一种基于深度学习的海表面温度预测方法——以南海为例

传统的海洋环境预报主要包括数值预报和经验统计预报,预报技术多依赖于物理模型,存在一定的技术瓶颈.本文利用Remote Sensing System(RSS)提供的微波优化插值海表面温度数据,以南海为例,在研究了深度学习预测海表面温度原理和技术流程的基础上,提出了基于卷积神经网络和长短期记忆网络(Convolutiona...     

深度学习在海洋信息探测中的应用:现状与展望

深度学习可以通过深度神经网络,使机器理解学习数据,从而提高数据分类效果和预测结果的准确性,因此在海洋信息探测中应用越来越受到重视.作者基于深度学习的基本原理,阐述了海洋上常用的深度学习神经网络模型,并结合海洋信息探测要素,对温度、盐度、风场、有效波高和海冰等进行了海洋环境信息因子的预测分析;同时,对船舶、溢油和涡旋等进...     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响.一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战.针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,...     

基于深度卷积神经网络的稀疏反褶积方法

本文提出一个由数据驱动的深度卷积神经网络(DCNN)模型用于求解地震反射信号的稀疏反褶积问题。反褶积是一个不适定的反问题,正则化迭代方法是求解此类问题的主要方法,但是正则化迭代方法存在正则化参数选取困难,反演结果不精确等问题。为此,本文提出DCNN方法求解地震反射信号的稀疏反褶积问题,经过训练的DCNN模型无需再次设置参数即可用于求解稀疏反褶积问题,计算速度快,结果精度高。所提DCNN模型还采用多分辨率分解和残差学习等技术以提高网络的表达能力。最后通过数值实验,并与迭代收缩阈值算法(ISTA)算法对比,使用模拟地震数据和实际地震数据验证了DCNN方法求解稀疏反褶积问题的有效性。     

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

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。     

基于深度学习的航海通告命名实体识别方法

为进一步提高识别、提取和应用航海通告信息的效率和准确性,基于对深度学习的自然语言处理技术及中文电子航海通告文本特点的研究,通过语料标注、搭建、调参、训练与评价了5种命名实体识别模型,得出CNN-BiLSTM-CRF模型的识别精确率、召回率等主要指标达到70%以上,能够适应复杂的通告内容及其语境干扰,是目前最优的航海通告命名实体识别模型的结论。应用该模型可为航海通告内容的自动化、智能化提取,高效编制及快速与准确应用提供一种新的技术方法。     

基于串联深度神经网络的Chl-a浓度短期预报方法研究

以浙江海洋保护区2019年5月生态浮标监测数据为基础,对叶绿素a(Chl-a)与各理化因子进行Pearson相关性分析,发现研究海域的Chl-a与溶解氧和pH呈显著正相关(P=0.01),与硝氮和磷酸盐呈显著负相关(P=0.05)。在此基础上,建立了一种串联深度神经网络(DNN)的Chl-a短期预报模型,该模型以5层神经网络为基本单元,采用前后串联方式构建了拥有6个隐层的DNN。实验结果显示:DNN模型能够较为准确地预测Chl-a浓度短期变化趋势,24 h和48 h预报结果的RMSE分别为1.25μg/L和2.43μg/L,MAE分别为1.03μg/L和1.99μg/L,相比于浅层网络预测精度更高。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

Application of deep learning technique to the sea surface height prediction in the South China Sea

A deep-learning-based method, called ConvLSTMP3, is developed to predict the sea surface heights(SSHs).ConvLSTMP3 is data-driven by treating the SSH prediction problem as the one of extracting the spatial-temporal features of SSHs, in which the spatial features are "learned" by convolutional operations while the temporal features are tracked by long short term memory(LSTM). Trained by a reanalysis dataset of the South China Sea(SCS), ConvLSTMP3 is applied to the SSH prediction in a region of the SCS east off Vietnam coast featured with eddied and offshore currents in summer. Experimental results show that ConvLSTMP3 achieves a good prediction skill with a mean RMSE of 0.057 m and accuracy of 93.4% averaged over a 15-d prediction period. In particular,ConvLSTMP3 shows a better performance in predicting the temporal evolution of mesoscale eddies in the region than a full-dynamics ocean model. Given the much less computation in the prediction required by ConvLSTMP3,our study suggests that the deep learning technique is very useful and effective in the SSH prediction, and could be an alternative way in the operational prediction for ocean environments in the future.     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式WRF预报数据和ERA5再分析资料,利用机器学习方法对WRF预报场的风场、温度、气压进行预报订正。采用ERA5作为真值,与原始WRF预报相比,利用随机森林模型可以将预报结果整体均方根误差降低44%以上,利用深度神经网络模型可以将预报结果整体均方根误差降低34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

基于深度学习的随船波浪测量技术研究

深海极端波浪环境为浮式海洋平台作业时最为关键的海洋动力环境之一。在其作用下,深海浮式平台的运动、气隙以及结构响应等均为近年来的研究热点。然而,在深海环境中,入射波浪环境往往通过X波段雷达进行测量,仅能获得波浪的短时统计值,极大限制了实海域浮动平台动力响应的研究。目前,尚无成熟的方法能够对海洋浮式平台所处海域的入射波时序进行实时测量。针对深远海半潜式平台的波浪时序随船测量问题,结合平台气隙响应与运动响应数据建立基于深层神经网络的波浪非线性解耦模型,准确估计辐射、绕射波浪以及其非线性成分对时序波浪场的影响。研究显示,基于深度神经网络的波浪时序测量技术可以实现从气隙响应到入射波信息的反推,利用该方法计算得到的波浪时序具有较高的精度。     

基于物理关联深度学习的海浪浪高预测方法

精确的海浪有效波高（简称浪高）预测对于海上生产生活具有重要意义。针对现有海浪浪高预测模型对不同海洋要素间关联信息考虑不足,以及长时序浪高数据本身存在非平稳性的问题,本文设计了一种考虑物理约束与差值约束的海浪浪高时间序列预测方法。该方法基于风速与浪高之间的物理关联,设计物理约束,并通过提取差分信息设计差值约束,结合现有基于深度学习的时间序列预测模型,实现浪高预测。采用黄海和东海的6个不同站点浮标数据进行了大量实验。实验结果表明,本文提出的方法可以利用海洋要素间的物理关联,有效提高浪高预测精度,并避免因不同要素间融合造成的信息间干扰;同时,利用差值约束,限制时间序列预测结果的变动范围。本文方法可以与不同类型的时间序列预测模型相结合,显著提升原有模型的性能,并在长时间序列的预测中体现出很好的鲁棒性,为海洋要素预测中物理与数据驱动模型的有效结合提供了思路和验证。