融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率（IoU,Intersection-over-union））及检测精度（mAP,Mean Average Precision）均达0....     

基于YOLO模型的SAR舰船目标检测方法研究

随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集（SAR Ship Detection Dataset,SSDD）的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络（Backbone...     

基于权重调整的BP神经网络在Nino区海温预报中的应用

传统BP神经网络在训练完之后,其权重是固定不变的,加上神经网络的样本的标准化处理,将使得网络不易描绘样本峰值.因此,本文考虑变权的方法,以调节训练后的BP网络权重,基于变权次数,建立不同网络模型,并利用不同网络输出值与相应实测值进行比较.结果表明:变权BP网络预报效果有较大提升,同时,降低了对因子相关性的要求.     

基于遥感的海洋三维温盐场智能探测研究进展

海洋三维温盐场信息是描述海洋物理属性特征和掌握海洋物理运动过程的重要参数,获取准确的海洋三维温度和盐度信息对于认识海洋、开发利用海洋和海洋科学研究等具有重要意义。随着人工智能与深度学习方法的发展,采用深度学习方法的海洋次表层三维温盐场智能探测研究成为热点之一。从海洋温盐观测数据集、传统机器学习方法三维温盐智能探测、一般神经网络三维温盐智能探测和深度学习三维温盐智能探测等方面展开,对与海洋三维温盐场智能探测相关的研究进展进行综述,最后针对三维温盐场智能探测存在的问题和未来的发展趋势进行了总结和展望。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

冬春季黄海温度锋面的多时间尺度变化及主控因素分析

海洋锋面强度变化对陆源物质输运和全球物质循环有重要作用。冬春季节,中国东部陆架区西太平洋边界流分支与沿岸流之间形成了海洋温度锋。为探究冬季风暴和陆架环流双重影响下温度锋面的多时间尺度变化及主控因素,本文以黄海为研究区,分别在年代际尺度和天气尺度,利用信号分解和可解释深度学习方法,研究了低纬度驱动的环流系统和高纬度驱动的冬季风暴对锋面变化的耦合作用。在年代际尺度,通过使用经验正交函数分解和集合经验模态分解的方法,将北黄海的温度变化与黄海暖流强度相联系。研究结果表明,黄海的海表温度经验正交函数（EOF）分解第一模态的空间分布有明显的黄海暖流—沿岸流体系特征;海表温度EOF第一模态时间序列与黄海暖流强度指标的相关性良好,且受低频率厄尔尼诺‒南方涛动信号调控。在天气尺度,对卷积神经网络−长短时记忆网络（CNN-LSTM）模型进行训练并使用可解释性指标进行分析,结果发现无风或弱风条件下,海洋锋面主要由压力梯度力和科里奥利力的地转平衡维持;但在冬季风暴条件下,受开尔文波传播和切变锋破碎的影响,流场的低频波动成为导致锋面强度变化的主因。本文研究结果表明,大数据及机器学习方法是在众多海洋参数间建立联系,并发现一些独特物理海洋过程的重要手段,具有广阔的应用前景。     

基于改进Faster R-CNN模型的SAR图像溢油检测方法

SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。     

应用贝叶斯方法对有效信息较少的渔业资源进行资源评估-以印度洋长鳍金枪鱼的资源评估为例

众所周知,对有效信息较少的渔业资源进行资源评估面临很大的挑战,而贝叶斯方法在数据数量较少、质量较差的情况下能利用其它种群高质量的数据或已知的先验信息提高资源评估结果的可靠性。由于印度洋长鳍金枪鱼的数据质量较差而数据量有限,长鳍金枪鱼的资源评估结果存在很大的不确定性,为此,本文以印度洋长鳍金枪鱼的资源评估为例,以调查贝叶斯方法在有效信息较少的资源评估中的优势。本文根据不同的先验假设与捕捞数据系列,共构建了8个贝叶斯动态产量模型,以评估长鳍金枪鱼资源。结果表明:(1)分析参数的后验分布能提高捕捞数据系列选择与参数假设的合理性; (2) 利用种群统计学方法为内禀增长率(r)构建有信息先验,能提高资源评估结果的可靠性。与传统方法相比,当基于贝叶斯框架时,能将已知的知识表示为先验信息并能分析参数的后验分布,从而在数据较少或数据质量较差的情况下,能利用各种信息提高参数估计的合理性与资源评估的可靠性。因此,对数据量较少或数据质量较差情况下的渔业资源评估而言,贝叶斯方法非常有效,如本文所示的印度洋长鳍金枪鱼的资源评估。     

LabVIEW设计中压力传感器的RBF神经网络温度补偿

在石油平台注水压力监测系统设计中 ,采用LabVIEW虚拟仪器平台 ,嵌入逼近能力强和收敛速度快的RBF神经网络 ,以人工环境实验数据为样本进行训练 ,实现了压力传感器的智能网络温度补偿。结果显示 ,此方法能够在压力、温度变化较大的恶劣环境下 ,获得很高的补偿精度。     

海相软土场地形成的水泥土劣化深度预测

基于日照岚山港滨海相软土场地形成的水泥土的微型贯入试验,采用BP神经网络建立了水泥土劣化深度的网络模型来预测场地形成的水泥土的劣化深度。在模型建立过程中,将养护时间、水泥掺入比、养护条件、水泥种类、水泥强度等级、含水量及搅拌条件与水泥土劣化深度密切相关的7个参数引入到输入层,用Visual Basic语言编制了以水泥掺入比和养护时间为主要输入因素的计算程序,在样本训练和学习过程中,程序可对比显示实测和计算曲线。结果表明:水泥土劣化深度的预测结果与实测值较为吻合。说明运用BP神经网络模型预测水泥土劣化深度的方法是切实可行的。