蘆旭熠,單桂華,李 觀

1(中國(guó)科學(xué)院 計(jì)算機(jī)網(wǎng)絡(luò)信息中心,北京 100190)

2(中國(guó)科學(xué)院大學(xué),北京 100049)

中尺度渦是指空間尺度約為幾十至幾百公里、時(shí)間尺度約為幾天至幾個(gè)月的海洋渦旋,攜帶著全球海洋的絕大多數(shù)能量,在海洋的動(dòng)能運(yùn)輸、熱鹽運(yùn)輸、化學(xué)物質(zhì)運(yùn)輸以及營(yíng)養(yǎng)物質(zhì)運(yùn)輸中起到重要作用[1],同時(shí)影響著全球氣候變化和漁業(yè)等商業(yè)活動(dòng)[2],對(duì)人類(lèi)活動(dòng)和海洋科學(xué)都有著重要意義.

海洋物理上多利用衛(wèi)星測(cè)高數(shù)據(jù)對(duì)中尺度渦進(jìn)行檢測(cè),但是對(duì)衛(wèi)星數(shù)據(jù)的計(jì)算與處理通常依賴(lài)于由專(zhuān)家預(yù)定義或調(diào)整的參數(shù)[3-5],參數(shù)的選取直接影響著中尺度渦識(shí)別的精準(zhǔn)度,且不同區(qū)域選取的參數(shù)不盡相同.由于中尺度渦具有復(fù)雜的動(dòng)態(tài)變化的特征,對(duì)渦旋特征的檢測(cè)需要逐點(diǎn)掃描,再進(jìn)行后續(xù)篩選,耗時(shí)較長(zhǎng).而海洋資料數(shù)量龐大,分辨率越來(lái)越高.通過(guò)逐點(diǎn)掃描和計(jì)算的方式要花費(fèi)太多時(shí)間,影響了對(duì)渦旋的進(jìn)一步分析.另外,渦旋研究信息涉及到許多維度和變量,以文字、圖表為主.對(duì)其進(jìn)行對(duì)比和分析有相當(dāng)多的工作量,且不能較好地對(duì)海洋渦旋的空間位置、每個(gè)渦旋自身特征進(jìn)行可視化展示.渦旋檢測(cè)速度的提升和渦旋信息可視化系統(tǒng)的開(kāi)發(fā)可以在很大程度上提高對(duì)渦旋研究工作的效率.

為此,本文提出了基于深度學(xué)習(xí)多目標(biāo)檢測(cè)的中尺度渦識(shí)別算法,避免了閾值選取對(duì)渦旋檢測(cè)的影響,大大提升了渦旋檢測(cè)速度.同時(shí)設(shè)計(jì)可視化系統(tǒng)進(jìn)行中尺度渦多維度展示,并對(duì)渦旋的統(tǒng)計(jì)信息、特征分布和屬性關(guān)聯(lián)進(jìn)行了洞察、說(shuō)明和相關(guān)性分析.

本文的主要貢獻(xiàn)如下:

(1)提出一種基于深度學(xué)習(xí)的海洋中尺度渦旋檢測(cè)算法,可較準(zhǔn)確、全面的檢測(cè)中尺度渦,并大大提升了檢測(cè)速度;

(2)設(shè)計(jì)中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng),通過(guò)多視圖聯(lián)動(dòng)及交互操作對(duì)中尺度渦信息進(jìn)行多維展示;

(3)利用可視化系統(tǒng)在個(gè)數(shù)和尺度統(tǒng)計(jì)、特征分布、屬性關(guān)聯(lián)等方面對(duì)中尺度渦進(jìn)行細(xì)節(jié)性分析.

1 國(guó)內(nèi)外研究現(xiàn)狀

海洋物理中對(duì)中尺度渦的識(shí)別算法大致可分為兩類(lèi):一是基于物理參數(shù)的方法,其中Okubo-Weiss(OW)參數(shù)法[4,5]應(yīng)用最為廣泛.但其需要引入閾值 W0,W0的選取直接影響著渦旋檢測(cè)的精準(zhǔn)度;二是基于流場(chǎng)幾何特征的方法,此類(lèi)方法需對(duì)海洋數(shù)據(jù)逐點(diǎn)掃描,找到可能的渦核點(diǎn)后,利用渦旋幾何特征作進(jìn)一步篩選,耗時(shí)較長(zhǎng)[6,7].

此外,Ashkezari 等[8]將機(jī)器學(xué)習(xí)與渦旋檢測(cè)結(jié)合,構(gòu)建渦旋相位角特征矩陣,利用SVM算法進(jìn)行分類(lèi)訓(xùn)練,最后使用固定大小的滑動(dòng)窗格進(jìn)行渦旋檢測(cè).Franz 等[9]將卷積神經(jīng)網(wǎng)絡(luò)引入渦旋檢測(cè),但其使用OW 參數(shù)法提取渦旋特征構(gòu)建訓(xùn)練集,閾值選取的影響使其只能識(shí)別到特征非常明顯的渦旋,漏識(shí)別現(xiàn)象較嚴(yán)重.以上兩種方法均需先對(duì)渦旋類(lèi)別學(xué)習(xí),之后使用滑動(dòng)窗格掃描全局?jǐn)?shù)據(jù)才能獲取渦旋位置信息,渦旋的識(shí)別和定位需分步進(jìn)行.

目標(biāo)檢測(cè)是機(jī)器視覺(jué)中最常見(jiàn)的問(wèn)題,其中基于深度學(xué)習(xí)的YOLOv3算法[9]表現(xiàn)突出,可以學(xué)習(xí)圖像的全局信息,直接輸出目標(biāo)類(lèi)別和相應(yīng)的定位,并且大大提高了對(duì)小目標(biāo)和緊湊密集或者高度重疊目標(biāo)的檢測(cè),非常適合在衛(wèi)星高度計(jì)數(shù)據(jù)中有著小尺寸、高密度特點(diǎn)的中尺度渦的檢測(cè).

本文首次利用深度學(xué)習(xí)多目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行渦旋識(shí)別,避免了構(gòu)建特征矩陣以及對(duì)全部數(shù)據(jù)掃描的工作,對(duì)渦旋的識(shí)別和定位實(shí)現(xiàn)一步到位,并且得到較好的檢測(cè)結(jié)果,大大提高了渦旋檢測(cè)速度.之后,利用渦旋檢測(cè)結(jié)果搭建中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng),對(duì)中尺度渦的特征分布、多維度統(tǒng)計(jì)信息、屬性關(guān)聯(lián),以及對(duì)海洋屬性的影響進(jìn)行交互可視化展示,可幫助用戶(hù)查看渦旋各個(gè)維度下的信息及時(shí)空變化規(guī)律,對(duì)比分析渦旋的特征和影響,滿(mǎn)足對(duì)渦旋和海洋信息進(jìn)行直觀性說(shuō)明的需求,大大減少研究人員對(duì)繁雜數(shù)據(jù)的對(duì)比、分析、統(tǒng)計(jì)工作.

2 海洋中尺度渦識(shí)別算法

2.1 算法概述

海洋物理中對(duì)中尺度渦的檢測(cè)通常需要設(shè)定閾值以分離中尺度渦渦核與海洋背景場(chǎng),閾值的設(shè)置直接影響著中尺度渦檢測(cè)的準(zhǔn)確度,且不同區(qū)域的閾值不盡相同;也可利用幾何特征進(jìn)行渦旋檢測(cè),需要逐點(diǎn)掃描衛(wèi)星高度計(jì)數(shù)據(jù),對(duì)疑似渦核點(diǎn)再作進(jìn)一步判斷,但是隨著衛(wèi)星高度計(jì)數(shù)據(jù)量的增長(zhǎng)、數(shù)據(jù)空間和時(shí)間精度的提高,掃描任務(wù)的數(shù)據(jù)量成倍增加,渦旋檢測(cè)速度太慢會(huì)影響下一步對(duì)渦旋特征和影響的研究,渦旋檢測(cè)耗時(shí)太長(zhǎng)也成為了亟待解決的問(wèn)題.

本文算法首先將海面高度異常融合數(shù)據(jù)制作為單通道圖像,利用海面高度異常閉合等值線(xiàn)法對(duì)研究區(qū)域進(jìn)行渦旋檢測(cè),完成原始樣本集的制作.其次,調(diào)整YOLOv3 網(wǎng)絡(luò)參數(shù),通過(guò)K-Means 對(duì)樣本標(biāo)注框維度聚類(lèi)得到先驗(yàn)框,使得YOLOv3 更適合對(duì)本文樣本集特征的學(xué)習(xí),利用YOLOv3 訓(xùn)練結(jié)果完成對(duì)測(cè)試集的渦旋檢測(cè)并對(duì)檢測(cè)結(jié)果進(jìn)行處理和精準(zhǔn)定位.本文算法對(duì)渦旋檢測(cè)有較高的準(zhǔn)確率和召回率,大大提高了渦旋檢測(cè)速度,并擺脫了閾值選取對(duì)渦旋檢測(cè)的影響.

2.2 樣本集的制作

樣本集包括圖片集和標(biāo)簽集,其中圖片集為包含了渦旋特征的SLA 圖片,作為YOLOv3 的輸入來(lái)源;標(biāo)簽集為每張圖片所包含的渦旋位置信息和類(lèi)別信息.

2.2.1 樣本集圖片

SLA 數(shù)據(jù)覆蓋全球,包含海洋和陸地兩部分,其中陸地部分的數(shù)值設(shè)為-2147 483 647,為了便于SLA 數(shù)據(jù)與圖片的轉(zhuǎn)換,本文首先將陸地部分的數(shù)值均設(shè)為0;由于SLA 數(shù)據(jù)的精度為0.0001,數(shù)據(jù)范圍為(-9.9999,9.9999),若直接轉(zhuǎn)換為圖片會(huì)造成嚴(yán)重的精度損失,因此本文通過(guò)式(1),將SLA 數(shù)據(jù)轉(zhuǎn)為正整數(shù);最后,將處理后的SLA 數(shù)據(jù)轉(zhuǎn)換為16 位單通道的tiff 格式圖片.圖1 為生成的SLA 灰度圖像,其中灰度為0 的部分為陸地,其余部分為海洋,海洋部分不同程度的灰度變化即為海面高度的起伏.

圖1 海面高度異?；叶仁疽鈭D

2.2.2 樣本集標(biāo)簽

本文利用海面高度異常閉合等值線(xiàn)法對(duì)中尺度渦進(jìn)行檢測(cè)以制作樣本集標(biāo)簽.中尺度渦最直觀的表現(xiàn)為閉合的海面高度異常等值線(xiàn),本文利用該特征具體使用的特征提取方法如下:

(1)在氣旋渦(反氣旋渦)區(qū)域內(nèi)有一個(gè)SLA 局部最小(大)值.

(2)渦旋外圍要有閉合的SLA 等值線(xiàn).

(3)氣旋渦(反氣旋渦)內(nèi)所有網(wǎng)格點(diǎn)的SLA 值都比邊界SLA 值要小(大).

(4)渦旋振幅不小于3 cm.

由于SLA 數(shù)據(jù)的分辨率為0.25°(約為27.75 km),因此本文舍棄半徑小于27 km 的渦旋.針對(duì)位于研究區(qū)域邊緣的渦旋,如果該渦旋所占區(qū)域超出研究區(qū)域邊界,則舍棄.通過(guò)上述渦旋檢測(cè)方法識(shí)別出的渦旋將根據(jù)渦核位置及半徑信息,通過(guò)式(2)至式(5)計(jì)算渦旋(xmin,ymin),( xmax,ymax)坐標(biāo).

2.3 渦旋檢測(cè)結(jié)果的處理

2.3.1 異常識(shí)別結(jié)果處理

由于渦旋特征尺度小,分布密集,且有不同參數(shù)的強(qiáng)弱劃分,將YOLOv3 這種適用于自然圖像的目標(biāo)檢測(cè)模型直接應(yīng)用會(huì)存在以下問(wèn)題:

(1)在樣本集標(biāo)簽制作中,設(shè)定渦旋特征閾值va,只提取特征值大于va 的渦旋,在訓(xùn)練中發(fā)現(xiàn)YOLOv3還會(huì)識(shí)別出某些特征值小于va 的強(qiáng)度較弱的渦旋.

(2)部分漏識(shí)別渦旋聚集于樣本區(qū)域的邊緣處.

針對(duì)以上問(wèn)題,本文對(duì)YOLOv3 初次檢測(cè)結(jié)果進(jìn)行以下處理:

(1)篩選出YOLOv3 識(shí)別的弱渦旋,不作為本文對(duì)識(shí)別結(jié)果評(píng)判的計(jì)算.

(2)針對(duì)圖片邊緣渦旋的漏識(shí)別,本文將研究區(qū)域在東、西、南、北四個(gè)方向分別平移至與樣本區(qū)域重合度為70%處,得到4 個(gè)新區(qū)域,位于樣本區(qū)域邊緣的渦旋在新區(qū)域中將位于中央位置.使用YOLOv3 訓(xùn)練結(jié)果分別對(duì)4 個(gè)新區(qū)域進(jìn)行渦旋檢測(cè),并將識(shí)別結(jié)果重新偏移到原樣本區(qū)域,與初次識(shí)別結(jié)果疊加,完成再識(shí)別.

2.3.2 識(shí)別結(jié)果處理

由于再識(shí)別過(guò)程對(duì)同一局部區(qū)域有多次檢測(cè),將會(huì)出現(xiàn)許多重復(fù)識(shí)別結(jié)果.此外,YOLOv3 的渦旋檢測(cè)結(jié)果可以大體定位渦旋位置范圍,但是會(huì)存在位置和半徑的偏差.為了實(shí)現(xiàn)中尺度渦的精準(zhǔn)定位以及相關(guān)屬性的計(jì)算,并且提高計(jì)算速度,本文首先利用式(6)計(jì)算預(yù)測(cè)框的 I OU ,若I OU大于等于0.6,則認(rèn)為兩個(gè)預(yù)測(cè)框重復(fù),僅保留面積較大的預(yù)測(cè)框.去重完成后,利用2.2.2 節(jié)所述海面高度異常閉合等值線(xiàn)法對(duì)保留下來(lái)的預(yù)測(cè)框區(qū)域進(jìn)行渦旋檢測(cè)和半徑、振幅等屬性的計(jì)算,得到更精準(zhǔn)的中尺度渦檢測(cè)結(jié)果.

其中,a reaoverlap為兩個(gè)預(yù)測(cè)框的重復(fù)區(qū)域面積,areamin為較小的預(yù)測(cè)框面積.

2.4 評(píng)判指標(biāo)

本文使用目標(biāo)檢測(cè)中常用的評(píng)價(jià)指標(biāo):精確率(precision),召回率(recall)對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)評(píng).各評(píng)價(jià)指標(biāo)的計(jì)算公式如式(7)、式(8)所示.

其中,tp為正樣本被正確識(shí)別為正樣本的個(gè)數(shù)(標(biāo)注的渦旋被識(shí)別為渦旋),f p為負(fù)樣本被錯(cuò)誤識(shí)別為正樣本的個(gè)數(shù)(非渦旋結(jié)構(gòu)被識(shí)別為渦旋),fn為正樣本被錯(cuò)誤識(shí)別為負(fù)樣本的個(gè)數(shù)(標(biāo)注的渦旋沒(méi)有被識(shí)別出來(lái),被認(rèn)為是非渦旋結(jié)構(gòu)),n為識(shí)別出的樣本總個(gè)數(shù).

3 海洋中尺度渦可視化

3.1 可視化系統(tǒng)簡(jiǎn)介

本文提出的中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng),通過(guò)多個(gè)版塊的關(guān)聯(lián),對(duì)中尺度渦的位置分布、直觀特征、多維度統(tǒng)計(jì)信息、屬性關(guān)聯(lián),以及對(duì)海洋屬性的影響進(jìn)行交互可視化展示,展示信息豐富,交互操作多樣,可以使用戶(hù)從時(shí)間、空間不同角度直觀地分析渦旋分布特點(diǎn)、各屬性特征,以及與海洋環(huán)境的聯(lián)系,實(shí)現(xiàn)對(duì)渦旋及海洋特征的直觀說(shuō)明,大大減少了渦旋研究者對(duì)各類(lèi)渦旋及海洋數(shù)據(jù)對(duì)比分析的工作量.本系統(tǒng)主要滿(mǎn)足的需求如下:

(1)查看任意一天渦旋相關(guān)信息;

(2)對(duì)(反)氣旋渦以及渦旋總體情況分類(lèi)查看;

(3)查看渦旋個(gè)數(shù)統(tǒng)計(jì)、尺度統(tǒng)計(jì)和分布信息;

(4)查看渦旋自身特征及分布信息;

(5)查看渦旋各個(gè)屬性信息查看及屬性間的聯(lián)系.

3.2 可視化數(shù)據(jù)及屬性介紹

本文可視化的相關(guān)屬性定義如下:

(1)渦旋半徑R

中尺度渦形狀不規(guī)則,本文取渦旋中心與8 個(gè)鄰域方向最外圍的地理距離的平均值作為中尺度渦的半徑R,如式(9)所示.

(2)振幅A

中尺度渦的振幅定義為渦核與渦旋最外圍等值線(xiàn)的SLA 差值的絕對(duì)值,如式(10)所示.

(3)渦度ζ,渦度均方根ζrms

渦度為速度場(chǎng)的旋度,渦度值的大小代表著中尺度渦的強(qiáng)弱,計(jì)算公式如式(11)所示.v′

其中,和 分別表示地轉(zhuǎn)流異常的水平和垂直分量:

f g和 分別為科氏參數(shù)和重力加速度.進(jìn)一步定義渦度均方根:

N表示渦旋所占格點(diǎn)個(gè)數(shù).

(4)海洋動(dòng)能EKE (Eddy Kinetic Energy)

中尺度渦活動(dòng)較強(qiáng)的海洋區(qū)域一般具有較大的動(dòng)能,在地轉(zhuǎn)假設(shè)條件下的計(jì)算如式(15)所示.

另外,系統(tǒng)使用的逐日海表面溫度(Sea Surface Temperature,SST)數(shù)據(jù)由California 地球衛(wèi)星微波遙感科研機(jī)構(gòu)Remote Sensing Systems (RSS)提供,分辨率為0.25°×0.25°.

3.3 可視化系統(tǒng)設(shè)計(jì)

本文設(shè)計(jì)的中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng)共包含渦旋特征統(tǒng)計(jì)、等值面特征、屬性關(guān)聯(lián)分析3 類(lèi)視圖,共5 個(gè)版塊.各個(gè)版塊通過(guò)時(shí)間選擇聯(lián)動(dòng)變換,展示同一天內(nèi)不同維度下海洋與渦旋的不同信息.

3.3.1 渦旋特征統(tǒng)計(jì)視圖

渦旋特征統(tǒng)計(jì)視圖對(duì)渦旋個(gè)數(shù)按時(shí)間進(jìn)行統(tǒng)計(jì),對(duì)渦旋半徑、振幅按尺度進(jìn)行統(tǒng)計(jì),共分為2 個(gè)版塊.

(1)渦旋個(gè)數(shù)統(tǒng)計(jì)圖

如圖2 所示,在時(shí)間上以天和月為單位分別統(tǒng)計(jì)了渦旋個(gè)數(shù),用戶(hù)可點(diǎn)選按鈕分別查看;在類(lèi)別上以氣旋渦、反氣旋渦和全部渦旋統(tǒng)計(jì)個(gè)數(shù),由于反氣旋渦對(duì)應(yīng)SLA 正異常,氣旋渦對(duì)應(yīng)SLA 負(fù)異常,因此將反氣旋渦、氣旋渦個(gè)數(shù)的y 坐標(biāo)軸分別設(shè)計(jì)為正、負(fù)兩個(gè)方向進(jìn)行顯示,全部渦旋個(gè)數(shù)以折線(xiàn)形式展示.用戶(hù)通過(guò)選擇日期可顯示當(dāng)前日期及之后30 天的渦旋個(gè)數(shù)信息,也可通過(guò)范圍選擇器同時(shí)查看更多日期的渦旋個(gè)數(shù).在渦旋個(gè)數(shù)月統(tǒng)計(jì)圖中,用戶(hù)點(diǎn)擊條形圖可使系統(tǒng)界面顯示當(dāng)月第一天的渦旋信息.通過(guò)鼠標(biāo)交互,用戶(hù)可得到具體的渦旋數(shù)量,增強(qiáng)了圖表的可讀性;通過(guò)橫向比較柱狀圖高度變化可得到渦旋數(shù)量的極值月份和變化趨勢(shì).

圖2 渦旋個(gè)數(shù)統(tǒng)計(jì)圖

(2)渦旋尺度折線(xiàn)圖

如圖3 所示,根據(jù)渦旋的半徑和振幅尺度進(jìn)行統(tǒng)計(jì),由于SLA 數(shù)據(jù)的分辨率為0.25°×0.25°,對(duì)于渦旋半徑的計(jì)算只能精確到約27.75 km.因此,將半徑以26 km 為刻度單位進(jìn)行均分,振幅以1 cm 為刻度單位進(jìn)行均分.折線(xiàn)圖中標(biāo)出不同尺度下分布最多的渦旋個(gè)數(shù),方便查看渦旋的主要尺度范圍.

3.3.2 等值面特征視圖

如圖4 所示,等值面特征視圖中使用專(zhuān)業(yè)氣象數(shù)據(jù)處理語(yǔ)言NCL (NCAR Command Language)將海平面高度異常數(shù)據(jù)、海洋渦度值、海洋動(dòng)能值繪制等值面圖,并將中尺度渦識(shí)別結(jié)果根據(jù)半徑尺寸和極性在等值面圖上進(jìn)行標(biāo)注,紅色圓圈為反氣旋渦,藍(lán)色圓圈為氣旋渦.用戶(hù)可點(diǎn)選按鈕查看不同類(lèi)別的等值面圖,可清晰地看到每日的渦旋特征分布,同時(shí)對(duì)渦旋與海洋渦度、海洋動(dòng)能的聯(lián)系有形象的認(rèn)識(shí).

圖3 渦旋尺度折線(xiàn)圖

圖4 等值面特征圖

3.3.3 屬性關(guān)聯(lián)分析視圖

屬性關(guān)聯(lián)分析視圖利用相關(guān)屬性制作平行坐標(biāo)系,由于海洋和渦旋的屬性在不同緯度上具有明顯差異,本視圖還以緯度為單位對(duì)渦旋屬性進(jìn)行統(tǒng)計(jì),并繪制熱力圖分析海洋屬性的空間差異.共分為2 個(gè)版塊.

(1)渦旋海洋關(guān)聯(lián)屬性平行坐標(biāo)系

如圖5 所示,根據(jù)渦旋半徑、振幅、渦度均方根、渦動(dòng)能以及渦旋中心海表溫度5 個(gè)屬性構(gòu)建平行坐標(biāo)系,按顏色劃分渦旋極性.用戶(hù)可得到當(dāng)日渦旋各屬性的尺度范圍,并可通過(guò)框選查看某范圍下任意屬性的特點(diǎn),滑動(dòng)選擇框,可以看到某一屬性的變化對(duì)其它屬性的影響或?qū)傩蚤g存在的聯(lián)系,從而進(jìn)一步分析渦旋對(duì)海洋的影響.

(2)渦旋屬性空間統(tǒng)計(jì)與海洋動(dòng)能熱力圖

如圖6 所示,將研究區(qū)域的海洋動(dòng)能以經(jīng)緯度1°×1°的分辨率進(jìn)行統(tǒng)計(jì),繪制熱力圖;同時(shí),以1°緯度為單位對(duì)渦旋半徑、振幅、出現(xiàn)頻率進(jìn)行統(tǒng)計(jì)繪制折線(xiàn)圖,二者共用同一y 軸.通過(guò)點(diǎn)選不同的屬性并選擇不同時(shí)間段進(jìn)行查看,可明顯對(duì)比得出渦旋尺度、出現(xiàn)頻率在不同緯度下的差異,以及海洋動(dòng)能的強(qiáng)弱分布規(guī)律,渦旋的不同屬性對(duì)海洋動(dòng)能的影響也一目了然.

圖5 渦旋海洋關(guān)聯(lián)屬性平行坐標(biāo)系

圖6 渦旋屬性空間統(tǒng)計(jì)與海洋動(dòng)能熱力圖

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)

本文使用的衛(wèi)星高度計(jì)資料是法國(guó)國(guó)家空間研究中心衛(wèi)星海洋學(xué)存檔數(shù)據(jù)中心AVISO 分發(fā)的最新版本的多源高度計(jì)海面高度異常融合數(shù)據(jù),其空間分辨率為0.25°,時(shí)間分辨率為1 d,數(shù)據(jù)格式為NetCDF(Network Common Data Form)網(wǎng)絡(luò)通用數(shù)據(jù)格式.本文選取其區(qū)域范圍為17°N-42°N,147°W-172°W,時(shí)間范圍為1993年1月1日至2017年12月31日,長(zhǎng)達(dá)24年的數(shù)據(jù)作為研究數(shù)據(jù).根據(jù)研究區(qū)域尺度可制作為100×100 分辨率的樣本集,其中,1993-2016年的樣本集將作為訓(xùn)練集輸入YOLOv3 網(wǎng)絡(luò)進(jìn)行訓(xùn)練,2017年的樣本集將作為測(cè)試集檢驗(yàn)訓(xùn)練結(jié)果的檢測(cè)效率.

4.2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文采用了YOLOv3 基本的網(wǎng)絡(luò)結(jié)構(gòu),以Darknet-53[10]網(wǎng)絡(luò)提取圖像特征.相比YOLOv2 中的Darknet-19 網(wǎng)絡(luò),Darknet-53 添加了殘差單元,使用連續(xù)的3×3 和1×1 卷積層,并將其擴(kuò)充為53 層,其中包含53 個(gè)卷積層以及5 個(gè)最大池化層,同時(shí),在每一個(gè)卷積層后增加了批量歸一化操作和去除隨機(jī)失活操作,防止出現(xiàn)過(guò)擬合現(xiàn)象.

另外,YOLOv3 采用了3 個(gè)不同尺度的特征圖來(lái)進(jìn)行對(duì)象檢測(cè),3 個(gè)尺度分別是32 倍降采樣,16 倍降采樣和8 倍降采樣.多尺度融合方式可以使網(wǎng)絡(luò)同時(shí)學(xué)習(xí)到淺層特征和深層特征,表達(dá)效果更好,有效解決了YOLO 和YOLOv2 小目標(biāo)漏檢率高的問(wèn)題.本文的渦旋目標(biāo)尺寸為4×4 至6×6 不等,尺寸較小,YOLOv3可以達(dá)到更高的召回率.

由于YOLOv3 原網(wǎng)絡(luò)結(jié)構(gòu)中的9 個(gè)先驗(yàn)框尺寸是基于COCO 數(shù)據(jù)集且網(wǎng)絡(luò)輸入圖像分辨率為416×416,而渦旋檢測(cè)中待檢測(cè)目標(biāo)標(biāo)注框尺寸如圖7 所示,樣本圖像分辨率為100×100,因此使用YOLOv3算法中原有的先驗(yàn)框維度很難得到精確的目標(biāo)標(biāo)注框信息.因此使用YOLOv3算法中原有的先驗(yàn)框維度很難得到精確的目標(biāo)標(biāo)注框信息,需要重新計(jì)算先驗(yàn)框以獲得更好的檢測(cè)效率.

圖7 樣本目標(biāo)標(biāo)注框尺寸

K-Means 聚類(lèi)的目的是使先驗(yàn)框和臨近的真實(shí)數(shù)據(jù)中的標(biāo)注目標(biāo)有更大的IOU 值,所以采用K-Means算法時(shí)選用標(biāo)注框與聚類(lèi)中心標(biāo)注框之間的IOU 值作為距離指標(biāo),使用公式:

進(jìn)行距離計(jì)算.

在K-Means 聚類(lèi)算法中,將所有標(biāo)注框中心點(diǎn)的x,y 坐標(biāo)都置為0,使得所有標(biāo)注框都處在相同的位置上,方便計(jì)算標(biāo)注框之間的相似度.另外,標(biāo)注框的寬高為相對(duì)于整張圖片的比例.YOLOv3 網(wǎng)絡(luò)在檢測(cè)時(shí)會(huì)進(jìn)行3 次尺度變換,以便學(xué)習(xí)和檢測(cè)不同尺寸的目標(biāo),而在渦旋檢測(cè)中,標(biāo)注的渦旋目標(biāo)尺寸均屬于小尺寸特征圖,尺寸差別不大.經(jīng)過(guò)多次測(cè)試,僅使用尺寸小的3 個(gè)先驗(yàn)框維度便可得到較好的識(shí)別結(jié)果,并可加快訓(xùn)練速度.因此在K-Means 聚類(lèi)時(shí),設(shè)置聚簇個(gè)數(shù)為3,最終得到的3 組先驗(yàn)框維度中心分別為:(20.48,17.92),(15.36,12.8),(10.24,10.24).

根據(jù)本文樣本集類(lèi)別數(shù)量以及樣本標(biāo)注框小尺寸的特點(diǎn),對(duì)網(wǎng)絡(luò)中3 個(gè)YOLO 層、YOLO 層前的卷積層以及部分upsample、route 層的參數(shù)進(jìn)行調(diào)整,并使用公式:

重新計(jì)算卷積核個(gè)數(shù),其中 c lasses為每個(gè)格點(diǎn)的預(yù)測(cè)框個(gè)數(shù),n um為樣本集目標(biāo)類(lèi)別數(shù).

4.3 模型訓(xùn)練

本文在YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上對(duì)訓(xùn)練參數(shù)做出微調(diào).根據(jù)本文樣本集圖片分辨率,調(diào)整網(wǎng)絡(luò)輸入圖像的寬高均為128.由于顯存限制,將batch 設(shè)為64,subdivisions 設(shè)為16,初始學(xué)習(xí)率為0.001.為了得到充分的訓(xùn)練結(jié)果,設(shè)置迭代次數(shù)為70 200 次,每迭代2000 次保存一次訓(xùn)練結(jié)果.本文實(shí)驗(yàn)的訓(xùn)練與測(cè)試環(huán)境采用搭載了2 塊GTX 1080 Ti 顯卡的CentOS 7.5.1804 系統(tǒng).

4.4 中尺度渦檢測(cè)結(jié)果

本文選取迭代第62 000 次的權(quán)重結(jié)果對(duì)2017年研究區(qū)域測(cè)試集進(jìn)行渦旋檢測(cè).對(duì)初次識(shí)別結(jié)果進(jìn)行再識(shí)別并且過(guò)濾較弱的渦旋后,precision 約為0.93,recall 約為0.95.Ashkezari 等[8]曾構(gòu)建渦旋特征矩陣,利用SVM 進(jìn)行分類(lèi)訓(xùn)練,表1 為本文實(shí)驗(yàn)與Ashkezari等人進(jìn)行的渦旋檢測(cè)實(shí)驗(yàn)的相關(guān)內(nèi)容對(duì)比.

由表1 可知,Ashkezari 等檢測(cè)結(jié)果的precision 約為0.92,recall 約為0.99.檢測(cè)時(shí)需要利用滑動(dòng)窗格掃描研究區(qū)域所有數(shù)據(jù)進(jìn)行特征計(jì)算,再進(jìn)行類(lèi)別判斷,速度較慢.本文實(shí)驗(yàn)結(jié)果較之precision 值有所上升,recall 值有所下降,但是本文所選研究區(qū)域更廣,包含的中尺度渦數(shù)量遠(yuǎn)多于Ashkezari 的研究區(qū)域,并且檢測(cè)速度大大提升,對(duì)研究區(qū)域某一天的渦旋檢測(cè)只需約0.01 s.之后對(duì)渦旋進(jìn)行準(zhǔn)確定位及屬性計(jì)算時(shí)只需對(duì)預(yù)測(cè)框中的SLA 數(shù)據(jù)進(jìn)行掃描和計(jì)算,大大減少了掃描數(shù)據(jù)量,節(jié)省了計(jì)算時(shí)間.

表1 Ashkezari 與本文算法性能對(duì)比

4.5 中尺度渦可視化分析

基于本文提出中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng),對(duì)2017年研究區(qū)域所識(shí)別出的中尺度渦在個(gè)數(shù)統(tǒng)計(jì)、特征分布、尺度統(tǒng)計(jì)與分布、屬性關(guān)聯(lián)等方面進(jìn)行分析.

4.5.1 渦旋個(gè)數(shù)與尺度統(tǒng)計(jì)信息

圖8(a)顯示以天位單位觀察渦旋個(gè)數(shù)的變化規(guī)律,氣旋渦、反氣旋渦均呈現(xiàn)波浪式變化.圖8(b)為渦旋個(gè)數(shù)月變化,氣旋渦、反氣旋渦分別在4月和1月出現(xiàn)次數(shù)最多,在9月和6月出現(xiàn)次數(shù)最少.2017年大多數(shù)月份氣旋渦數(shù)量多于反氣旋渦數(shù)量,在第三季度中出現(xiàn)反氣旋渦多于氣旋渦的情況.該區(qū)域中尺度渦的產(chǎn)生有明顯的季節(jié)變化,春季是高發(fā)季節(jié),而秋季產(chǎn)生數(shù)量最少.氣旋渦數(shù)量的變化基本對(duì)應(yīng)于全部渦旋數(shù)量的變化.

圖9 顯示了渦旋尺度統(tǒng)計(jì)信息,不論是氣旋渦還是反氣旋渦,渦旋數(shù)量極大值都會(huì)出現(xiàn)在半徑51-155 km 范圍內(nèi),以及振幅4-20 cm 范圍內(nèi);但是反氣旋渦的半徑和振幅的尺度范圍更廣.

4.5.2 渦旋特征分布信息

在等值面特征視圖中可看出,渦旋出現(xiàn)的區(qū)域有明顯的一系列閉合的海面高度異常等值線(xiàn),(反)氣旋渦對(duì)應(yīng)海面高度(正)負(fù)異常,一般異常絕對(duì)值越大,產(chǎn)生的渦旋半徑尺度越大.渦度較強(qiáng)的區(qū)域一般出現(xiàn)在渦核部分,并且渦度較強(qiáng)處的渦旋半徑尺度不會(huì)很大,說(shuō)明渦旋半徑并不是決定渦度強(qiáng)弱的因素.渦度較強(qiáng)區(qū)域均有渦旋的分布,然而也有部分中等強(qiáng)度渦度區(qū)并沒(méi)有渦旋出現(xiàn),同時(shí)在渦度極弱的區(qū)域不會(huì)出現(xiàn)渦旋,說(shuō)明渦旋與渦度有很大程度的關(guān)聯(lián),但并不是決定因素.此外,海洋高動(dòng)能區(qū)域往往出現(xiàn)在渦旋外圍,尤其是多個(gè)相鄰渦旋之間.

圖8 渦旋個(gè)數(shù)統(tǒng)計(jì)圖

4.5.3 渦旋與海洋屬性的關(guān)聯(lián)性分析

為了研究屬性間的關(guān)系,通過(guò)框選某一尺度范圍的屬性,拖動(dòng)選擇框觀察其它屬性隨選中屬性的變化趨勢(shì).以2017年6月3日的反氣旋渦為例,如圖10(a)至圖10(c)所示,首先框選出0-10 cm 的振幅,可以看到振幅較小的渦旋,其半徑、渦度、渦動(dòng)能也都處于較低尺度.隨著振幅不斷增加,3 種屬性尺度也隨之上升;該日氣旋渦與反氣旋渦的變化規(guī)律大體一致,如圖10(d)至圖10(f)所示.由此可知,渦旋振幅與其它屬性存在著一定的正相關(guān)關(guān)系,振幅較大的渦旋往往渦度較大,攜帶著較大能量,影響著海洋動(dòng)能的傳播.

渦旋屬性空間統(tǒng)計(jì)與海洋動(dòng)能熱力圖以緯度為單位在空間上對(duì)海洋動(dòng)能和渦旋屬性進(jìn)行統(tǒng)計(jì),如圖11 所示.顯而易見(jiàn),在25°N-27°N 區(qū)域,渦旋半徑、振幅、出現(xiàn)頻率都出現(xiàn)了最高值,同時(shí)該區(qū)域海洋動(dòng)能也是最強(qiáng)烈的;其次,在18°N-25°N 和27°N-29°N 區(qū)域分布著較大尺度半徑和振幅的渦旋,渦旋的出現(xiàn)頻率也較多,同時(shí)該區(qū)域海洋動(dòng)能也較高;在29°N-35°N 出現(xiàn)了許多渦旋且半徑也較大,但是由于振幅太小,并沒(méi)有對(duì)該區(qū)域海洋動(dòng)能產(chǎn)生過(guò)多影響.可以看出渦旋半徑、振幅、出現(xiàn)頻率均對(duì)海洋動(dòng)能有正影響,其中振幅的影響更為主要,與平行坐標(biāo)系的分析結(jié)論一致.

圖9 渦旋半徑、振幅尺度分布統(tǒng)計(jì)圖

圖10 不同振幅范圍下的渦旋各屬性尺度分布

圖11 渦旋各屬性與海洋動(dòng)能分布圖

5 結(jié)語(yǔ)

本文將以深度學(xué)習(xí)為基礎(chǔ)的YOLOv3 目標(biāo)檢測(cè)網(wǎng)絡(luò)與海洋物理中提取中尺度渦特征的方法相結(jié)合,利用1993-2016年的AVISO 衛(wèi)星高度計(jì)融合數(shù)據(jù),針對(duì)17°N-42°N,147°W-172°W 的研究區(qū)域,制作深度學(xué)習(xí)樣本集,調(diào)整YOLOv3 目標(biāo)檢測(cè)模型相關(guān)參數(shù)并進(jìn)行訓(xùn)練,利用訓(xùn)練結(jié)果檢測(cè)該區(qū)域2017年的中尺度渦旋,得到了較好的檢測(cè)結(jié)果,避免海洋物理中閾值選取對(duì)渦旋檢測(cè)的影響,大大提高了渦旋檢測(cè)速度.之后,根據(jù)渦旋檢測(cè)結(jié)果搭建中尺度渦時(shí)空特征及海洋信息協(xié)同可視化系統(tǒng),對(duì)中尺度渦不同維度信息進(jìn)行交互可視化展示,并通過(guò)各版塊聯(lián)動(dòng)及交互操作在中尺度渦個(gè)數(shù)統(tǒng)計(jì)、特征分布、尺度分布、屬性關(guān)聯(lián)等方面進(jìn)行分析,驗(yàn)證了該系統(tǒng)可很好地滿(mǎn)足對(duì)渦旋和海洋信息進(jìn)行直觀性說(shuō)明和分析的需求,大大減少研究人員對(duì)繁雜數(shù)據(jù)的對(duì)比分析工作.