融合深度学习的自动化海洋锋精细识别

发布时间：2024-02-03 03:06

　　传统的海洋锋识别方法依赖于梯度阈值,其将梯度值大于设定阈值的海域视为存在海洋锋,但梯度阈值法存在阈值依赖人为设定且标准不统一,以及复杂多样的海洋锋无法用单一阈值进行准确识别的问题。为此,提出一种融合深度学习的自适应梯度阈值判别方法。对海温梯度图进行标注,通过Mask R-CNN训练得到海洋锋像素级识别模型,统计每一类锋特有的梯度值分布作为该类锋的基准梯度阈值,并基于该阈值对像素级的锋面识别结果做精细化调整,对锋面识别结果精度进行量化,以提高自适应锋面调整过程的可靠性。实验结果表明,与传统梯度阈值法及单一的深度学习结果相比,该方法可以实现精细的海洋锋识别,且具有良好的独立性和完整性。

【文章页数】：9 页

【部分图文】：

图1海陆交界像素细化过程

梯度计算在每个数据点的3×3邻域中进行,在海陆交界部分的数据点的邻域内可能同时包含陆地与海洋,为避免梯度计算时交界处海水数据点受到陆地数据点的影响,需要事先制定策略:在遍历数据点过程中,首先对当前数据点归属海水还是陆地进行判断,若是陆地数据点则直接标记,不再进行梯度计算;若是海水....

图2经纬范围为(118°E～131°E,23°N～40°N)的梯度数据渲染图像

在Python3.6环境下,利用Matplotlib和PIL图像处理包,将对应经纬度下的梯度值按实际经纬关系映射为颜色,从而得到梯度值图片。颜色映射规则为“jet”颜色图,输出图像大小统一为340像素×260像素。部分梯度值网格数据可视化的结果图像如图2所示。海水部分的颜色是通过....

图3MaskR-CNN网络模型架构

此外,MaskR-CNN将FasterR-CNN中的RoIPool改进为RoIAlign以消除前者的粗糙量化,同时将提取的特征和像素精准对齐。选取每个RoI分块中的4个常规位置,使用双线性插值计算每个位置的精确值,然后对结果进行汇总。MaskR-CNN网络模型架构如图3所示....

图4MaskR-CNN总体网络结构

本文使用基于Python的Tensorflow和Keras构建完整的MaskR-CNN结构,其结构示意图如图4所示。其中,backbone部分由Resnet101和FPN(FeaturePyramidNetwork)组成。3.2样本建立与模型训练

本文编号：3893608