细粒度化的特征提取方法；2）基于特征学习的海洋温跃层反演并行集成学习方法。最终目标是为快速分析揭示海洋环境温盐分布与流场结构、深入理解海洋环境特性与气候变化规律提供坚实快速数据处理方法论。

在项目执行期内，本项目组成员面向两种受到广泛认可的海洋监测数据集BOA_Argo和WOA网格数据，进行了如下几个方面的研究：1）研究了基于多维层次聚类的海洋监测数据特征提取方法，最终依据特征将海水划分为表层水团、上混合层水团、温跃层水团、下混合层水团和深海层水团五类；2）面向BOA_Argo海洋监测数据的稀疏性，提出了一种异步并行随机森林集成学习方法，并采用网格化搜索寻求最优模型，最终将原始数据网络间隔0.25经纬度提升至1米；在提升数据分辨率的同时，完成了温跃层的反演，在稀薄温跃层反演和边界界定上更具优势；3）面向WOA海洋监测数据的小样本特性，提出了基于对抗生成网络的数据增强方法，有效弥补了缺失值，修正了噪声数据；4）设计了三并联残差网络对温跃层演进趋势进行预测，较好模拟了海洋数据的接近性、周期性和趋势性。除上述研究之外，我们延伸了海洋数据处理至地下、空中全方位的时-空数据并行化方法，主要包括基于CPU多核的地下异常体和基于GPU众核的并行海面云导风反演算法，在保证地空反演运算精度的前提下性能加速比达到了十几到一百倍不等。最后，我们研究了作为浮标监测数据的有益补充的海洋视频数据的并行处理方法，达到了实时处理的级别。总之，经过本项目组成员的不懈努力，我们对基金计划书中所规定的目标进行细化，不仅完全达成了预订目标，而且进行了全时-空和海洋视频数据处理的扩展，本项目研究成功的方法和实验结论为快速分析揭示海洋环境温盐分布与流场结构、深入理解海洋环境特性与气候变化规律提供了坚实快速数据处理方法论。