全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据

为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。     

卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络，基于迁移学习的思想，以经典的手写数字识别作为引入，对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源，分析了不同函数组合对遥感海冰图像分类的影响，优选出交叉熵代价函数与ReLU激活函数为最佳的组合，证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证，其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别，讨论了样本的窗口尺寸对海冰分类结果的影响，发现在400×400小范围分类实验中最佳窗口尺寸为2×2；最后对整个渤海海域进行识别验证，效果较好。     

基于深度学习的视频观测潮位技术研究——以厦门高崎码头为例

近岸潮位观测是海洋工程应用、海岸防灾减灾、海岸带管理以及海洋有关科研工作中最基础的工作之一。文章基于视频图像深度学习的方法,使用YOLOv5目标检测算法从安装在近岸的固定摄像机拍摄的视频帧中提取潮汐水位特征进行潮位分析。研究采用厦门高崎码头的分辨率为1920×1080的高清摄像头2023年2月的影像数据作为训练集和验证集,2023年3月的影像数据作为测试集,利用岸边验潮井逐时潮位数据进行标注,采用YOLOv5目标检测算法来训练。计算结果显示,通过视频观测潮位在训练集和测试集上的误差分别为3.9 cm和5.3 cm。视频中1个像素点代表3.8 cm,因此潮位观测的平均误差为像素级。研究表明在近岸通过高清摄像头基于图像深度学习进行潮位观测的方法是可行的,观测精度取决于图像目标物的分辨率。     

基于全卷积神经网络方法的日间黄海海雾卫星反演研究

本文基于FY-4A静止气象卫星数据,以全卷积神经网络(Fully Convolutional Networks, FCN)为前处理、全连接条件随机场为后处理的日间海雾反演算法模型,以动态阈值海雾反演方法获得黄海雾区标签,使用浮标观测、CALIPSO观测和动态阈值法反演的雾区进行检验,发现与仅使用全卷积神经网络方法的海雾反演结果相比,全卷积神经网络结合全连接条件随机场的算法模型不仅可以反演出海雾主体分布,而且可以克服单纯FCN提取的图像过于平滑和模糊的问题,给出更细致的雾区边界,同时雾区检出率(POD)可以达到91.8%,误判率(FAR)20.0%,成功率(CSI)76.4%,Heidke技巧评分(HSS)82.9%。因此,以全卷积神经网络方法为核心的算法模型可以用于日间黄海海雾雾区的反演。     

卷积神经网络识别侧扫声呐影像的研究

卷积神经网络是当前应用最广泛的图像识别算法,利用大量数据对网络进行训练,即可达到快速、高效地对图像进行识别的目的 .由于卷积神经网络结构众多,且同一数据在不同网络表现也不尽相同,为了选择适用于分析沉船声呐数据的网络,使用Python搭建LeNet 5、AlexNet、VGG、GoogLeNet、ResNet系列(Res...     

基于X波段海洋雷达的南海西北部内波参数特征研究

中国南海是内波频发海域,卫星遥感在内波参数特征的统计分析中得到了广泛应用,但是卫星轨道的重复访问时间长,不能连续观测内波参数的变化特征。X波段海洋雷达具有高时间和空间分辨率,可以长期连续观测内波的变化,本文提出了利用X波段海洋雷达图像提取内波参数的方法,并利用连续观测的数据研究了各参数的分布特征。首先,对雷达图像进行预处理,包括平均处理及斜坡校正两步;利用二维快速傅里叶变换确定内波的传播方向,进而根据该方向上的径向廓线确定内波的相速度大小、波长及周期。最后,利用在南海石油平台上观测的X波段雷达图像对内波各参数进行提取和统计分析,结果表明,研究区域内波的传播方向多为西北向及西向传播,相速度多为0.6~0.8 m/s,波长一般为400~600 m,周期大部分不超过1000 s。     

基于ST-ConvLSTM的南海海表面CO2分压的空间和时间序列预测

海表面二氧化碳分压(pCO₂)的未来变化趋势,对统计评估全球碳收支以及理解全球气候变化背景下的海洋酸化现象至关重要。目前传统的海面pCO₂预测方法大部分基于有限的实测数据,然而实测数据存在着时间和地理方面的制约,且计算成本较高。近年来,随着时空观测数据的爆炸性增长,基于深度学习的数据驱动模型在海表面pCO₂预测方面中表现出良好的潜力。然而,由于多种环境因素与海表面pCO₂之间的关系错综复杂,到目前为止尚无十分简单有效的相关模型来对海表面pCO₂进行预测。为应对这一挑战,利用时空卷积长短时记忆神经网络(ST-ConvLSTM)模型,通过海面温度(sea surface temperature, SST)、海面盐度(sea surface salinity, SSS)、叶绿素a浓度(chl a)和海面pCO₂数据,预测南海的海面pCO₂,并将2019年1～12月的数据作为测试集对模型的表现进行了验证。结果显示, ST-ConvLSTM模型...     

基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力。利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用。对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果。建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabraxjaponicus)、(Lizahaematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像。基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNetV3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性。结果表明,三种模型在测试集的类准确率分别达到96.64%、94.75%和99.23%,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性。综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法。     

基于YOLO算法的海洋中尺度涡三维结构构建

海洋中尺度涡是一种常见的中尺度海洋现象,研究海洋中尺度涡的分布及运动特性对航运、气候、军事等具有重要作用,海洋中尺度涡的识别是海洋学和计算机科学领域的一个热门研究课题。运用深度学习的方法和框架,对中尺度涡的二维识别和三维结构构建展开研究分析。首先,获取全球海洋再分析数据并进行流线可视化,构建涡旋流线数据集;其次,利用YOLO v5s卷积神经网络对涡旋流线数据集进行训练,并对南海区域中尺度涡进行有效检测。实验结果表明,YOLO v5s训练后得到最优模型经过测试,平均检测精度均值达到了86.10%;最后,根据涡旋检测结果,对检测出的同时刻不同深度的涡旋判断是否属于同一涡旋,确定后进行该涡旋的三维结构构建。     

卷积神经网络在SAR遥感海岛海岸带地物信息提取中的应用综述

为满足科学管理海岛海岸带的需求,发掘合成孔径雷达（SAR）在海岛海岸带地物信息提取中的应用潜力,文章概述SAR和卷积神经网络的原理,分析卷积神经网络应用于SAR遥感海岛海岸带地物信息提取的可行性和优势。研究结果表明：通过卷积神经网络提取SAR数据中的海岛海岸带地物信息,无须预先提取图像特征,卷积神经网络能够自动提取图像中更本质和更抽象的特征,更好地应对地物目标的非线性混合;这种提取方法的精度更高,鲁棒性和泛化能力更强,可应用于海岛海岸带的精细化监测,为海岛海岸带的科学管理提供支撑。     

Artificial intelligence-based hull structural plate corrosion damage detection and recognition using convolutional neural network

With the support of big data and GPU acceleration training, the artificial intelligence technology with deep learning as its core is developing rapidly and has been widely used in many fields. At the same time, feature extraction operations are required by the current image-based corrosion damage detection method in the field of ships, with little effect but consuming the large amount of manpower and financial resources. Therefore, a new method for hull structural plate corrosion damage detection and recognition based on artificial intelligence using convolutional neural network is proposed. The convolutional neural network (CNN) model is trained through a large number of classified corrosion damage images to obtain a classifier model. Then the classifier model is used with overlap-scanning sliding window algorithm to recognize and position the location of corrosion damage. Finally, the damage detection pattern for hull structural plate corrosion damage as well as other types of superficial structural damage using convolutional neural network is proposed, which can accelerate the application of artificial intelligence technology into the field of naval architecture & ocean engineering.     

一种快速非局部平均合成孔径雷达海洋图像斑点噪声抑制方法

合成孔径雷达在海洋环境监测和海洋研究中扮演着越来越重要的角色。受其成像机制的影响，合成孔径雷达图像总是受到斑点噪声的污染。斑点噪声的存在会增大目标识别、跟踪和分类的难度，也会降低雷达信号的信噪比。合成孔径雷达海洋图像具有一些特殊的性质：海洋现象在雷达图像中主要呈现为条带状或斑块状的结构。这些条带状或斑块状的结构呈现出高度的自相似性或信息冗余。非局部平均方法能够衡量图像中不同图像块之间纹理结构的相似性，并利用图像的自相似性对图像进行去噪。但非局部平均去燥方法存在计算量巨大、计算耗时长的缺点，这几乎限制了其实际应用。本文采用一种自适应方法将雷达图像中的像素点区分为纹理区像素点和平坦区像素点。对纹理区像素点，采用较大的相似窗和搜索窗，对平坦区像素点，采用较小的相似窗和搜索窗，从而提高计算速度。进一步，本文基于计算统一设备并行架构（CUDA）技术，利用计算机图形处理器（GPU）对前述算法进行并行加速。与经典非局部平均算法相比，加速后算法的计算效率提高了200倍。     

基于混合损失U-Net的SAR图像渤海海冰检测研究

渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。     

基于光流法的X波段雷达浪向反演研究

浪向代表着海浪传播方向，它是海上交通安全以及海岸资源管理的重要海洋环境参数之一。本文针对X波段测波雷达对海杂波的连续成像，提出了一种基于光流法的海浪传播方向反演新方法。该方法利用X波段测波雷达接收的海面回波图像序列直接进行光流运动估计，将得到的每个像素点的运动矢量进行加权平均，最后得到实际的海浪传播方向。与传统基于频域的X波段测波雷达浪向反演方法相比，本文提出的方法直接从时域来进行回波信号处理，无需提前得到调制传递函数以及精确的海流，减少了由于海流估算的不准确以及调制传递函数选取的误差而给雷达浪向反演带来的影响。同时，该方法简单高效，占用资源少，将其应用至仿真雷达回波以及现场实测数据来进行浪向反演，反演得到的浪向与仿真设定浪向值以及浮标实时观测浪向结果都有很好的吻合度，变化趋势也完全一致，进而验证了该方法的有效性以及准确性。     

A method to reduce the spin-up time of ocean models

The spin-up timescale in large-scale ocean models, i.e., the time it takes to reach an equilibrium state, is determined by the slow processes in the deep ocean and is usually in the order of a few thousand years. As these equilibrium states are taken as initial states for many calculations, much computer time is spent in the spin-up phase of ocean model computations. In this note, we propose a new approach which can lead to a very large reduction in spin-up time for quite a broad class of existing ocean models. Our approach is based on so-called Jacobian–Free Newton–Krylov methods which combine Newton’s method for solving non-linear systems with Krylov subspace methods for solving large systems of linear equations. As there is no need to construct the Jacobian matrices explicitly the method can in principle be applied to existing explicit time-stepping codes. To illustrate the method we apply it to a 3D planetary geostrophic ocean model with prognostic equations only for temperature and salinity. We compare the new method to the ‘ordinary’ spin-up run for several model resolutions and find a considerable reduction of spin-up time.     

鲸豚声信号实时采集与分析系统

本文设计了一套基于FPGA的鲸豚声信号实时数据采集与分析系统,在采集存储水族馆内声信号的同时,应用改进的HHT算法处理鲸豚叫声中的click信号,实现实时的甄别瓶鼻海豚和白鲸功能,可用于针对大型哺乳动物的远洋实时跟踪科考。     

基于遥感影像边界特性对南海海洋内波检测算法研究 *

海洋内波在海洋活动中扮演重要角色。海洋内波研究对我国海洋科学的理论研究、海洋资源的保护、开发和利用以及海洋军事等方面均具有重要意义。为了及时发现海洋内波的发生地点以及对海洋内波参数进行定量分析, 本研究基于合成孔径雷达(synthetic aperture radar, SAR)影像中内波明暗条纹的边界特性, 提出了一种集成的海洋内波检测算法: 主要运用列分离邻域处理和Canny算子边缘检测算法对条纹进行检测, 并利用海洋内波的轮廓长度、面积比值及传播方向三个特征对条纹进行筛选, 并将该算法应用于南海发生的多起海洋内波, 以验证算法的鲁棒性和适用性。研究结果表明, 该算法能够较好地识别出海洋内波的明暗条纹, 不仅能够除去非内波条纹的轮廓, 而且能够去除一些细小且不明显的内波条纹轮廓。利用余弦函数逐像素地对识别后的条纹进行拟合, 然后根据拟合结果找出明暗条纹所在位置以及相邻明暗条纹之间的间距, 从而判定出内波发生的位置。     

Efficient sensor placement for ocean measurements using low-dimensional concepts

Using simulation results from three different regional ocean models (HOPS, ROMS and FVCOM) we show that only a few spatio-temporal POD (proper orthogonal decomposition) modes are sufficient to describe the most energetic ocean dynamics. In particular, we demonstrate that the simulated ocean dynamics in New Jersey coast, Massachusetts Bay and Gulf of Maine is energetically equivalent to the wake dynamics behind a cylinder at low Reynolds number. Moreover, the extrema of the POD spatial modes are very good locations for sensor placement and accurate field reconstruction. We employ a modified POD theory to incorporate a limited number of measurements in reconstructing the velocity and temperature fields, and we study systematically the corresponding reconstruction errors as a function of the sensor location, number of sensors, and number of POD modes. This new approach is quite accurate in short-term simulation, and hence it has the potential of accelerating the use of real-time adaptive sampling in data assimilation for ocean forecasting.     

What processes drive the ocean heat transport?

The ocean contributes to regulating the Earth’s climate through its ability to transport heat from the equator to the poles. In this study we use long simulations of an ocean model to investigate whether the heat transport is carried primarily by wind-driven gyres or whether it is dominated by deep circulations associated with abyssal mixing and high latitude convection. The heat transport is computed as a function of temperature classes. In the Pacific and Indian ocean, the bulk of the heat transport is associated with wind-driven gyres confined to the thermocline. In the Atlantic, the thermocline gyres account for only 40% of the total heat transport. The remaining 60% is associated with a circulation reaching down to cold waters below the thermocline. Using a series of sensitivity experiments, we show that this deep heat transport is primarily set by the strength and patterns of surface winds and only secondarily by diabatic processes at high latitudes in the North Atlantic. Abyssal mixing below 2000 m has hardly any impact on ocean heat transport. A major implication is that the role of the ocean in regulating Earth’s climate strongly depends on how surface winds change across different climates in both hemispheres at low and high latitudes.     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。