基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法

1.本发明属于复合涡识别领域，尤其涉及到一种基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法。


背景技术：

2.中尺度涡是海洋中的一种涡流，在全球海洋中广泛存在。海洋涡旋本身携带着极大的动能，这种动能会对全球海洋物质输送和能量传递起着关键的作用。我们之前往往是对单涡进行识别，却很少关注复合涡这种类型的涡旋。复合涡是单涡的组合体，两个单涡碰到一起构成一个复合涡后，会对原本单涡的运动轨迹造成影响。另外，两个独立的单涡之间的能量交换形式也与复合涡中两单涡的能量交换形式有所不同，所以我们对复合涡进行识别是有非常重要的科学意义和应用价值。目前对复合涡识别的方法主要是物理方法，比如改进的hd方法，这种方法是基于原始的卫星高度计数据进行的，但是采用这种没有处理过的数据对复合涡进行识别，使得识别效率低，而且准确度不高。


技术实现要素：

3.本发明的一个目的是提供一种基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法并提供至少后面将说明的优点。
4.本发明的另一个目的是提供一种基于亥姆霍兹分解及深度学习的复合涡识别方法，运用亥姆霍兹分解方法对卫星高度计的衍生数据进行处理，提高识别准确率，并且采用深度学习方法，提升对复合涡的识别效率，最终实现模型在全海域上的应用。
5.本发明的技术方案如下：
6.基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法，其包括以下步骤：
7.1)获取海水东西方向流速u和南北方向流速v数据，构建速度矢量场图像；
8.2)对所述速度矢量场图像进行亥姆霍兹分解得到有势场fd图像和有旋场fc图像；
9.3)根据有旋场fc中的势函数和uv数据标注深度学习数据集；
10.4)对所述深度学习数据集使用神经网络进行训练得到复合涡识别模型。
11.优选的是，所述步骤2)中，通过有旋场对复合涡进行识别，提升复合涡的识别准确率，fd，fc的定义见公式1，2；
[0012][0013][0014]
其中，v为一个标量函数，用v的梯度可以用来表示一个有势场，a为一个矢量场，可以用a的旋度来表示一个有旋场。
[0015]
优选的是，所述速度矢量场由海平面异常卫星高度计数据计算得到，其中，空间分辨率为1/12
°×
1/12
°
，时间分辨率为3h，空间覆盖范围为南纬80度到北纬90度。
[0016]
优选的是，所述步骤3)中，所述深度学习数据集为4种类型涡旋，单涡气旋涡、单涡反气旋涡、复合涡气旋涡和复合涡反气旋涡。
[0017]
优选的是，所述神经网络为eddynet神经网络。
[0018]
优选的是，所述步骤4)中，所述深度学习数据集使用神经网络进行训练得到复合涡识别模型，包括以下步骤：
[0019]
1)将所述深度学习数据集分为训练集和验证集；
[0020]
2)建立eddynet神经网络初始模型；
[0021]
3)设置初始训练参数，并采用所述训练集对所述eddynet神经网络初始模型得到训练好的eddynet神经网络模型和优化的训练参数；
[0022]
4)采用所述验证集和所述优化的训练参数对所述训练好的eddynet神经网络模型进行验证识别，得到最终复合涡识别模型。
[0023]
优选的是，所述的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法中，所述初始训练参数包括学习率为1e-3，训练轮数为50，每次训练对训练集分批次训练，每批次样本个数为16。
[0024]
优选的是，所述语义分割是指对图像中的每个像素进行分类。
[0025]
本发明具有以下有益效果：
[0026]
1)通过亥姆霍兹分解方法从原始的速度场中提取出有旋场的这一做法，减少了将原始速度场中不是涡旋部分错认为涡旋事件的发生，提升了对复合涡和单涡的识别准确率；
[0027]
2)通过eddynet的加入，解决了现有的物理法识别涡旋效率不高的问题，尤其提升了对目前研究较少的复合涡的识别准确率。该神经网络方法能够在全海域中得到应用，克服了物理法在识别不同海域的复合涡时阈值人为设定等缺点；
[0028]
3)将uv构成的速度场数据用于单涡和复合涡的识别，使得我们可以不仅能看到涡的位置，还能看到涡的轮廓，这对于研究涡之间的能量交换和涡的运动轨迹起着很重要的作用；
[0029]
4)本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
[0030]
图1为本发明提供的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法的流程图；
[0031]
图2为本发明一个实施例中获取的海水东西方向流速云图；
[0032]
图3为本发明一个实施例中获取的海水南北方向流速云图；
[0033]
图4为本发明一个实施例中的速度矢量场图像；
[0034]
图5为图4经过亥姆霍兹分解后得到的有势场fd图像；
[0035]
图6为图4经过亥姆霍兹分解后得到的有旋场fc图像；
[0036]
图7为标注前的有旋场图像；
[0037]
图8为图7经过标注后的涡旋灰度图；
[0038]
图9为本发明中的eddynet神经网络模型结构示意图；
[0039]
图10为采用本发明构建的复合涡识别模型在训练集和验证集上的准确率随着epoch的增加变化图。
具体实施方式
[0040]
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0041]
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
[0042]
中尺度涡，是指海洋中半径为10～100km的涡旋，其存活周期，即从产生到衰亡的时间，长达数十天甚至数年。按中尺度涡的形态不同，将中尺度涡分为单涡，复合涡。其中单涡是指海洋中由闭合流线构成的涡旋的涡心个数为1个，而复合涡是指在闭合流线构成的涡旋中存在2～3个单涡。按中尺度涡的旋转方向的不同，中尺度涡又可分为气旋涡(在南半球为顺时针旋转)，反气旋涡(在南半球为逆时针旋转)。由于中尺度涡在海洋中的高速旋转等特性，使得其对海洋环流、海洋温盐结构、全球气候变化起着非常重要的作用。
[0043]
卫星高度计以其观测精度高，覆盖面积大、获取信息量大等特点在海洋动力学中处于举足轻重的位置，它能够测量海洋动力参数(如海表面高度、海平面异常等)，获取海洋动力参数信息(如海浪、潮汐等)。基于卫星高度计测得的数据，可以开展中尺度涡的识别等相关工作，并且对研究其它海洋动力学方向也很有帮助。
[0044]
目前对复合涡识别的方法分为物理法和人工智能法。其中物理法主要有改进的hd方法，该方法在原有的通过识别出涡心和涡边界后依据涡边界内涡心的个数判断是否为复合涡的hd方法之外，加入了对复合涡的新的判定条件，即两个单涡的半径长度之和与两个单涡的涡心之间距离比值若大于等于1，则为复合涡。判定条件的加入使得复合涡识别更加准确。但该方法只考虑物理学角度，不能够在广泛海域中得到应用，而且识别效率低且准确率整体不高。人工智能方法主要是对复合涡进行目标检测，只能识别出复合涡的位置，识别准确率不高。
[0045]
目前对复合涡的识别大多数是基于卫星高度计直接测得的数据进行的，很少有研究者考虑对卫星高度计数据做处理，如cuicui zhang在《characteristic ocean flow visualization using helmholtz decomposition》中为了提升单涡的识别准确度，将卫星高度计数据采用亥姆霍兹分解方法进行处理，然后基于处理后的数据对单涡采用hd方法进行识别。
[0046]
目前复合涡的识别多基于卫星高度计数据，比如海平面异常、海表面高度数据等，但是若直接基于此数据，通过hd方法等物理方法对复合涡进行识别，可能会将非涡旋识别为涡旋，影响涡旋识别准确率。另外，基于传统的物理法进行涡旋识别，整体识别效率不高，并且由于对不同海域的涡进行判定时需设置不同的阈值，使得这类识别方法不能广泛应用于全海域。在海洋中，一直处在运动状态的复合涡相比单涡更考虑了涡和涡之间的相互联系，使得构成复合涡的每个涡在运动过程中可能会发生形变、涡的分离、新涡的合并。另外，两个单涡在合成复合涡之后会改变单涡原本的运动轨迹，这种现象在研究涡旋轨迹预测中需要着重考虑。
[0047]
如图1所示，本发明基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法，其包括以下步骤：
[0048]
1)获取海水东西方向流速u和南北方向流速v数据，构建速度矢量场图像；
[0049]
2)对所述速度矢量场图像进行亥姆霍兹分解得到有势场fd图像和有旋场fc图像；
[0050]
3)根据有旋场fc中的势函数和uv数据标注单涡气旋涡、单涡反气旋涡、复合涡气旋涡和复合涡反气旋涡，并将标注前后的有旋场图像作为深度学习数据集；
[0051]
4)对所述深度学习数据集使用神经网络进行训练得到复合涡识别模型。
[0052]
在本发明提供的所述的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法的一个实施例中，所述速度矢量场由海平面异常卫星高度计数据计算得到，其中，空间分辨率为1/12
°×
1/12
°
，时间分辨率为3h，空间覆盖范围为南纬80度到北纬90度。
[0053]
在本发明提供的所述的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法的一个实施例中，所述神经网络为eddynet神经网络。
[0054]
在本发明提供的所述的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法的一个实施例中，对所述深度学习数据集使用神经网络进行训练得到复合涡识别模型，包括以下步骤：
[0055]
1)将所述深度学习数据集分为训练集和验证集；
[0056]
2)建立eddynet神经网络初始模型；
[0057]
3)设置初始训练参数，并采用所述训练集对所述eddynet神经网络初始模型得到训练好的eddynet神经网络模型和优化的训练参数；
[0058]
4)采用所述验证集和所述优化的训练参数对所述训练好的eddynet神经网络模型进行验证识别，得到最终复合涡识别模型。
[0059]
在本发明提供的所述的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法的一个实施例中，所述初始训练参数包括学习率为1e-3，训练轮数为50，每次训练对训练集分批次训练，每批次样本个数为16。
[0060]
具体来说，本发明提供的基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法，包括以下步骤：
[0061]
(1)下载卫星高度计数据：
[0062]
基于2013～2015年海平面异常(sla)及对应的再分析数据对复合涡进行识别，数据来源于hycom(https://www.hycom.org/)，空间分辨率为1/12
°×
1/12
°
，时间分辨率为3h，空间覆盖范围为南纬80度到北纬90度。我们基于提供的海水东西方向流速u和南北方向流速v这两组再分析数据开展相应的复合涡识别工作。如图2，3所示的u,v云图，图中边界纯灰色区域为陆地，中间部分为海洋，颜色越深，代表海水流速越大。
[0063]
(2)对u,v构成的速度矢量场进行亥姆霍兹分解：
[0064]
为了提高对复合涡的识别准确率，减少将潮汐等海洋现象错认为涡旋事件的发生，特此在复合涡识别任务中加入亥姆霍兹分解方法。由于任何一个矢量场都存在非零的散度和旋度，而我们识别涡旋主要依赖旋度来进行判定，那么我们可以通过亥姆霍兹分解方法将矢量场f分解为纯无旋场fd(有势场)，纯无散场fc(有旋场)，然后仅通过有旋场对复合涡进行识别，这种做法可以提升复合涡的识别准确率。fd，fc的定义见公式1，2。
[0065][0066][0067]
其中，v为一个标量函数，用v的梯度可以用来表示一个有势场，a为一个矢量场，可以用a的旋度来表示一个有旋场。基于南纬29到36度、西经89到96度的一组uv数据得到的分解实例如图4、5和6所示，图4、5和6分别表示为原始速度场、有旋场、有势场，可以看到有旋
场中存在着大量的涡旋。
[0068]
(3)标注数据集：
[0069]
将原始的速度场经亥姆霍兹分解后，仅取有旋场部分的结果，其中包括有旋场对应的势函数及有旋场的uv数据。基于得到的这些结果，我们用来标注深度学习所需的数据集。共计标注4种类型涡旋，分别为：单涡(气旋涡，反气旋涡)，复合涡(气旋涡，反气旋涡)。如图7和图8所示的一组标注数据实例，图7为标注原图，图8为标注后的神经网络所需的真值图。
[0070]
(4)建立eddynet神经网络：
[0071]
基于上述得到的标注数据，采用改进的u-net对复合涡进行语义分割工作。所谓的语义分割是指对图像中的每个像素进行分类。在本实验中，实现语义分割的模型的工作内容是识别出图像中各种涡旋的位置及轮廓。其中模型的输入为经亥姆霍兹分解后的有旋场图像，输出为所识别出的各种涡的灰度图。该神经网络模型具体结构如图9所示，在encoder阶段，对输入图像进行了3次的下采样操作，每次下采样都包括2次3*3的卷积、2次relu+正则化、1次dropout、1次2*2的最大池化。然后在decoder阶段，将上采样产生的特征图与左侧对应层的下采样特征图进行特征联合。最终通过1*1的卷积得到最终语义分割的结果。
[0072]
(5)设置训练参数：
[0073]
设置eddynet网络模型的学习率为1e-3，训练轮数epoch为50，每次训练对全部样本分批次训练，每批次样本个数batch_size为16。
[0074]
(6)训练eddynet神经网络：
[0075]
利用标注好的输入输出数据对eddynet神经网络进行训练，并调整设定的参数。通过调整，使得模型在训练集上语义分割效果好，同时在验证集上对涡的识别准确率也有所提升。该网络模型采用交叉熵(dice loss)作为损失函数，dice loss定义如式(3)所示。
[0076][0077]
经过参数调整等工作后，最终版本的模型在训练集和验证集上的准确率随着epoch的增加变化如图10所示。可以看到训练集上的准确率最终能达到85％左右，这种结果表示模型在训练集上已经得到充分训练，那么在验证集上的准确率结果具有可信性。最终模型在验证集上对单涡和复合涡的识别准确率达到80％左右。
[0078]
本发明具有以下特点：
[0079]
(1)将亥姆霍兹分解方法运用到复合涡的识别中，提高对复合涡的识别准确率；
[0080]
(2)将eddynet这一深度学习方法参与到对单涡和复合涡的识别中，提升了对复合涡的识别效率，同时实现在全海域对复合涡的识别。
[0081]
本发明提供一种基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法。首先，对通过海平面异常得到的速度场数据进行亥姆霍兹分解，提取出有旋涡部分，提升涡旋识别准确率；其次，基于亥姆霍兹分解后得到的有旋场部分标注神经网络的数据集，为对复合涡的监督学习过程做准备；最后，将标记好的数据集通过eddynet神经网络进行训练，实现对复合涡的识别。基于亥姆霍兹分解和深度学习对复合涡进行识别的这一做法，能够提升复合涡的识别准确率和识别效率，并且方法能在全海域中能到应用。
[0082]
本发明中，
[0083]
1.可以采用海平面异常(sla)等卫星高度计数据计算得到uv速度场，本发明直接采用的hycom提供的uv速度场。
[0084]
2.经亥姆霍兹分解后得到的有旋场部分结果不唯一。
[0085]
3.eddynet神经网络可以是其它神经网络。
[0086]
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。