海洋锋区域的获取方法、装置、计算机设备和存储介质与流程

本申请涉及海洋锋识别技术领域，特别是涉及一种海洋锋区域的获取方法、装置、计算机设备和存储介质。

背景技术：

海洋中性质明显不同的两种或几种水体之间的狭窄交汇带称之为海洋锋，海洋锋是海洋环境参数的跃变带，可通过海水温度、盐度、密度、速度、颜色、叶绿素等要素来描述；并且海洋锋的规模可达上百公里，存在于海洋的表层、中层和底层，海洋锋的锋区中存在的强烈湍流混合交换、水平辐合(辐散)和垂直运动不仅影响航运和渔业，也对水下通信、舰船安全、海上搜救等活动，因此准确识别海洋锋是当前亟需解决的问题之一。

传统技术中，使用梯度阈值法识别海域中的海洋锋区域时，通过海域中不同参数(比如温度、盐度)的不同标准设置合理阈值，以根据该合理阈值识别海洋锋区域。

然而，目前的传统方法针对不同海域、不同季节时难以设置合理阈值，导致海域中的海洋锋区域的识别准确度不高。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高海域中海洋锋区域的识别准确度的海洋锋区域的获取方法、装置、计算机设备和存储介质。

一种海洋锋区域的获取方法，所述方法包括：

获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

根据接收到的各个所述调整后位置，确定目标海洋锋区域。

在其中一个实施例中，还包括：

获取所述目标时长内不同时刻的多组卫星遥感观测资料；

根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域；

对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

在其中一个实施例中，还包括：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度；

根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量；

确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径；

获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

在一个实施例中，还包括：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图；

根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框；

确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值；

将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

在一个实施例中，还包括：

对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；

若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；

对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

一种海洋锋区域的预测方法，所述方法包括：

根据所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；

获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；

使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；

将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；

对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

在一个实施例中，还包括：

将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；

根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；

将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

一种海洋锋区域的获取系统，所述系统包括：处理器、无人舰艇编队控制器，所述处理器和所述无人舰艇编队控制器分别设置在待识别海域的陆基站中，所述处理器与所述无人舰艇编队控制器电连接；

所述处理器，用于获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；根据接收到的各个所述调整后位置，确定目标海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

所述无人舰艇编队控制器，用于根据所述拟派出的无人舰艇数量控制对应数量的无人舰艇行驶。

一种海洋锋区域的获取装置，所述装置包括：

第一确定模块，用于获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

第二确定模块，用于根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

第三确定模块，用于根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

第四确定模块，用于根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

调整模块，用于根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

第五确定模块，用于根据接收到的各个所述调整后位置，确定目标海洋锋区域。

一种海洋锋区域的预测装置，所述装置包括：

指令输出模块，用于根据所述海洋锋区域的获取方法中的所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；

清洗处理模块，用于获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；

特征选取模块，用于使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；

预测模块，用于将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；

可视化处理模块，用于对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

根据接收到的各个所述调整后位置，确定目标海洋锋区域。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

根据接收到的各个所述调整后位置，确定目标海洋锋区域。

上述海洋锋区域的获取方法、装置、计算机设备和存储介质，其中所述海洋锋区域的获取方法首先根据所获取的卫星遥感观测资料确定粗估计海洋锋区域，由于卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个指标数据，因此能够实现根据卫星遥感观测资料中的两个或两个以上指标数据确定粗估计海洋锋区域的目的，以此避免传统技术中需要根据不同指标数设置阈值后才能识别海洋锋区域导致的识别难度大和方式单一的弊端，提高了确定所述粗估计海洋锋区域的灵活性和时效性；进一步地，根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长，避免了传统技术只能对海域中的海洋锋存在与否作出判断导致的海洋锋区域的识别精度低的问题，从而为后续获取精确海洋锋区域奠定了基础；然后再根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息，以此实现在所述目标时长内对所述粗估计海洋锋区域的发展变化进行实时捕捉的目的，为后续确定精确海洋锋区域提供依据；根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；根据接收到的各个所述调整后位置，确定目标海洋锋区域。以此实现多个无人舰艇到达所述粗估计海洋锋区域时能够根据所述区域变化信息实时调整各自初始位置、并根据调整后位置精确定位海洋锋区域的目的，避免了传统技术中需要大量关于海域的海洋锋识别先验信息作为参考信息识别海洋锋区域导致的识别方法不具有可重复利用性和普适性低的弊端，不仅提高了识别海洋锋区域的可重复利用性和普适性；进一步地通过根据所述粗估计海洋锋区域在所述目标时长内的区域变化信息调整所述各个无人舰艇的所述各个初始位置实现根据所述调整后位置对所处粗估计海洋锋区域进行重新定位以得到精确海洋锋区域的目的，从而提高了确定所述目标海洋锋区域的准确性和可靠性。

附图说明

图1为海洋锋示意图；

图2为一个实施例中海洋锋区域的获取方法的流程示意图；

图3为另一实施例中海洋锋区域的获取方法的流程示意图；

图4为再一实施例中海洋锋区域的获取方法的流程示意图；

图5为又一实施例中海洋锋区域的获取方法的流程示意图；

图6为一个实施例中海洋锋区域的预测方法的流程示意图；

图7为一个实施例中海洋锋区域的获取装置的结构框图；

图8为一个实施例中海洋锋区域的预测装置的结构框图；

图9为一个实施例中海洋锋区域的获取系统的内部结构图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

海洋中性质明显不同的两种或几种水体之间的狭窄交汇带称之为海洋锋，如图1所示，并且海洋锋是海洋环境参数的跃变带，可通过海水温度、盐度、密度、速度、颜色、叶绿素等要素来描述。海洋锋的规模可达上百公里，存在于海洋的表层、中层和底层。锋区中存在的强烈的湍流混合交换、水平辐合(辐散)和垂直运动。这些海洋锋运动不仅影响航运和渔业，也对对水下通信、舰船安全、海上搜救等活动；准确实时的识别海洋锋是应对以上问题的关键，传统的海洋锋识别方法是梯度阈值法，由于不同的参数(如温度、盐度等)有不同的标准，即使参数相同，不同的海域和不同的季节，划分和定义的标准也具差异，这些导致梯度阈值法难以确定合理的阈值；当前方法只能对目标海域中是否存在海洋锋做出判断，无法对海洋锋的形态细节进行识别；此外，现有海洋锋识别方法的能进行局部海域的海洋锋识别，但存在非局部海域识别标准不统一的问题。以往划分海域的方法，需总结大量的经验为海域划分提供参考信息，且对不同的海域，这些方法不具有可重复利用特性，因此不具有很好的普适性；而且，现有针对海洋锋的认识多限于对其识别，但基于识别特征建立的预测方法较少。

针对上述现有技术存在的问题，本申请提供一种海洋锋区域的获取方法、装置、计算机设备和存储介质。为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的海洋锋区域的获取方法，其执行主体可以是海洋锋区域的获取装置，所述海洋锋区域的获取装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为个人计算机(persodalcomputer，pc)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等具有处理器功能的电子设备，例如平板电脑、手机等等，本申请实施例对计算机设备的具体形式并不做限定。

需要说明的是，下述方法实施例的执行主体可以是上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。

在一个实施例中，如图2所示，提供了一种海洋锋区域的获取方法，包括以下步骤：

步骤s11，获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值等中的至少一个。

其中，所述待识别海域的水色值可以通过海水的光学性质和海水中所含的悬浮物质、海水的深度、云层的特点及其他因素确定；所述盐度值可以包括海水中全部溶解固体与海水重量之比，通常以每千克海水中所含的克数表示；所述叶绿素浓度值可以包括待识别海域的不同层的叶绿素浓度值，比如表层、次表层、中层和底层，并且所述叶绿素浓度值可以通过海洋水温环境、营养盐分布以及浮游植物种类等因素共同确定；所述悬浮泥沙浓度值可以表征通过泥沙来源、流系消长、流速强弱以及风浪等诸多因素产生的海区泥沙含量，且所述悬浮泥沙浓度值可以随着季节、大小潮以及涨落潮中至少一个变化而发生变化，比如小潮时的泥沙含量高于大潮，落潮时的泥沙含量高于涨潮，冬春季泥沙含量相对高，夏秋季泥沙含量相对低。

具体地，计算机设备在获取到所述卫星遥感观测资料时，可以设定卫星遥感观测资料包括的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值分别为不同的指标数据，然后选取所述遥感观测资料中的其中一个指标数据(比如盐度值)进行反演处理和/或可视化处理，得到盐度可视化分布图，并将所述盐度可视化分布图与预先存储的交界面确定条件进行比较，当所述盐度可视化分布图中存在与所述交界面确定条件匹配的第一目标交界面时，将该第一目标交界面确定为粗估计海洋锋区域，比如所述盐度可视化分布图中一条窄带两侧的海水盐度差值大于等于预设的盐度差值阈值时确定该窄带为第一目标交界面，如果所述盐度可视化分布图中不存在与所述交界面确定条件匹配的第一目标交界面，也即该条窄带两侧的海水盐度差值小于预设的盐度差值阈值时，则确定所述待识别海域中不存在海洋锋区域。

然后，从所述卫星遥感观测资料中选取另一指标数据(比如悬浮泥沙浓度值)进行反演处理和/或可视化处理，得到悬浮泥沙浓度可视化分布图，并将所述悬浮泥沙浓度可视化分布图与预先存储的交界面确定条件进行与上述同样的匹配操作后，确定出所述悬浮泥沙浓度可视化分布图中存在的第二目标交界面，将所述第一目标交界面与所述第二目标交界面进行对比，如果所述第一目标交界面与所述第二目标交界面的吻合度高于预设吻合度阈值，则判定所述第一目标交界面合理，如果所述第一目标交界面与所述第二目标交界面的吻合度低于预设吻合度阈值，则基于前两个指标数据(比如盐度值和悬浮泥沙浓度值)的差异点或区域，选取所述卫星遥感观测资料中的再一个指标数据(比如水色值)进行反演处理和/或可视化处理，得到水色可视化分布图，并经过同样的操作判断所述水色可视化分布图中存在的第三目标交界面是否与第二目标交界面的吻合度高于预设吻合度阈值；直至基于前一指标数据确定的目标交界面与当前指标数据确定的目标交界面的吻合度高于预设吻合度阈值为止，此时可以确定所述第一目标交界面为粗估计海洋锋区域。其中，所述粗估计海洋锋区域可以包括由至少两条轮廓线形成的区域。可选地，所述吻合度阈值可以为80％。

步骤s12，根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径。

具体地，如图3所示，计算机设备可以通过以下子步骤确定所述目标路径和所述目标时长：

步骤s121，根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度。

其中，如图4所示，计算机设备确定所述面积估计值和锋面线长度的过程可以包括：

步骤s1211，根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图。

具体地，计算机设备确定所述粗估计海洋锋区域的可视化区域分布图的过程可以包括：首先对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

在实际处理过程中，计算机设备根据所述卫星遥感观测资料确定所述粗估计海洋锋区域的过程与步骤s11中所述粗估计海洋锋区域的确定过程相同，此处不再赘述。并且，计算机设备确定出的所述粗估计海洋锋区域的可视化区域分布图可以包括形成所述粗估计海洋锋区域的至少两条轮廓线的可视化轮廓线。

步骤s1212，根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框。

具体地，计算机设备在确定出所述粗估计海洋锋区域的可视化区域分布图时，可以先获取所述可视化区域分布图的地形图，再根据所述地形图确定所述粗估计海洋锋区域的各个顶点位置坐标，所述各个顶点位置坐标可以包括所述粗估计海洋锋区域的m个顶点的m个坐标位置，然后选定所述粗估计海洋锋区域的m个顶点、以规则图像的标定方式(比如矩形框标定方式)确定包含所述可视化区域分布图的目标矩形框，所述目标矩形框也可以是内含所述粗估计海洋锋区域的矩形框。其中，m为正整数。可选地，m取值可以为4。

步骤s1213，确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值。

具体地，计算机设备在确定出所述包含所述可视化区域分布图的目标矩形框时，可以进一步确定所述目标矩形框的面积值，并将所述目标矩形框的面积值作为所述粗估计海洋锋区域的面积估计值。

步骤s1214，将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

具体地，计算机设备在确定出所述粗估计海洋锋区域的可视化区域分布图，也即确定出所述粗估计海洋锋区域的可视化区域分布图中包括的形成所述粗估计海洋锋区域的至少两条轮廓线的可视化轮廓线时，可以进一步按照预设距离间隔均匀地将每条可视化轮廓线均匀划分若干个轮廓点，并计算每相邻两个轮廓点之间的距离，然后再将所计算出来的各个距离进行线性叠加后，得到所述粗估计海洋锋区域的锋面线长度。

步骤s122，根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量。

具体地，计算机设备在确定出所述粗估计海洋锋区域的面积估计值和锋面线长度时，可以进一步确定所述面积估计值和所述锋面线长度的第一比值结果，并根据所述第一比值结果确定拟派出的无人舰艇数量，也即将所述第一比值结果进行四舍五入后得到的第一目标比值，作为拟派出的无人舰艇数量。可选地，当将所述第一比值结果进行四舍五入后得到的第一目标比值小于2时，可以确定拟派出2个无人舰艇。

步骤s123，确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径。

具体地，计算机设备在确定出拟派出的无人舰艇数量时，比如拟派出的无人舰艇数量为p个时，可以设置p个无人舰艇处于同一起始点，并设定所述粗估计海洋锋区域的各个顶点坐标位置为所述各个预设顶点位置，比如设备预设顶点位置的数量为t，然后计算所述起始点分别与每个预设顶点位置之间的直线距离，从而得到t个直线距离，此时对所述t个直线距离按照距离值的不同进行大小排序，并从经过大小排序后的t个直线距离中选取距离值最小的直线距离，并将所选取的距离值最小的直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径。比如，当p个无人舰艇处于同一起始点o且所述各个预设顶点位置包括a、b、c、d的坐标位置时计算oa、ob、oc、od的直线距离，并将oa、ob、oc、od的直线距离中距离值最小的直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径。

步骤s124，获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

具体地，计算机设备确定出所述拟派出的无人舰艇数量为p个时，可以进一步根据所述拟派出的无人舰艇数量和每个无人舰艇的重量，确定可以承载p个无人舰艇的目标载体设备，比如所述目标载体设备可以为大船，所述目标载体设备的载体时速可以大于p个无人舰艇中的最大舰艇时速。然后将所述目标载体设备的载体时速作为所述多个无人舰艇的最大时速，并进一步确定所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，以将所述第二比值结果作为所述拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标时长。

步骤s13，根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置。

具体地，计算机设备在确定出拟派出的无人舰艇数量为p个时，可以先向无人舰艇编队控制器发送海洋锋区域检测指令，并且所述海洋锋区域检测指令携带所述拟派出的无人舰艇数量、所述承载p个无人舰艇的目标载体设备、所述目标载体设备的最大时速、所述拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长，所述无人舰艇编队控制器可以控制承载p个无人舰艇的目标载体设备沿所述目标路径在所述目标时长时到达所述粗估计海洋锋区域，并向计算机设备发送确认到达信息，所述确认到达信息可以用于表征所述p个无人舰艇已到达所述粗估计海洋锋区域中的一个顶点坐标位置。

当计算机设备接收到无人舰艇编队控制器发送的所述确认到达信息时，可以确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置，也即当所述拟派出的无人舰艇数量为p个时，可以将p个无人舰艇按照所述粗估计海洋锋区域的锋面线长度等间距确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置，并向无人舰艇编队控制器发送携带p个无人舰艇在所述粗估计海洋锋区域的各个初始位置的位置指令信息，以使无人舰艇编队控制器控制各个无人舰艇行驶至所述粗估计海洋锋区域中的对应初始位置处。

在实际处理过程中，所述待识别海域的陆基站中可以包括遥控器、控制平台的载体pc机及通信工具，且所述陆基站中可以存储有若干个无人舰艇，每个无人舰艇可以包括无人艇本身以及其上搭载的gps、惯性导航单元等传感器、无线电台等通信传输设备。

步骤s14，根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息。

具体地，如图5所示，计算机设备可以通过下述子步骤确定所述粗估计海洋锋区域的区域变化信息：

步骤s141，获取所述目标时长内不同时刻的多组卫星遥感观测资料。

具体地，计算机设备在所述多个无人舰艇沿所述目标路径驶向所述粗估计海洋锋区域的过程中，可以实时获取卫星遥感观测资料，以实现所述多个无人舰艇沿所述目标路径到达所述粗估计海洋锋区域的目标时长内的不同时刻获取的多组卫星遥感观测资料，每组卫星遥感观测资料包括对应时刻获取的待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个。

步骤s142，根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域。

具体地，计算机设备在获取到所述多组卫星遥感观测资料时，可以针对每一组卫星遥感观测资料对应确定一个粗估计海洋锋区域，从而确定出多个粗估计海洋锋区域，所述多个粗估计海洋锋区域分布对应不同的获取时刻。其中，根据每组卫星遥感观测资料确定对应获取时刻的粗估计海洋锋区域的过程，与步骤s11中确定所述粗估计海洋锋区域的过程相同，此处不再赘述。

步骤s143，对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

具体地，计算机设备在确定出所述多个粗估计海洋锋区域时，可以进一步按照所述多个粗估计海洋锋区域各自对应的不同获取时刻，对所述多个粗估计海洋锋区域进行插值拟合处理，得到插值拟合处理后海洋锋区域信息，所述插值拟合处理后海洋锋区域信息可以用于表征所述粗估计海洋锋区域在所述目标时长内的发展变化路径，比如向左和/或向右移动等。因此，可以将所述插值拟合处理后海洋锋区域信息作为所述粗估计海洋锋区域的区域变化信息。

步骤s15，根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置。

具体地，计算机设备确定出所述粗估计海洋锋区域的区域变化信息时，可以先获取所述粗估计海洋锋区域与所述区域变化信息之间的对应关系，然后按照所述对应关系，根据所述区域变化信息和所述粗估计海洋锋区域中p个无人舰艇的p个初始位置，分别向每个初始位置处的无人舰艇发送携带所述区域变化信息的调整指令，以指示各个初始位置处的无人舰艇基于各自对应的初始位置进行调整，从而得到所述p个无人舰艇的p个调整后位置，并将所述p个调整后位置发送至计算机设备。其中，每个调整后位置可以用于表征对应无人舰艇的初始位置在所述目标时长内的发展变化。

在实际处理过程中，计算机设备确定出所述粗估计海洋锋区域的区域变化信息时，还可以根据所获取的所述粗估计海洋锋区域与所述区域变化信息之间的对应关系，向所述无人舰艇编队控制器发送位置调整指令，所述位置调整指令中携带所述区域变化信息和所述对应关系，以使得所述无人舰艇编队控制器根据所述区域变化信息和所述对应关系控制调整所述p个无人舰艇的p个初始位置，从而得到所述p个无人舰艇的p个调整后位置，并将所述p个调整后位置发送至计算机设备。

步骤s16，根据接收到的各个所述调整后位置，确定目标海洋锋区域。

具体地，计算机设备在接收到各个无人舰艇或者无人舰艇编队控制器发送的各个所述调整后位置时，可以根据各个所述调整后位置重新定为海洋锋区域，从而确定出目标海洋锋区域。其中，所述目标海洋锋区域可以包括精确识别的最终海洋锋区域。

上述海洋锋区域的获取方法中，首先根据所获取的卫星遥感观测资料确定粗估计海洋锋区域，由于卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个指标数据，因此能够实现根据卫星遥感观测资料中的两个或两个以上指标数据确定粗估计海洋锋区域的目的，以此避免传统技术中需要根据不同指标数设置阈值后才能识别海洋锋区域导致的识别难度大和方式单一的弊端，提高了确定所述粗估计海洋锋区域的灵活性和时效性；进一步地，根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长，避免了传统技术只能对海域中的海洋锋存在与否作出判断导致的海洋锋区域的识别精度低的问题，从而为后续获取精确海洋锋区域奠定了基础；然后再根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息，以此实现在所述目标时长内对所述粗估计海洋锋区域的发展变化进行实时捕捉的目的，为后续确定精确海洋锋区域提供依据；根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；根据接收到的各个所述调整后位置，确定目标海洋锋区域。以此实现多个无人舰艇到达所述粗估计海洋锋区域时能够根据所述区域变化信息实时调整各自初始位置、并根据调整后位置精确定位海洋锋区域的目的，避免了传统技术中需要大量关于海域的海洋锋识别先验信息作为参考信息识别海洋锋区域导致的识别方法不具有可重复利用性和普适性低的弊端，不仅提高了识别海洋锋区域的可重复利用性和普适性；进一步地通过根据所述粗估计海洋锋区域在所述目标时长内的区域变化信息调整所述各个无人舰艇的所述各个初始位置实现根据所述调整后位置对所处粗估计海洋锋区域进行重新定位以得到精确海洋锋区域的目的，从而提高了确定所述目标海洋锋区域的准确性和可靠性。

在一个实施例中，如图6所示，提供了一种海洋锋区域的预测方法，包括以下步骤：

步骤s21，根据所述海洋锋区域的预测方法中的所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器。

具体地，所述仪器布设指令中可以携带所要布设的仪器属性信息，所述属性信息包括所要布设的仪器种类和每种仪器的数量。可选地，所要布设的仪器可以包括温盐深剖面仪(ctd)、声学多普勒流速剖面仪(adcp)、光学后向散射浊度仪(obs)、声学后向散射仪(acousticbackscattering,abs)等，ctd是一种用来测定不同深度的海水水温、盐度的水体检测仪器，adcp是一种用于测量水速的水声学流速计，obs是一种用于测量水体浊度的光学仪器，abs是一种用于测量泥沙颗粒浓度、粒径、泥沙通量的声学仪器。

在实际处理过程中，为提高海洋锋区域信息的获取精度，计算机设备可以按照以下过程布设多个检测仪器：

(1)首先计算机设备根据接收到的卫星遥感观测资料初步判定目标海洋锋区域的初始轮廓线，并输出第一初始布设信息，以指示在所述初始轮廓线两侧各布设一艘无人舰艇，且每艘无人舰艇搭载如下同种仪器，包括ctd、adcp、obs、abs等。

(2)然后计算机设备将所述初始布设信息在每艘无人舰艇上的仪器通过操控指令下发至水中，以控制所述仪器观测相同时间间隔(例如5-10分钟)的海洋锋区域的初始轮廓线两侧的动力环境信息，包括流速、温度、盐度、浊度、沙颗粒浓度、粒径、泥沙通量等，并将所观测的所述动力环境信息发送至终端监控集控系统。

(3)接着计算机设备接收所述终端监控集控系统发送的动力环境信息，分析并比较所述初始轮廓线两侧的两艘无人舰艇的动力环境信息，如果两侧浊度、沙颗粒浓度、粒径、泥沙通量指标差异显著(比如至少一个数据量值差别达10倍以上)，则判定所述初始轮廓线正确合理，此时向无人舰艇编队控制器距离缩小指令，以指示缩小所述初始轮廓线两侧的两艘无人舰艇之间距离。

(4)令缩小距离后的两艘无人舰艇之间的距离为新的初始路廓线，并重复执行分析并比较所述初始轮廓线两侧的两艘无人舰艇的动力环境信息的步骤，直到所述初始轮廓线两侧的浊度、沙颗粒浓度、粒径、泥沙通量指标差异不显著(比如至少一个数据量值差别达10倍以上)，则停止发送距离缩小指令，并将当前目标海洋锋区域两侧的无人舰艇的相对位置作为最优位置；如果分析比较后判定两侧浊度、沙颗粒浓度、粒径、泥沙通量指标差异不显著(比如数据量值差别都达到10倍以上)，则向无人舰艇编队控制器发送距离扩大指令，以指示扩大所述初始轮廓线两侧的两艘无人舰艇之间距离；直到两侧浊度、沙颗粒浓度、粒径、泥沙通量指标差异显著，则停止发送距离扩大指令，并以当前海洋锋区域两侧的两艘无人舰艇的相对位置为最优位置。

(5)令所述初始轮廓线两侧的其它两个位置为新的两艘无人舰艇位置，并返回(1)执行得到所述最优位置的步骤；直至判定所述初始轮廓线两侧设置的每两艘无人舰艇的相对位置均为最优位置为止。此时确定出所述目标海洋锋区域布设的多个检测仪器。

步骤s22，获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速。

具体地，计算机设备可以实时接收所述检测仪器检测到的海域观测要素，并可以对所获取的海域观测要素进行缺失值填补操作，比如t时刻获取的观测要素齐全(也即包括湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速)、t+1时刻获取到除了盐度之外的其它观测要素，t+2、t+3时刻获取的观测资料均齐全，此时可以根据t时刻、t+2、t+3时刻获取的观测要素对t+1时刻缺失的盐度信息进行线性差值处理，以填补缺失值，从而得到缺失值填补操作后观测要素。比如当t'时刻获取到的观测要素中的风速超过风速阈值时，将t'时刻获取到的风速作为异常值删除，风速阈值为历史观测要素中的风速最大值；计算机设备也可以对所获取的海域观测要素进行异常值删除操作，比如当t'时刻获取到的观测要素中的风速超过风速阈值时，将t'时刻获取到的风速作为异常值删除，所述风速阈值可以为历史观测要素中的风速最大值，以此得到异常值删除操作后观测要素，因此可以确定所述清洗处理后观测要素可以包括缺失值填补操作后观测要素和/或所述异常值删除操作后观测要素。

步骤s23，使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征。

具体地，计算机设备可以采用支持向量机递归特征消除算法(svm-rfe)对所述清洗处理后观测要素进行特征选取，从而得到所述目标特征。其中，svm-rfe是由guyon等人在对癌症分类时提出来的基因选择方法，使用svm-rfe能够得到更高的分类准确率。

使用svm-rfe算法进行特征提取过程为：svm-rfe算法的核心是将所有特征按照每个特征对于结果变量的影响权重大小进行建模和降序排序，影响权重越小的特征最早被删除，剩余影响权重的剩余特征会被用来重新建模和降序排序，以此不断迭代循环，直至剩余影响权重的剩余特征仅有一个。

svm-rfe算法能够有效减少特征的数量目且具有较好的鲁棒性，并且svm-rfe算法是一个循环过程，每一步都包括以下子步骤：

1)用当前数据集训练分类器，获得与分类器特征相关的各个特征。比如，在线性核支持向量机中，所述相关的信息可以包括每个特征的权重。

2)根据预先设定的规则，计算各个特征的排序准则分数。

3)在当前数据集中移除对应于最小排序准则分数的特征。

上述过程循环执行，直至执行到特征集中剩余最后一个变量时循环过程结束，循环过程结束时对应的执行结果为获得的一列按照特征重要性排序的特征序号列表，每个特征序号对应一个目标特征。

步骤s24，将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型。

其中，所述设定时刻可以包括确定出所述目标海洋锋区域的的目标时刻之后的任意一个时刻。

具体地，计算机设备确定所述预设海洋锋预测模型的过程包括：首先将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；然后根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；最后将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

在实际处理过程中，随机森林模型的训练过程包括以下子步骤：

(1)在多个目标特征中有放回的随机选择n个样本，并且选择的所述n个样本用于训练一个决策树，且所述n个样本可以为所述决策树的根节点处的样本。其中，每个样本为对应的一个目标特征，每次选择一个样本后，所述有放回的随机选择可以包括将所选样本放回至多个目标特征中再次随机选择。

(2)当检测到每个样本包括m个属性，且所述决策树的第i个节点均需要分裂时，随机从m个属性中选取出m个属性，m<<m。然后采用预设策略(比如信息增益策略)从m个属性中选择1个属性作为第i个节点的分裂属性。

(3)令i+1作为新的i，返回(2)继续执行得到所述第i个节点的分裂属性的步骤，直至第i个节点的分裂属性为其父节点分裂时对应的属性，则确定第i个节点已达到叶子节点，且无须继续分裂。

(4)按照步骤(1)～(3)建立大量的决策树构成了随机森林，随机森林有2个参数，一个是森林中树的数量，通常取较大值；另一个是m的大小，通常m的取值与m的均方根相同。随机森林模型中目标变量的预测值是以上各决策树的均值。

(5)基于以上建立的随机森林，将步骤(4)中随机森林输出的均值与目标变量的观测值进行比较，计算相关系数与均方根误差。

(6)通过考虑不同的输入变量结构(也即使用的变量个数、同一变量数据类型等)，重复以上步骤(1)～(5)，获得不同输入变量结构时模型训练期间的统计值(也即相关系数与均方根误差)，并将所述统计值对比分析，选择相关系数最显著和均方根误差最小的模型作为最优模型。

步骤s25，对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

具体地，计算机设备确定出所述预测海洋锋区域时，可以进一步对所述预测海洋锋区域进行可视化处理，以得到所述预测海洋锋区域的预测区域可视化图像，所述预测海洋锋区域的预测区域可视化图像中可以包括形成所述预测海洋锋区域的至少两条轮廓线的可视化轮廓线。

本实施例中，通过所述海洋锋区域的预测方法中确定的所述目标海洋锋区域输出仪器布设指令，以此实现通过所布设的各种检测仪器实时获取海域观测要素的目的，并且通过对所获取的海域观测要素进行包括缺失值填补操作和/或异常值删除操作的清洗处理操作以及使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理确定目标特征，以此能够基于实时、动态精细化地捕捉到海洋锋要素信息实现基于多元观测信息进行影响海洋锋分布变化的特征要素提取的目的，为后续提高目标海洋锋区域的发展路径的预测精度提供保障；进一步地，通过将所述目标特征和设定时刻输入至使用所述目标特征对随机森林模型进行训练且训练好的所述预设海洋锋预测模型中确定所述目标海洋锋区域在所述预设时刻的预测海洋锋区域，以及通过对所述预测海洋锋区域进行可视化处理确定所述预测海洋锋区域的预测区域可视化图像，以此实现采用集合型决策树随机森林机器学习方法对影响海洋锋分布变化的要素进行预测的目的，有效提高了预测海洋锋区域的准确性和预测精度。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种海洋锋区域的获取装置，包括：第一确定模块11、第二确定模块12、第三确定模块13、第四确定模块14、调整模块15和第五确定模块16，其中：

第一确定模块11，用于获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个。

第二确定模块12，用于根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径。

第三确定模块13，用于根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置。

第四确定模块14，用于根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息。

调整模块15，用于根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置。

第五确定模块16，用于根据接收到的各个所述调整后位置，确定目标海洋锋区域。

第二确定模块12，可以包括：第一确定子模块、第二确定子模块、第三确定子模块和第四确定子模块。

具体地，第一确定子模块，可以用于根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度；第二确定子模块，可以用于根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量；第三确定子模块，可以用于确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径；第四确定子模块，可以用于获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

第一确定子模块，可以包括：第一确定单元、标定处理单元、第二确定单元和第三确定单元。

具体地，第一确定单元，可以用于根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图；标定处理单元，可以用于根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框；第二确定单元，可以用于确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值；第三确定单元，可以用于将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

第一确定单元，可以包括：第一确定子单元、第二确定子单元和第三确定子单元。

具体地，第一确定子单元，可以用于对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；第二确定子单元，可以用于若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；第三确定子单元，可以用于对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

第四确定模块14，可以包括：获取子模块、第五确定子模块和拟合处理子模块。

具体地，获取子模块，可以用于获取所述目标时长内不同时刻的多组卫星遥感观测资料；第五确定子模块，可以用于根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域；拟合处理子模块，可以用于对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

在一个实施例中，如图8所示，提供了一种海洋锋区域的预测装置，包括：指令输出模块21、清洗处理模块22、特征选取模块23、预测模块24和可视化处理模块25，其中：

指令输出模块21，可以用于根据所述海洋锋区域的获取装置中的所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；

清洗处理模块22，可以用于获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；

特征选取模块23，可以用于使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；

预测模块24，可以用于将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；

可视化处理模块25，可以用于对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

预测模块24，可以包括：模型训练子模块、第一处理子模块和第二处理子模块。

具体地，模型训练子模块，可以用于将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；第一处理子模块，可以用于根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；第二处理子模块，可以用于将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

关于海洋锋区域的获取装置的具体限定可以参见上文中对于海洋锋区域的获取方法的限定，关于海洋锋区域的预测装置的具体限定可以参见上文中对于海洋锋区域的预测方法的限定，在此不再赘述。上述海洋锋区域的获取装置上述海洋锋区域的预测装置和中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图9所示，提供了一种海洋锋区域的获取系统，所述系统包括：处理器、无人舰艇编队控制器，所述处理器和所述无人舰艇编队控制器分别设置在待识别海域的陆基站中，陆基站中包含遥控器和控制平台的载体pc机及通信工具，所述处理器与所述无人舰艇编队控制器电连接，其中：

所述处理器，用于获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；根据接收到的各个所述调整后位置，确定目标海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径。

所述无人舰艇编队控制器，用于根据所述拟派出的无人舰艇数量控制对应数量的无人舰艇行驶。

所述处理器，还用于获取所述目标时长内不同时刻的多组卫星遥感观测资料；根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域；对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

所述处理器，还用于根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度；根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量；确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径；获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

所述处理器，还用于根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图；根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框；确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值；将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

所述处理器，还用于对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

所述处理器，还用于根据所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

所述处理器，还用于将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

在实际处理过程中，如图9所示，海洋锋区域的获取系统包括水面无人舰艇编队控制器和终端监控集控系统，水面无人舰艇编队控制器包括多个无人舰艇组成的水面无人舰艇编队、观测设备(比如adcp\ctd\气象传感器等)、包括基本运动控制器和传感器数据处理器的控制系统、供电系统(比如正常态及非常态应急备用电源)、信息接收及传输系统。终端监控集控系统可以包括：显示器、通信系统、数据存储系统(比如存储传感器数据、航迹信息、海洋锋尺寸信息)、遥控系统、参数设置系统(比如设置编队形状、期望路径等)。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种海洋锋区域的获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

根据接收到的各个所述调整后位置，确定目标海洋锋区域。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取所述目标时长内不同时刻的多组卫星遥感观测资料；根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域；对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度；根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量；确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径；获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图；根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框；确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值；将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取卫星遥感观测资料，并根据所述卫星遥感观测资料确定粗估计海洋锋区域；其中，所述卫星遥感观测资料包括待识别海域的水色值、温度值、盐度值、叶绿素浓度值以及悬浮泥沙浓度值中的至少一个；

根据所述卫星遥感观测资料，确定拟派出的多个无人舰艇到达所述粗估计海洋锋区域的目标路径以及沿所述目标路径到达所述粗估计海洋锋区域的目标时长；其中，所述目标路径用于表征所述多个无人舰艇到达所述粗估计海洋锋区域的最短路径；

根据接收到的各个无人舰艇到达所述粗估计海洋锋区域时发送的确认到达信息，确定各个无人舰艇在所述粗估计海洋锋区域的各个初始位置；

根据所述目标时长内接收到的多组卫星遥感观测资料，确定所述粗估计海洋锋区域的区域变化信息；

根据所述区域变化信息输出调整指令，以指示各所述无人舰艇基于各自对应的初始位置进行调整，得到每个所述无人舰艇的调整后位置；

根据接收到的各个所述调整后位置，确定目标海洋锋区域。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取所述目标时长内不同时刻的多组卫星遥感观测资料；根据所述多组卫星遥感观测资料，确定多个粗估计海洋锋区域；对所述多个粗估计海洋锋区域按照所述多个不同时刻进行插值拟合处理，得到所述区域变化信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的面积估计值和锋面线长度；根据所述面积估计值和所述锋面线长度的第一比值结果，确定拟派出的无人舰艇数量；确定每个所述无人舰艇与所述粗估计海洋锋区域的每个预设顶点位置之间的多个直线距离，并选取每个所述无人舰艇对应的多个直线距离中最小的一个直线距离作为所述无人舰艇到达所述粗估计海洋锋区域的目标路径；获取所述多个无人舰艇的最大时速，并将所述无人舰艇到达所述粗估计海洋锋区域的目标路径与所述最大时速的第二比值结果，作为所述目标时长。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据所述卫星遥感观测资料，确定所述粗估计海洋锋区域的可视化区域分布图；根据所述可视化区域分布图的各个顶点位置坐标，对所述可视化区域分布图进行规则图形的标定处理，得到包含所述可视化区域分布图的目标矩形框；确定所述目标矩形框对应的所述粗估计海洋锋区域的面积估计值；将所述可视化区域分布图的轮廓线划分为若干个轮廓点，并将相邻两轮廓点之间的距离进行线性叠加，得到所述锋面线长度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对所述卫星遥感观测资料进行反演处理，得到所述待识别海域的海域分布图；若所述海域分布图满足预先存储的交界面确定条件，确定所述海域分布图存在的交界面为所述粗估计海洋锋区域；对所述粗估计海洋锋区域进行可视化处理，得到所述粗估计海洋锋区域的可视化区域分布图。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据所述目标海洋锋区域，输出仪器布设指令；其中，所述仪器布设指令用于指示按照预设距离间隔交叉布设多个检测仪器；获取所述检测仪器检测到的海域观测要素，并对所获取的海域观测要素进行清洗处理操作，得到清洗处理后观测要素；其中，所述清洗处理操作包括缺失值填补操作和/或异常值删除操作，所述海域观测要素包括所述待观测海域的湿度、盐度、温度、风速、风向、流速、波高、波向、波周期、水深、航速；使用支持向量机递归特征消除方法对所述清洗处理后观测要素进行特征选取处理，得到目标特征；将所述目标特征和设定时刻输入至预设海洋锋预测模型中，得到所述目标海洋锋区域在所述预设时刻的预测海洋锋区域；其中，所述预设海洋锋预测模型包括使用所述目标特征对随机森林模型进行训练且训练好的模型；对所述预测海洋锋区域进行可视化处理，得到所述预测海洋锋区域的预测区域可视化图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述目标特征作为随机森林模型的输入，并结合随机森林模型的敏感参数初始值进行模型训练，得到模型训练后的初步结果；根据所述初步结果确定所述敏感参数的不同组取值，并确定随机森林模型经过所述不同组取值和所述目标特征校验后的预测值与实际观测值之间的不同均方根误差；将所述不同均方根误差进行大小排序，并将均方根误差最小时对应的随机森林模型作为所述预设海洋锋预测模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。