本發(fā)明涉及海洋衛(wèi)星反演，具體涉及基于多重注意力-全局增強unet的sar海面風(fēng)速反演方法。

背景技術(shù)：

1、合成孔徑雷達（synthetic?aperture?radar,?sar）技術(shù)在海洋監(jiān)測中具有廣泛的應(yīng)用，特別是在海面風(fēng)速反演方面。由于sar能夠在全天候和全時段條件下獲取海洋表面信息，它已成為風(fēng)場反演的主要手段之一。傳統(tǒng)的sar海面風(fēng)速反演方法主要依賴于散射計和物理模型。通過分析sar影像的后向散射截面與海面風(fēng)速之間的關(guān)系來建立地球物理模型函數(shù)（geophysical?model?function,gmf）來反演風(fēng)速。此外，物理模型需要風(fēng)向信息作為輔助輸入，風(fēng)向信息直接影響了風(fēng)速的反演精度，且物理模型需要復(fù)雜的參數(shù)計算與選擇。由于海洋環(huán)境的復(fù)雜性，這些模型容易受到外界環(huán)境變化的影響，難以準(zhǔn)確捕捉不同條件下的風(fēng)速變化，導(dǎo)致反演精度較低。

2、近年來，深度學(xué)習(xí)技術(shù)的發(fā)展為sar風(fēng)速反演提供了新的解決方案。尤其是基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的unet模型，因其良好的特征提取能力，通過提取sar影像的特征信息實現(xiàn)海面風(fēng)速反演。unet中卷積能夠提取局部特征，無法捕獲不同特征之間的長程依賴關(guān)系，跳躍連接僅簡單地連接編碼器和解碼器，引起編解碼之間的語義差距?；诨瑒哟翱谧宰⒁饬C制的?swinunet?模型通過局部窗口和分層特征提取方式，捕獲了更多的全局信息，同時避免了傳統(tǒng)卷積的局限性，增強了空間信息的提取能力，但在跨尺度特征的整合上仍然存在一定的不足。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供基于多重注意力-全局增強unet的sar海面風(fēng)速反演方法，解決傳統(tǒng)卷積對全局信息提取受限、多尺度特征的提取存在不足和編碼器與解碼器之間存在的語義差距問題。

2、技術(shù)方案：本發(fā)明所述的基于多重注意力-全局增強unet的sar海面風(fēng)速反演方法，包括以下步驟：

3、（1）獲取浮標(biāo)觀測的風(fēng)速數(shù)據(jù)，并進行清洗與預(yù)處理，制作標(biāo)簽數(shù)據(jù)集；

4、（2）獲取干涉寬幅模式iw式下收集的雙極化地距多視sar數(shù)據(jù)；

5、（3）對sar數(shù)據(jù)進行預(yù)處理；選取浮標(biāo)數(shù)據(jù)信息對應(yīng)的sar數(shù)據(jù)。將預(yù)處理后的sar數(shù)據(jù)集劃分訓(xùn)練集、測試集與驗證集；

6、（4）構(gòu)建多重注意力-全局增強unet模型即cpa-kitunet模型并進行訓(xùn)練得到海面風(fēng)速反演模型，選取測試集在訓(xùn)練好的反演模型上進行測試，得到反演的風(fēng)速結(jié)果。

7、進一步的，步驟（1）中，預(yù)處理具體如下：去除異常值、缺失值和噪聲數(shù)據(jù)，并將不同高度的浮標(biāo)風(fēng)速數(shù)據(jù)通過風(fēng)切變公式轉(zhuǎn)換至標(biāo)準(zhǔn)的10m高度風(fēng)速；其中不同高度包括：2m或3m。

8、進一步的，步驟（3）中，預(yù)處理具體如下：熱噪聲去除、輻射定標(biāo)、濾波、地形校正、海陸掩膜及分貝化。

9、進一步的，步驟（3）中，對預(yù)處理完成的sar影像，以vv極化、vh極化及入射角分別作為rgb三通道，合成rgb影像。合成后的影像，以浮標(biāo)坐標(biāo)為中心裁剪出256*256像素大小的子圖像，并與j以上的浮標(biāo)風(fēng)速標(biāo)簽數(shù)據(jù)進行時空匹配，得到海面風(fēng)速反演數(shù)據(jù)集。

10、進一步的，步驟（4）具體如下：?cpa-kitunet反演模型由編碼器、跳躍連接、瓶頸和解碼器組成；編碼器包括殘差模塊、金字塔分割注意力模塊和最大池化；跳躍連接由上下文錨點注意力模塊組成；瓶頸包括基于kan的vision?transformer模塊；解碼器包括轉(zhuǎn)置卷積、殘差模型和金字塔分割注意力模塊；在編碼器階段引入金字塔分割注意力提取不同尺度的特征信息；跳躍連接處引入上下文錨點注意力提取上下文信息；解碼器階段引入轉(zhuǎn)置卷積與金字塔分割注意力；在編碼器與解碼器間的瓶頸引入基于kan的visiontransformer模塊以提取全局信息。

11、進一步的，編碼器具體如下：采用金字塔分割注意力機制，以增強模型提取不同尺度信息sar數(shù)據(jù)；編碼器通過多個殘差卷積層提取影像中不同尺度的特征；編碼器在每個殘差卷積層后引入金字塔分割注意力模塊；殘差卷積包含一個1×1卷積核的卷積，兩組3×3卷積核的卷積層與relu激活函數(shù)構(gòu)成；原始圖像分別經(jīng)1×1卷積與3×3卷積組進行殘差求和后再輸入金字塔分割注意力模塊；其中，金字塔分割注意力模塊包含分割與連接模塊spc、擠壓與激勵模塊se及softmax層；首先通過在通道維度上分割和連接模塊spc對h×w×c的特征圖進行多尺度分割成s組，每組c/s個通道，每組特征進行不同尺度的卷積，以獲取不同尺度的特征信息，處理后的多組多尺度特征再次在通道維度上進行拼接；經(jīng)spc模塊后的特征圖再通過擠壓與激勵模塊se利用全局平均池化獲取輸入特征圖的通道統(tǒng)計信息，然后通過全連接層和激活函數(shù)生成每個通道的注意力權(quán)重；而后經(jīng)過softmax將se模塊輸出的原始注意力權(quán)重進行歸一化得到注意力權(quán)重結(jié)果；再對重新校準(zhǔn)的權(quán)重和相應(yīng)的特征圖案元素進行點乘，獲取多尺度特征信息注意力加權(quán)之后的特征圖；最后將通過步長為2，核大小為2×2的最大池化對得到的特征圖，逐層進行下采樣，得到特征圖的大小變?yōu)檩斎胩卣鲌D的一半。

12、進一步的，跳躍連接具體如下：將編碼器中經(jīng)殘差卷積與psa模塊后的特征輸入上下文錨點注意力caa模塊；caa模塊通過平均池化、1x1卷積、水平和垂直卷積以及sigmoid激活函數(shù)計算注意力系數(shù)；輸入特征首先通過平均池化層進行全局信息的壓縮，然后依次通過1x1卷積模塊調(diào)整通道數(shù)，水平和垂直卷積模塊分別在水平方向和垂直方向上進行卷積，最后通過sigmoid激活函數(shù)生成注意力系數(shù)；生成的注意力系數(shù)與輸入特征相乘，得到增強后的特征圖，并傳遞到解碼器。

13、進一步的，瓶頸具體如下：編碼器最后一層輸出的特征圖輸入瓶頸，在經(jīng)殘差卷積與金字塔分割注意力后，特征圖輸入到kan-vit中；?其中，vit中的mlp層被kan替代。kan-vit模塊中包含一個位置編碼層embedding、多頭自注意力層mhsa及kan模塊。具體如下：embedding層將特征圖進行序列化并加上位置編碼，位置編碼后的特征序列輸入到5組transformer編碼器中，每組transformer包含一個多頭自注意力層和kan模塊，在多頭自注意力層，每個patch嵌入被映射為查詢q、鍵k、和值v向量，以計算patch間的全局依賴關(guān)系；采用8個自注意力頭，通過多尺度特征的交互來提取sar數(shù)據(jù)中的不同特征模式，獲得全局信息；在多頭自注意力之后，特征序列進入kan，?kan將輸入特征輸入基礎(chǔ)線性層，計算基礎(chǔ)權(quán)重，再通過b-spilne基函數(shù)計算樣條權(quán)重，計算得到的樣條基函數(shù)與樣條權(quán)重進行線性變換，形成樣條輸出，最后，將基礎(chǔ)輸出和樣條輸出進行相加，得到最終的特征圖輸出。

14、進一步的，解碼器具體如下：瓶頸處輸出的特征圖輸入解碼器，解碼器包含多層上采樣與特征拼接；上采樣通過2×2的轉(zhuǎn)置卷積，擴大特征圖的空間維度，再與跳躍連接傳遞的特征圖進行特征拼接，而后經(jīng)過與編碼器相同的殘差卷積與金字塔分割注意力模塊，逐層傳輸給下一步上采樣模塊。

15、本發(fā)明所述的一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述計算機程序被加載至處理器時實現(xiàn)任一項所述的基于多重注意力-全局增強unet的sar海面風(fēng)速反演方法。

16、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下顯著優(yōu)點：通過殘差模塊和金字塔分割注意力（psa）模塊代替?zhèn)鹘y(tǒng)unet中的卷積塊，本方法能夠有效地從輸入特征中提取風(fēng)速的多尺度信息。psa在不同的尺度上應(yīng)用注意力機制，增強了模型對不同尺度特征的提取，使得模型能夠同時關(guān)注全局和局部特征，顯著提高了對復(fù)雜場景的理解能力。kan-vit的引入使得模型能夠更好地捕捉長程依賴關(guān)系，從而增強特征表示能力，同時將傳統(tǒng)visiontransformer中的mlp模塊替換為解釋性更強的kan模塊；跳躍連接上引入上下文錨點注意力（caa）模塊，通過平均池化和方向性卷積的組合，有效地提取水平和垂直方向上的上下文信息；caa模塊利用雙向卷積和注意力機制，顯著增強了特征圖的表達能力，實現(xiàn)了高效的特征增強和信息傳遞。這種結(jié)構(gòu)設(shè)計能夠幫助模型更好地捕獲空間依賴關(guān)系，從而提高特征提取的精確性，增強了風(fēng)速反演的準(zhǔn)確度；通過sar和浮標(biāo)標(biāo)簽數(shù)據(jù)實現(xiàn)智能反演，這一過程抑制了sar影像的噪聲，并提升反演數(shù)據(jù)的豐富性，使得模型能夠在復(fù)雜的場景下準(zhǔn)確地進行風(fēng)速反演。