本發(fā)明涉及海洋溫度鋒面檢測領(lǐng)域，特別涉及一種融合密集跳躍連接和季節(jié)增強的海洋鋒面智能探測方法。

背景技術(shù)：

1、海洋鋒面區(qū)域內(nèi)，海水的溫度、鹽度、葉綠素濃度等物理特性的變化顯著，因此可以用溫度、鹽度、葉綠素濃度等要素來表征海洋鋒面。作為海洋中常見的中尺度現(xiàn)象，海洋鋒面對海洋漁業(yè)、大氣物理過程以及海洋軍事等應(yīng)用領(lǐng)域具有重要意義，及時掌握海洋鋒面的出現(xiàn)位置以及運動規(guī)律對上述領(lǐng)域的研究與實踐至關(guān)重要。

2、最早的海洋鋒面研究依賴于站點觀測、船測和浮標(biāo)觀測等現(xiàn)場觀測手段，然而，這些方式易受天氣狀況、船只航行等因素限制，難以獲得長時序、大范圍的觀測數(shù)據(jù)。相比而言，衛(wèi)星遙感技術(shù)以其廣域覆蓋、全天時、全天候、受天氣變化影響小等優(yōu)勢，能夠獲得長時序、大尺度、高空間覆蓋度的觀測數(shù)據(jù)，有效補充了現(xiàn)場觀測的不足。因此，越來越多的研究人員開始利用遙感數(shù)據(jù)進行海洋鋒面檢測。神經(jīng)網(wǎng)絡(luò)對復(fù)雜數(shù)據(jù)建模方面表現(xiàn)出色，具有強大的空間特征提取能力，已被應(yīng)用于海洋鋒面的自動化檢測中，但如何進一步提升鋒面檢測的準(zhǔn)確性，依然是鋒面研究領(lǐng)域內(nèi)一個亟待解決的關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供了一種融合密集跳躍連接和季節(jié)增強的海洋鋒面智能探測方法，以達到提高模型的整體表現(xiàn)力和鋒面檢測的準(zhǔn)確性的目的。

2、為達到上述目的，本發(fā)明的技術(shù)方案如下：

3、一種融合密集跳躍連接和季節(jié)增強的海洋鋒面智能探測方法，包括如下步驟：

4、步驟1，獲取研究海域的每日衛(wèi)星遙感sst數(shù)據(jù)，并進行預(yù)處理，得到sst梯度圖；

5、步驟2，在sst梯度圖的基礎(chǔ)上，結(jié)合以往海洋鋒面研究和專家經(jīng)驗，使用labelme對鋒面標(biāo)簽進行標(biāo)注，得到鋒面標(biāo)簽數(shù)據(jù)；

6、步驟3，構(gòu)建融合密集跳躍連接的季節(jié)性增強多尺度識別網(wǎng)絡(luò)模型；

7、所述模型包括5個編碼器、4個解碼器、一個頭部網(wǎng)絡(luò)和6個中間狀態(tài)；

8、所述編碼器由兩條分支構(gòu)成，底部分支為改進的多尺度殘差卷積塊，即在多尺度殘差卷積塊中融合了跳躍連接操作，在每一層卷積后均使用了relu非線性激活函數(shù)，實現(xiàn)不同尺度特征提??；編碼器的上層分支為通道監(jiān)督單元，該通道監(jiān)督單元由1個全局平均池化層和2個全連接層組成，同時在通道監(jiān)督單元內(nèi)部加入了改進的季節(jié)編碼，將底部分支與上層分支得到的特征圖相加后再經(jīng)過采樣層就得到編碼器的輸出；

9、解碼器與編碼器結(jié)構(gòu)相同，僅在最后一層采樣層不同，編碼器最后一層為下采樣層，而解碼器的最后一層為上采樣層；特征圖在編碼器部分實現(xiàn)特征提取與下采樣過程，同時還會進行通道數(shù)的調(diào)整；調(diào)整后的特征圖傳遞至解碼器部分進行特征解碼和上采樣過程，最后一個解碼器輸出的特征圖將被傳遞至頭部網(wǎng)絡(luò)；

10、頭部網(wǎng)絡(luò)負責(zé)像素點的分類并生成檢測結(jié)果，頭部網(wǎng)絡(luò)由兩條分支組成，底部分支由1×1的卷積層以及一個softmax層組成；上層分支是位置注意力模塊；上層分支與底部分支的結(jié)果先進行相乘，相乘的結(jié)果與底部分支的結(jié)果進行相加得到最終的檢測結(jié)果；

11、6個中間狀態(tài)分別為第二、三、四個編碼器的輸出經(jīng)過上采樣得到的6個特征圖，分別由第二個編碼器經(jīng)過1次上采樣操作、第三個編碼器依次經(jīng)過2次上采樣操作、第四個編碼器依次經(jīng)過3次上采樣操作組成；得到的6個特征圖與不同位置編碼器或解碼器得到的特征圖大小相同，之后將編碼器部分與6個中間狀態(tài)得到的特征圖跳躍連接至解碼器部分，該過程即實現(xiàn)密集跳躍連接操作；

12、步驟4，將sst梯度圖和鋒面標(biāo)簽數(shù)據(jù)劃分為訓(xùn)練集和測試集，利用訓(xùn)練集對模型進行訓(xùn)練；并用測試集進行模型精度評估；

13、步驟5，將待測海域的sst數(shù)據(jù)進行預(yù)處理后，得到sst梯度圖，將sst梯度圖輸入評估合格的模型中進行海洋鋒面智能探測。

14、上述方案中，所述多尺度殘差卷積塊由3個3×3卷積層組成，改進的多尺度殘差卷積塊中融合的跳躍連接操作如下：將輸入數(shù)據(jù)分別跳躍連接至第二個和第三個3×3卷積層的輸出，將第一個3×3卷積層的輸出跳躍連接至第三個3×3卷積層的輸出；最后將3個3×3卷積層的輸出進行拼接，最后與輸入經(jīng)過1×1卷積層的輸出進行逐元素相加。

15、上述方案中，編碼器的上層分支中，對每一張?zhí)卣鲌D進行改進的季節(jié)編碼，即將當(dāng)前月份的季節(jié)編碼賦值為0.8，當(dāng)前月份的前一月和后一月的季節(jié)編碼均賦值為0.1。

16、上述方案中，在編碼器部分，輸入大小為的特征圖，首先經(jīng)過第一個編碼器進行特征提取和降維，輸出大小為的特征圖，然后傳遞至第二個編碼器進行特征提取和降維，輸出大小為的特征圖，以此類推，特征圖依次經(jīng)過5個編碼器，最后輸出大小為的特征圖；該特征圖傳遞至解碼器部分進行特征解碼和上采樣過程，與編碼器部分的特征圖的變化過程相反，特征圖依次經(jīng)過4個編碼器后特征圖恢復(fù)至。

17、上述方案中，在頭部網(wǎng)絡(luò)的上層分支中，輸入大小為特征圖，首先經(jīng)過平均池化層，得到大小為的特征圖，其中，r表示下采樣系數(shù)，然后將特征圖傳遞至卷積層，并將卷積后的結(jié)果與位置編碼的特征圖進行相加；將經(jīng)過相加的特征圖傳遞至一系列的卷積層進行特征提取，最后一層卷積層為帶sigmoid激活函數(shù)的卷積層，提高網(wǎng)絡(luò)的非線性表達能力，之后經(jīng)過上采樣層將特征圖大小恢復(fù)至原始圖像大小。

18、上述方案中，6個中間狀態(tài)具體為：在第二個編碼器后增加一層上采樣層，第二個編碼器的輸出經(jīng)過一次上采樣操作得到與第一個編碼器輸出相同大小的特征圖，該特征圖的大小同樣與第四個解碼器的輸出大小相同；在第三個編碼器后增加兩層上采樣層，第三個編碼器的輸出經(jīng)過第一層上采樣得到與第二個編碼器的輸出相同大小的特征圖，該特征圖大小同樣與第三個解碼器的輸出大小相同；再經(jīng)過一次上采樣，得到與第一個編碼器輸出相同大小的特征圖，該特征圖大小同樣與第四個解碼器的輸出大小相同；同樣，在第四個編碼器后增加三層上采樣層，第四個編碼器的輸出經(jīng)過第一層上采樣得到與第三個編碼器的輸出相同大小的特征圖，該特征圖同樣與第二個解碼器的輸出大小相同；經(jīng)過第二層上采樣得到與第二個編碼器的輸出相同大小的特征圖，該特征圖同樣與第三個解碼器的輸出大小相同；經(jīng)過第三層上采樣得到與第一個編碼器的輸出相同大小的特征圖，該特征圖同樣與第四個解碼器的輸出大小相同。

19、上述方案中，模型訓(xùn)練中，使用交叉熵損失函數(shù)，計算公式如下：

20、；

21、其中，表示樣本標(biāo)簽的第個元素，表示模型預(yù)測屬于第類的概率，當(dāng)樣本屬于第類時，=1，否則=0，表示樣本標(biāo)簽數(shù)量。

22、上述方案中，模型訓(xùn)練中，采用學(xué)習(xí)率衰減策略，連續(xù)三個訓(xùn)練輪次內(nèi)損失誤差不下降時，將此時的學(xué)習(xí)率降低到原來的一半。

23、通過上述技術(shù)方案，本發(fā)明提供的融合密集跳躍連接和季節(jié)增強的海洋鋒面智能探測方法具有如下有益效果：

24、本發(fā)明提出了一種融合多尺度殘差卷積與密集連接的海洋鋒面檢測模型，該模型基于lsenet，并引入了改進的多尺度殘差卷積模塊的同時增加了密集跳躍連接操作，此外，還對lsenet中原有的季節(jié)編碼進行了優(yōu)化，構(gòu)建了一個新的海洋鋒面檢測深度學(xué)習(xí)模型——融合密集跳躍連接的季節(jié)性增強多尺度識別網(wǎng)絡(luò)模型(seasonal?enhanced?multi-scale?recognition?network?with?dense?skip?connections，semnet-dc)。該模型利用衛(wèi)星遙感海表面溫度(sea?surface?temperature,?sst)圖生成的sst梯度圖實現(xiàn)海洋鋒面的自動檢測，進一步提高了鋒面檢測精度。

25、原始的lsenet通過多層卷積的堆疊增加了網(wǎng)絡(luò)深度，網(wǎng)絡(luò)的非線性表達能力較強，能夠?qū)W習(xí)到輸入特征圖中包含的復(fù)雜特征，從而有效提高了網(wǎng)絡(luò)的表達能力和特征提取能力。但隨著網(wǎng)絡(luò)深度的加深，淺層網(wǎng)絡(luò)的學(xué)習(xí)能力會下降，這不僅限制深層網(wǎng)絡(luò)的學(xué)習(xí)效率，還會導(dǎo)致網(wǎng)絡(luò)丟失大量的小尺度信息，進而影響模型的檢測精度。淺層網(wǎng)絡(luò)擅長提取輸入特征圖中包含的邊緣、紋理等基本信息。而跳躍連接可以在網(wǎng)絡(luò)的某些層之間直接建立聯(lián)系，允許信息跨越不同層直接傳遞。這樣，淺層網(wǎng)絡(luò)提取的低級特征可以直接傳遞到深層網(wǎng)絡(luò)，與高級特征相融合，使得深層網(wǎng)絡(luò)輸出中不僅包含高級特征，也保留了淺層特征中的小尺度邊緣信息，降低了隨著網(wǎng)絡(luò)深度加深而導(dǎo)致的小尺度信息丟失的風(fēng)險。

26、為使semnet-dc模型充分考慮海洋鋒面邊緣的小尺度信息，為模型新增了6個中間狀態(tài)，并將這些中間狀態(tài)跳躍連接至編碼器部分，將不同深度網(wǎng)絡(luò)提取的特征信息進行融合，進一步增強了模型在鋒面邊緣方面的檢測能力。

27、模型中使用改進的多尺度殘差卷積塊代替原始3×3卷積層的堆疊，在改進的多尺度殘差卷積塊中同樣應(yīng)用了跳躍連接操作，提高該模塊對不同尺度鋒面的特征提取能力。

28、此外，本發(fā)明還進一步改進了季節(jié)編碼，具體做法是在進行季節(jié)編碼時，將對應(yīng)月份的編碼賦值為0.8，其前后相鄰月份的編碼分別賦值為0.1，以此為網(wǎng)絡(luò)提供了額外的上下文信息，有助于網(wǎng)絡(luò)更好地理解、捕捉和利用季節(jié)的連續(xù)性和過渡，從而提高模型的整體表現(xiàn)力和鋒面檢測的準(zhǔn)確性。